Karar Ağaçları ve Rastgele Ormanlar Eğitimi

Eğitim Hakkında

Bu eğitim, tablo verisinde en yaygın kullanılan yöntemlerden karar ağaçları ile rastgele ormanları matematiksel temelinden üretim kullanımına kadar derinlemesine ele alan uygulamalı bir programdır. Katılımcılar CART algoritması, budama, bagging, özellik önemi ve SHAP açıklamalarını scikit-learn ile kredi riski ve müşteri vakalarında uygular.

Neden Bu Eğitim?

Derinlemesine Anlayış. Bölünme ölçütlerinden budamaya kadar ağacın her kararını adım adım hesaplayarak algoritmayı içselleştirin.

Açıklanabilir Modeller. Kural çıkarımı, permütasyon önemi ve SHAP ile model kararlarını iş birimlerine ve denetçilere açıklayın.

Güçlü Referans Model. Tablo verisinde az ayarla yüksek performans veren rastgele ormanları doğru parametrelerle kullanın.

“Tek bir ağaç size kararın mantığını gösterir; bir orman ise o mantığı daha kararlı, daha güvenilir ve daha güçlü kılar.”

Ön Koşullar

Python ve pandas — Python ile veri okuma, filtreleme ve özellik dönüşümlerini pandas ile yapabilmek.
Temel ML Bilgisi — Eğitim-test ayrımı, aşırı öğrenme ve temel sınıflandırma metriklerini bilmek.
Temel Olasılık — Oran, olasılık ve ortalama gibi temel kavramlar; logaritma bilgisi faydalıdır.
Çalışma Ortamı — Python 3, scikit-learn, SHAP ve Jupyter kurulu bir bilgisayar veya bulut not defteri.

Eğitim İçeriği

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

Günün hedefiKarar ağacı algoritmasının bölünme mantığını hesaplayarak kavramak, sınıflandırma ve regresyon ağaçları kurmak, aşırı öğrenmeyi budama ile kontrol etmek.

Modül 1

Karar Ağacının Temel Mantığı

Kök, düğüm, dal ve yaprak kavramları
ID3, C4.5 ve CART algoritmalarının karşılaştırması
Entropi, bilgi kazancı ve Gini safsızlığı
Sayısal ve kategorik değişkenlerde en iyi bölünme
Açgözlü (greedy) arama ve yerel optimum sorunu
Egzersiz: Küçük bir veri setinde elle ağaç kurma

Modül 2

scikit-learn ile Sınıflandırma Ağaçları

DecisionTreeClassifier parametreleri ve varsayılanlar
plot_tree ve export_text ile ağacın görselleştirilmesi
Ağaçtan okunabilir iş kuralları çıkarma
Sınıf dengesizliğinde class_weight kullanımı
Eksik değerlerin ağaç modellerinde ele alınması
Laboratuvar: Müşteri kaybı için kural tabanlı ağaç

Modül 3

Regresyon Ağaçları

Kareler hatası ve mutlak hata ile bölünme ölçütü
Yaprak ortalaması ile tahmin ve basamaklı fonksiyon
Eğitim aralığı dışında tahmin (dışkestirim) sınırı
Doğrusal regresyon ile regresyon ağacının farkı
Hedef dağılımı ve uç değerlerin etkisi
Laboratuvar: Konut fiyatı tahmininde regresyon ağacı

Modül 4

Aşırı Öğrenme ve Budama

Derin ağaçlarda yüksek varyans ve kararsızlık
max_depth, min_samples_leaf ile ön budama
Maliyet karmaşıklığı budaması ve ccp_alpha
Çapraz doğrulama ile budama düzeyinin seçimi
Öğrenme eğrileri ile model karmaşıklığı analizi
Günün değerlendirmesi ve orman gününe köprü

Günün hedefiBagging ve rastgele orman mantığını uygulamak, hiperparametreleri ayarlamak, model kararlarını açıklamak ve uçtan uca kredi riski projesini tamamlamak.

Modül 1

Bagging ve Rastgele Orman Mantığı

Bootstrap örnekleme ve bagging ile varyans azaltımı
Rastgele özellik seçimi ve ağaçlar arası korelasyon
Torba dışı (OOB) hata ile dahili doğrulama
Extra Trees: aşırı rastgele ağaçlar yaklaşımı
Rastgele orman regresyonu ve tahmin aralıkları
Laboratuvar: Tek ağaç ile rastgele orman karşılaştırması

Modül 2

Hiperparametreler ve Performans

n_estimators, max_features ve max_depth etkileri
min_samples_leaf ve bootstrap oranı ayarı
RandomizedSearchCV ile verimli parametre araması
n_jobs ile paralel eğitim ve bellek yönetimi
Rastgele orman ile gradyan artırmanın karşılaştırılması
Laboratuvar: Temerrüt modelinin hiperparametre ayarı

Modül 3

Ağaç Modellerini Açıklamak

Safsızlık tabanlı özellik öneminin yanlılıkları
Permütasyon önemi ile güvenilir değişken sıralaması
Kısmi bağımlılık grafikleri (PDP) ve ICE eğrileri
SHAP TreeExplainer ile global ve bireysel açıklama
Açıklamaların kredi kararı gerekçesine dönüştürülmesi
Laboratuvar: Reddedilen başvuru için SHAP raporu

Modül 4

Kredi Riski Projesi ve Kapanış

Proje: Veri hazırlığından açıklamaya uçtan uca model
Modelin skops veya joblib ile kaydedilip paylaşılması
Takım sunumları ve kod incelemesi geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve not defterlerinin paylaşımı
Gradyan artırma ve MLOps için ileri öğrenme yolu

Eğitim Kazanımları

Algoritma Hakimiyeti — Entropi, bilgi kazancı ve Gini safsızlığını hesaplayarak bir karar ağacının bölünmelerini açıklayabileceksiniz.
Sınıflandırma Ağaçları — scikit-learn ile sınıflandırma ağaçları kurup okunabilir iş kurallarına dönüştürebileceksiniz.
Regresyon Ağaçları — Sayısal tahmin problemlerinde regresyon ağaçlarını kullanıp sınırlarını doğru biçimde değerlendirebileceksiniz.
Budama Becerisi — Ön budama ve maliyet karmaşıklığı budamasıyla aşırı öğrenmeyi kontrol altına alabileceksiniz.
Rastgele Orman — Bagging, OOB hatası ve rastgele özellik seçimini anlayarak kararlı rastgele orman modelleri kurabileceksiniz.
Parametre Ayarı — Rastgele orman hiperparametrelerini verimli arama yöntemleriyle performans ve maliyete göre ayarlayabileceksiniz.
Açıklanabilirlik — Permütasyon önemi, PDP ve SHAP ile model kararlarını iş birimlerine ve denetçilere açıklayabileceksiniz.
Uçtan Uca Proje — Kredi riski vakasında veri hazırlığından açıklanabilir model teslimine kadar tüm adımları tamamlayacaksınız.

Kimler İçin Uygundur?

Veri analistleri
veri bilimciler
risk ve kredi modelleme uzmanları
iş zekası ekipleri ile yorumlanabilir tahmin modelleri geliştirmek isteyen analitik profesyoneller.

Sıkça Sorulan Sorular

Karar Ağaçları ve Rastgele Ormanlar Eğitimi kimler için uygundur?

Program; veri analistleri, veri bilimciler, risk ve kredi modelleme uzmanları, iş zekası ekipleri ile yorumlanabilir tahmin modelleri geliştirmek isteyen analitik profesyoneller için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl ilerler?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün karar ağaçlarının matematiği, regresyon ağaçları ve budama; ikinci gün rastgele ormanlar, hiperparametre ayarı, açıklanabilirlik ve kredi riski projesi işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ve pandas kullanımı, eğitim-test ayrımı ve aşırı öğrenme gibi temel makine öğrenmesi kavramları ile temel olasılık bilgisi beklenir.

Rastgele orman modelleri nasıl açıklanabilir hale getiriliyor?

Eğitimde safsızlık tabanlı özellik öneminin sınırları gösterilir; permütasyon önemi, kısmi bağımlılık grafikleri ve SHAP TreeExplainer ile hem genel hem de tek bir tahmin düzeyinde açıklamalar üretilir.

Eğitim sonunda sertifika veriliyor mu, içerik uyarlanabilir mi?

Evet. Laboratuvar ve projeyi tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır. Proje vakası kredi riski yerine kurumun sektörüne uygun bir veri setiyle yürütülebilir.

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

KARAR AĞAÇLARI VE RASTGELE ORMANLAR EĞİTİMİ