MACHİNE LEARNİNG EĞİTİMİ

Machine Learning Eğitimi, veriden anlamlı içgörüler çıkarıp tahmin üreten modelleri uçtan uca tasarlamayı öğretir. Doğru problem tanımı, veri hazırlama, model seçimi ve değerlendirme adımlarını sistematik şekilde ele alarak ekibin ortak bir yaklaşım geliştirmesini sağlar.

Eğitim boyunca gerçek iş senaryolarına benzer örneklerle regresyon, sınıflandırma ve temel optimizasyon mantığını uygularsınız. Hedef; yalnızca algoritma öğrenmek değil, güvenilir sonuç veren, izlenebilir ve sürdürülebilir bir ML çalışma akışı kurmaktır.

Katılımcı Profili

Machine Learning Eğitimi, aşağıdaki profiller için uygundur:

Veri Analistleri: Tahmin modellerini yorumlayarak karar destekler.
Veri Bilimcileri: Modelleme, tuning ve değerlendirme süreçlerini derinleştirir.
Yazılım Geliştiricileri: ML çıktılarını uygulamalara entegre etmeyi öğrenir.
Ürün Analitiği Ekipleri: KPI odaklı model hedefleri belirlemeyi geliştirir.
İş Zekâsı Uzmanları: Veri kalitesi ve özellik seçiminde yetkinleşir.

Ön Gereklilikler

Bu eğitime katılım için aşağıdaki ön koşullar önerilir:

Temel düzeyde Python bilgisi ve veri yapıları
Basit istatistik kavramlarına aşinalık (ortalama, varyans)
CSV/Excel benzeri veri setleriyle çalışma deneyimi
Lineer cebir temellerini genel hatlarıyla bilmek
Problem çözme ve analitik düşünme pratiği

Süresi ve Tarihi

Süre: 4 gün. Bu süre standart program içindir; ek modüllere ve hedefe göre süre özelleştirilebilir.
Eğitim tarihleri ve saatleri, ekibinizin uygunluğuna göre birlikte planlanır.

Kazanımlar

Bu eğitim sonunda katılımcılar aşağıdaki kazanımları elde eder:

ML problemi için doğru hedef ve metrik tanımı yapabilme
Veri temizleme, dönüştürme ve özellik hazırlama pratiği kazanma
Regresyon ve sınıflandırma modellerini doğru yerde kullanma
Model performansını güvenilir şekilde ölçme ve kıyaslama
Aşırı öğrenme risklerini tespit edip önleme tekniklerini uygulama
Baseline’dan üretilebilir modele giden süreci planlama
Hata analizi yaparak iyileştirme adımlarını önceliklendirme
ML pipeline yaklaşımıyla tekrarlanabilir çalışma akışı kurma

Machine Learning Eğitimi Konuları

1. Machine Learning Eğitimi - Makine Öğrenmesine Giriş ve Çerçeve

ML yaklaşımını temel kavramlarla doğru konumlandırma
Problem türlerini ayırt etmek için pratik örnekler kurma
Veri, hedef ve kısıtları birlikte ele alır ve netleştirirsiniz
Başarı kriterlerini metriklerle tanımlayarak ölçülebilir hale getirme
Basit bir baseline kurarak ilerleme için sağlam referans oluşturma

2. Machine Learning Eğitimi - Veri Hazırlama ve Keşifçi Analiz

Veri setini hızlıca tanıma ve özetleme adımları
Eksik değerleri yönetmek için uygun stratejiler seçme
Aykırı değerleri analiz eder ve etkisini ölçerek karar verirsiniz
Görselleştirmeler ile ilişki ve dağılımları açıklayıcı hale getirme
Öznitelik sızıntısını fark edip model güvenilirliğini koruma
Veri bölme prensiplerini uygulayarak test kurgusunu sağlamlaştırma

3. Denetimli Öğrenme: Regresyon Temelleri

Regresyon problemlerini hedef değişkene göre tanımlama
Lineer regresyon varsayımlarını doğru yorumlamak için yöntemler
Hata fonksiyonlarını inceler ve model davranışını sezgisel anlarsınız
MAE ve RMSE ile model çıktılarını anlamlı şekilde ölçümleme
Ölçekleme ihtiyacını değerlendirerek veri dönüşümlerini planlama

4. Denetimli Öğrenme: Sınıflandırma Temelleri

Sınıf etiketlerini ve karar sınırlarını doğru tanımlama
Lojistik regresyonu olasılık mantığı ile açıklayıcı biçimde kurma
Confusion matrix okur ve hataları sınıf bazında analiz edersiniz
Precision ve recall dengesini hedefe göre optimize etme
Class imbalance durumlarında uygun değerlendirme yaklaşımı seçme

5. Modelleme Süreci: Pipeline ve Tekrarlanabilirlik

Veri hazırlama ve modeli tek akışta birleştirme
Leakage riskini azaltmak için adımları disiplinli sıralama
Deneyleri kayıt altına alır ve karşılaştırmayı tutarlı yaparsınız
Ön işleme adımlarını standartlaştırarak ekip içinde ortak dil kurma
Basit otomasyon ile eğitim sürecini güvenilir hale getirme

6. Doğrulama Stratejileri ve Cross-Validation

Train ve test ayrımını senaryo bazında planlama
K-fold CV mantığını farklı veri tipleriyle uygulama
Skor dalgalanmalarını yorumlar ve genelleme riskini yönetirsiniz
Zaman serisi benzeri durumlarda uygun split yaklaşımı seçme
Overfitting belirtilerini erken yakalayarak doğru aksiyon alma

7. Karar Ağaçları ve Ağaç Tabanlı Yaklaşımlar

Karar ağacının bölme mantığını net şekilde anlama
Derinlik ve yaprak sayısının etkisini kontrollü inceleme
Öznitelik önemini yorumlar ve modele açıklanabilirlik kazandırırsınız
Pruning stratejileri ile aşırı uyumu azaltma teknikleri uygulama
Kurallara dayalı çıktıları iş ihtiyaçlarına göre anlatma

8. Ensemble Modeller: Random Forest ve Gradient Boosting

Ensemble mantığını basit sezgilerle kavrama
Random Forest ile varyansı düşürmek için stratejiler geliştirme
Boosting yaklaşımını dener ve hata azaltma etkisini gözlemlersiniz
Hiperparametrelerin performans ve süre etkisini dengeleme
Model kıyasını aynı veri ve metrik setinde adil şekilde yapma
Üretim odaklı seçim için model karmaşıklığını kontrol etme

9. Özellik Ölçekleme, Kodlama ve Dönüşümler

Sayısal değişkenleri ölçeklemek için doğru yöntem seçme
Kategorik verileri kodlayarak modele uygun hale getirme
Log ve Box-Cox dönüşümlerini kullanır ve dağılımı iyileştirirsiniz
Feature leakage oluşturmadan dönüşüm adımlarını pipeline’a yerleştirme
Seçilen dönüşümlerin model performansına etkisini net ölçme

10. Özellik Seçimi ve Boyut Azaltma Yaklaşımları

Özellik seçiminin hız ve doğruluk üzerindeki etkisini anlama
Filter yöntemleri ile hızlı eleme yapmak için pratik kurallar
Wrapper yaklaşımları dener ve seçim maliyetini bilinçli yönetirsiniz
PCA gibi yöntemlerle boyutu düşürerek gürültüyü azaltma
Yorumlanabilirlik ve performans dengesini koruyarak karar verme

11. Hiperparametre Optimizasyonu ve Arama Stratejileri

Grid ve random search arasındaki farkı doğru değerlendirme
Arama uzayını daraltmak için pratik sınırlar belirleme
CV ile tuning yapar ve aşırı ayara bağlı hataları önlersiniz
Erken durdurma ve kaynak yönetimi ile süreyi kontrol etme
Sonuçları raporlanabilir biçimde karşılaştırma ve seçimi netleştirme

12. Model Yorumlanabilirliği ve Açıklanabilir ML

Model çıktısını iş birimlerine anlaşılır şekilde aktarma
Feature importance üzerinden temel etki analizleri yapma
Partial dependence ile ilişkileri inceler ve beklenmeyen etkileri yakalarsınız
Yerel açıklama yaklaşımlarını kullanarak tekil tahminleri yorumlama
Model güvenini artırmak için açıklanabilirlik raporu kurgulama

13. Performans Takibi ve Drift Farkındalığı

Üretim ortamında metrik takibi için temel yaklaşım kurma
Veri drift belirtilerini tespit etmek için kontrol noktaları belirleme
Alarm eşikleri tasarlar ve değişimleri aksiyona dönüştürürsünüz
Model güncelleme kararını veri ve etki analiziyle destekleme
Basit izleme panosu mantığıyla sürdürülebilir takip alışkanlığı kazanma

14. Hata Analizi ve İyileştirme Stratejileri

Hata örneklerini segmentlere ayırarak sistematik inceleme
Yanlış pozitif ve yanlış negatif sonuçlarını hedefe göre değerlendirme
Hata kaynaklarını sınıflandırır ve veri mi model mi ayırırsınız
Yeni özellik fikirleri üretip etkiyi deneylerle doğrulama
İyileştirme planını önceliklendirme ve kısa vadeli kazanım seçme

15. Basit Dağıtım Yaklaşımları ve Entegrasyon

Modeli servislemek için temel kavramları netleştirme
Girdi doğrulama ve çıktı formatını standartlaştırma adımları
Versiyonlama stratejisi kurar ve geri dönüş senaryolarını planlarsınız
Performans ve gecikme gereksinimlerini test ederek sınırları belirleme
Uygulama ekipleriyle entegrasyon için ortak arayüz tanımı oluşturma

16. Mini Uygulama: Uçtan Uca Baseline Model Çalışması

Veri seti seçimi ve hedef tanımını hızlıca netleştirme
Ön işleme adımlarını planlayarak pipeline kurgusunu oluşturma
Modeli eğitir ve metrikleri yorumlayarak ilk sonuçları çıkarırsınız
Hata analizine göre iyileştirme adımlarını deneysel olarak uygulama
Sonuçları kısa rapora dönüştürerek ekip içi paylaşım pratiği kazanma

17. Ek Modül: Feature Engineering & Model Karşılaştırma

İş problemine göre yeni özellik üretme yaklaşımı geliştirme
Domain bilgisi ile anlamlı dönüşümler kurgulamak için yöntemler
Farklı model ailelerini aynı deney düzeninde kıyaslar ve adil karar verirsiniz
Özellik seti değişimlerinin metriklere etkisini net şekilde ölçme
Baseline ile gelişmiş model arasındaki ROI farkını yorumlama
Sonuçları deney matrisi ile raporlayarak izlenebilirlik sağlama

18. Ek Modül: Model Değerlendirme ve Hata Analizi

Segment bazlı performans için uygun kırılımlar tanımlama
Kalibrasyon ve eşik seçimi ile karar kalitesini artırma
Hata tiplerini etiketler ve kök nedeni veriyle ilişkilendirirsiniz
Yanlılık riskini fark ederek adil değerlendirme yaklaşımı kurma
İyileştirme döngüsünü ölçülebilir hedeflerle planlama

19. Ek Eğitim: ML Projesi: Uçtan Uca Pipeline (data→model→deploy)

Proje kapsamını ve teslim kriterlerini netleştirerek yol haritası çıkarma
Veri akışı ve özellik mağazası mantığını temel düzeyde kurgulama
Eğitim ve dağıtımı otomatikleştirir ve yeniden üretilebilir süreç kurarsınız
Model servisleme ve izleme adımlarını uçtan uca senaryoyla birleştirme
Riskleri belirleyip aksiyon planı oluşturarak sürdürülebilirlik sağlama
Dokümantasyon ve raporlama ile ekiplere aktarılabilir çıktı üretme

Machine Learning Eğitimi ile İlgili
Sıkça Sorulan Sorular ve Cevapları

Makine öğrenmesi problem türlerini nasıl doğru seçeriz?

Önce iş hedefini ölçülebilir bir metrikle tanımlar, sonra hedef değişkenin yapısına göre regresyon, sınıflandırma veya sıralama gibi problem türünü seçeriz. Veri kalitesi, örnek sayısı ve karar maliyeti bu seçimi doğrudan etkiler.

Regresyon ve sınıflandırma modellerinde hangi metrikleri ne zaman kullanmalıyız?

Regresyonda MAE, RMSE ve R² gibi metrikler; sınıflandırmada accuracy, precision, recall, F1 ve ROC-AUC gibi metrikler kullanılır. Seçim, hatanın maliyeti ve dengesiz sınıf yapısı gibi iş kısıtlarına göre yapılır.

Overfitting’i nasıl tespit eder ve nasıl azaltırız?

Eğitim ve doğrulama skorları arasındaki farkı izleyerek overfitting’i tespit ederiz. Cross-validation, düzenlileştirme, erken durdurma, uygun model karmaşıklığı ve daha iyi özellik seti gibi yöntemlerle azaltabiliriz.

Feature engineering model performansını nasıl etkiler?

Doğru özellikler sinyali güçlendirir, gürültüyü azaltır ve basit modellerin bile güçlü sonuç üretmesini sağlar. Yanlış özellikler ise sızıntı ve yanıltıcı ilişkilere neden olarak performansı yapay biçimde yükseltebilir.

Eğitim içeriğini ihtiyaçlarımıza göre özelleştirebilir misiniz?

Evet. Eğitim öncesinde ihtiyaç analizi yaparak içerik ve örnekleri ekibinize göre uyarlayabiliriz. Modüller eklenebilir, bazı başlıklar derinleştirilebilir veya sadeleştirilebilir.

Eğitim yeri, yöntemi ve sertifikasyon süreci nasıl ilerliyor?

Eğitim online (canlı) veya yerinde gerçekleştirilebilir; tarih ve saatleri ekibinizin uygunluğuna göre planlarız. Program sonunda katılım sertifikası verilir; talep edilirse ölçme-değerlendirme ve raporlama eklenebilir.