• 5 gün içerisinde Makine Öğrenmesi‘nin en popüler alanlarından, en kullanışlı algoritmalarına kadar birçok konuyu öğren
• İş hayatındaki en kullanışlı metodolojileri kavrayarak bir adım öne geç
• Yapay Zeka çağının en büyük alanlarından biri olan Makine Öğrenmesi‘ni daha iyi anlamak için giriş düzeyinde benzersiz bir kurs 
• Makine Öğrenmesinin hem teorik hem de pratik yaklaşımlarını ve hayatımıza en çok etki eden yapay zeka teknolojilerini anlamayı kolaylaştırır 
• Dünya üzerindeki en iyi okulların kaynakları ve alanındaki en iyi kitaplardan üretildi

NEDEN BU KURS? 

Bu kurs, Makine Öğreniminin temellerini öğrenerek Yapay Zeka ve Veri Bilimi dünyasına ilk adımı atmak isteyen herkes içindir.

Python programlama dilinin kullanılacağı bu kursta Makine Öğrenmesi’ne teorik bir genel bakışın ardından Denetimli Öğrenme’nin problem çeşitlerinden olan Regresyon ve Sınıflandırma problemleri, bu problemlere yaklaşım teknikleri, bu tekniklerin performansının arttırılması ve gerçek hayat projelerinin geliştirilmesinden sonra Karar Ağaçları ile daha derin konseptler işlenecek. Karar Ağaçları’ndaki matematik ve algoritma ele alındıktan sonra gerçek hayatta sıkça kullanılan farklı modelleri bir araya getirip yeni modeller oluşturabildiğimiz Ensemble Learning yöntemi ele alınacak. Eğitimimizin son gününde Denetimsiz Öğrenme’deki kümeleme yöntemi ele alınacak ve böylelikle Makine Öğrenmesi’nin bir çok konsepti 5 gün içerisinde öğrenilmiş olacak. 

Son olarak, size quiz görevlendirmeleri vererek geliştirme sürecinizi destekliyoruz. Aynı zamanda proje bittiğinde elinizde Regresyon ve Sınıflandırma konularıyla alakalı uçtan uca 2 tane projeniz olacak. Böylece öğrendiklerinizi sadece teoride bırakmayacak, pratik anlamda da kendinizi geliştirebileceksiniz. Bu sayede GitHub, Kaggle gibi platformlara projelerinizi ekleyebilecek ve portföyünüzü genişletebileceksiniz.

EĞİTİM İLE ALAKALI SORULARIMI NEREDEN SORABİLİRİM?

Makine Öğrenmesi ile ilgili her türlü sorunuzu eğitim boyunca ve eğitimden sonra Makine Öğrenmesi’ne Giriş Hub’ına sorabilirsiniz.

GLOBAL AI HUB EĞİTİM PROGRAMLARINA DAHİL OLMAK NEDEN ÖNEMLİ?

• Global AI Hub uzman eğitmenleri tarafından sağlanan ücretsiz mentorluk 
• Her başarılı öğrenci için Global AI Hub tarafından verilen İsviçre standartlarındaki sertifika
• Eğitimi başarıyla tamamlayanlar için, CoreRelation Programı kapsamındaki üyelik başvurusu için ayrıcalıklar

EĞİTİMİN BAĞLI OLDUĞU UZMANLIK SERTİFİKALARI

Bu eğitimi tamamladıktan sonra aşağıdaki sertifikalara da ücretsiz sahip olmak isterseniz, uzmanlık sertifikalarına göz atmanızı öneririz.

• AI and Machine Learning Skills
• Machine Learning Expert

MÜFREDAT

BAŞLANGIÇ

• Makine Öğrenmesi’ne Giriş Kursuna Hoş Geldiniz!
• Yapay Zeka Dünyasında Makine Öğrenmesi’nin Yeri Nedir? 
• Makine Öğrenmesi için Neden Python’a İhtiyacımız Var? 
• Geleneksel Yazılım Projeleri ile Makine Öğrenmesi Projeleri Arasındaki Temel Ayrım

MODÜL 1 – GİRİŞ

• Makine Öğrenmesi Nedir?
• Makine Öğrenmesi Anlam Ayırımı
• Makine Öğrenmesi Tipleri
• Makine Öğrenmesi Algoritmaları
• Makine Öğrenmesi Uygulamaları
• Makine Öğrenmesinde Matematik
  • Lineer Cebir
  • Olasılık
  • İstatistik
• Veri Bilimi
  • Veri Bilimi Nedir?
  • Feature Engineering
• Uçtan Uca Model Eğitimi Adımları
  • Büyük Resmi Görmek
  • Veri Toplamak
  • Keşifsel Veri Analizi (EDA) ve Görselleştirme
  • Veri Önişlemesi
  • Model Seçimi ve Model Eğitimi
  • Başarı Metrikleri
  • Deployment
• Makine Öğrenmesi Terminolojisi
  • Cross-Validation
  • Bias/Variance Tradeoff
  • Early Stopping
  • Epoch
  • Batch size
• Makine Öğrenmesi’nde Kullanılan Araçlar
  • Python
  • NumPy
  • Pandas
  • Matplotlib
  • Sci-kit Learn
• Veri Setleri
  • Kaggle
  • UCI

MODÜL 2 – REGRESYON

• Regresyon Nedir?
• Regresyon Çeşitleri
  • Basit Lineer Regresyon
  • Çoklu Lineer Regresyon
  • Polinomel Regresyon
• Regresyon Modelimizin Performansını Ölçmek
  • Hata Kavramı
  • R²
  • Mean Absolute Error (MAE)
  • Mean Squared Error (MSE)
• Model Eğitiminde Karşılaşılabilecek Hatalar
  • Underfitting & Overfitting
  • Bias/Variance Tradeoff
• Hata Azaltma Yöntemleri
  • Train-test-validation Split
  • Early Stopping
  • Gradient Descent
  • Regülarizasyon
    • L1 Lasso
    • L2 Ridge
  • Hiper parametre Tanımları
  • Cross Validation
• Proje 1: Iris Veri seti ile Çanak Yaprağı Uzunluğu Tahmini – Regresyon Projesi

MODÜL 3 – SINIFLANDIRMA

• Sınıflandırma Nedir?
• Lojistik Regresyon
• Aktivasyon Fonksiyonları
  • Sigmoid Fonksiyonu
  • Softmax Fonksiyonu
• Sınıflandırma Modelimizin Performansını Ölçmek
  • Hata Kavramı
  • Confusion Matrix
  • Accuracy, Precision, Recall, F1 Score
  • Classification Threshold
  • ROC(Receiver Operating Characteristics) & AUC (Area Under the Curve)
• Sık Kullanılan Sınıflandırma Algoritmaları
  • K-Nearest Neighbors
  • Support Vector Machine
  • Karar Ağaçları
• Proje 2: Breast Cancer Veri seti ile Kanser Olup Olmama Tahmini – Sınıflandırma Projesi

MODÜL 4 – KARAR AĞAÇLARI

• Karar Ağaçları Nedir?
• Karar Ağaçları Uygulaması
• Karar Ağaçları Nasıl Hesaplanır?
• Karar Ağaçları Avantajları
• Information Gain
• Entropy
• Gini Index
• Karar Ağaçlarının Görselleştirilmesi
• Bagging
• Boosting
• XGBoost 

MODÜL 5 – DENETİMSİZ ÖĞRENME

• Denetimsiz Öğrenme Nedir?
• Neden Denetimsiz Öğrenme Kullanılır?
• Denetimsiz Öğrenme Algoritmaları
• Görselleştirme ve Boyut İndirgeme
  • Principal Component Analysis (PCA)
  • t-SNE
• Kümeleme Nedir?
• Kümeleme Tipleri
  • Affinity Propagation
  • Hierarchical Cluster Analysis (HCA)
  • Density-based Spatial Clustering (DBSCAN)
  • Centroid-based
• K-Means Kümeleme
  • Elbow Method
  • Mini-Batch K-Means

KAPANIŞ

• Kursta Öğrenilenlerin Pratik Kullanımı
• Gelecekte Yapılabilecek Projeler
• Bundan Sonra Sizi Neler Bekliyor?

EĞİTİM İLE ALAKALI BİLİNMESİ GEREKENLER

• Her ders, güncel eğitim içerikleri ve özenle hazırlanmış değerlendirme soruları içerir.
• Her eğitim videosu bitiminde “Mark Completed” butonuna basmayı unutmayınız. Bu oturumlara eğitim sonrasında 15 gün boyunca erişilebilirsiniz.
• Eğitim Sertifikasını alabilmek için değerlendirme soruları tamamlanmalıdır.
• İlgili günde eğitim videosu içerisindeki konuları gözden geçirmenize yardımcı olacak bir “Materyaller” bölümü vardır. Buradan eğitimenin kullandığı materyallere erişebilirsiniz.