Python ile Makine Öğrenmesi
4.5 (2,862 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
10,958 students enrolled

Python ile Makine Öğrenmesi

Yapay zeka, veri bilimi ve machine learning kavramlarını gerçek hayat problemleri üzerinden uygulayarak öğreneceksiniz.
4.5 (2,862 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
10,958 students enrolled
Last updated 8/2018
Turkish
Current price: $139.99 Original price: $199.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 23 hours on-demand video
  • 11 articles
  • 1 Practice Test
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Python kullanarak makine öğrenmesi algoritmaları geliştireceksiniz.
  • Makine öğrenmesi algoritmalarını gerçek hayat problemlerine uygulayacaksınız.
  • Veri ön-işleme aşamalarını kavrayacaksınız.
  • Tahmin, regresyon, sınıflandırma ve kümeleme algoritmalarıyla çalışacaksınız.
  • Derin öğrenme ve doğal dil işleme projeleri geliştireceksiniz.
  • Model seçimi ve kollektif öğrenme konularına hakim olacaksınız.
  • Birliktelik kural çıkarımı ve arttırımlı öğrenme üzerine tecrübe kazanacaksınız.
Course content
Expand all 137 lectures 23:00:07
+ Hoş Geldiniz!
4 lectures 42:36
Makine Öğrenmesi ve Geleceğin Dünyası
09:41
Python ve Anaconda'nın kurulması
05:31
Dersler ile ilgili önemli notlar
06:15
+ Veri Analizi Proje Yönetimi ve Problem Tipleri
10 lectures 01:41:41
Veri Kaynağı ve Dersin Web Sitesi
02:37
Kütüphanelerin Yüklenmesi
03:36
Verinin Python'dan Yüklenmesi ve içeri alınması (data import)
10:11
Python ve Nesne Yönelimli Programlama
07:52
Eksik Veriler (Missing Values)
11:57
Kategorik Veriler
17:11
Verilerin Birleştirilmesi ve DataFrame Oluşturulması
15:02
Veri Kümesinin Eğitim ve Test olarak bölünmesi
09:43
Öznitelik Ölçekleme
14:19
Veri Ön işleme Şablonu
09:13

Bölüm konularının tekrarı ve önemli noktaların anlaşılması amacıyla

Veri Ön İşleme Quizi
5 questions
+ Tahmin (Prediction) #1: Basit Doğrusal Regresyon (Simple Linear Regression)
8 lectures 47:38
Tahmin (Prediction) Problemlerine Giriş
06:03
Veri Kümesinin İndirilmesi
01:35
Veri Kümesi ve Kodlar ile ilgili
00:06
Basit Doğrusal Regresyon (Simple Linear Regression)
07:45
Veri Yükleme ve Ön İşleme Şablonunun Kullanılması ve Regresyona Hazırlık
08:34
Phyton ile Basit Doğrusal Regresyon Model İnşası
07:59
Python ile Basit Doğrusal Regresyon Uygulaması
05:47
Basit Doğrusal Regresyon Görselleştirilmesi
09:49
Quiz 2: Basit Doğrusal Regresyon
3 questions
+ Tahmin (Prediction) #2: Çoklu Doğrusal Regresyon (Multiple Linear Regression)
12 lectures 01:49:41
Veri Kümesi ve Problemin Tanınması
03:59
Çoklu Doğrusal Regresyon (Multiple Linear Regression) Kavramına Giriş
10:03
Kukla Değişken ve Tuzağı (Dummy Variable Trap)
07:28
Araştırma Ödevi: P-Value
00:23
P-Value (Olasılık Değeri)
06:37
Çok Değişkenli Modellerde, Değişken Seçimi
16:43
Çoklu Değişken için Veri Hazırlama (Python Kodu)
09:17
Çoklu Değişken Linear Model Oluşturma Python Kodlaması ve Model
12:12
Python ile Geri Eleme (Backward Elimination)
13:45
Ödev 1: Veri Kümesi ve Ödevin Açıklaması
03:15
Ödev 1: Çözüm 1. Parça: Verinin hazırlanması ve Çoklu Doğrusal Regresyon
16:56
Ödev 1: Çözüm 2. Parça: Geri Eleme (Backward Elimination)
09:03
Çoklu Doğrusal Regresyon
5 questions
+ Tahmin (Prediction) #3: Polinom Regresyon (Polynomial Regression)
3 lectures 38:47
Veri Kümesi, Kavramın ve Problemin Tanımı
08:33
Polinomal Regresyonun Python ile Uygulama kodu
23:01
Python ile Doğrusal Olmayan Şablon (Polinomial Regression Python Template)
07:13
+ Tahmin (Prediction) #4: Destek Vektör (Support Vector Regression)
2 lectures 20:22
SVR Tanımı ve Problem
11:23
Python ile Support Vector Tahmini Uygulaması
08:59
+ Tahmin (Prediction) #5: Karar Ağacı (Decision Tree)
2 lectures 20:16
Karar Ağacı kullanarak tahmin yöntemi
11:32
Python ile karar ağacı kullanarak tahmin
08:44
+ Tahmin (Prediction) #6: Rassal Ağaçlar (Random Forest) ile Tahmin
2 lectures 15:53
Rassal Ağaç (Random Forest) Algoritması ve Tahmin
07:56
Python ile Rassal Ağaç kullanarak Tahmin
07:57
+ Tahmin (Prediction) #7: Değerlendirme ve Metotların Karşılaştırılması
7 lectures 01:21:22
R2 Hesaplanması
14:47
Düzeltilmiş R2 Hesaplaması (Adjusted R2)
09:40
Python ile R2 hesaplama ve Algoritmaların Karşılaştırılması
15:29
Ödev 2: Ödevin tanımı ve veri kümesi
03:40
Ödev 2: Çözümü
25:58
ÖZET : Tahmin Metotlarının Karşılaştırılması
09:29
ŞABLON: Tahmin Metotları için kullanılabilecek Python Şablonu
02:19
+ Sınıflandırma #1: Giriş ve Temel Kavramlar
1 lecture 06:01
Sınıflandırma ve Temel Kavramlar, Problemin Algısı
06:01
Requirements
  • Öğrenme arzusu
  • Lise düzeyinde matematik bilgisi
  • İstatistik ve herhangi bir programlama dili tecrübesine gerek yoktur.
Description

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.

Who this course is for:
  • Veri ile işi olan herkes.
  • Geleceğin mesleklerinde çalışmak isteyen herkes.
  • Yapay zeka ve makine öğrenmesi konularına merakı olan herkes.