Modelden önce veriyi ustaca hazırlayın
Ham veriden modele hazır veri setine dönüşüm: temizleme, eksik veri imputasyonu, kategorik kodlama, ölçekleme, dağılım dönüşümü, aykırı değer işleme ve dengeleme scikit-learn Pipeline ile sızıntısız biçimde uygulamalı işlenir.
Ham veriden analize hazır veri setine dönüşüm
Bu eğitim, makine öğrenmesi ve analiz öncesi en kritik aşama olan veri ön işlemeyi uçtan uca uygular. Eksik verinin tespiti ve doldurulması (ortalama, medyan, KNN, iteratif imputer), yinelenen kayıtların temizlenmesi, aykırı değer tespiti (IQR, z-skor, izolasyon ormanı) ve işlenmesi ele alınır. Kategorik kodlama (one-hot, ordinal, target), sayısal ölçekleme (standartlaştırma, min-max, robust), çarpık dağılım dönüşümleri (log, Box-Cox) işlenir. Öznitelik çıkarımı ve seçimi, tarih/metin alanlarının işlenmesi, dengesiz veride örnekleme (SMOTE) ele alınır. Tüm adımlar scikit-learn Pipeline ve ColumnTransformer ile sızıntısız (leakage-free) biçimde kurgulanır; örnekler pandas ve scikit-learn ile gerçek veri üzerinde yürütülür.
3 Gün. Her gün dört modül; kavram anlatımının ardından pandas ve scikit-learn ile uygulama yapılır.
Orta Seviye — Veri ön işleme: temizleme, eksik veri doldurma, kodlama, ölçekleme, aykırı değer ve öznitelik hazırlığı.
Jupyter not defterlerinde pandas ve scikit-learn Pipeline ile gerçek, kirli veri setleri temizlenerek uygulamalı çalışılır.
Eksik, yinelenen ve aykırı değerleri sistematik biçimde temizlersiniz.
Kodlama ve ölçeklemeyle veriyi modele uygun biçime getirirsiniz.
Pipeline ile ön işlemeyi sızıntı olmadan tekrarlanabilir kurarsınız.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
pandas ile veri çerçevesi işleme pratiği gerekir.
Ortalama, medyan, dağılım ve korelasyon kavramlarına aşinalık faydalıdır.
Eğitim/test ayrımı mantığını bilmek örnekleri kolaylaştırır.
Jupyter, pandas, scikit-learn ve imbalanced-learn kurulu ortam.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Kirli bir veri setinin sorunlarını hızlıca teşhis edersiniz.
Eksikliği türüne göre uygun imputasyonla doldurursunuz.
Kategorik değişkenleri one-hot, ordinal ve target ile kodlarsınız.
Standart, min-max ve robust ölçeklemeyi yerinde uygularsınız.
IQR ve izolasyon ormanıyla aykırıları tespit edip işlersiniz.
Korelasyon ve model önemiyle gereksiz öznitelikleri elersiniz.
SMOTE ve class_weight ile sınıf dengesizliğini yönetirsiniz.
Tüm ön işlemeyi sızıntısız bir pipeline'da birleştirirsiniz.
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.
KNIME ile kod yazmadan makine öğrenmesine başlayın: workflow temelleri, veri hazırlama, Learner-Predictor ve ilk sınıflandırma modeli. Temel seviye DVA eğitimi.
Detayları Gör →
KNIME ile kodsuz zaman serisi tahmini ve market basket (birliktelik kuralı) analizini öğrenin: ARIMA, lag özellikler, Apriori, support/confidence/lift. Orta DVA
Detayları Gör →
Google Sheets'te veri yönetimi ve hesaplamayı öğrenin: formüller, VLOOKUP, QUERY, FILTER, pivot tablo ve veri doğrulama. Temel seviye DVA eğitimi.
Detayları Gör →
IBM Knowledge Catalog ile Data Mesh yönetimini öğrenin: yönetişim, veri ürünü tasarımı ve Data Product Exchange ile güvenli paylaşım. İleri seviye DVA eğitimi.
Detayları Gör →
IBM Knowledge Catalog ile dağıtık Data Mesh'i uçtan uca yönetin: çok katalog mimarisi, federe yönetişim, veri ürünü yaşam döngüsü ve ölçekli operasyon. İleri DV
Detayları Gör →