Herkese Merhabalar,

Makine öğrenmesi ve Yapay Zeka algoritmaları artık hemen her alanda yaygın olarak kullanılıyor. Veri bilimi ile alakalı en büyük problem bu dala yönelmek isteyen insanların yeterli istatistik ve lineer cebir bilgisi olmadan sadece kod yazarak ilerlemeye çalışmasıdır. Bu kursta teorik ve matematiksel tarafın mühendislik, istatistik ya da ekonometri bile olabilir, bu dallara yakın olan herkes için yalın biçimde anlatıldığını ve uygulamalarla desteklendiğini göreceksiniz.

Kurs içeriği;

- Introduction to Machine Learning

• What is Machine Learning? (Makine Öğrenmesi Nedir? )

• Statistics for Machine Learning (Makine Öğrenmesi için İstatistik)

• Linear Algebra for Machine Learning (Makine Öğrenmesi için Lineer Cebir)

• Data Pre-Processing (Veri Ön İşleme)

• Exploratory Data Analysis (Keşifsel Veri Analizi)

- Supervised Learning

• Classification (Sınıflama)

• K Nearest Neighbors – Regression (K Yakın Komşu - Regresyon)

• Performance Evaluation Metrics (Performans Değerleme Metrikleri)

• Naive Bayes Classifier (Naive Bayes Sınıflayıcısı)

• Logistic Regression (Lojistik Regression)

• Support Vector Machines (Destek Vektör Makineleri)

• Decision Trees (Karar ağaçları)

• Decision Tree Regression (Karar Ağacı Regresyonu)

• Random Forest – Regression (Rasgele Ormanlar ve Regresyonu)

• Ensemble Learning (Kollektif Öğrenme)

• Adaboost

• Gradient Boost – XGBoost

• Introduction to Neural Networks (Yapay Sinir Ağlarına Giriş)

• Multi-Layer Perceptron (Çok katmanlı YSA’lar)

• Backpropagation (Geri Yayılımlı Optimizasyon)

  
  

- Unsupervised Learning

• Introduction to Clustering (Kümelemeye Giriş)

• K-Means Clustering (K-Ortalama Kümeleme)

• Hierarchical Clustering (Hiyerarşik Kümeleme)

• Principal Component Analysis (Temel Bileşenler Analizi)

- Association Rules Mining (Birliktelik Kural Çıkarımı)

- Zaman Serileri Analizi ve ARIMA Modelleri