MAKİNE ÖĞRENMESİ ALGORİTMALARI

EĞİTİM SÜRESİ

• • 3 Gün
  • Ders Süresi: 50 dakika
  • Eğitim Saati: 10:00 - 17:00

Eğitim formatında eğitimler 50 dakika + 10 dakika moladır. 12:00-13:00 saatleri arasında 1 saat yemek arası verilir. Günde toplam 6 saat eğitim verilir. 3 günlük formatta 18 saat eğitim verilmektedir.

Eğitimler uzaktan eğitim formatında tasarlanmıştır. Her eğitim için Teams linkleri gönderilir. Katılımcılar bu linklere girerek eğitimlere katılırlar. Ayrıca farklı remote çalışma araçları da eğitmen tarafından tüm katılımlara sunulur. Katılımcılar bu araçları kullanarak eğitimlere katılırlar.

Eğitim yapay zeka destekli kendi kendine öğrenme formasyonu ile tasarlanmıştır. Katılımcılar eğitim boyunca kendi kendine öğrenme formasyonu ile eğitimlere katılırlar. Bu eğitim formatı sayesinde tüm katılımcılar gelecek tüm yaşamlarında kendilerini güncellemeye devam edebilecekler ve her türlü sorunun karşısında çözüm bulabilecekleri yeteneklere sahip olacaklardır.

Makine Öğrenmesi Algoritmaları Eğitimi

Günümüz iş dünyasında rekabet avantajı, sadece elinizdeki verinin büyüklüğüyle değil, o veriden ne kadar anlamlı içgörü çıkarabildiğinizle ölçülüyor. Müşteri davranışlarını tahmin etmekten, operasyonel verimliliği optimize etmeye; finansal riskleri yönetmekten, ürün tavsiyeleri sunmaya kadar birçok alanda Makine Öğrenmesi (ML) algoritmaları, şirketlerin karar alma süreçlerini kökten değiştiriyor. Bu devrim niteliğindeki teknolojiyi kurumunuza entegre ederek verilerinizden gerçek değer yaratmak ve geleceğe yön vermek için Kapsamlı Makine Öğrenmesi Algoritmaları Eğitimimiz tam size göre!

Makine Öğrenmesi Algoritmaları Nedir? Neden Önemlidir?

Bu eğitim programı, şirketinizin veri bilimindeki yetkinliğini artırarak pazardaki konumunu güçlendirecek stratejik avantajlar sunar:

• Veriye Dayalı Karar Alma: Rastgele tahminler yerine, ML algoritmalarıyla elde edilen doğru ve öngörülü içgörülerle daha bilinçli ve stratejik kararlar alın. Bu, riskleri minimize ederken fırsatları maksimuma çıkarmanızı sağlar.
• Operasyonel Verimlilik ve Otomasyon: Tekrarlayan görevleri otomatikleştiren, süreçleri optimize eden ve iş akışlarını daha akıllı hale getiren ML modelleri geliştirin. Bu, zaman ve kaynak tasarrufu sağlarken, ekiplerinizin daha yaratıcı ve stratejik işlere odaklanmasına olanak tanır.
• Müşteri Deneyimini Kişiselleştirme: Müşteri verilerini analiz ederek kişiselleştirilmiş ürün önerileri sunun, müşteri yolculuklarını optimize edin ve müşteri memnuniyetini artırarak sadakati güçlendirin.
• Rekabet Üstünlüğü Elde Edin: Rakiplerinizin önüne geçmek için veri odaklı inovasyonlar geliştirin. Yeni pazarlar keşfedin, benzersiz ürünler yaratın ve sektörünüzde öncü konumda yer alın.
• Risk Yönetimi ve Dolandırıcılık Tespiti: Finans, güvenlik ve diğer alanlarda anormallikleri ve potansiyel riskleri ML algoritmalarıyla erken tespit ederek şirketinizin varlıklarını ve itibarını koruyun.
• Yetkin ve İleri Görüşlü İş Gücü: Ekibinizin en güncel ML algoritmalarına hakim olmasını sağlayın. Bu, şirketinizin gelecekteki veri ve yapay zeka projeleri için güçlü bir yetkinlik havuzu oluşturur ve inovasyon kültürünü destekler.

EĞİTİM İÇERİĞİ

1. Yapay Zeka ve Makine Öğrenmesine Giriş

Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme

• Kavramların tanımları ve birbirleri arasındaki ilişkisel farklar.
• Yapay zeka alanının tarihçesi ve güncel önemi.

Makine Öğrenmesi Algoritmalarının Temel Kullanım Alanları

• Endüstride ve günlük hayatta makine öğrenmesi örnekleri (öneri sistemleri, görüntü işleme, doğal dil işleme vb.).
• .NET ekosisteminde makine öğrenmesi kullanım potansiyeli.

Veri Odaklı Problem Çözme Yaklaşımı

• Bir problemi makine öğrenmesi ile çözme adımları: Veri toplama, hazırlık, model seçimi, eğitim, değerlendirme ve deploy.
• Veri analizi ve görselleştirmenin önemi.

Veri Setleri ve Tipleri

• Yapısal (Structured) ve Yapısal Olmayan (Unstructured) veri türleri arasındaki farklar.
• Veri formatları (CSV, JSON, Veritabanları vb.).

Eğitim (Training), Doğrulama (Validation) ve Test (Test) Veri Setleri

• Bu setlerin amaçları, neden ayrıldıkları ve model geliştirme sürecindeki rolleri.
• Güvenilir model değerlendirmesi için veri ayırma stratejilerine giriş.

Veri Ön İşleme (Data Preprocessing) İhtiyacı

• Gerçek dünya verilerinin kirli ve eksik olabileceği gerçeği.
• Ön işlemenin model başarısı üzerindeki kritik etkisi.

2. Denetimli Öğrenme: Temel Algoritmalar ve Kavramlar

Denetimli (Supervised) ve Denetimsiz (Unsupervised) Öğrenme Ayrımı

• Etiketli (Labeled) ve Etiketsiz (Unlabeled) veri kavramlarının detaylı açıklanması.
• Regresyon, Sınıflandırma ve Kümeleme problemlerinin denetimli/denetimsiz kapsamındaki yeri.

Sınıflandırma (Classification) Problemleri

• İkili (Binary) sınıflandırma (örneğin, spam/spam değil).
• Çoklu sınıflandırma (örneğin, el yazısı rakam tanıma).
• Gerçek dünya sınıflandırma senaryoları (.NET uygulamalarında kullanıcı davranışı sınıflandırması vb.).

Regresyon (Regression) Problemleri

• Sürekli bir hedef değişkeni tahmin etme (örneğin, ev fiyatı tahmini).
• Doğrusal ve doğrusal olmayan ilişkiler.
• Endüstriyel regresyon problem örnekleri (.NET tabanlı bir sistemde performans tahmini).

Doğrusal Regresyon (Linear Regression) Temelleri

• Modelin matematiksel denklemi (y = mx + c veya çok değişkenli hali).
• En Küçük Kareler Yöntemi (Ordinary Least Squares - OLS) ile modelin nasıl eğitildiği.
• Regresyon katsayılarının anlamı ve yorumlanması.

Lojistik Regresyon (Logistic Regression) ve Sınıflandırma

• İkili sınıflandırma için Sigmoid fonksiyonunun kullanımı ve mantığı.
• Olasılık tahminlerinin sınıflandırmaya nasıl dönüştürüldüğü.
• Karar Sınırı (Decision Boundary) kavramı ve görselleştirilmesi.

3. Temel Sınıflandırma, Kümeleme ve Ön İşleme Teknikleri

K-En Yakın Komşu (K-Nearest Neighbors - KNN)

• Örnek tabanlı (Instance-based) öğrenme prensibi.
• Komşu sayısının (K) model performansı üzerindeki etkisi ve seçimi.
• Farklı uzaklık metrikleri (Öklid, Manhattan) ve kullanımları.

Naive Bayes Algoritması

• Bayes Teoremi'nin sınıflandırmaya uygulanması.
• "Naive" (Saf) varsayımının anlamı ve bu varsayımın algoritma üzerindeki etkileri.
• Metin sınıflandırması (spam filtreleme gibi) örnekleri.

K-Means Kümeleme Algoritması

• Kümeleme (Clustering) problemlerine giriş: Veri noktalarını benzerliklerine göre gruplama.
• K-Means algoritmasının çalışma adımları: Merkezlerin (Centroids) başlangıcı ve iteratif güncellenmesi.
• Optimal küme sayısının (K) belirlenmesi için temel yaklaşımlar (Elbow metodu).
• Algoritmanın başlangıç noktalarına ve aykırı değerlere duyarlılığı.

Öznitelik Ölçeklendirme (Feature Scaling) Teknikleri

• Neden ölçeklendirmeye ihtiyaç duyulduğu (Mesafe bazlı algoritmalar için kritik önemi).
• Standardizasyon (Z-Score Normalization) ve Normalizasyon (Min-Max Scaling) yöntemleri.
• Hangi algoritmaların ölçeklendirme gerektirdiği (KNN, SVM, K-Means vb.).

Aşırı Öğrenme (Overfitting) ve Eksik Öğrenme (Underfitting)

• Modelin eğitim verisine aşırı adapte olması (overfitting) ve yeni veride başarısızlığı.
• Modelin veriyi yeterince öğrenememesi (underfitting).
• Bias-Varyans dengesi kavramına giriş ve bu iki hatayla ilişkisi.
• Bu sorunları tespit etme ve temel giderme stratejileri.

4. Ağaç Tabanlı Modeller, Topluluk Öğrenmesi ve Model Doğrulama

Karar Ağaçları (Decision Trees) Mantığı

• Veri setini özniteliklere göre bölerek karar kuralları oluşturma.
• Bölme kriterleri: Gini Impurity ve Entropy kavramları.
• Ağaç yapısının yorumlanması ve karar yolakları.
• Aşırı öğrenmeye eğilim ve budama (pruning) ihtiyacının anlaşılması.

Rastgele Ormanlar (Random Forests) ve Topluluk Öğrenmesi (Ensemble Learning)

• Topluluk öğrenmesinin temel prensibi (Çoklu modelin gücünü birleştirme).
• Bagging (Bootstrap Aggregating) tekniğinin Rastgele Ormanlarda kullanımı.
• Çoklu karar ağacının eğitilip sonuçlarının birleştirilmesi (voting veya averaging).
• Rastgele Ormanların sağlamlığı, aşırı öğrenmeye karşı direnci ve özellik önemi (feature importance) çıkarma yeteneği.

Eğitim ve Test Setleri Ayırma Stratejileri

• Basit Train-Test Split'in sınırlılıkları.
• Veri sızıntısı (Data Leakage) riskinin detaylı analizi.

Model Doğrulama Yöntemleri: Çapraz Doğrulama (Cross-Validation)

• K-Fold Çapraz Doğrulama (K-Fold Cross-Validation) prensibi ve uygulanması.
• Daha güvenilir performans tahminleri elde etmenin önemi.
• Farklı çapraz doğrulama şemalarına giriş (Stratified K-Fold).

Temel Sınıflandırma Metrikleri Detayları

• Karışıklık Matrisi (Confusion Matrix) bileşenleri (True Positives, False Positives vb.).
• Doğruluk (Accuracy), Hassasiyet (Precision), Duyarlılık (Recall / Sensitivity) ve F1 Skoru metriklerinin hesaplanması ve yorumlanması.
• Özellikle dengesiz (imbalanced) veri setleri için metrik seçiminin önemi.

Temel Regresyon Metrikleri Detayları

• Ortalama Mutlak Hata (MAE), Ortalama Karesel Hata (Mean Squared Error - MSE).
• Kök Ortalama Karesel Hata (Root Mean Squared Error - RMSE).
• Belirlilik Katsayısı (R-squared) ve Ayarlanmış R-squared yorumu.

5. İleri Algoritmalar, Boyut Azaltma ve Optimizasyon

Destek Vektör Makineleri (Support Vector Machines - SVM)

• Maksimum marjin ayırıcı (Maximum Margin Separator) prensibi.
• Doğrusal olarak ayrılamayan veriler için Kernel Trick (Çekirdek Hilesi) kullanımı.
• Farklı çekirdek tipleri (Lineer, Polinomal, RBF - Radyal Tabanlı Fonksiyon) ve seçim kriterleri.
• SVM'in regülerizasyon ile ilişkisi (Soft Margin SVM).

Boyut Azaltma (Dimensionality Reduction) Teknikleri

• Boyutluluk Laneti (Curse of Dimensionality) kavramı ve model performansına etkileri.
• Temel Bileşen Analizi (Principal Component Analysis - PCA): Matematiksel temelleri (Eigenvectors, Eigenvalues) ve nasıl çalıştığı.
• PCA'nın kullanım alanları (gürültü azaltma, görselleştirme).
• t-Dağılımlı Stokastik Komşu Gömme (t-SNE) ve yüksek boyutlu veriyi 2D/3D'ye indirerek görselleştirme.

Hiperparametre Optimizasyonu (Hyperparameter Tuning)

• Modelin öğrenme süreci öncesinde belirlenen dışsal parametrelerin (örneğin, K'deki K, SVM'deki C ve gamma, Random Forest'taki ağaç sayısı) önemi.
• Grid Search yöntemi ile sistematik hiperparametre arayışı.
• Performansı artırmak için diğer optimizasyon yaklaşımlarına genel bakış (Random Search, Bayesian Optimization'a giriş).

6. Optimizasyon, Model Seçimi, Güvenlik ve Yorumlama

Bias-Varyans Takası (Bias-Variance Trade-off) Detayları

• Model karmaşıklığı, bias (yanlılık) ve varyans (değişkenlik) arasındaki derin ilişki.
• Optimal model karmaşıklığını bulma stratejileri.
• Aşırı öğrenme ve eksik öğrenme sorunlarını Bias-Varyans çerçevesinde anlama.

Basit Veri Replikasyonu ve Parçalama (Sharding) Kavramına Giriş:

• Veri replikasyonunun amacı (yüksek erişilebilirlik, okuma ölçeklemesi) ve türleri.
• Database Sharding Pattern: Veritabanının yatay olarak bölünmesi, veri dağıtım stratejileri (range, hash, directory based).

Regülerizasyon (Regularization) Teknikleri

• Aşırı öğrenmeyi önlemek ve model genelleme yeteneğini artırmak için kullanılan yöntemler.
• L1 (Lasso) Regülerizasyonunun matematiksel temelleri ve özellik seçimi üzerindeki etkisi.
• L2 (Ridge) Regülerizasyonunun matematiksel temelleri ve model katsayılarını küçültme etkisi.
• Elastic Net regülerizasyonuna kısa bir bakış.

Model Seçimi ve Karşılaştırma

• Birden çok makine öğrenmesi modelinin performansını güvenilir şekilde karşılaştırma yöntemleri.
• Çapraz doğrulama sonuçlarının analizi ve istatistiksel karşılaştırmalara giriş.
• Problem türüne, veri setine ve iş gereksinimlerine göre en uygun modelin seçilme kriterleri.

Güvenlik Kodlama Perspektifinden Algoritmalar (OWASP)

• Makine öğrenmesi modellerine yönelik potansiyel siber saldırı vektörleri (Adversarial Attacks - Rakip Saldırılar).
• Model zehirleme (Model Poisoning) saldırılarının çalışma prensibi ve etkileri.
• Model çıkarma (Model Extraction) saldırıları.
• Güvenli makine öğrenmesi geliştirme prensiplerine giriş.
• OWASP (Open Web Application Security Project) prensiplerinin makine öğrenmesi projelerine entegrasyonu üzerine düşünceler.

Kümeleme Değerlendirme Metrikleri

• Denetimsiz öğrenme (kümeleme) modellerinin objektif değerlendirilmesinin zorlukları.
• Silhouette Skoru gibi içsel (intrinsic) metriklerin kullanımı.
• Farklı kümeleme algoritmalarının sonuçlarını karşılaştırma yaklaşımları.

Karar Sınırları ve Model Yorumlama

• Algoritmaların karar verme mekanizmalarını (özellikle sınıflandırma için karar sınırları) görselleştirme ve anlama.
• Modelin neden belirli bir tahmin yaptığını anlama çabası (Model Interpretability - Yorumlanabilirlik) kavramına giriş.
• Basit modellerin yorumlanabilirliği ve karmaşık modeller için yorumlama araçlarına genel bakış.

EĞİTİM YÖNTEMİ

• Kapsamlı ve Güncel Müfredat: Makine öğrenmesi alanındaki en güncel algoritmaları ve pratik uygulamaları içeren, sektördeki en iyi yöntemlerle uyumlu bir müfredat sunarız. Teorik temelleri sağlam bir şekilde oluştururken, pratik uygulamalara odaklanırız.
• Gerçek Dünya Vaka Çalışmaları ve Uygulamalar: Algoritmaların sadece nasıl çalıştığını değil, aynı zamanda iş dünyasındaki gerçek problemlere nasıl uygulandığını anlamak için sektörden alınmış vaka çalışmalarını ve farklı veri senaryolarını detaylıca analiz ederiz. Bu sayede katılımcılar, öğrendiklerini kendi projelerine nasıl entegre edeceklerini kavrarlar.
• Pratik Kodlama ve Laboratuvarlar: Her algoritma ve konsept, Python programlama dili ve ilgili kütüphaneler (NumPy, Pandas, Scikit-learn, TensorFlow/Keras) üzerinden uygulamalı olarak ele alınır. Katılımcılar, interaktif laboratuvar ortamlarında kendi modellerini oluşturma, eğitme ve değerlendirme fırsatı bulurlar.
• Esnek Çerçeve Agnostiği: Algoritmaları belirli bir kütüphane veya platforma (örn. Scikit-learn, TensorFlow, PyTorch) bağımlı kalmadan, temel matematiksel prensipleri ve uygulama mantığı üzerinden anlatırız. Bu sayede, katılımcılar öğrendiklerini farklı araç ve teknolojilerde de uygulayabilirler.
• Sürekli Geri Bildirim ve Etkileşim: Katılımcıların öğrenme süreçlerini aktif olarak takip ederiz. Ders içi tartışmalar, ara değerlendirmeler, kod incelemeleri ve bireysel geri bildirimlerle eksik noktaları tespit edip gidermelerine, analitik düşünme ve modelleme becerilerini geliştirmelerine yardımcı oluruz.

HEDEF KİTLE

• Veri Bilimcileri ve Veri Analistleri: Mevcut veri analizi ve bilim yeteneklerini Makine Öğrenmesi algoritmaları konusunda derinleştirmek, modelleme tekniklerini optimize etmek ve daha gelişmiş tahmin/sınıflandırma çözümleri üretmek isteyen tüm veri profesyonelleri.
• Yazılım Geliştiriciler ve Yapay Zeka Mühendisleri: Uygulamalarına akıllı özellikler entegre etmek, Makine Öğrenmesi modellerini yazılım mimarilerine sorunsuz bir şekilde dahil etmek ve üretim ortamında ML çözümleri geliştirmek isteyen geliştiriciler ve AI mühendisleri.
• İş Zekası (BI) Uzmanları ve Raporlama Sorumluları: Geleneksel iş zekası yaklaşımlarını tahmine dayalı analizlerle birleştirmek, gelecekteki eğilimleri öngören raporlar ve panolar oluşturmak isteyen BI profesyonelleri.
• İstatistikçiler ve Matematikçiler: Güçlü teorik ve matematiksel temellerini pratik Makine Öğrenmesi uygulamalarına dönüştürmek, algoritmaların işleyiş mantığını yazılım bağlamında anlamak isteyen akademisyenler ve araştırmacılar.
• Proje Yöneticileri ve Teknik Liderler: Makine Öğrenmesi projelerini daha etkin yönetmek, doğru algoritma ve model seçimlerini yapmak, ekiplerini yönlendirmek ve yapay zeka stratejilerini belirlemek isteyen teknik liderler ve proje yöneticileri.
• Kariyer Değiştirmek İsteyenler ve Yeni Başlayanlar: Temel programlama (tercihen Python) ve analitik düşünme becerisine sahip olup, hızla büyüyen veri bilimi ve makine öğrenmesi alanında yeni bir kariyer inşa etmek isteyen, bu alana ilgi duyan tüm teknoloji meraklıları.

KATILIMCILARDAN BEKLENTİLERİMİZ

• Temel İstatistik ve Matematik Bilgisi: Eğitimin içeriğini tam olarak kavrayabilmek için ortalama, standart sapma, korelasyon gibi temel istatistiksel kavramlara ve lise düzeyinde lineer cebir (vektörler, matrisler) bilgisine aşina olmanız büyük fayda sağlayacaktır.
• Temel Python Programlama Bilgisi: Eğitimde uygulamalı çalışmalar ve kod örnekleri Python dili üzerinden yürütülecektir. Python'ın temel söz dizimi, veri yapıları (listeler, dictionary'ler) ve fonksiyon kullanımı konularında bilgi sahibi olmanız beklenmektedir.
• Analitik Düşünme ve Problem Çözme Becerisi: Veri setlerini yorumlama, karmaşık problemleri küçük parçalara ayırma, mantıksal çıkarımlar yapma ve farklı yaklaşımları değerlendirme yeteneği, Makine Öğrenmesi algoritmalarını uygularken kritik öneme sahiptir.
• Öğrenmeye ve Araştırmaya Açıklık: Makine öğrenmesi alanı sürekli gelişen ve yenilenen bir disiplindir. Yeni algoritmaları, kütüphaneleri ve yaklaşımları öğrenmeye istekli olmanız ve araştırma yapma motivasyonunuz, bu alandaki başarınızı doğrudan etkileyecektir.
• Aktif Katılım ve Pratik Odaklılık: Teorik bilgiyi pratiğe dökmek, Makine Öğrenmesi öğreniminin temelidir. Ders içi tartışmalara, vaka çalışmalarına ve uygulamalı laboratuvarlara aktif olarak katılmanız, kendi kod örneklerinizi denemeniz ve sorular sormanız, öğrenme deneyiminizi en üst düzeye çıkaracaktır.