Otomatik Makine Öğrenmesi Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, model seçimi, hiperparametre optimizasyonu ve topluluk öğrenmesi gibi zaman alan adımları otomatikleştirerek veri projelerinde hızlı ve güvenilir sonuç almak isteyen ekipler için hazırlanmış uygulamalı bir programdır. Katılımcılar açık kaynak ve bulut AutoML araçlarını karşılaştırır, sonuçları eleştirel biçimde değerlendirir ve modelleri üretime hazırlar.

Neden Bu Eğitim?

Hızlı Prototipleme. Model seçimi ve ayarlamaya harcanan haftaları saatlere indirerek iş problemine odaklanmaya daha fazla zaman ayırın.

Otomasyonu Doğru Yönetin. Veri sızıntısı, aşırı uyum ve yanıltıcı liderlik tablosu gibi AutoML tuzaklarını fark edip sistematik olarak önleyin.

Araçtan Bağımsız Beceri. Açık kaynak kütüphaneler ile Azure, Google Cloud ve AWS hizmetlerini aynı değerlendirme çerçevesiyle karşılaştırın.

“Otomasyon deneme yanılmayı üstlendiğinde, veri ekiplerine asıl değeri yaratan iş sorusunu doğru sormak ve sonucu sorgulamak kalır.”

Ön Koşullar

Python ve pandas — pandas ile veri okuma, filtreleme, birleştirme ve temel veri temizleme yapabilmek.
ML Temelleri — Sınıflandırma, regresyon, eğitim-test ayrımı ve temel başarı metriklerini bilmek.
Temel İstatistik — Dağılım, ortalama, varyans ve korelasyon kavramlarına temel düzeyde aşinalık.
Çalışma Ortamı — Python 3 ve Jupyter kurulu, en az 16 GB bellekli bilgisayar veya bulut not defteri erişimi.

Eğitim İçeriği

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

Günün hedefiAutoML'in hangi adımları nasıl otomatikleştirdiğini kavramak, problemi ve değerlendirme düzenini doğru kurmak ve hiperparametre optimizasyonunu Optuna ile uygulamak.

Modül 1

Otomatik Makine Öğrenmesine Giriş

Makine öğrenmesi iş akışında otomatikleştirilebilen adımlar
Model seçimi, hiperparametre ayarı ve topluluk kurma
Sinir ağı mimari araması (NAS) kavramına giriş
AutoML'in güçlü yönleri ve bilinen sınırları
Veri bilimcinin rolü: otomasyon mu, destek mi?
Vaka: Müşteri kaybı tahmininde AutoML ile hızlanma

Modül 2

Problem Tanımı ve Veri Hazırlığı

İş sorusundan hedef değişken ve metrik seçimine
Rastgele, katmanlı, gruplu ve zamana dayalı ayrım
Veri sızıntısı türleri ve AutoML'de büyüyen riski
Eksik değer, kategorik değişken ve dengesiz sınıf
Tutulan (holdout) test kümesini sona saklamak
Uygulama: Kredi başvuru verisinde sızıntı avı

Modül 3

Hiperparametre Optimizasyonu Yöntemleri

Izgara ve rastgele arama; arama uzayı tasarımı
Bayesçi optimizasyon ve TPE algoritmasının mantığı
Erken durdurma: Hyperband ve ASHA yaklaşımları
Çok amaçlı optimizasyon: doğruluk ve gecikme
Hesaplama bütçesi, paralellik ve tekrarlanabilirlik
Demo: Rastgele arama ile TPE sonuçlarının kıyası

Modül 4

Optuna ile Uygulamalı Optimizasyon

Optuna çalışma (study) ve deneme (trial) yapısı
scikit-learn pipeline ile ön işlemeyi aramaya katma
Budama (pruning) ile verimsiz denemeleri kesme
Optuna Dashboard ile arama geçmişini inceleme
Laboratuvar: LightGBM modelinin Optuna ile ayarı
Günün değerlendirmesi ve AutoML araçlarına köprü

Günün hedefiAutoGluon, FLAML ve H2O gibi açık kaynak araçları tablo, zaman serisi ve metin verisinde uygulamak ve bulut AutoML hizmetlerini aynı ölçütlerle karşılaştırmak.

Modül 1

AutoGluon ile Tablo Verisinde AutoML

TabularPredictor yapısı ve kalite ön ayarları
Çok katmanlı yığınlama (stacking) ve torbalama
Liderlik tablosunu okuma ve model karşılaştırma
Zaman bütçesi, bellek ve çıkarım hızı ayarları
Özel metrik ve sınıf ağırlığı tanımlama
Laboratuvar: Sigorta hasar tahmini için AutoGluon

Modül 2

FLAML, H2O AutoML ve Diğer Araçlar

FLAML ile düşük maliyetli ve hızlı model araması
H2O AutoML liderlik tablosu ve yığınlanmış topluluklar
TPOT ile genetik programlama tabanlı boru hattı
auto-sklearn ve meta-öğrenme ile sıcak başlangıç
Araç seçimi: lisans, bakım, ölçek ve entegrasyon
Laboratuvar: Aynı veri setinde üç aracın kıyaslanması

Modül 3

Zaman Serisi ve Çok Modlu AutoML

AutoGluon-TimeSeries ile çoklu seri tahmini
İstatistiksel, ağaç tabanlı ve derin modellerin topluluğu
Chronos gibi önceden eğitilmiş zaman serisi modelleri
Olasılıksal tahmin ve kantil kaybı değerlendirmesi
Metin ve görüntü içeren veride çok modlu AutoML
Laboratuvar: Mağaza bazlı haftalık satış tahmini

Modül 4

Bulut AutoML Hizmetleri

Azure Machine Learning otomatik ML deneyleri
Google Vertex AI AutoML ve BigQuery ML seçenekleri
Amazon SageMaker Canvas ve Autopilot yetenekleri
Kodsuz arayüz ile SDK tabanlı kullanımın farkları
Maliyet, veri konumu ve KVKK açısından değerlendirme
Demo: Bulut AutoML deneyi ve sonuç raporu

Günün hedefiAutoML çıktılarını açıklanabilirlik ve adillik açısından eleştirel değerlendirmek, modelleri veri hatları ve MLOps süreçleriyle üretime taşımak ve uçtan uca projeyi sunmak.

Modül 1

AutoML Sonuçlarını Değerlendirme ve Açıklama

Doğrulama kümesine aşırı uyum ve iyimser skorlar
Tutulan test kümesi ve iş metriğiyle son kontrol
SHAP ile topluluk modellerinin açıklanması
Olasılık kalibrasyonu ve eşik belirleme
Alt gruplarda performans ve adillik kontrolleri
Uygulama: AutoML modeli için doğrulama raporu

Modül 2

Özellik Otomasyonu ve Veri Hatları

Otomatik özellik üretimi: Featuretools yaklaşımı
İlişkisel veriden toplulaştırılmış özellik türetme
Alan bilgisiyle üretilen özelliklerin önemi
Eğitim ve çıkarımda aynı dönüşümü garanti etme
Girdi verisi için kalite ve şema kontrolleri
Laboratuvar: Otomatik özelliklerle skor karşılaştırması

Modül 3

Üretime Alma ve Yönetişim

MLflow ile deney, parametre ve model kaydı
Büyük toplulukları sadeleştirme ve damıtma (distillation)
Çıkarım gecikmesi, bellek ve maliyet ödünleşimi
Performans izleme ve yeniden eğitim tetikleyicileri
Model kartı ve EU AI Act dokümantasyon beklentileri
Demo: AutoGluon modelinin API olarak sunulması

Modül 4

Uçtan Uca AutoML Projesi ve Kapanış

Grup projesi: problem tanımından dağıtım planına
Araç seçimi gerekçesi ve sonuç sunumları
Kurum içinde AutoML kullanım rehberi taslağı
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve not defterlerinin teslimi
İleri öğrenme kaynakları ve kapanış

Eğitim Kazanımları

AutoML Kavrayışı — AutoML'in otomatikleştirdiği adımları, güçlü yönlerini ve sınırlarını projelerinize göre değerlendirebileceksiniz.
Sızıntısız Kurgu — Doğru veri ayrımı ve tutulan test kümesiyle veri sızıntısı ve iyimser skor riskini önleyebileceksiniz.
Hiperparametre Ayarı — Optuna ile Bayesçi optimizasyon, budama ve çok amaçlı arama yaparak modelleri verimli ayarlayabileceksiniz.
AutoGluon Yetkinliği — AutoGluon ile tablo ve zaman serisi verisinde yığınlanmış, yüksek performanslı modeller kurabileceksiniz.
Araç Karşılaştırma — FLAML, H2O ve bulut AutoML hizmetlerini performans, maliyet ve uyum kriterleriyle karşılaştırabileceksiniz.
Eleştirel Doğrulama — SHAP, kalibrasyon ve alt grup analizleriyle AutoML sonuçlarını iş kararı öncesi doğrulayabileceksiniz.
Üretime Hazırlık — MLflow kaydı, model sadeleştirme ve izleme planıyla AutoML modellerini canlıya taşıyabileceksiniz.
Kurumsal Rehber — Ekibiniz için AutoML'in ne zaman ve nasıl kullanılacağını tanımlayan bir uygulama rehberi hazırlayacaksınız.

Kimler İçin Uygundur?

Veri analistleri
veri bilimciler
veri mühendisleri
iş zekası uzmanları ve makine öğrenmesi projelerini hızlandırmak isteyen analitik ekip liderleri.

Sıkça Sorulan Sorular

Otomatik Makine Öğrenmesi Eğitimi kimler için uygundur?

Program; veri analistleri, veri bilimciler, veri mühendisleri, iş zekası uzmanları ve makine öğrenmesi projelerini hızlandırmak isteyen analitik ekip liderleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün AutoML temelleri ve hiperparametre optimizasyonu, ikinci gün açık kaynak ve bulut AutoML araçları, üçüncü gün doğrulama, üretime alma ve proje işlenir.

AutoML kullanmak için makine öğrenmesi bilmek gerekiyor mu?

Evet, temel düzeyde gerekir. AutoML model kurmayı hızlandırır ancak problem tanımı, veri ayrımı, metrik seçimi ve sonuçların yorumlanması hâlâ uzmanlık ister. Python, pandas ve temel ML kavramları beklenir.

Eğitimde hangi araçlar kullanılıyor?

Optuna, AutoGluon (tablo ve zaman serisi), FLAML, H2O AutoML, TPOT, SHAP ve MLflow uygulamalı olarak kullanılır; Azure Machine Learning, Google Vertex AI ve Amazon SageMaker Canvas AutoML yetenekleri demo ile karşılaştırılır.

Uygulamalar kurumun kendi verisiyle yapılabilir mi, sertifika veriliyor mu?

Kapalı kurum gruplarında anonimleştirilmiş kurum verisiyle proje çalışması yapılabilir; aksi durumda açık ve sentetik veri setleri kullanılır. Programı tamamlayanlar 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

OTOMATİK MAKİNE ÖĞRENMESİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Otomatik Makine Öğrenmesine Giriş

Problem Tanımı ve Veri Hazırlığı

Hiperparametre Optimizasyonu Yöntemleri

Optuna ile Uygulamalı Optimizasyon

AutoGluon ile Tablo Verisinde AutoML

FLAML, H2O AutoML ve Diğer Araçlar

Zaman Serisi ve Çok Modlu AutoML

Bulut AutoML Hizmetleri

AutoML Sonuçlarını Değerlendirme ve Açıklama

Özellik Otomasyonu ve Veri Hatları

Üretime Alma ve Yönetişim

Uçtan Uca AutoML Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi