Kıbrıs İleri Seviye Machine Learning Eğitimi

Bu eğitime katılmak isteyenlerin Python dilinde kodlamaya aşina olmaları, Pandas ve Numpy kütüphaneleri ile ilgili deneyimleri olması beklenir.

Bu konuda bilgileri yoksa, daha önce Python programlama ve veri bilimi için python eğitimleri almaları önerilir.

Uygulamalı Veri Bilimi eğitimini tamamlamış, kendini Machine Learning alanında geliştirmek isteyen herkese uygundur.

Bu veri için bu modeli seçmeliyiz demek mümkün değil. Her veri için bir sürü model denememiz lazım ve optimali deneme yanılma sonucunda bulmamız lazım. Eğer bu veri için bu modeli kullanmamız lazım diye kesin bir şekilde söyleyebiliyor olsaydık zaten bu iş için birine ihtiyaç olmazdı ve bütün süreç otomatikleştirilebilirdi.

O zaman çözmeye çalıştığımız sorun şu: Nasıl olabildiğince farklı modeli hızlı bir şekilde deneyip optimalini seçebilirim ve seçtiğimiz modelin genellenebilir olduğuna nasıl karar verebilirim?

Bu sorulara cevap bulduktan sonra verimizi modelimizle analiz etme kısmına geçeceğiz. Yaptığımız analiz ile daha iyi modeller kurup o modelleri analiz içip kullanacağız, yapılan analiz ile de daha da iyi modeller kuracağız. Bu döngüyü bir kaç defa tekrarladıktan sonra elimizdeki veriyi daha iyi tanımış olacağız ve kurduğumuz modeller de daha güçlü olacak. Bundan sonra elimizdeki modeli kullanarak olası senaryoların simülasyonunu yapacağız ve istediğimiz çıktı için nasıl aksiyon alabiliriz onlara bakacağız.

Bu eğitim ezbere olmadan kavramların sezgisel bir şekilde anlaşılması üzerine tasarlandı. Katılımcıların bu İleri Seviye Makine Öğrenmesi eğitimini aldıktan sonra güçlü bir teorik alt yapıya ve pratik bilgiye sahip olmaları planlanıyor.

Uygulamalı Veri Bilimi

• Nedir bu Makine Öğrenmesi ?
• Regression ve Classification
• Modellerin genellenebilirliğini nasıl test edebilirim - Train/Validation/Test
• Decision Tree (Karar Ağaçları)
• Bagging
• Ensemble methods - Random errors
• Random Forest Mantık
• Cross Validation
• Hayır. Cross Validation her zaman iyi bir fikir değil - Validation setinin dikkatli seçilmesi.
• R^2 nedir ve nerelerde kullanılır ?
• Baseline Model mantığı
• Hyperparameter
• Bütün veriyi hyperparameter tuning yaparken kullanma- Subsample Method
• Kodunun neresi yavaş anla - Profiling

Model Driven EDA

• Model sadece tahmin etme aracı değildir - Modeli verimizi analiz etmek için kullanmak
• Standart sapma ile tahmine olan güveni ölçmek
• Farklı özelliklerin bir birine etkisini hesaba katarak model için önemli özellik analizi 
• Permutation Feature Importance
• Tamam, tahminimiz bu, peki bunu nasıl değiştirebiliriz ? - Farklı senaryoları modelimizi kullanarak simüle etmek
• Partial Dependence
• Extrapolation problem
• Extrapolation sorununu nasıl azaltırız ?
• Validation set bölmemizin ne kadar iyi olduğunu nasıl anlayabiliriz ?