Özellik Mühendisliği Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, makine öğrenmesi modellerinin başarısını belirleyen özellik üretimi, dönüştürme ve seçim süreçlerini derinlemesine öğrenmek isteyen veri ekipleri için tasarlanmış ileri uygulamalı bir programdır. Katılımcılar sayısal, kategorik, zaman, metin ve ilişkisel veriden sızıntısız özellikler üretir, özellik seçimini yapar ve özellik deposuyla yeniden kullanılabilir hatlar kurar.

Neden Bu Eğitim?

Performansın Gerçek Kaynağı. Tablo verisinde model başarısını çoğu zaman algoritma değil, alan bilgisiyle üretilen özelliklerin belirlediğini görün.

Sızıntıya Karşı Disiplin. Hedef kodlama ve zaman penceresi özelliklerinde canlıda çöken modellere yol açan sızıntıları önlemeyi öğrenin.

Yeniden Kullanılabilirlik. Tek projede kalan kodlar yerine özellik deposu ve hatlarla ekipler arası paylaşılan özellikler oluşturun.

“Algoritmalar giderek benzeşirken fark yaratan, verideki gerçek dünya bilgisini modele doğru biçimde anlatan özelliklerdir.”

Ön Koşullar

Python ve pandas — pandas ile gruplama, birleştirme, pencere ve tarih işlemlerini rahatça yapabilmek.
scikit-learn Deneyimi — Pipeline, çapraz doğrulama ve temel sınıflandırma-regresyon modelleri kurmuş olmak.
İstatistik ve SQL — Dağılım, korelasyon kavramları ile SQL JOIN ve pencere fonksiyonlarına aşinalık.
Çalışma Ortamı — Python 3 ve Jupyter kurulu, paket yükleme yetkisi olan bilgisayar veya bulut ortamı.

Eğitim İçeriği

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

Günün hedefiÖzellik mühendisliğinin model başarısındaki rolünü kavramak, sayısal ve kategorik değişkenlerden sızıntısız özellikler üretmek ve etkilerini ölçülebilir biçimde test etmek.

Modül 1

Özellik Mühendisliğinin Stratejik Rolü

Veri, özellik ve algoritmanın performansa katkısı
Alan bilgisinden hipotez tabanlı özellik tasarımı
Sabit doğrulama düzeniyle özellik etkisini ölçme
Veri sızıntısı türleri: hedef, zaman ve grup sızıntısı
Ağaç ve doğrusal modellerin özellik ihtiyaç farkları
Laboratuvar: Referans model ve deney şablonu kurulumu

Modül 2

Sayısal Özellik Dönüşümleri

Log, karekök, Box-Cox ve Yeo-Johnson dönüşümleri
Eşit genişlik, eşit frekans ve ağaç tabanlı gruplama
Oran, fark ve birim başına değer özellikleri
PolynomialFeatures ile etkileşim terimleri
SplineTransformer ile doğrusal olmayan ilişkiler
Laboratuvar: Konut fiyatı modelinde dönüşüm etkisi

Modül 3

İleri Kategorik Kodlama Teknikleri

One-hot, ordinal ve frekans kodlamanın sınırları
Hedef kodlama ve çapraz uyumlu TargetEncoder
Yüksek kardinaliteli değişkenler ve nadir kategoriler
category_encoders ile WoE ve CatBoost kodlama
Kategori gömme (embedding) yaklaşımına giriş
Laboratuvar: Yüksek kardinaliteli tüccar kodu kodlaması

Modül 4

Eksik Değer ve Uç Değerden Sinyal Üretme

Eksiklik göstergelerinin tahmin gücü
Grup bazlı doldurma ve göreli sapma özellikleri
Uç değer bayrakları ve kırpılmış değişkenler
Kural tabanlı iş özellikleri ve eşik bayrakları
Uygulama: Kredi riski verisinde özellik zenginleştirme
Günün değerlendirmesi ve zaman-metin gününe köprü

Günün hedefiTarih, işlem geçmişi, metin ve konum verisinden anlamlı özellikler üretmek, ilişkisel tablolardan otomatik toplulaştırma yapmak ve zamansal sızıntıyı önlemek.

Modül 1

Tarih ve Zaman Penceresi Özellikleri

Takvim bileşenleri ve döngüsel sin-cos kodlama
Son olaydan geçen süre (recency) özellikleri
Kayan pencerelerde sayım, toplam ve ortalama
Nokta-zaman (point-in-time) doğru birleştirme
merge_asof ile zamansal sızıntısız eşleştirme
Laboratuvar: Müşteri işlem geçmişinden RFM özellikleri

Modül 2

İlişkisel Veriden Otomatik Özellik Üretimi

Bire-çok ilişkilerde toplulaştırma stratejileri
SQL pencere fonksiyonlarıyla özellik üretimi
Featuretools ile derin özellik sentezi (DFS)
Otomatik üretilen özelliklerde patlama ve eleme
Polars ile büyük veride hızlı toplulaştırma
Laboratuvar: Sipariş ve müşteri tablolarından özellik

Modül 3

Metin Verisinden Özellik Çıkarma

Türkçe metinde normalizasyon ve temel ön işleme
TF-IDF ve n-gram ile seyrek metin özellikleri
sentence-transformers ile yoğun metin gömmeleri
Gömmelerin boyut indirgeme ile modele eklenmesi
LLM ile metinden yapılandırılmış alan çıkarma
Laboratuvar: Şikayet metinlerinden sınıflandırma özellikleri

Modül 4

Konum ve Graf Tabanlı Özellikler

Koordinatlardan mesafe ve yoğunluk özellikleri
H3 altıgen ızgarası ile bölgesel toplulaştırma
Yakın çevre istatistikleri: şube, rakip, nüfus
NetworkX ile derece ve merkezilik özellikleri
Vaka: Şube konumlarıyla talep modeli iyileştirme
Günün özeti ve özellik seçimi gününe köprü

Günün hedefiGereksiz ve riskli özellikleri elemek, özellik katkılarını açıklamak, eğitim ile canlı ortam arasında tutarlı özellik hatları ve özellik deposu kurarak projeyi tamamlamak.

Modül 1

Özellik Seçimi Yöntemleri

Filtre yöntemleri: varyans, korelasyon, karşılıklı bilgi
Sarmalayıcı yöntemler: RFECV ve ileri-geri seçim
Gömülü yöntemler: L1 düzenlileştirme ve ağaç önemi
Permütasyon önemi ve gölge özellik yaklaşımları
Çoklu doğrusal bağlantı ve VIF analizi
Laboratuvar: 300 özellikten kararlı alt küme seçimi

Modül 2

Açıklanabilirlik ve Özellik Kalitesi

SHAP değerleriyle global ve yerel özellik katkısı
Sızıntı şüphesi taşıyan aşırı güçlü özellikler
Zaman içinde özellik kararlılığı ve PSI analizi
Hassas ve vekil (proxy) özelliklerde adalet riski
KVKK açısından özellik tasarımında veri minimizasyonu
Uygulama: SHAP ile özellik denetim raporu

Modül 3

Özellik Hatları ve Özellik Deposu

Eğitim-canlı ortam tutarsızlığı (training-serving skew)
scikit-learn özel dönüştürücüleri ile tekrar kullanım
Feast ile çevrim dışı ve çevrim içi özellik deposu
Özellik sürümleme, sahiplik ve dokümantasyon
Toplu ve gerçek zamanlı özellik hesaplama mimarisi
Demo: Feast ile özellik tanımlama ve servisleme

Modül 4

Uçtan Uca Özellik Mühendisliği Projesi

Proje: Referans modelden zenginleştirilmiş modele
Takımlar arası performans karşılaştırması ve sunum
Özellik kataloğu ve etki raporunun hazırlanması
Kod incelemesi ve sızıntı denetimi geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve ileri öğrenme kaynakları

Eğitim Kazanımları

Ölçülebilir Deney — Her yeni özelliğin model performansına katkısını sabit bir doğrulama düzeniyle nesnel olarak ölçebileceksiniz.
Sayısal Dönüşüm — Dönüşüm, gruplama, oran ve spline teknikleriyle sayısal değişkenlerden güçlü sinyaller üretebileceksiniz.
Kategorik Kodlama — Yüksek kardinaliteli değişkenleri hedef kodlama ve WoE gibi tekniklerle sızıntısız biçimde kodlayabileceksiniz.
Zamansal Özellikler — Kayan pencere, recency ve nokta-zaman doğru birleştirmelerle geleceği sızdırmayan özellikler kurabileceksiniz.
Metin ve Konum — TF-IDF, cümle gömmeleri ve H3 tabanlı konum özellikleriyle yapılandırılmamış veriyi modele katabileceksiniz.
Özellik Seçimi — Filtre, sarmalayıcı ve gömülü yöntemlerle kararlı, yorumlanabilir ve yalın özellik setleri seçebileceksiniz.
Özellik Denetimi — SHAP, PSI ve adalet kontrolleriyle sızıntı, kararsızlık ve vekil değişken risklerini tespit edebileceksiniz.
Özellik Deposu — Feast ile eğitim ve canlı ortamda tutarlı çalışan, ekipler arası paylaşılan özellik hatları tasarlayacaksınız.

Kimler İçin Uygundur?

Veri bilimciler
makine öğrenmesi mühendisleri
model performansını artırmak isteyen ileri düzey veri analistleri ile risk
pazarlama ve operasyon analitiği ekipleri.

Sıkça Sorulan Sorular

Özellik Mühendisliği Eğitimi kimler için uygundur?

Program; veri bilimciler, makine öğrenmesi mühendisleri, ileri düzey veri analistleri ile risk, pazarlama ve operasyon alanlarında tablo verisiyle tahmin modeli geliştiren analitik ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 3 tam gün ve 12 modülden oluşur. Birinci gün sayısal ve kategorik özellikler, ikinci gün zaman, metin, konum ve ilişkisel veri, üçüncü gün özellik seçimi, denetim, özellik deposu ve proje işlenir.

Veri Ön İşleme ve Temizleme Eğitimi'nden farkı nedir?

Ön işleme eğitimi veriyi hatasız ve tutarlı hale getirmeye odaklanır. Bu program ise temizlenmiş veriden model performansını artıran yeni değişkenler üretmeyi, seçmeyi ve üretimde tutarlı biçimde servis etmeyi öğretir.

Katılım için hangi ön bilgiler gerekiyor?

pandas ile ileri veri işleme, scikit-learn ile Pipeline ve çapraz doğrulama deneyimi ile temel SQL bilgisi beklenir. Laboratuvarlar için paket yüklenebilen bir Python ortamı gerekir.

Eğitimde hangi araçlar kullanılıyor, sertifika veriliyor mu?

pandas, Polars, scikit-learn, category_encoders, Featuretools, sentence-transformers, H3, NetworkX, SHAP ve Feast kullanılır. Programı 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

ÖZELLİK MÜHENDİSLİĞİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Özellik Mühendisliğinin Stratejik Rolü

Sayısal Özellik Dönüşümleri

İleri Kategorik Kodlama Teknikleri

Eksik Değer ve Uç Değerden Sinyal Üretme

Tarih ve Zaman Penceresi Özellikleri

İlişkisel Veriden Otomatik Özellik Üretimi

Metin Verisinden Özellik Çıkarma

Konum ve Graf Tabanlı Özellikler

Özellik Seçimi Yöntemleri

Açıklanabilirlik ve Özellik Kalitesi

Özellik Hatları ve Özellik Deposu

Uçtan Uca Özellik Mühendisliği Projesi

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