Python ile Makine Öğrenmesi Eğitimi

IT sektöründe çalışan uzmanlara yapay zeka konusunda sektörel farkındalık kazandırmak, Python programlama dili temellerini ve Python ile makine öğrenmesi algoritmalarını uygulayarak anlatmaktır.

Eğitim Süresi: 5 Gün

Herhangi bir programlama dilinde orta seviye bilgi sahibi olmak.

Python ile makine öğrenmesi eğitimi depar akademi

Pyhton ile Makine Öğrenmesi Eğitim İçeriği

  • Yapay Zeka’ya Giriş
  • Yapay Zeka Yöntemleri
    • Supervised Learning : Danışmanlı Öğrenme
    • Unsupervised Learning : Danışmasız Öğrenme
    • Reinforcement Learning : Takviyeli Öğrenme
  • Yapay Zeka Terimleri
    • Artificial Intelligence
    • Makine Öğrenmesi
    • Doğal Dil İşleme
    • Derin Öğrenme
    • Konuşma Anlama ve Analiz Etme
    • Örüntü Tanıma
    • Bulanık Mantık
    • Genetik Algoritmalar
    • Ortak Akıl
    • Artificial General Intelligence?
  • Yapay Zeka’nın Çalışma Alanları
    • Sağlık
    • Sigorta
    • Endüstriyel Üretim
    • Robotik Sistemler
    • Finans
    • Hukuk
    • Savunma
    • Perakende
    • Eğitim
    • Oyun ve Uygulama Geliştirme
    • Reklam & Pazarlama
  • İnsan Modeli Üzerinden Yapay Zeka’yı Kavramak
  • Yapay Zeka Uygulamaları Geliştirmek İçin Kullanılan Teknolojiler
    • Yapay Zeka İçin Tercih Edilen Programlama Dilleri
    • Yapay Zeka İçin Kullanılan Donanımlar
    • Yapay Zeka İçin Kullanılan Platform ve Kütüphaneler
    • Yapay Zeka İçin Bulut Çözümleri
      • IBM Watson Machine Learning
      • Amazon AWS Machine Learning
      • Microsoft Azure Machine Learning
      • Google Cloud Platform : Machine Learning
    • Yapay Zeka Proje Geliştirme Yol Haritası ve Dikkat Edilmesi Gerekenler

  • Python Programlama Diline Genel Bakış
  • Python Geliştirme Ortamının Hazırlanması
    • Python Versiyonları ve İlgili Paketler Hakkında
    • Python Shell
  • Python Temelleri
    • Değişkenler ve Veri Türleri
    • Koşul İfadeleri
    • Döngüler
    • Liste, Tuple, Dictionary, Set
    • Fonksiyonlar
    • Sınıflar ve Nesne Yönelimli Programlama
      • Sınıflar
      • Nesne Yönelimli Programlama
    • Hata Yönetimi
    • Dosya Operasyonları
      • Dosya Okuma ve Yazma Operasyonları
      • XML Formatıyla Çalışmak
      • JSON Formatıyla Çalışmak
      • CSV Formatıyla Çalışmak
      • YAML Formatıyla Çalışmak
      • TOML Formatıyla Çalışmak
  • Python ile Veritabanı İşlemleri
    • Python ve SQLite
    • Python ve PostgreSQL

  • Veri Analizi ve Görselleştirmeye Genel Bakış
  • Pandas Kütüphanesi
    • Genel Bakış
    • Temel Kavramlar
    • Pandas ile Veri Okuma ve Sütun İsimlendirme
    • Padas ile Sütun ve Satır Silme
    • Dataframe Sıralama ve Filtreleme
    • Excel’den Veri Okuma ve İşlenmiş Veriyi Diske Yazma
    • Veri Gruplama ve Kümeleme (Group By, Aggregation)
    • Null Kontrolü ve Boşluk Doldurma
    • Tür Dönüşümü
    • String Operasyonları : Contains, StartsWith, Replace ve dahası…
    • Tarih ve Zaman İşlemleri
    • Pandas ile SQL Benzeri Sorgular Yazmak
  • Numpy Kütüphanesi
    • Genel Bakış
    • Numpy Temelleri
    • Matris Oluşturma ve Elemanlara Erişim
    • Reshape ve Transpoze
    • Numpy Matris : Çarpma, Bölme, Toplama, Çıkarma
    • Numpy Matris : Veri Türü Değiştirme
    • İki Matrisin Çarpımı
    • Numpy Matris : min, max, sum ve scaler çarpım
  • Matplotlib Kütüphanesi
    • Genel Bakış
    • Scatterplot : Saçılma/Serpilme Diyagramı
    • Boxplot : Kutu Diyagramı
    • Barplot : Bar Grafik
    • Piechart : Pasta Grafik
  • Seaborn Kütüphanesi
  • Scikit-Learn Kütüphanesi

  • Makine Öğrenmesine Genel Bakış
  • Makine Öğrenmesinde Kullanılacak Araçlar
    • Makine Öğrenmesi Araçları
    • Kütüphaneleri Hazırlamak
  • Veri Ön İşleme
  • Kayıp ve Eksik Veriler
  • Kategorik Değişkenler : LabelEncoder, OneHotEncoder, get_dummies
  • Normalizasyon (Feature Scaling)
  • Veri Setini Ayırmak : Eğitim ve Test
  • Veri Hazırlık Şablonu Oluşturmak
  • Regresyon
    • Basit Lineer Regresyon
    • Çoklu Lineer Regresyon
    • Doğrusal Olmayan Regresyon (Polinom Regresyon)
    • Regresyon Modeli Değerlendirme

  • Sınıflandırma (Classification)
    • Sınıflandırmaya Genel Bakış
    • Lojistik Regresyon
    • K-Means : En Yakın Komşu ile Sınıflandırma
    • Support Vector Machine
    • Naive Bayes
    • Decision Trees (Karar Ağacı)
    • Random Forest
    • Sınıflandırma Modeli Değerlendirme
    • XGBoost
  • Kümeleme (Clustering)
    • Kümelemeye Genel Bakış
    • K-Ortalama
    • Hiyerarşik Kümeleme

  • Boyut İndirgemeye Genel Bakış
    • Temel Bileşeler Analizi (Principal Component Analysis)
    • Lineer Diskriminant Analizi
  • Model Seçmek
    • K-Fold Cross Validation
    • Grid Search ve Randomized GridSearch
    • Hyperparameter Tuning : En iyi model seçimi