Python ile Makine Öğrenmesi

Makine öğrenmesini merak ediyor musunuz veya işinizde yoğun olarak veri kullanıyor veya gelecekte makinelerin nasıl çalışacağını merak ediyor musunuz?

Bu kurs, Doç. Dr. Şadi Evren ŞEKER tarafından hazırlanmaktadır. Şadi Evren Şeker, lisans, yüksek lisans ve doktorasını bilgisayar mühendisliğinde tamamlamış, yüksek lisans ve doktora sırasında yapay zeka üzerine çalışmış ve sonrasında doktora sonrası araştırmacı olarak veri bilimi üzerine dünyanın çeşitli ülkelerinde çalışmalarına devam etmiş, makine öğrenmesi, büyük veri, veri bilimi ve yapay zeka konularında çok sayıda akademik makale ve kitaplar yayınlamış, literatüre kazandırdığı patent ve algoritmalar yanında 20 yıla yakın sektörde çok farklı kurumlara eğitim, danışmalık ve yazılım hizmetleri vermenin yanında halen aktif olarak akademisyenliğe ve sektörde veri bilimi, yapay zeka ve büyük veri uygulamalarına devam etmektedir. Aktif olarak çalıştığı şirketler arasında, Türkiye ve dünyada lider olan, bankacılık, telekom, sigortacılık, ulaştırma, inşaat, turizm ve finans firmaları bulunmaktadır. 

Bu kursta amaçlanan, hiç bilmeyen ve yeni başlayan birisini makine öğrenmesi konusunda uzman seviyesine çıkarmaktır. Adım adım, makine öğrenmesi dünyasına giriş yapılacak ve her bölümde farklı yetenekler kazandırılarak makine öğrenmesi ve bir alt çalışma alanı olarak görülebilecek veri bilimi konularındaki gerçek uygulamalar hakkında fikir verilecektir. Ayrıca güncel ve gözde konular olan derin öğrenme veya arttırımlı öğrenme gibi konulara da giriş yapılacak ve bu kavramların kullanımları ve uygulamaları örnekler üzerinden gösterilecektir. 

Kurs boyunca konular eğlenceli ve heyecanlı bir şekilde anlatılmaya çalışılacak ve genel bir yapı olarak aşağıdaki sıra izlenecektir. 

• Part 1 - Veri Önişleme (Data Preprocessing)

• Part 2 - Tahmin ve Regresyon: Simple Linear Regression, Multiple Linear Regression, Polynomial Regression, SVR, Decision Tree Regression, Random Forest Regression

• Part 3 - Sınıflandırma (Classification): Logistic Regression, K-NN, SVM, Kernel SVM, Naive Bayes, Decision Tree Classification, Random Forest Classification

• Part 4 - Bölütleme (Kümeleme, Clustering): K-Means, Hierarchical Clustering

• Part 5 - Birliktelik Kural Çıkarımı (Association Rule Learning): Apriori, Eclat

• Part 6 - Arttırımlı Öğrenme (Reinforcement Learning): Upper Confidence Bound, Thompson Sampling

• Part 7 - Doğal Dil İşleme (Natural Language Processing): Bag-of-words model and algorithms for NLP

• Part 8 - Derin Öğrenme (Deep Learning): Artificial Neural Networks, Convolutional Neural Networks

• Part 9 - Boyut Dönüşümü ve indirgemesi (Transformation, Dimensionality Reduction): PCA, LDA, Kernel PCA

• Part 10 - Model Seçimi ve Kollektif Öğrenme: Model Selection & Boosting: k-fold Cross Validation, Parameter Tuning, Grid Search, XGBoost

Kurs kapsamında, gerçek hayat örnekleri kullanılacak ve kendi makine öğrenme modelinizi oluşturmanın yolu da gösterilecektir. 

Kursun en önemli özelliklerinden birisi, kurs kapsamında, Python dilinde kod şablonları verilecek olup bu kod şablonlarını, kendi problemlerinizde kullanabilecek olmanızdır.