Regresyon ve Sınıflandırma Modelleri Eğitimi

Eğitim Hakkında

Bu eğitim, makine öğrenmesinin iki temel problem türü olan regresyon ve sınıflandırmayı istatistiksel temelleri, varsayımları ve iş diliyle yorumlanmasıyla birlikte ele alan uygulamalı bir başlangıç programıdır. Katılımcılar Python, statsmodels ve scikit-learn ile satış tahmini, fiyatlama ve müşteri kaybı modelleri kurar, değerlendirir ve sonuçlarını raporlar.

Neden Bu Eğitim?

Sağlam İstatistik Temeli. Model çıktılarını ezberlemek yerine katsayı, p-değeri ve güven aralığının ne anlattığını gerçekten kavrayın.

İş Diliyle Yorum. Regresyon katsayılarını ve olasılık oranlarını yöneticilerin anlayacağı somut iş ifadelerine dönüştürün.

Adım Adım İlerleme. Basit doğrusal modelden düzenlileştirmeye ve lojistik regresyona uzanan kademeli bir öğrenme yolu izleyin.

“İyi bir tahmin modeli yalnızca doğru sayıyı üretmez; o sayının neden ortaya çıktığını anlatabilir ve daha iyi kararlara yol açar.”

Ön Koşullar

Temel Python — Değişken, liste, fonksiyon ve pandas ile basit tablo işlemlerini yapabilmek.
Temel İstatistik — Ortalama, standart sapma, korelasyon ve normal dağılım kavramlarına aşinalık.
ML Deneyimi Şart Değil — Daha önce makine öğrenmesi modeli kurmuş olmak gerekmez; kavramlar sıfırdan anlatılır.
Çalışma Ortamı — Python 3, pandas, statsmodels, scikit-learn ve Jupyter kurulu bir bilgisayar.

Eğitim İçeriği

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

Günün hedefiDoğrusal regresyonun mantığını ve varsayımlarını kavramak, çoklu regresyon modelleri kurup yorumlamak, düzenlileştirme ile genelleme başarısını artırmak.

Modül 1

Tahmin Modellemesine Giriş

Regresyon ve sınıflandırma problemlerinin farkı
Korelasyon, nedensellik ve tahmin arasındaki ayrım
Modelleme süreci: veri, özellik, model, değerlendirme
Eğitim ve test ayrımı; aşırı öğrenme sezgisi
Keşifsel veri analizi ve saçılım grafikleri
Uygulama: Reklam harcaması ile satış ilişkisinin keşfi

Modül 2

Basit ve Çoklu Doğrusal Regresyon

En küçük kareler yöntemi ve regresyon doğrusu
statsmodels OLS çıktısını okuma: katsayı ve p-değeri
R², düzeltilmiş R² ve güven aralıkları
Kategorik değişkenler ve kukla değişken kodlaması
Etkileşim terimleri ve polinom özellikler
Laboratuvar: Mağaza satışları için çoklu regresyon

Modül 3

Varsayımlar ve Model Tanılama

Doğrusallık, bağımsızlık ve hataların normalliği
Artık grafikleri ile değişen varyans tespiti
VIF ile çoklu doğrusal bağlantı analizi
Etkili gözlemler: kaldıraç ve Cook mesafesi
Log dönüşümü ile çarpık hedef değişkenin modellenmesi
Laboratuvar: Konut fiyatı modelinin tanılanması

Modül 4

Düzenlileştirme ve Regresyon Metrikleri

MAE, RMSE ve MAPE metriklerinin iş anlamı
Ridge, Lasso ve Elastic Net ile aşırı öğrenme kontrolü
Lasso ile otomatik değişken seçimi ve seyreklik
scikit-learn Pipeline ile ölçekleme ve modelleme
Çapraz doğrulama ile düzenlileştirme gücü seçimi
Günün değerlendirmesi ve sınıflandırma gününe köprü

Günün hedefiLojistik regresyon ile olasılık tabanlı sınıflandırma yapmak, sınıflandırma metriklerini ve karar eşiğini iş hedefine göre belirlemek ve modelleri karşılaştırmak.

Modül 1

Lojistik Regresyon

Doğrusal regresyon neden sınıflandırmaya uygun değil?
Sigmoid fonksiyonu ve olasılık tahmini mantığı
Olasılık oranı (odds ratio) ile katsayı yorumu
statsmodels Logit ve scikit-learn LogisticRegression
Çok sınıflı sınıflandırma ve softmax yaklaşımı
Laboratuvar: Müşteri kaybı olasılık modeli

Modül 2

Sınıflandırma Metrikleri

Karmaşıklık matrisi: doğru ve yanlış pozitif, negatif
Doğruluk, kesinlik, duyarlılık ve F1 skoru
ROC eğrisi, AUC ve kesinlik-duyarlılık eğrisi
Dengesiz sınıflarda doğruluğun yanıltıcılığı
Sınıf ağırlıkları ile azınlık sınıfının güçlendirilmesi
Laboratuvar: Kredi temerrüdü modelinin değerlendirmesi

Modül 3

Karar Eşiği ve Model Karşılaştırma

Varsayılan 0,5 eşiğinin iş hedefine göre ayarlanması
Yanlış alarm ve kaçırma maliyetine dayalı eşik seçimi
Olasılık kalibrasyonu ve güvenilir risk skorları
Karar ağacı ve rastgele orman ile karşılaştırma
Yorumlanabilirlik ile performans arasındaki denge
Uygulama: Kampanya hedefleme için eşik analizi

Modül 4

Modelleme Projesi ve Kapanış

Proje: İş vakasında regresyon ve sınıflandırma modeli
Model sonuçlarının yöneticiye yönelik raporlanması
Takım sunumları ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve not defterlerinin paylaşımı
Sonraki adımlar: ağaç modelleri ve model doğrulama

Eğitim Kazanımları

Problem Ayrımı — Bir iş sorusunun regresyon mu sınıflandırma mı gerektirdiğini belirleyip uygun modelleme yolunu seçebileceksiniz.
Regresyon Modelleri — Basit ve çoklu doğrusal regresyon modelleri kurup katsayı, p-değeri ve R² çıktılarını yorumlayabileceksiniz.
Model Tanılama — Artık analizi, VIF ve etkili gözlem incelemesiyle model varsayımlarını kontrol edebileceksiniz.
Düzenlileştirme — Ridge, Lasso ve Elastic Net ile aşırı öğrenmeyi azaltıp daha genellenebilir modeller kurabileceksiniz.
Lojistik Regresyon — Lojistik regresyonla olasılık tahmini yapıp olasılık oranlarını iş diliyle açıklayabileceksiniz.
Metrik Okuryazarlığı — Kesinlik, duyarlılık, F1, ROC-AUC ve RMSE gibi metrikleri iş bağlamında doğru yorumlayabileceksiniz.
Eşik Kararları — Yanlış alarm ve kaçırma maliyetlerini dengeleyen karar eşiklerini iş hedefinize göre belirleyebileceksiniz.
Sonuç Raporlama — Model bulgularını yöneticilerin karar almasını destekleyecek açık ve anlaşılır bir raporla sunacaksınız.

Kimler İçin Uygundur?

İş analistleri
finans ve pazarlama analistleri
raporlama uzmanları
Excel'den Python'a geçen profesyoneller ile tahmin modellemesine başlamak isteyen ekip üyeleri.

Sıkça Sorulan Sorular

Regresyon ve Sınıflandırma Modelleri Eğitimi kimler için uygundur?

Program; iş, finans ve pazarlama analistleri, raporlama uzmanları, Excel'den Python'a geçen profesyoneller ve tahmin modellemesine başlamak isteyen ekip üyeleri için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi formatta verilir?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün regresyon, ikinci gün sınıflandırma modelleri işlenir. Program yüz yüze veya online olarak Jupyter laboratuvarlarıyla yürütülür.

Daha önce makine öğrenmesi deneyimi gerekiyor mu?

Hayır. Temel Python ve pandas kullanımı ile ortalama, standart sapma ve korelasyon gibi temel istatistik kavramlarını bilmek yeterlidir; modelleme kavramları sıfırdan anlatılır.

Eğitimde hangi araçlar kullanılıyor?

Python üzerinde pandas ile veri hazırlığı, statsmodels ile istatistiksel model çıktıları, scikit-learn ile düzenlileştirme, pipeline ve metrikler, Matplotlib ve seaborn ile görselleştirme yapılır.

Eğitim sonunda sertifika veriliyor mu?

Evet. Laboratuvar ve mini projeyi tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır. Vakalar kurumun satış, fiyatlama veya müşteri verisine göre uyarlanabilir.

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

REGRESYON VE SINIFLANDIRMA MODELLERİ EĞİTİMİ