Eskişehir Teknik Üniversitesi

user
Kategori Adı

Veri Bilimi ve Yapay Zeka

Program İşleyişi

Uzaktan

Belge Türü

Katılım

Eğitim Dili

Türkçe

Canlı Derse Devam Zorunluluğu(%)

60

Başarı Koşulları

Devam koşulunu sağlamış olmak.

Kayıt Dönemi

05.10.2023-23.11.2023

Eğitim Dönemi

25.11.2023-03.12.2023


Program Adı

Python ile Makine Öğrenmesi

Program Türü ve Modeli

Eğitim Programı

Program Koordinatörü

Doç. Dr. Aziz KABA

Eğitici(ler)

Doç. Dr. Aziz KABA

Doç. Dr. Aziz KABA

*Bu program, mesleki/kişisel gelişim amaçlıdır. Programdan başarılı olunması halinde sadece belgelendirme yapılmakta olup kesinlikle bir unvan ya da iş garantisi verilmemektedir.

*Minimum katılımcı sayısına ulaşılamaması durumunda bu program açılmayabilir. Bu durumda programa ilişkin ödenen ücret başvuru sahibine iade edilir.

Programın Amacı

Katılımcılara Python programlama dili kullanarak veri önişleme, makine öğrenimi algoritmalarını uygulama ve uçtan uca makine öğrenmesi modeli kurdurmayı amaçlamaktadır.

Hedef Kitle

Veri bilimci olmak, çalışmalarında makine öğrenmesi yöntemlerini kullanmak ve makine öğrenmesi alanında ilerlemek isteyen herkes.

Program Ön Koşulu

-

Program Ölçme Değerlendirme

İsteğe bağlı Uygulama ve Proje

Açıklamalar

DERS GÜN VE SAATLERİ: 25-26 Kasım, 02-03 Aralık 2023 (09.00-11.45 ve 13.00-15.45)

Ders Listesi

Eğitici: Doç. Dr. Aziz KABA

Ders Gereksinimleri(donanım-yazılım vb.): Masaüstü ya da Dizüstü Bilgisayar (kamera, mikrofon ve hoparlöre sahip)

Ders Gün ve Saatleri:

25-26 Kasım 2023 (09.00-11.45 ve 13.00-15.45) 2-3 Aralık 2023 (09.00-11.45 ve 13.00-15.45)

Ders İçeriği:

# Ders İçeriği
1 Makine Öğrenmesi Temelleri (Makine Öğrenmesine Giriş, Makine Öğrenmesi Algoritma Çeşitleri: Gözetimli, Gözetimsiz ve Pekiştirmeli Öğrenme, Makine Öğrenmesi uygulamaları, Makine Öğrenmesi Geliştirme Ortamları)
2 Genel Python (Yazılım Geliştirme Ortamı
3 Veri tipleri ve veri yapıları, Koşullar ve döngüler, Fonksiyonlar)
4 Makine Öğrenmesi için Python (NumPy, Pandas, Matplotlib, Seaborn)
5 Veri Önişleme (Veri Temizleme, Eksik Veri Analizi, Aykırı Değerler, Veri dönüşümü,
6 Normalizasyon, Ölçeklendirme, Encoding, Veri Mühendisliği)
7 Gözetimli Öğrenme (Regresyon, Doğrusal, Lasso, Ridge, Sınıflandırma,
8 Lojistik Regresyon, kNN, Karar Ağaçları, Model Performansının Değerlendirmesi, Çapraz doğrulama, Hiperparametre optimizasyonu)
9 Gözetimsiz Öğrenme (Kümeleme, kOrtalamalar, DBSCAN, Hiyerarşik Kümeleme, Boyut İndirgeme, PCA)
10 Uygulama (Uçtan uca makine öğrenmesi uygulaması)
11 Uygulama (Uçtan uca makine öğrenmesi uygulaması)