Kümeleme Algoritmaları Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, bölümleme, hiyerarşik, yoğunluk tabanlı ve olasılıksal kümeleme algoritmalarını çalışma mantığı, parametre seçimi ve değerlendirme yöntemleriyle derinlemesine ele alan uygulamalı bir programdır. Katılımcılar Python ile karma veri tipleri, metin gömmeleri ve zaman serileri üzerinde kümeleme yapar ve segmentleri iş aksiyonlarına dönüştürür.

Neden Bu Eğitim?

Algoritmaya Derin Bakış. k-means'in ötesine geçip HDBSCAN, GMM ve spektral kümelemenin hangi veri yapısında öne çıktığını görün.

Gerçek Veri Tipleri. Sayısal, kategorik, metin ve zaman serisi verilerini aynı programda doğru mesafe ölçütleriyle kümeleyin.

Eyleme Dönüşen Segment. Kümeleri profilleyip adlandırarak pazarlama ve operasyon ekiplerinin kullanabileceği segmentler üretin.

“Kümeleme verideki grupları bulur; o grupları tanıyan, adlandıran ve onlara göre hareket eden kurumlar ise fark yaratır.”

Ön Koşullar

Python ve pandas — pandas ile veri birleştirme, gruplama ve dönüştürme işlemlerini yapabilmek.
scikit-learn Temeli — scikit-learn ile ölçekleme ve basit bir model uygulamış olmak faydalıdır.
Temel İstatistik — Dağılım, varyans, korelasyon ve olasılık kavramlarına genel aşinalık.
Çalışma Ortamı — Python 3, scikit-learn ve Jupyter kurulu bir bilgisayar veya bulut not defteri.

Eğitim İçeriği

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

Günün hedefiBenzerlik ölçütlerini ve veri hazırlığını doğru kurgulamak, bölümleme ile hiyerarşik kümeleme algoritmalarını uygulamak ve küme sayısını gerekçeli belirlemek.

Modül 1

Benzerlik, Mesafe ve Veri Hazırlığı

Kümeleme problemi ve kümelemenin iş kullanımları
Öklid, Manhattan, kosinüs ve Mahalanobis mesafeleri
Ölçekleme yönteminin küme sonuçlarına etkisi
Özellik seçimi ve korelasyonlu değişkenler sorunu
RFM ve davranışsal özelliklerle segment girdileri
Laboratuvar: E-ticaret müşteri verisinin hazırlanması

Modül 2

k-Means ve Bölümleme Algoritmaları

Lloyd algoritması ve küme içi kareler toplamı
k-means++ başlatma ve çoklu başlangıç (n_init)
MiniBatchKMeans ile milyonlarca kayıtta kümeleme
k-medoids yaklaşımı ve uç değerlere dayanıklılık
k-means'in küresel küme ve eşit boyut varsayımları
Laboratuvar: RFM segmentasyonu ve küme merkezleri

Modül 3

Hiyerarşik Kümeleme

Birleştirici ve bölücü hiyerarşik yaklaşımlar
Bağlantı türleri: tekli, tam, ortalama ve Ward
SciPy ile dendrogram çizimi ve kesme noktası
Bağlantı kısıtları ile mekânsal kümeleme
Büyük veride hiyerarşik kümelemenin sınırları
Laboratuvar: Ürün kategorilerinin hiyerarşik gruplanması

Modül 4

Küme Sayısı ve İç Değerlendirme

Dirsek yöntemi ve yorumlama tuzakları
Siluet skoru ve siluet grafiği analizi
Davies-Bouldin ve Calinski-Harabasz ölçütleri
Bootstrap ile küme kararlılığının sınanması
İstatistiksel ölçüt ile iş kullanılabilirliği dengesi
Günün değerlendirmesi ve ileri algoritmalara köprü

Günün hedefiYoğunluk tabanlı, olasılıksal ve spektral kümelemeyi uygulamak, karma veri, metin ve zaman serilerini kümelemek ve segmentleri iş aksiyonlarına dönüştürmek.

Modül 1

Yoğunluk Tabanlı Kümeleme

DBSCAN: eps, min_samples ve çekirdek noktalar
k-mesafe grafiği ile eps parametresinin seçimi
HDBSCAN ile farklı yoğunluktaki kümeler
OPTICS ve erişilebilirlik grafiği yorumu
Gürültü noktalarının anomali sinyali olarak kullanımı
Laboratuvar: Teslimat noktalarında coğrafi kümeleme

Modül 2

Olasılıksal ve Spektral Kümeleme

Gauss karışım modelleri ve beklenti-maksimizasyon
Kovaryans türleri ve BIC ile model seçimi
Yumuşak atama ile segment üyelik olasılıkları
Spektral kümeleme ve benzerlik grafiği sezgisi
Algoritma seçim rehberi: şekil, ölçek ve gürültü
Laboratuvar: GMM ile olasılıksal müşteri segmentleri

Modül 3

Özel Veri Tiplerinde Kümeleme

Karma veride Gower mesafesi ve k-prototypes
sentence-transformers gömmeleriyle metin kümeleme
Müşteri şikayetlerinde konu gruplarının keşfi
Dinamik zaman bükme (DTW) ile zaman serisi kümeleme
tslearn ile tüketim profillerinin gruplanması
Laboratuvar: Destek taleplerinin anlamsal kümelenmesi

Modül 4

Segmentasyon Projesi ve Kapanış

Proje: Veri hazırlığından segment profiline uçtan uca
Segment kartları, adlandırma ve iş aksiyon önerileri
Segmentlerin zaman içinde güncellenmesi ve izlenmesi
Takım sunumları ve eğitmen geri bildirimi
Eğitim değerlendirmesi, Soru-Cevap ve sertifika takdimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

Benzerlik Tasarımı — Veri tipine uygun mesafe ölçütü ve ölçekleme yöntemini seçerek anlamlı kümeleme girdileri hazırlayabileceksiniz.
k-Means Ailesi — k-means++, MiniBatchKMeans ve k-medoids ile büyük ve gürültülü veride bölümleme yapabileceksiniz.
Hiyerarşik Kümeleme — Bağlantı türlerini karşılaştırıp dendrogramları yorumlayarak çok düzeyli gruplar oluşturabileceksiniz.
Küme Değerlendirme — Siluet, Davies-Bouldin ve kararlılık analizleriyle küme sayısını gerekçeli biçimde belirleyebileceksiniz.
Yoğunluk Tabanlı Yöntem — DBSCAN ve HDBSCAN ile düzensiz şekilli kümeleri ve gürültü noktalarını ayırt edebileceksiniz.
Olasılıksal Kümeleme — Gauss karışım modelleriyle yumuşak atama yapıp BIC ile uygun model yapısını seçebileceksiniz.
Özel Veri Tipleri — Karma veri, metin gömmeleri ve zaman serilerini uygun algoritma ve mesafe ölçütleriyle kümeleyebileceksiniz.
Segment Stratejisi — Kümeleri profilleyip adlandırarak iş ekiplerinin uygulayabileceği segment aksiyonları önereceksiniz.

Kimler İçin Uygundur?

Veri bilimciler
müşteri ve pazarlama analitiği uzmanları
CRM ve sadakat ekipleri
lojistik ve operasyon analistleri ile segmentasyon projeleri yürüten ekipler.

Sıkça Sorulan Sorular

Kümeleme Algoritmaları Eğitimi kimler için uygundur?

Program; veri bilimciler, müşteri ve pazarlama analitiği uzmanları, CRM ve sadakat ekipleri, lojistik ve operasyon analistleri ile segmentasyon projesi yürüten ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl ilerler?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün mesafe ölçütleri, k-means ve hiyerarşik kümeleme; ikinci gün yoğunluk tabanlı, olasılıksal ve özel veri tipleri için kümeleme ile segmentasyon projesi işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ve pandas ile veri işleme, scikit-learn'e temel aşinalık ve varyans ile korelasyon gibi temel istatistik kavramları beklenir.

Eğitimde hangi kütüphaneler kullanılıyor?

scikit-learn, SciPy, HDBSCAN uygulaması, sentence-transformers ve tslearn kullanılır; karma veri için Gower mesafesi ve k-prototypes yaklaşımları gösterilir.

Bu eğitim Gözetimsiz Öğrenme Algoritmaları Eğitiminden nasıl ayrılır?

Gözetimsiz öğrenme eğitimi dört yöntem ailesini geniş bir çerçevede tanıtır; bu program ise yalnızca kümelemeye odaklanarak algoritma seçimi, değerlendirme ve özel veri tiplerini derinlemesine işler. Katılımcılar sertifika 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

KÜMELEME ALGORİTMALARI EĞİTİMİ