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
  • 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

Diğer eğitimler hakkında bilgi almak istiyorsanız Eğitim Takvimini inceleyebilirsiniz. Depar BT ailesiyle tanışmak için bizi ziyaret edebileceğiniz konumuzu öğrenebilirsiniz. Danışmanlık ve Dış Kaynak Hizmetlerimiz için Depar Bilgi Teknolojileri’ni ziyaret edin.