Dengesiz veriyi dengele, modeli açıkla ve ayarla
İleri tahmin teknikleri eğitimi: dengesiz sınıf için SMOTE/Borderline-SMOTE/ADASYN ve SMOTE-Tomek, sınıf ağırlığı ve eşik, sızıntısız imbalanced-learn pipeline; SHAP, LIME, permutation importance ve PDP ile model açıklama; grid/random/Bayesian (Optuna) hiperp…
SMOTE aileleri, SHAP/LIME açıklama ve hiperparametre optimizasyonu
Bu ileri seviye eğitim, tahmin modellerini güçlendiren üç ileri tekniği uygulamalı birleştirir. Dengesiz sınıf için örnekleme: SMOTE, Borderline-SMOTE, ADASYN, SMOTE-Tomek/ENN, sınıf ağırlığı ve eşik ayarı; sızıntıyı önleyen pipeline içi örnekleme işlenir. Ardından model açıklama: küresel ve yerel yorumlanabilirlik, özellik önemi, permutation importance, SHAP ve LIME, partial dependence; son olarak hiperparametre optimizasyonu: arama uzayı, grid ve random search, Bayesian optimizasyon (Optuna), çapraz doğrulama, erken durdurma ve veri sızıntısından kaçınma uygulanır. Katılımcılar sağlam, açıklanabilir ve iyi ayarlanmış bir model kurar.
3 Gün. Her gün dört modül; katılımcılar dengesiz sınıf, model açıklama ve hiperparametre ayarı eksenlerinde modeli olgunlaştırır.
İleri Seviye — Dengesiz sınıf için SMOTE aileleri, SHAP/LIME ile model açıklama ve grid/random/Bayesian hiperparametre ayarı ile sağlam ve açıklanabilir modeller kurma.
Katılımcılar gerçek benzeri dengesiz veri üzerinde scikit-learn, imbalanced-learn, SHAP ve Optuna ile pipeline kurup değerlendirir.
SMOTE aileleriyle nadir sınıfı hakkıyla öğrenen modeller kurarsınız.
SHAP ve LIME ile kararın nedenini paydaşa anlaşılır biçimde sunarsınız.
Bayesian optimizasyonla hiperparametreleri verimli ve sızıntısız ayarlarsınız.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
pandas ve scikit-learn ile temel modelleme deneyimi beklenir.
Sınıflandırma, eğitim/test ve metrik kavramlarına aşinalık gereklidir.
Olasılık ve dağılım kavramlarına aşinalık faydalıdır.
Daha önce basit bir model kurmuş olmak avantaj sağlar.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
SMOTE, ADASYN ve temizleme yöntemleriyle nadir sınıfı ele alırsınız.
Örneklemeyi yalnızca eğitim katında pipeline içinde uygularsınız.
Permutation importance ile küresel özellik etkisini doğru okursunuz.
SHAP ile hem küresel hem bireysel tahminleri açıklarsınız.
LIME, PDP ve ICE ile açıklamayı farklı açılardan sunarsınız.
Grid, random ve Bayesian aramayı uygun yerde seçersiniz.
Stratified ve nested CV ile yansız değerlendirme kurarsınız.
Ayar ve 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.
Analitik ve modelleme giriş eğitimi: CRISP-DM, veri hazırlama, özellik mühendisliği, regresyon/sınıflandırma/kümeleme, metrikler ve çapraz doğrulama. Python ile
Detayları Gör →
Karar odaklı veri analizi ve görselleştirme eğitimi: metrik seçimi, görsel algı ilkeleri, grafik-mesaj eşlemesi, gösterge panosu ve veri hikâyesi anlatımı.
Detayları Gör →
Veri etiği eğitimi: mahremiyet, anonimleştirme, bilgilendirilmiş rıza, algoritmik yanlılık, adillik ölçütleri, açıklanabilirlik ve sorumlu veri/AI yönetişimi.
Detayları Gör →
Veri kataloğu eğitimi: metadata türleri, veri sözlüğü, iş sözlüğü, veri soyağacı (lineage), sınıflandırma, arama/keşif ve veri sahipliği/yönetişim.
Detayları Gör →
Veri krizi yönetimi eğitimi: ihlal müdahale planı, tespit/kapsama, KVKK 72 saat bildirim, kriz iletişimi, yedekten kurtarma ve olay sonrası postmortem.
Detayları Gör →