Çapraz Doğrulama ve Hiperparametre Ayarı Eğitimi

Eğitim Hakkında

Bu eğitim, makine öğrenmesi modellerinin genelleme başarısını güvenilir biçimde tahmin eden çapraz doğrulama stratejilerini ve hiperparametrelerin sistematik, verimli ve tekrarlanabilir biçimde ayarlanmasını ele alan uygulamalı bir programdır. Katılımcılar scikit-learn, Optuna ve MLflow ile ızgara, rastgele ve Bayesçi aramayı gerçek vakalarda uygular.

Neden Bu Eğitim?

Güvenilir Tahmin. Veri yapısına uygun çapraz doğrulama stratejisiyle modelin gerçek performansını iyimser yanılgılar olmadan ölçün.

Verimli Arama. Izgara aramanın ötesine geçip Bayesçi optimizasyon ve erken budama ile hesaplama bütçesini akıllıca kullanın.

Tekrarlanabilir Deneyler. Tüm denemeleri MLflow ile kayıt altına alarak sonuçları karşılaştırılabilir ve paylaşılabilir hale getirin.

“İyi ayarlanmış bir model şansın değil, doğru kurgulanmış doğrulamanın ve sabırla yürütülen sistematik deneylerin ürünüdür.”

Ön Koşullar

Model Kurma Deneyimi — scikit-learn ile sınıflandırma veya regresyon modeli kurup değerlendirmiş olmak.
Python ve pandas — Python fonksiyonları yazabilmek ve pandas ile veri hazırlığı yapabilmek.
Temel ML Kavramları — Aşırı öğrenme, yanlılık-varyans ve temel değerlendirme metriklerine hakimiyet.
Çalışma Ortamı — Python 3, scikit-learn, Optuna, MLflow ve Jupyter kurulu bir bilgisayar.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiFarklı çapraz doğrulama stratejilerini veri yapısına göre seçmek, sızıntısız doğrulama hatları kurmak ve model seçiminde iç içe doğrulamayı uygulamak.

Modül 1

Genelleme ve Doğrulamanın Temelleri

Genelleme hatası, yanlılık ve varyans ilişkisi
Tek holdout ayrımının varyansı ve şans etkisi
k-katlı çapraz doğrulama ve kat sayısı seçimi
Birini dışarıda bırak (LOO) ve tekrarlı k-katlı yöntem
cross_val_score ve cross_validate kullanımı
Laboratuvar: Farklı ayrımlarla skor dağılımı deneyi

Modül 2

Veri Yapısına Özel Doğrulama

StratifiedKFold ile dengesiz sınıflarda tabakalama
GroupKFold ile müşteri ve hasta bazlı ayrım
TimeSeriesSplit ile ileriye dönük zaman doğrulaması
Kayan ve genişleyen pencere ile boşluklu ayrım
Mekânsal ve hiyerarşik veride doğrulama zorlukları
Laboratuvar: Satış tahmininde zaman bazlı doğrulama

Modül 3

Sızıntısız Doğrulama Hatları

Ölçekleme ve kodlamanın katlar dışında yapılması riski
Pipeline ve ColumnTransformer ile güvenli akış
Yeniden örneklemenin yalnızca eğitim katında uygulanması
Özellik seçiminden kaynaklanan gizli sızıntı
Öğrenme ve doğrulama eğrileri ile teşhis
Laboratuvar: Sızıntılı ve sızıntısız skorların farkı

Modül 4

İç İçe Çapraz Doğrulama

Hem ayar hem değerlendirme için aynı veri sorunu
İç döngü ile ayar, dış döngü ile tarafsız tahmin
İç içe doğrulamanın hesaplama maliyeti
Nihai modelin tüm veriyle yeniden eğitilmesi
Laboratuvar: İç içe doğrulama ile model seçimi
Günün değerlendirmesi ve optimizasyon gününe köprü

Günün hedefiHiperparametre arama yöntemlerini karşılaştırmak, Optuna ile Bayesçi optimizasyon ve budama uygulamak, deneyleri MLflow ile izleyerek ayar projesini tamamlamak.

Modül 1

Arama Uzayı ve Klasik Yöntemler

Parametre ile hiperparametre farkı ve etki düzeyi
Arama uzayı tasarımı: log ölçek ve koşullu parametreler
GridSearchCV ile ızgara aramanın güçlü ve zayıf yönü
RandomizedSearchCV ve rastgele aramanın verimliliği
HalvingGridSearchCV ile ardışık yarılama yaklaşımı
Laboratuvar: Üç arama yönteminin bütçe karşılaştırması

Modül 2

Optuna ile Bayesçi Optimizasyon

Bayesçi optimizasyon ve vekil model sezgisi
Optuna study, trial ve TPE örnekleyicisi
MedianPruner ve Hyperband ile verimsiz denemeleri budama
Çok amaçlı optimizasyon: doğruluk ve gecikme dengesi
Optuna görselleştirmeleri ile parametre önemi
Laboratuvar: LightGBM modelinin Optuna ile ayarı

Modül 3

Model Türüne Özel Ayar Stratejileri

Gradyan artırmada öğrenme oranı ve erken durdurma
Rastgele orman ve SVM için kritik parametreler
Sinir ağlarında öğrenme oranı ve batch boyutu ayarı
Paralel deneme ve dağıtık aramaya giriş
Aşırı ayar: doğrulama kümesine aşırı uyum riski
Uygulama: Hesaplama bütçesine göre ayar planı

Modül 4

Deney Takibi, Proje ve Kapanış

MLflow ile parametre, metrik ve model kaydı
Rastgelelik tohumu ve ortam ile tekrarlanabilirlik
Proje: Uçtan uca doğrulama ve ayar hattı kurulumu
Takım sunumları ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve not defterlerinin paylaşımı

Eğitim Kazanımları

Doğrulama Seçimi — Veri yapısına göre k-katlı, tabakalı, grup ve zaman serisi doğrulamasından doğru olanı seçebileceksiniz.
Sızıntısız Hatlar — Pipeline ile ön işleme ve örneklemeyi katlar içinde tutarak sızıntısız doğrulama hatları kurabileceksiniz.
İç İçe Doğrulama — İç içe çapraz doğrulamayla model seçimi ve performans tahminini birbirinden tarafsız biçimde ayırabileceksiniz.
Arama Uzayı Tasarımı — Log ölçekli ve koşullu parametreler içeren etkili ve gereksiz geniş olmayan arama uzayları tasarlayabileceksiniz.
Klasik Arama — Izgara, rastgele ve ardışık yarılama aramalarını hesaplama bütçesine göre verimli kullanabileceksiniz.
Bayesçi Optimizasyon — Optuna ile TPE örnekleme, budama ve çok amaçlı optimizasyonu gerçek modellere uygulayabileceksiniz.
Modele Özel Ayar — Gradyan artırma, rastgele orman ve sinir ağları için kritik hiperparametreleri önceliklendirebileceksiniz.
Deney Yönetimi — MLflow ile tüm denemeleri izleyerek tekrarlanabilir ve paylaşılabilir bir ayar süreci yürüteceksiniz.

Kimler İçin Uygundur?

Veri bilimciler
makine öğrenmesi mühendisleri
model geliştirme ekipleri ve modellerinin performansını sistematik biçimde iyileştirmek isteyen analitik profesyoneller.

Sıkça Sorulan Sorular

Çapraz Doğrulama ve Hiperparametre Ayarı Eğitimi kimler için uygundur?

Program; veri bilimciler, makine öğrenmesi mühendisleri, model geliştirme ekipleri ve model performansını sistematik biçimde iyileştirmek isteyen analitik profesyoneller için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün çapraz doğrulama stratejileri ve iç içe doğrulama, ikinci gün hiperparametre arama yöntemleri, Optuna ve MLflow ile deney yönetimi işlenir.

Katılım için hangi ön bilgiler gerekiyor?

scikit-learn ile model kurup değerlendirmiş olmak, Python fonksiyonları yazabilmek ve aşırı öğrenme ile temel metrik kavramlarına hakim olmak beklenir.

Eğitimde hangi araçlar kullanılıyor?

scikit-learn doğrulama sınıfları ve arama araçları, Optuna, LightGBM ve deney takibi için MLflow kullanılır. Laboratuvarlar Jupyter ortamında yürütülür.

Eğitim sonunda sertifika veriliyor mu, kuruma uyarlanabilir mi?

Evet. Projeyi tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır. Laboratuvarlar kurumun kullandığı model türleri ve hesaplama altyapısına göre uyarlanabilir.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

ÇAPRAZ DOĞRULAMA VE HİPERPARAMETRE AYARI EĞİTİMİ