Bu eğitimde makine öğrenmesini yalnızca algoritma ezberi olarak değil, uçtan uca bir model geliştirme süreci olarak ele alacağız. Veri ön işleme, öznitelik mühendisliği, problem türleri, model seçimi, metrikler, denetimli ve denetimsiz öğrenme, boyut indirgeme, çapraz doğrulama, hiperparametre ayarlama ve açıklanabilirlik konularını Python uygulamalarıyla birlikte öğreneceğiz. Eğitim sonunda öğrenciler, gerçek veri setleri üzerinde modeli kurabilen, değerlendirebilen, karşılaştırabilen ve sonuçlarını yorumlayabilen bir makine öğrenmesi iş akışı geliştirebilecekler.

Eğitim İçeriği:

- Makine öğrenmesine giriş: makine öğrenmesi nedir, kullanım alanları, öğrenme türleri, temel terminoloji ve algoritma geliştirme süreci
- GitHub kodlarına erişim ve eğitim boyunca kullanılacak uygulama dosyalarının tanıtımı
- Problem türleri ve değerlendirme mantığı: classification, regression, sınıflandırma metrikleri, regresyon metrikleri ve pratik değerlendirme kriterleri
- Veri ön işleme: eksik veriler, kategorik verilerin dönüştürülmesi, aykırı değer, veri ölçekleme ve train-validation-test split
- Python ile veri ön işleme uygulamaları
- Öznitelik mühendisliği: öznitelik mühendisliği temelleri, öznitelik üretme, öznitelik seçimi ve Python uygulaması
- Denetimli öğrenme: doğrusal regresyon, doğrusal regresyonda öğrenme, polinomal regresyon, Lasso ve Ridge regresyon
- Python ile doğrusal, polinomal, Lasso ve Ridge regresyon uygulamaları
- Lojistik regresyon, lojistik regresyonda öğrenme ve Python ile lojistik regresyon uygulaması
- K-En Yakın Komşu, karar ağaçları, karar ağaçlarında öğrenme, rastgele orman ve destek vektör makineleri
- Python ile KNN, karar ağaçları, rastgele orman ve destek vektör makineleri uygulamaları
- Denetimli öğrenme modellerinin karşılaştırılması ve ara ödev
- Denetimsiz öğrenme: denetimsiz öğrenme nedir, K-Means kümeleme, hiyerarşik kümeleme ve Python uygulamaları
- Boyut indirgeme: boyut indirgeme nedir, PCA, PCA ile boyut indirgeme süreci, t-SNE ve Python uygulamaları
- Çapraz doğrulama: K-Fold, Stratified K-Fold, Leave One Out ve çapraz doğrulama yöntemlerinin karşılaştırılması
- Python ile çapraz doğrulama uygulaması
- Hiperparametre ayarlama: giriş, temel mantık, Grid Search, Random Search ve Python uygulamaları
- Makine öğrenmesinde açıklanabilirlik: açıklanabilirlik nedir, LIME ve SHAP karşılaştırması ile Python kullanılarak açıklanabilirlik uygulaması
- Final ödevi ve proje teslim süreci

Eğitim Kazanımları:

- Makine öğrenmesi problemlerini classification, regression veya unsupervised learning problemi olarak doğru şekilde tanımlayabilme
- Gerçek veri setlerinde veri ön işleme ve öznitelik mühendisliği adımlarını uygulayabilme
- Farklı makine öğrenmesi algoritmalarını Python ve scikit-learn ile eğitip değerlendirebilme
- Model performansını uygun metriklerle ölçüp modelleri karşılaştırabilme
- Çapraz doğrulama ve hiperparametre ayarlama yöntemleriyle daha güvenilir modeller geliştirebilme
- PCA, t-SNE, K-Means ve hiyerarşik kümeleme gibi yöntemlerle veri yapısını analiz edebilme
- LIME ve SHAP ile model tahminlerini yorumlayıp açıklanabilirlik bakış açısı kazanabilme
- Ara ödev ve final ödevi ile portföye eklenebilir makine öğrenmesi uygulamaları geliştirebilme

Eğitim Ön Koşulları:

- Yapay Zeka için Python