Makine Öğrenmesine Giriş: Temel Kavramlar Eğitimi

Eğitim Hakkında

Bu eğitim, makine öğrenmesinin nasıl çalıştığını, hangi iş problemlerine uygun olduğunu ve bir modelin başarısının nasıl ölçüldüğünü kod yazmadan kavramak isteyen profesyoneller için tasarlanmış tek günlük bir başlangıç programıdır. Katılımcılar temel algoritmaları sezgisel olarak öğrenir ve kodsuz bir araçla ilk modellerini kurar.

Neden Bu Eğitim?

Doğru Problem Tanımı. Hangi iş sorusunun makine öğrenmesiyle çözülebileceğini ve hangisinin çözülemeyeceğini ayırt etmeyi öğrenin.

Formülsüz Sezgi. Karar ağacından kümelemeye temel algoritmaların mantığını formüllere boğulmadan görsel örneklerle kavrayın.

Kodsuz İlk Model. Orange Data Mining ile sürükle-bırak yöntemiyle veri yükleyip model kurarak öğrendiklerinizi hemen deneyin.

“Makine öğrenmesinde başarı karmaşık algoritmayla değil, doğru sorulmuş bir soru ve dikkatle hazırlanmış veriyle başlar.”

Ön Koşullar

Kodlama Şartı Yok — Programlama bilgisi gerekmez; uygulamalar kodsuz ve görsel bir araçla yapılır.
Tablo Verisi Deneyimi — Excel gibi araçlarda satır-sütun yapısındaki verilerle çalışmış olmak faydalıdır.
Temel Sayısal Beceri — Ortalama, yüzde ve oran gibi temel sayısal kavramlarla rahatça çalışabilmek.
Bilgisayar — Orange Data Mining kurulabilen, internete bağlı bir dizüstü bilgisayar; kurulum rehberi önceden iletilir.

Eğitim İçeriği

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

Günün hedefiMakine öğrenmesinin mantığını ve türlerini kavramak, iş problemlerini doğru tanımlamak, temel algoritmaları sezgisel anlamak ve kodsuz araçla model kurup değerlendirmek.

Modül 1

Makine Öğrenmesinin Mantığı

Kural yazmak ile örneklerden öğrenmek arasındaki fark
Gözetimli, gözetimsiz ve pekiştirmeli öğrenme türleri
Regresyon, sınıflandırma ve kümeleme problemleri
Makine öğrenmesinin uygun olduğu ve olmadığı durumlar
Gündelik örnekler: kredi onayı, öneri sistemi, spam filtresi
Etkileşimli demo: Teachable Machine ile anında öğrenme

Modül 2

Veri ve Problem Tanımlama

Özellik (feature), hedef değişken ve gözlem kavramları
Veri kalitesi: eksik değer, uç değer ve tutarsızlık
Veri sızıntısı: gelecekten bilgi taşıyan değişkenler
İş sorusunu ölçülebilir bir tahmin problemine çevirme
Başarı ölçütünü iş hedefiyle ilişkilendirme
Atölye: Müşteri kaybı problemini doğru tanımlama

Modül 3

Temel Algoritmalar ve Model Eğitimi

Doğrusal regresyon ile sayısal değer tahmini
Karar ağaçları ve rastgele orman sezgisel anlatımı
k-en yakın komşu ve k-ortalamalar kümeleme
Eğitim ve test verisi ayrımı neden zorunludur?
Aşırı öğrenme ve eksik öğrenme görsel örneklerle
Uygulama: Orange ile karar ağacı modeli kurma

Modül 4

Model Değerlendirme, Yaşam Döngüsü ve Kapanış

Karmaşıklık matrisi, doğruluk, kesinlik ve duyarlılık
CRISP-DM ile proje adımları ve modelin canlıya alınması
Model yanlılığı, adalet ve KVKK açısından veri kullanımı
Atölye: Kendi iş alanınızda makine öğrenmesi fırsatı
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Katılım sertifikası takdimi ve ileri eğitim önerileri

Eğitim Kazanımları

Temel Mantık — Makine öğrenmesinin örneklerden nasıl örüntü çıkardığını ve geleneksel programlamadan farkını açıklayabileceksiniz.
Öğrenme Türleri — Bir iş probleminin regresyon, sınıflandırma veya kümeleme problemi olup olmadığını ayırt edebileceksiniz.
Problem Tanımı — İş sorularını hedef değişkeni ve başarı ölçütü net olan makine öğrenmesi problemlerine dönüştürebileceksiniz.
Veri Farkındalığı — Eksik değer, uç değer ve veri sızıntısı gibi model başarısını bozan veri sorunlarını fark edebileceksiniz.
Algoritma Sezgisi — Doğrusal regresyon, karar ağacı ve k-ortalamalar gibi algoritmaların nasıl çalıştığını yorumlayabileceksiniz.
Model Değerlendirme — Karmaşıklık matrisi ve temel metriklerle bir modelin gerçekten işe yarayıp yaramadığını sorgulayabileceksiniz.
Kodsuz Modelleme — Orange Data Mining ile veri yükleyip basit sınıflandırma modelleri kurabilecek ve sonuçları okuyabileceksiniz.
Ekiple Ortak Dil — Veri bilimi ekipleriyle proje kapsamı, veri ihtiyacı ve beklentiler konusunda verimli iletişim kuracaksınız.

Kimler İçin Uygundur?

İş analistleri
raporlama ve süreç uzmanları
ürün ve proje yöneticileri
alan uzmanları ile veri bilimi ekipleriyle birlikte çalışan ve makine öğrenmesini anlamak isteyenler.

Sıkça Sorulan Sorular

Makine Öğrenmesine Giriş Eğitimi kimler için uygundur?

Program; iş analistleri, raporlama ve süreç uzmanları, ürün ve proje yöneticileri ile veri bilimi ekipleriyle çalışan ve makine öğrenmesinin mantığını kod yazmadan anlamak isteyen profesyoneller için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi formatta verilir?

Eğitim 1 tam gün ve 4 modülden oluşur. Kurumun tercihine göre Digital Vizyon Akademi sınıflarında, kurum lokasyonunda veya online olarak gerçekleştirilir.

Eğitime katılmak için programlama veya istatistik bilmem gerekiyor mu?

Hayır. Uygulamalar Orange Data Mining ile sürükle-bırak yöntemiyle yapılır. Excel'de tablo verisiyle çalışmış olmak ve ortalama, yüzde gibi temel sayısal kavramlara aşinalık yeterlidir.

Eğitimde hangi algoritmalar ve kavramlar ele alınıyor?

Doğrusal regresyon, karar ağacı, rastgele orman, k-en yakın komşu ve k-ortalamalar algoritmaları ile eğitim-test ayrımı, aşırı öğrenme, veri sızıntısı, karmaşıklık matrisi ve CRISP-DM proje yaşam döngüsü ele alınır.

Eğitim sonunda sertifika veriliyor mu, uygulamalar kurum verisiyle yapılabilir mi?

Katılımcılar Digital Vizyon Akademi katılım sertifikası alır. Kapalı kurum gruplarında atölyeler kurumun sektörüne uygun örnek veya anonimleştirilmiş verilerle hazırlanabilir.

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