Veriyle karar verin, modelle sınıflandırın
Kontrollü deney tasarımı, olasılıksal grafik modeller ve marj maksimize eden sınıflandırmayı birleştiren uygulamalı eğitim: A/B test istatistiği ve güç analizi, Bayesian ağlarla çıkarım ve SVM kernel ayarı Python ile işlenir.
Hipotez testi, olasılıksal çıkarım ve marj maksimize eden sınıflandırma
Bu eğitim üç güçlü yöntemi uygulamalı olarak birleştirir. A/B testing tarafında hipotez testi, p-değeri, güven aralığı, örneklem büyüklüğü ve güç (power) hesabı ile çoklu karşılaştırma düzeltmeleri; Bayesian networks tarafında yönlü asiklik grafiklerle koşullu bağımsızlık, ortak dağılım çarpanlaması ve çıkarım; Support Vector Machine tarafında maksimum marj, yumuşak marj (C), kernel hilesi (RBF, polinom) ve hiperparametre ayarı işlenir. Örnekler scikit-learn, pgmpy ve SciPy ile gerçek veri üzerinde kurgulanır.
3 Gün. Her gün dört modül; her modülde kavram anlatımının ardından Python not defteriyle uygulama yapılır.
Orta Seviye — Kontrollü deney tasarımı (A/B testing), olasılıksal grafik modeller (Bayesian networks) ve destek vektör makineleri ile sınıflandırma.
Jupyter not defterlerinde scikit-learn, SciPy ve pgmpy ile gerçek veri setleri üzerinde uygulamalı çalışılır.
A/B testlerini doğru tasarlayıp sonuçları istatistiksel olarak savunabilirsiniz.
Bayesian ağlarla belirsizlik altında neden-sonuç ilişkilerini modellersiniz.
SVM ile kernel hilesini kullanarak doğrusal olmayan sınırları öğrenirsiniz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
NumPy ve pandas ile temel veri işleme pratiğine sahip olmak gerekir.
Ortalama, varyans ve olasılık dağılımları gibi temel kavramlara aşinalık beklenir.
Vektör, nokta çarpımı ve düzlem kavramlarına giriş düzeyinde hâkimiyet faydalıdır.
Jupyter, scikit-learn, SciPy ve pgmpy kurulu bir çalışma ortamı.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
A/B testlerini randomizasyon ve guardrail metriklerle doğru kurgularsınız.
z-testi, t-testi ve ki-kare ile sonuçları istatistiksel olarak savunursunuz.
MDE ve güç hesabıyla gerekli örneklem büyüklüğünü belirlersiniz.
DAG ve CPT ile olasılıksal modeller kurup çıkarım yaparsınız.
Variable elimination ile kanıt verildiğinde sonsal olasılıkları hesaplarsınız.
Maksimum marj ve yumuşak marjı C parametresiyle dengelersiniz.
RBF ve polinom kernel ile doğrusal olmayan sınırları öğrenirsiniz.
GridSearchCV ve çapraz doğrulama ile hiperparametreleri optimize edersiniz.
Bu eğitim Digital Vizyon Akademi Başarı 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.
Ağ senkronizasyonu eğitimi: SyncE, IEEE 1588 PTP, GNSS ve PRTC kavramları, OSA grandmaster cihazları ve FSP Network Manager ile yönetim. Uygulamalı DVA eğitimi.
Detayları Gör →
OpenDaylight eğitimi: Karaf ve MD-SAL mimarisi, YANG, OpenFlow ve NETCONF güney arayüzleri, RESTCONF ve küme kurulumu. Ağ mühendisleri için uygulamalı DVA eğiti
Detayları Gör →
OpenDaylight ile ağ otomasyonu: RESTCONF API, model odaklı veri, Python betikleri, intent tabanlı ağ ve kapalı döngü otomasyon. Uygulamalı DVA NetDevOps eğitimi
Detayları Gör →
Ağ otomasyonu ve SDN eğitimi: OpenFlow ve denetleyiciler, Python, Netmiko, NAPALM, Ansible, NETCONF/REST ve NFV. Uygulamalı DVA programlanabilir ağ eğitimi.
Detayları Gör →
OSI/TCP-IP, IPv4 adresleme ve subnetting, Ethernet switching, VLAN, statik yönlendirme ve ARP, DHCP, DNS temelleri. Uygulamalı, simülatör destekli DVA ağ eğitim
Detayları Gör →