Gözetimsiz Öğrenme Algoritmaları Eğitimi

Eğitim Hakkında

Bu eğitim, etiketi olmayan veride örüntü, segment, anomali ve ilişki keşfetmeyi sağlayan gözetimsiz öğrenme algoritmalarını kavramsal ve uygulamalı olarak ele alan kapsamlı bir programdır. Katılımcılar Python ile kümeleme, boyut indirgeme, anomali tespiti ve birliktelik kuralı analizlerini müşteri, işlem ve sensör verisi vakalarında uygular.

Neden Bu Eğitim?

Etiketsiz Veriden Değer. Kurumlarda en bol bulunan etiketsiz veriden segment, örüntü ve risk sinyali çıkarmayı öğrenin.

Dört Yöntem Ailesi. Kümeleme, boyut indirgeme, anomali tespiti ve birliktelik kurallarını tek programda bütüncül biçimde görün.

İş Odaklı Yorum. Algoritma çıktılarını pazarlama, risk ve operasyon ekiplerinin eyleme dönüştürebileceği içgörülere çevirin.

“Etiketler her zaman hazır gelmez; gözetimsiz öğrenme, verinin henüz kimsenin sormadığı sorulara verdiği cevapları duymanızı sağlar.”

Ön Koşullar

Python ve pandas — Python ile veri okuma, gruplama ve dönüştürme işlemlerini pandas ile yapabilmek.
Temel İstatistik — Dağılım, varyans, korelasyon ve mesafe kavramlarına genel düzeyde aşinalık.
Temel ML Bilgisi — scikit-learn ile basit bir model kurmuş olmak konuları takip etmeyi kolaylaştırır.
Çalışma Ortamı — Python 3, scikit-learn 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 hedefiGözetimsiz öğrenmenin problem türlerini tanımak, veriyi mesafe tabanlı analizlere hazırlamak, temel kümeleme ve boyut indirgeme yöntemlerini uygulamak.

Modül 1

Gözetimsiz Öğrenmeye Giriş

Gözetimli ve gözetimsiz öğrenme arasındaki temel fark
Kümeleme, boyut indirgeme, anomali ve birliktelik
Doğru cevabın olmadığı problemlerde başarı ölçütü
Kendi kendine denetimli öğrenme ve gömme vektörleri
Kurumsal kullanım: segmentasyon, izleme, öneri
Tartışma: Kurumunuzdaki etiketsiz veri fırsatları

Modül 2

Mesafe ve Veri Hazırlığı

Öklid, Manhattan ve kosinüs mesafe ölçütleri
StandardScaler ve RobustScaler ile ölçekleme
Kategorik değişkenler ve Gower mesafesi yaklaşımı
Uç değerlerin mesafe tabanlı yöntemlere etkisi
Özellik seçimi ile anlamlı segment boyutları
Laboratuvar: Müşteri verisinin kümelemeye hazırlanması

Modül 3

Temel Kümeleme Yöntemleri

k-ortalamalar (k-means) ve k-means++ başlatma
Dirsek yöntemi ve siluet skoru ile küme sayısı
Hiyerarşik kümeleme ve dendrogram yorumlama
DBSCAN ile yoğunluk tabanlı ve düzensiz kümeler
Gauss karışım modelleri (GMM) ile yumuşak atama
Laboratuvar: RFM tabanlı müşteri segmentasyonu

Modül 4

Boyut İndirgeme ve Görselleştirme

Boyut laneti ve yüksek boyutlu verinin zorlukları
Temel bileşen analizi (PCA) ve açıklanan varyans
t-SNE ile yerel yapıyı koruyan görselleştirme
UMAP ile hızlı ve ölçeklenebilir gömme
PCA'nın kümeleme öncesi ön işlem olarak kullanımı
Günün değerlendirmesi ve anomali gününe köprü

Günün hedefiAnomali tespiti ve birliktelik kuralı yöntemlerini uygulamak, gözetimsiz sonuçları değerlendirip yorumlamak ve uçtan uca keşif projesi sunmak.

Modül 1

Anomali Tespiti Algoritmaları

Nokta, bağlamsal ve toplu anomali türleri
İstatistiksel yöntemler: z-skoru ve IQR yaklaşımı
Isolation Forest ile ağaç tabanlı anomali skoru
Local Outlier Factor ile yoğunluk tabanlı tespit
One-Class SVM ve eşik belirleme stratejileri
Laboratuvar: Kart işlemlerinde şüpheli davranış taraması

Modül 2

Birliktelik Kuralları ve Pazar Sepeti

Destek, güven ve kaldıraç (lift) ölçütleri
Apriori algoritması ve sık öğe kümeleri
FP-Growth ile büyük işlem verisinde hızlı analiz
mlxtend kütüphanesi ile kural üretimi
Çapraz satış ve raf yerleşimi önerileri
Laboratuvar: Perakende sepet verisinde kural keşfi

Modül 3

Sonuçların Değerlendirilmesi ve Yorumu

Siluet, Davies-Bouldin ve Calinski-Harabasz ölçütleri
Küme kararlılığı ve farklı başlangıçlarla tekrar
Segment profilleme ve iş diliyle adlandırma
Anomali sonuçlarının uzman geri bildirimiyle doğrulanması
Gözetimsiz çıktıların gözetimli modele girdi olması
Uygulama: Segment profil kartları hazırlama

Modül 4

Uçtan Uca Keşif Projesi ve Kapanış

Proje: Segmentasyon, anomali ve öneri analizinin birleşimi
Takım sunumları: bulgular ve iş aksiyonları
Kod incelemesi ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve not defterlerinin paylaşımı
İleri konular ve öğrenmeye devam kaynakları

Eğitim Kazanımları

Problem Tanıma — Etiketsiz veri problemlerini kümeleme, boyut indirgeme, anomali veya birliktelik türüne göre ayırt edebileceksiniz.
Veri Hazırlığı — Mesafe ölçütü, ölçekleme ve özellik seçimiyle veriyi gözetimsiz analizlere doğru biçimde hazırlayabileceksiniz.
Segmentasyon — k-means, hiyerarşik kümeleme, DBSCAN ve GMM ile anlamlı müşteri ve ürün segmentleri oluşturabileceksiniz.
Boyut İndirgeme — PCA, t-SNE ve UMAP ile yüksek boyutlu veriyi sadeleştirip görselleştirerek yapısını keşfedebileceksiniz.
Anomali Tespiti — Isolation Forest, LOF ve One-Class SVM ile olağan dışı işlem ve davranışları tespit edebileceksiniz.
Pazar Sepeti — Apriori ve FP-Growth ile birlikte satın alma örüntülerini bulup çapraz satış önerileri geliştirebileceksiniz.
Sonuç Doğrulama — İç geçerlilik ölçütleri ve kararlılık analizleriyle gözetimsiz sonuçların güvenilirliğini değerlendirebileceksiniz.
İçgörü Üretimi — Algoritma çıktılarını segment profilleri ve iş aksiyonlarıyla karar vericilere anlaşılır biçimde sunacaksınız.

Kimler İçin Uygundur?

Veri analistleri
veri bilimciler
pazarlama ve CRM analitiği uzmanları
risk ve operasyon analistleri ile etiketsiz veriden içgörü çıkarmak isteyen analitik ekipler.

Sıkça Sorulan Sorular

Gözetimsiz Öğrenme Algoritmaları Eğitimi kimler için uygundur?

Program; veri analistleri, veri bilimciler, pazarlama ve CRM analitiği uzmanları, risk ve operasyon analistleri ile etiketsiz veriden içgörü çıkarmak isteyen analitik ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 2 tam gün ve 8 modülden oluşur. Kümeleme, boyut indirgeme, anomali tespiti ve birliktelik kuralları işlenir; son modülde bu yöntemleri birleştiren keşif projesi sunulur.

Katılım için ön koşul var mı?

Python ve pandas ile temel veri işleme, temel istatistik kavramları ve scikit-learn'e genel aşinalık beklenir. Python, scikit-learn ve Jupyter kurulu bir ortam gerekir.

Gözetimsiz öğrenme kurumlarda hangi amaçlarla kullanılır?

Müşteri segmentasyonu, şüpheli işlem ve arıza tespiti, çapraz satış önerileri, belge ve ürün gruplama ile yüksek boyutlu verinin görselleştirilmesi en yaygın kurumsal kullanım alanlarıdır.

Bu eğitim Kümeleme Algoritmaları Eğitiminden nasıl ayrılır?

Bu program dört gözetimsiz yöntem ailesini geniş bir çerçevede tanıtır; kümeleme eğitimi ise yalnızca kümeleme yöntemlerini daha derinlemesine işler. Tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

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

MAKİNE ÖĞRENMESİ: GÖZETİMSİZ ÖĞRENME ALGORİTMALARI EĞİTİMİ