Support Vector Machine (SVM) Math: Building

Eğitim Hakkında

SVM'nin matematiksel temelini scikit-learn uygulamalarıyla birleştirin.

Bu eğitim destek vektör makinelerini hem matematiksel hem pratik yönüyle ele alır: ayırıcı hiper düzlem, maksimum marjin, Lagrange çarpanları ve dual formülasyon, soft-margin ve C parametresi, kernel hilesi (lineer, polinom, RBF), scikit-learn ile SVC/SVR eğitimi, GridSearchCV ile hiperparametre ayarı, ROC-AUC değerlendirmesi ve OneClassSVM ile anomali tespiti.

Süre ve Format

2 Gün. Her gün dört modül; sabah matematiksel türetim, öğleden sonra kodlama ve model ayarı.

Seviye

İleri Seviye — SVM'nin Lagrange ve kernel matematiğinden scikit-learn ile model kurma ve ayarlamaya uzanan uygulamalı eğitim

Öğrenme Metodu

Her matematiksel fikir önce elle türetilir, sonra NumPy ile kodlanır ve scikit-learn çıktısıyla karşılaştırılır.

Neden Bu Eğitim?

🎯Matematiksel Derinlik

SVM'nin neden çalıştığını Lagrange ve kernel kuramıyla kavrarsınız.

🛠️Doğru Hiperparametre

C ve gamma değerlerinin karar sınırına etkisini görselleştirerek yorumlarsınız.

📈Pratik Uygulama

Metin sınıflandırma ve anomali tespitinde SVM'yi uygularsınız.

Anahtar Konular

SVM Pythondestek vektör makinesiSVM matematiğikernel hilesiRBF kernelscikit-learn SVCGridSearchCVOneClassSVMmakine öğrenmesi

“Doğru sınırı çizmek, veriyi anlamanın en zarif yoludur.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Lineer cebir

Vektör, iç çarpım ve matris işlemleri bilinmelidir.

2

Analiz

Türev ve kısıtlı optimizasyon fikrine genel aşinalık beklenir.

3

Python

NumPy, pandas ve scikit-learn temel kullanımı gerekir.

4

Ortam

Python 3.10+, numpy, scikit-learn, matplotlib ve JupyterLab kurulu olmalıdır.

Eğitim İçeriği

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

Günün hedefiKatılımcı SVM optimizasyon problemini ve kernel hilesini matematiksel olarak açıklar.

Modül 1

SVM'nin Matematiksel Temeli

Ayırıcı hiper düzlem, marjin ve destek vektörleri
Hard-margin problemin kısıtlı optimizasyon olarak yazılması
Lagrange çarpanları, KKT koşulları ve dual form
Soft-margin: gevşek değişkenler (slack) ve C parametresi
Hinge loss ve regularizasyon bakışı
Karar fonksiyonunun w·x + b biçiminde elle hesaplanması

Modül 2

Kernel Hilesi ve Çekirdek Fonksiyonları

Doğrusal ayrılamayan veride özellik uzayı dönüşümü
Kernel hilesi: iç çarpımı yüksek boyutta hesaplamadan elde etme
Linear, poly, rbf ve sigmoid çekirdeklerinin formülleri
gamma parametresinin karar sınırına etkisi
Mercer koşulu ve geçerli çekirdek kavramı
Özel (callable) kernel tanımlama ve Gram matrisi

Modül 3

NumPy ile Lineer Cebir ve İstatistik

dot, matmul ve @ operatörüyle matris çarpımı
np.linalg ile inv, det, solve, eig ve svd kullanımı
np.mean, median, var, percentile ve corrcoef ile betimsel istatistik
np.where, np.select, np.clip ve np.unique ile koşullu dönüşümler
Rastgele örnekleme, seed yönetimi ve Monte Carlo ile pi tahmini
np.save, np.load ve genfromtxt ile dizilerin dosyaya yazılıp okunması

Modül 4

matplotlib ve seaborn ile Görselleştirme

Figure, Axes ve subplots nesne modeli
Çizgi, çubuk, dağılım ve histogram grafiklerinin uygun kullanım alanları
seaborn ile boxplot, violinplot, heatmap ve pairplot
Eksen etiketi, renk paleti, anotasyon ve stil (style context)
Renk körlüğüne duyarlı palet seçimi ve okunabilirlik kuralları
savefig ile PNG/SVG/PDF çıktısı ve dpi ayarı

Günün hedefiKatılımcı SVM modellerini kurar, ayarlar ve gerçek veride değerlendirir.

Modül 1

scikit-learn ile Makine Öğrenmesine Giriş

Eğitim/test ayırma, train_test_split ve çapraz doğrulama
Pipeline, ColumnTransformer, imputer ve ölçekleme
Lineer/lojistik regresyon, karar ağacı ve rastgele orman
Aşırı öğrenme, bias–variance ve düzenlileştirme
Metrikler: RMSE, F1, ROC-AUC ve karışıklık matrisi
Model kaydetme ve basit tahmin servisi

Modül 2

scikit-learn ile SVC ve SVR

SVC, LinearSVC ve SVR sınıfları ile temel eğitim
StandardScaler ve Pipeline ile ölçeklemenin zorunluluğu
GridSearchCV ve RandomizedSearchCV ile C, gamma, kernel ayarı
Sınıf dengesizliğinde class_weight ve probability=True kalibrasyonu
Karışıklık matrisi, precision/recall, ROC-AUC ve classification_report
Çok sınıflı sınıflandırmada one-vs-one ve one-vs-rest stratejileri

Modül 3

SVM ile Gerçek Veri Problemleri

TF-IDF ve LinearSVC ile metin sınıflandırma
OneClassSVM ile anomali tespiti
Karar sınırı ve marjin görselleştirmesi (DecisionBoundaryDisplay)
Büyük veri için SGDClassifier ve ölçeklenebilirlik sınırları
Model kaydetme: joblib ve sürümleme
SVM'nin lojistik regresyon ve karar ağaçlarıyla karşılaştırılması

Modül 4

SciPy ile Mühendislik Hesapları

scipy.interpolate ile interp1d ve eğri uydurma (curve_fit)
scipy.integrate: quad, trapezoid ve solve_ivp
scipy.optimize: minimize, root ve least_squares
scipy.linalg ile lineer denklem sistemleri
scipy.stats ile dağılım uydurma ve güvenilirlik analizleri
Birim yönetimi (pint) ve sayısal hassasiyet

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

SVM matematiği

maksimum marjin, Lagrange ve dual formülasyonunu kavrayıp yorumlayabilirsiniz

⚙️

Kernel yöntemleri

doğrusal, polinom ve RBF çekirdeklerini veri yapısına göre seçebilirsiniz

🔍

NumPy sayısal işlemler

matris işlemleri ve temel istatistik fonksiyonlarını NumPy ile uygulayabilirsiniz

📊

Statik grafikler

matplotlib ve seaborn ile yayına hazır grafikler üretebilirsiniz

🧩

Makine öğrenmesi temeli

scikit-learn ile temel bir sınıflandırma/regresyon iş akışı kurabilirsiniz

🚀

SVM uygulaması

SVC ve SVR modellerini ölçekleme ve pipeline ile eğitip değerlendirebilirsiniz

🔒

SVM uygulamaları

metin sınıflandırma ve anomali tespitinde SVM'yi uygulayabilirsiniz

📦

Sayısal hesaplama

scipy ile interpolasyon, integral ve diferansiyel denklem çözümü yapabilirsiniz

Kimler İçin Uygundur?

Veri bilimciler
makine öğrenmesi mühendisleri
algoritmaların matematiğini anlamak isteyen öğrenci ve araştırmacılar

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Veri bilimciler, makine öğrenmesi mühendisleri ve algoritmaların matematiğini anlamak isteyen öğrenci ve araştırmacılar. Ön bilgi beklentileri için eğitimin ön koşullar bölümüne bakabilirsiniz.

Matematiksel kısım ne kadar yoğun?

Marjin ve dual formülasyon adım adım türetilir; ancak her adım kodla desteklenir ve sezgisel görsellerle anlatılır.

Derin öğrenmeden önce SVM öğrenmek mantıklı mı?

Evet. Marjin, düzenlileştirme ve kernel fikirleri modern modellerin anlaşılmasında güçlü bir temel oluşturur.

Eğitim sonunda sertifika verilir mi?

Katılım ve başarı koşullarını yerine getiren katılımcılara Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir.

Eğitim uygulamalı mı ilerliyor?

Her matematiksel fikir önce elle türetilir, sonra NumPy ile kodlanır ve scikit-learn çıktısıyla karşılaştırılır. Süre 2 gündür; her gün dört modül işlenir.

Sertifikalandırma

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.

Örnek Sertifika

SUPPORT VECTOR MACHINE (SVM) MATH: BUILDING & APPLYING SVM MODELS IN PYTHON EĞİTİMİ