Eğitimler
Eğitim İçeriği:
| Giriş/Motivasyon (Genel ve Zayıf Yapay Zeka, Derin Öğrenme Uygulamaları,İyi ve Kötü Uygulamalar) |
| • Numpy/Pandas/Seaborn ve Scikit-Learn Kütüphanelerinin Kullanımı |
| • Makine Öğrenmesine Giriş: Terminoloji, Model Doğrulama ve Değerlendirme Yöntemleri Parametre ve Hiper-Parametre Optimizasyonu |
| • Doğrusal Regresyon: Basit Doğrusal, Çoklu, Doğrusal, Temel Bileşen, Kısmi Küçük Kareler, Lasso, Ridge ve Elasticnet Regresyon Modelleri |
| • Doğrusal Olmayan Regresyon: Knn, Svr, Doğrusal Olmayan Svr, Ann, Cart, Random, Forests, Gbm, Xgboost |
| • Sınıflandırma Problemleri: Lojistik Regresyon, Naive Bayes, Knn, Svc, Ann, Random Forests, Gbm, Xgboost |
| • Gözetimsiz (Unsupervised) Makine Öğrenmesi: K-Means, Hiyerarşik Kümeleme, Temel Bileşen Analizi |
| • Referanslar ve Gelişmeleri Takip Etmek |