Kıbrıs Data Science and Machine Learning with Python Eğitimi

Delegelerin, Veri Uzmanları için Veri Bilimine QA Giriş belgemizde bulunanlar gibi temel veri bilimi kavramlarına ve ayrıca Veri İşleme için QA Python'da bulunan programlama tekniklerine aşina olmalarını öneririz. Ayrıca kuruluşunuzda Veri Bilimini geliştirmeye veya Veri Bilimcisi olmaya ilgi duymalısınız.

Hedef kitle

Hedef kitlenin üyelerinin tablo yapısı, Python'da tablo verileriyle çalışma ve basit veri analizi gibi bazı teknik uzmanlığa sahip olmaları gerekmektedir.

Veri Biliminin kendi organizasyonlarında nasıl uygulanacağına dair daha iyi bir anlayış arayan Orta/Kıdemli Liderlik olabilirler.

Veri Bilimcileri ile çalışan veya Veri Bilimcisi olarak eğitim yolculuğunda bu eğitimi kullanan Veri Analistleri, Yazılım Geliştiricileri ve Veri Mühendisleri gibi diğer teknik geçmişlerden gelebilirler.

İkinci durumda, dinleyiciler Veri Bilimcisi olma yolunda atacakları eğitimdeki sonraki adımlar için öneriler isteyebilir. 2023 ve 2024'te başlaması planlanan aşağıdaki yenilenmiş kursları önerilen sırayla öneriyoruz:

Python'da Veri Analizi İstatistikleri

Python ile Zaman Serisi ve Tahminleme

Python ile Veri Bilimi için Matematik ve İstatistik

Pratik Büyük Veri Analitiği (Python ve Spark ile)

Üretken Yapay Zekanın Temelleri

Python ile Derin Öğrenmenin Temelleri (ardından seçilen Python ve NVIDIA eğitimi)

• Veri Bilimi ve Makine Öğrenimine Giriş
• Veri Bilimi için Python'a Giriş
• Python ile Tanımlayıcı ve Çıkarımsal İstatistikler
• Analiz için Verileri Ön İşleme
• Denetimli Öğrenme: Regresyon
• Denetimli Öğrenme: Sınıflandırma
• Model Seçimi ve Değerlendirme
• Denetimsiz Öğrenme
• Veri Bilimcileri için Etik
• Modelleri ve Analizleri Dağıtma
• Bundan Sonra Nereye Gidilmeli

Veri Bilimi ve Makine Öğrenimine Giriş

• Veri Bilimcisinin rolünü ve gerektirdiği becerileri açıklayın
• Veri Biliminin ortak uygulama alanlarını ve endüstrideki kullanım örneklerini açıklamak
• CRISP-DM metodolojisinde ayrıntılı olarak açıklanan Veri Bilimi sürecinin ana hatlarını çizin
• Veri Biliminin çözmek için kullanılabileceği problemlerin özelliklerini detaylandırın
• Bir Veri Bilimi Projesinin başarısının nasıl değerlendirileceğini tanımlayın

Veri Bilimi için Python'a Giriş

• Veri Bilimi projelerinde not defterlerinin neden sıklıkla kullanıldığını anlayın
• Veri kümelerini işlemek için Python'u ve ilgili kitaplıkları kullanın.
• Sanal ortamların neden kullanıldığını açıklayın
• Python kullanarak verileri görselleştirin

Python ile Tanımlayıcı ve Çıkarımsal İstatistikler

• Tanımlayıcı ve çıkarımsal istatistiklerin Veri Biliminde oynadığı rolü anlamak
• Verileri anlamak için merkezi eğilim, varyasyon ve korelasyon ölçülerini kullanma
• Etkilerin önemini belirlemek için hipotez testlerini kullanın
• Veri dağılımlarını anlamak için istatistiksel görselleştirmeleri kullanın
• Bir Veri Bilimi projesinde Keşif Amaçlı Veri Analizinin rolünü açıklama

Analiz için Verileri Ön İşleme

• Yinelenen verileri, eksik değerleri ve aykırı değerleri uygun şekilde işleyin
• Ölçeklendirmenin, kodlamanın ve özellik seçiminin önemini anlayın
• Eğitim, test ve doğrulama setlerinin önemini açıklama
• Analiz edilecek yeni özellikleri tasarlayın

Denetimli Öğrenme: Regresyon

• Regresyonun makine öğrenimi bağlamında açıklanması
• Basit ve çoklu doğrusal regresyon modelleri oluşturun
• Doğrusal olmayan regresyon yaklaşımlarını anlama
• Regresyon modellerini değerlendirin ve karşılaştırın

Denetimli Öğrenme: Sınıflandırma

• Makine öğrenimi bağlamında sınıflandırmayı açıklama
• Sınıflandırma için basit ve çoklu lojistik regresyon modelleri oluşturun
• Sınıflandırma için Karar Ağacı ve Rastgele orman modelleri oluşturun
• Sınıflandırma modellerini değerlendirin ve karşılaştırın

Model Seçimi ve Değerlendirme

• Regresyon ve sınıflandırma problemleri için en iyi modelin nasıl seçileceğini anlayın
• Model performansını ve davranışını değerlendirmek için kullanılabilecek testleri ve temel çizgileri göz önünde bulundurun
• 'Ne kadar iyinin yeterince iyi olduğunu' değerlendirin

Denetimsiz Öğrenme

• Makine öğrenimi bağlamında kümelemeyi ve boyutluluk azaltmayı açıklama
• KMeans kümelemesini uygulama ve değerlendirme
• Boyut azaltma tekniklerini uygulama ve değerlendirme

Veri Bilimcileri için Etik

• Veri Bilimcilerinin uyması gereken mevzuat ve standartlardan haberdar olun
• Veri Analitiği projelerinde yasal, etik ve ahlaki hususların önemini tartışın ve çalışanların eğitim alması gereken geçerli Birleşik Krallık mevzuatını belirleyin
• Veri işlemeye ilişkin etik hususları tartışın
• Makine öğrenimi, derin öğrenme ve yapay zeka örneklerinde etik hususları tanımak

Modelleri ve Analizleri Dağıtma

• Analitik modellerin nasıl devreye alınabileceğini anlayın
• Belirli bir modelin en iyi nasıl dağıtılacağını değerlendirin
• Model hatalarını önlemek için kullanılabilecek kontrolleri tanımlayın
• Makine öğrenimi modelini dağıtmak için Python'u ve ilgili kitaplıkları kullanın
• Dağıtılan makine öğrenimi modellerini izlemek için hangi ölçümlerin kullanılabileceğini açıklayın

Bundan Sonra Nereye Gidilmeli

• Modern Yapay Zekada derin öğrenmenin rolünü anlayın
• Hangi niteliklerin ve profesyonel üyeliklerin veri bilimcilere fayda sağlayabileceğini bilin