Makine Öğrenmesi Sınıflandırma Algoritmaları Kursu

Ders 1 • Veri Temsili ve Ön İşleme

Sınıflandırıcılar için veri kümelerini hazırlamak amacıyla kodlama, ölçekleme ve eksik değerlerin işlenmesini kapsar. Model doğruluğunu doğrudan etkiler ve herhangi bir algoritma uygulanmadan önce gereklidir.

Ders 2 • Makine Öğrenmesi İş Akışı

Ham veriden dağıtılan modele kadar uçtan uca iş hattını adım adım gösterir. Öğrencilerin sonraki her bölümde uyguladığı tekrarlanabilir bir çatı sağlar.

Ders 3 • Geliştirme Ortamını Kurmak

Python tabanlı araçları, veri işleme ve modelleme için temel kütüphaneler dahil olmak üzere yapılandırır. Öğrencilere tüm kurs alıştırmalarını hemen çalıştırabilecekleri bir çalışma ortamı sağlar.

Ders 4 • Sınıflandırma için Matematiksel Ön Koşullar

Sınıflandırıcıları anlamak için gerekli olan olasılık, lineer cebir ve kalkülüs kavramlarını gözden geçirir. Öğrencilerin sonraki bölümlerdeki algoritma türetmelerini takip edebilmelerini sağlar.

Ders 1 • Karışıklık Matrisi Açıklaması

Karışıklık matrisini tüm sınıflandırma ölçütlerinin temeli olarak tanıtır ve ham tahmin sayımlarını eyleme dönüştürülebilir başarım içgörülerine bağlar.

Ders 2 • Yanlılık, Varyans ve Aşırı Uyum

Yanlılık-varyans ödünleşimini ve bunun genelleme üzerindeki etkisini açıklar. Öğrencileri, herhangi bir algoritmayı ayarlamadan önce eksik öğrenme ve aşırı öğrenmeyi teşhis edebilecek donanıma kavuşturur.

Ders 3 • Eşik Tabanlı ve Sıralama Metrikleri

Olasılık çıktısı veren sınıflandırıcılar için ROC eğrilerini, AUC'yi ve kesinlik-geri çağırma eğrilerini kapsar. Metrik bilgisini eşik ayarlaması gerektiren senaryolara genişletir.

Ders 4 • Çapraz Doğrulama Stratejileri

Güvenilir performans tahminleri üretmek için k-katlamalı, tabakalı ve birini dışarıda bırak çapraz doğrulamayı öğretir. Tek bir eğitim-test bölmesine aşırı uyumu engeller.

Ders 1 • En Yüksek Olabilirlik ve Log-Kayıp

Log-kayıp hedefini maksimum olabilirlik tahmininden türetir. Matematiği, öğrencilerin eğitimde uygulayacağı optimizasyon sürecine bağlar.

Ders 2 • Çok Sınıflı Lojistik Regresyon

İkili lojistik regresyonu, OvR ve softmax stratejilerini kullanarak çok sınıflı problemlere genişletir. Öğrencileri, ikiden fazla hedef sınıfı olan veri kümelerine hazırlar.

Ders 3 • Doğrusal Regresyondan Lojistik Regresyona

Doğrusal regresyonun sınıflandırma için neden başarısız olduğunu ve sigmoid fonksiyonunun bunu nasıl düzelttiğini gösterir. Lojistik regresyonun merkezindeki olasılıksal yorumlamayı sağlar.

Ders 4 • Lojistik Modelleri Yorumlama ve Dağıtma

Katsayı yorumlamasını, olasılık oranlarını ve eğitilmiş modellerin dışa aktarılmasını kapsar. Model oluşturmayı pratik dağıtım ve paydaş iletişimine bağlar.

Ders 1 • Kural Çıkarma ve Yorumlanabilirlik

Eğitilmiş ağaçlardan insan tarafından okunabilir eğer-ise kurallarının nasıl çıkarılacağını gösterir. Ağaç çıktılarını iş mantığına ve uyumluluk gereksinimlerine bağlar.

Ders 2 • Ağaçlardan Özellik Önemi

Ağaçların, kirlilik azaltımına dayalı olarak özellik önem puanlarını nasıl hesapladığını açıklar. Öğrencilere, özellik seçimi ve model açıklaması için yerleşik bir araç sunar.

Ders 3 • Bölünme Ölçütleri: Gini ve Entropi

En iyi bölünmeyi seçmek için ölçüt olarak Gini kirliliğini ve bilgi kazancını türetir. Bu ölçütlerin öğrenme algoritmasını her düğümde nasıl yönlendirdiğini açıklar.

Ders 4 • Ağaçlarda Aşırı Öğrenmeyi Kontrol Etmek

Aşırı uyumu azaltmak için ön budama hiperparametrelerini ve son budama tekniklerini kapsar. Bölüm 2'deki yanlılık-varyans kavramlarını ağaca özgü kontrollere uygular.

Ders 1 • Yığma ve Harmanlama Toplulukları

Temel sınıflandırıcı çıktıları üzerinde ikinci düzey bir model eğiterek meta-öğrenmeyi öğretir. Topluluk bilgisini, tahmin gücünü en üst düzeye çıkaran esnek mimarilere genişletir.

Ders 2 • XGBoost ve LightGBM

Düzenlileştirme ve hız iyileştirmeleriyle optimize edilmiş gradyan artırma kütüphanelerini tanıtır. Öğrencileri yarışma ve üretim düzeyindeki sınıflandırma görevlerine hazırlar.

Ders 3 • Gradyan Artırma Makineleri

Gradyan artırmayı, fonksiyon uzayında gradyan inişi kullanarak ardışık artık uydurma olarak türetir. Modern yüksek performanslı sınıflandırıcıların arkasındaki temel algoritmayı açıklar.

Ders 4 • Rastgele Ormanlar Derinlemesine

Bootstrap toplama, rastgele öznitelik alt kümeleri ve Rastgele Ormanlarda çoğunluk oylamasını kapsar. Doğrudan Bölüm 4'teki karar ağacı bilgisi üzerine inşa edilir.

Ders 1 • DVM'leri Izgara ve Rastgele Arama ile Ayarlama

SVM sınıflandırıcıları için C ve gamma değerlerini optimize etmek üzere hiperparametre arama stratejilerini uygular. Bölüm 2'den edinilen çapraz doğrulama becerilerini bir SVM bağlamında pekiştirir.

Ders 2 • Yumuşak Aralıklı SVM ve C Parametresi

Ayrılamayan verileri işlemek için gevşek değişkenleri ve C düzenlileştirme parametresini tanıtır. SVM ayarını Bölüm 2'deki yanlılık-varyans ödünleşimine bağlar.

Ders 3 • Çok Sınıflı ve Dengesiz Veriler için DVM'ler

DVM'leri çok sınıflı ayarlara genişletir ve sınıf ağırlıkları ile sınıf dengesizliğini ele alır. Öğrencileri, DVM'leri gerçekçi, dengesiz sınıflandırma problemlerine uygulamaya hazırlar.

Ders 4 • Maksimum Marj Sınıflandırması

Sert kenar boşluğu SVM hedefini türetir ve destek vektörlerini geometrik olarak açıklar. Yumuşak kenar boşluğu ve çekirdek genişletmelerini anlamak için gereken sezgiyi sağlar.

Ders 1 • Olasılıksal ve Örnek Tabanlı Modellerin Karşılaştırılması

Naive Bayes ve KNN'i lojistik regresyon ve ağaç tabanlı modellerle karşılaştırır. Öğrencilere, belirli bir problem profili için doğru sınıflandırıcıyı seçme konusunda rehberlik eder.

Ders 2 • KNN'de Ölçeklendirme ve Verimlilik

KNN'nin hesaplama maliyetini ve komşu aramasını hızlandırma tekniklerini ele alır. Öğrencilerin KNN'yi pratik boyuttaki veri kümelerine uygulayabilmesini sağlar.

Ders 3 • K-En Yakın Komşu Algoritması

KNN karar kuralını, uzaklık ölçütlerini ve k'nın sınır üzerindeki etkisini açıklar. Açık bir eğitim aşaması gerektirmeyen parametrik olmayan bir temel sağlar.

Ders 4 • Metin Sınıflandırması için Naive Bayes

Multinomial Naive Bayes'i, kelime torbası ve TF-IDF temsillerine uygular. Doğal dil görevleri için pratik, yüksek hızlı bir sınıflandırıcıyı gösterir.

Ders 1 • Scikit-Learn İş Hatları Oluşturma

Ön işleme ve modelleme adımlarını tek bir iş hattı nesnesinde kapsüller. Veri sızıntısını önler ve çapraz doğrulama ile dağıtım iş akışlarını basitleştirir.

Ders 2 • Otomatik Makine Öğrenmesine Genel Bakış

AutoML araçlarını tanıtarak, algoritma seçimini ve hiperparametre aramasını otomatikleştirir. Otomasyonu, anlayışın yerine geçen değil, verimlilik aracı olarak konumlandırır.

Ders 3 • İstatistiksel Model Karşılaştırması

Modeller arasındaki performans farklılıklarının anlamlı olup olmadığını belirlemek için istatistiksel testler uygular. Gürültü yerine gerçek bir iyileştirmeye dayalı olarak bir model seçilmesini engeller.

Ders 4 • Nihai Model Seçimi ve Dokümantasyonu

Üretim modelini seçme ve seçimleri belgeleme için bir karar çerçevesi oluşturur. Öğrencileri, teknik ve iş paydaşlarına model seçimini gerekçelendirmeye hazırlar.