Makine Öğrenmesi İleri Seviye Eğitimi

Eğitim hakkında

Makine öğrenmesi bilgisayarları açıkça programlamadan harekete geçirme bilimidir. Son yirmi yılda makine öğrenmesi sürücüsüz arabalar, konuşma tanıma, etkili web araması ve insan genomunun çok daha iyi anlaşılması gibi alanlarda büyük ilerlemeler oluşmasını sağladı. Makine öğrenmesi artık o kadar yaygın ki muhtemelen farkında olmadan günde onlarca kez kullanıyoruz. Makine öğrenmesi bizi insan seviyesinde yapay zekaya taşıyacak en iyi yol olarak görülüyor.

Bu kurs makine öğrenme temel eğitiminin devamı niteliğinde tasarlanmıştır. Temel eğitim kapsamında anlatılan öğrenme algoritmalarına ek olarak geri kalan ve sıklıkla kullanılan danışmanlı ve danışmansız eğitim algoritmaları anlatılacaktır. Yapay sinir ağları ayrı bir başlık altında incelenecek ve yapısı ve çalışma şekli açıklanacaktır.

Makine öğrenme algoritmalarına ek olarak düzenlileştime (regularization), stokastik ve mini batch gibi konuları içeren algoritmamızı geliştirmek için yapılabilecek işlemler aktarılacaktır.

Kendi başına bir uzmanlık haline gelmeye başlayan özellik mühendisliği (feature engineering) başlığı altında algoritmamızın kullanacağı girdileri seçme ve uygun formata getirme yolları anlatılacaktır.

Son olarak makine öğrenmesinin farklı kullanım şekilleri ve pratik uygulama alanları eğitim kapsamında aktarılacaktır.

Eğitimin sonunda katılımcıların makine öğrenmesi başlığı altındaki belli başlı bütün algoritmaları kullanma ve geliştirmek için gerekli bilgi birikimine sahip olması hedeflenmektedir.

Kimler katılmalı

Makine öğrenmesi ileri eğitimine katılmak için öncesinde makine öğrenmesi temel eğitimini almış olmak ya da onun içeriğindeki konulara hakim olmak gerekmektedir. Eğitim içeriği farklı rollerdeki kişilere (yönetici, tasarımcı, analist, yazılımcı) hitap edecek şekilde hazırlanmıştır. Eğitime katılım için ön şart olmamakla beraber, mühendislik temel matematik bilgisi teorik kısımları daha iyi anlaşılmasını ve herhangi bir yazılım dilinde programlama bilgisi de kod örneklerinin daha kolay takip edilmesini sağlayacaktır.

 

 

Eğitim içeriği

 

Danışmanlı öğrenme (Supervised learning) algoritmaları

  • K-en yakın komşuluk algoritması (K-nearest neighbour)
  • Destek vektör makineleri (Support vector machines)
  • Karar ağaçları (Decision trees)
    • Entropi ve bilgi kazancı
    • Budama
    • Sürekli özellikler için kullanımı
  • Topluluk modellleri (Ensemble learning)
    • Bagging
    • Boosting
  • Rassal orman (Random forest)
  • Naive Bayes (NB) sınıflandırıcısı
    • Bayes teoremi
    • Sürekli değişkenler ile NB
    • Multinomial NB ile dokuman sınıflandırma
    • Bernouli NB ile dokuman sınıflandırma

Danışmansız öğrenme (Unsupervised learning) algoritmaları

  • Temel bileşenler analizi (Principal component analysis)
    • Veri azaltımı
  • Anomali tespiti
    • Lokal aykırılık faktörü (Local outlier factor)
    • Anomali tespiti ve Gaussian dağılım
    • Kısmi danışmanlı model
    • Örnek uygulamalar

Standart yapay sinir ağları

    • Yapay sinir ağları yapısı
    • Aktivasyon fonksiyonları
    • İleri yayılım (Forward propagation)
    • Geri yayılım (Backward propagation)
    • Kayıp ve maliyet fonksiyonu
    • Gradyan inişi (Gradient descent)
    • İlk değer atama

Öğrenme algoritmamızın geliştirilmesi

  • Düzenlileştirme (Regularization)
    • Aşırı öğrenme/eksik öğrenme (Overfitting/underfitting)
    • Düzenlileştirme – Doğrusal regresyon
    • Düzenlileştirme – Lojistik regresyon
    • L1/L2 düzenlileştirme
  • Öğrenme eğrileri
  • Stokastik ve mini batch gradyan iniş

Özellik mühendisliği (Feature engineering)

  • Ham verinin özelliklere dönüştürülmesi
  • İlinti matrisi (Correlation matrix)
  • Eğitim veri sayısını arttırmak
  • Dengesiz eğitim verisi

Makine öğrenmesi farklı kullanım şekilleri

  • Öneri Sistemleri
    • İçerik bazlı
    • İşbirlikçi filtreleme (Collaborative filtering)
  • Çevrimiçi öğrenme
  • Birbirini besleyen makine öğrenmesi uygulamaları (Pipeline)

Makine öğrenmesi pratik uygulama örnekleri

 

Eğitim süresi

  • 4 gün (16 saat)

Eğitmen