Udemy

Platform

Türkçe

Language

Data Science

Category

Makine Öğrenmesi (Machine Learning)

Teori ve Pratiği birleştirip Makine Öğrenmesi Uzmanı olun. Matematik temelini öğrenin, Python ile gerçek uygulama yapın.

4.97 (25 reviews)

Students

19.5 hours

Content

May 2021

Last Update
Regular Price

SKILLSHARE
SkillShare
Unlimited access to 30 000 Premium SkillShare courses
30-DAY FREE TRIAL

What you will learn

Yapay Zeka ve Makine Öğrenmesinin temellerini çok sağlam bir şekilde öğreneceksiniz.

Tüm önemli Makine Öğrenmesi algoritmalarını öğreneceksiniz.

Veri üzerinde düşünme, karar verme ve doğru model kurma becerisi edineceksiniz.

Hem teori (matematik tabanını) hem de pratiği (Python kodlama) beraber öğreneceksiniz.

Model Yaratma ve Model Siçimi Metodlarını öğreneceksiniz.

Gerçek Hayat Projeleri üzerinden Python uygulamaları ile algoritmaları pratik olarak göreceksiniz.

Numpy, Pandas, Matplotlib, Seaborn, Scikit-Learn gibi Python paketlerini uygulayarak öğreneceksiniz.

Regression, Classification, Decision Trees, Random Forests, Bagging, Boosting, SVM, PCA, Clustering ve dahası...


Description

Makine Öğrenmesi (Machine Learning) yolculuğunun öğrencilere zor gelmesinin iki ana nedeni vardır:

1- ML kavramları ve algoritmalar ilk başta karmaşık gelir.

2- Yeterli ve sağlıklı uygulama yapılmadığı zaman havada kalır.


Birinci sorunu biraz açacak olursak;

Öğrenciler çoğu zaman Matematik ve İstatistik temelini anlamadıkları için ezberleyerek Makine Öğrenmesi yapmaya çalışırlar.

Maalesef Makine Öğrenmesi üzerine verilen bir çok eğitim sadece kavramları ezberletme üzerine kurulu.

Bir yerden sonra ezberin kendisi karmaşık bir hal alır, bir fayda vermez ve öğrenci iyice kaybolur.


İkinci sorun ise kavramları anlayan öğrencilerle ilgili;

Öğrenci kavramları anlamış olsa bile gerçek hayat uygulamaları ile destekleyemezse o zaman da pratiğe dökememiş olur.

Aslında pratik bir saha olan Machine Learning'de gerçek anlamda uzmanlaşamaz.

Akademik olarak iyi olan birçok eğitimde de maalesef uygulama tarafı eksik.


Bu kurs işte bu iki soruna, kalıcı bir çözüm üretmek için geliştirildi.

Gerektiği kadar teorik bilginin üzerine fazlası ile uygulama yaparak, soru çözerek teori ve pratiği birleştiriyor.

Böylece siz, artık ne yaptığınızı ve neden yaptığınızı bilerek ama mutlaka elinizi kirleterek veri üzerinde çalışmış olacaksınız.

Ve Machine Learning'i sarsılmaz bir şekilde öğrenmiş olacaksınız.


Kursumuz "Makine Öğrenmesi Nedir?" diye başlıyor ve Supervised Learning'in tüm algoritmalarını bitirdikten sonra, Unsepervised Learning ile devam ediyor.


Hemen hemen her konu sonunda, gerçek bir proje yapacağız.

Böylece sarsılmaz bir şekilde Machine Learning'i öğrenmi olacaksınız.


Siz de teori ve pratiği birleştirip Machine Learning uzmanı olmak istiyorsanız, haydi bize katılın...


Screenshots

Makine Öğrenmesi (Machine Learning)
Makine Öğrenmesi (Machine Learning)
Makine Öğrenmesi (Machine Learning)
Makine Öğrenmesi (Machine Learning)

Content

Genel Bakış

Makine Öğrenmesi Nedir?

Makine Öğrenmesinin Tarihçesi

Makine Öğrenmesinin Türleri

Makine Öğrenmesi mi, Derin Öğrenme mi?

Kurulumlar

Notion Kurulumu

Anaconda Kurulumu

Jupyter Notebook Temelleri

Ortam Hazırlığı

ML Giriş Kavramları ve Notasyon

ML Giriş Kavramları - 1. Kısım

ML Giriş Kavramları - 2. Kısım

ML Giriş Kavramları - 3. Kısım

ML Giriş Kavramları - 4. Kısım

Notasyon

Öğrenme (Learning)

Öğrenme Nedir? - 1. Kısım

Öğrenme Nedir? - 2. Kısım

Öğrenme Nedir? - 3. Kısım

f'yi Neden Tahmin Ederiz?

Curse of Dimensionality

f'yi Nasıl Tahmin Ederiz?

Tahmin Doğruluğu mu, Model Sadeliği mi?

Regresyon vs. Sınıflandırma

Model Doğruluğunu Ölçmek

Tahmin Kalitesini Ölçmek - 1. Kısım

Tahmin Kalitesini Ölçmek - 2. Kısım

Tahmin Kalitesini Ölçmek - 3. Kısım

Bias-Variance Trade-Off

Sınıflandırma Kurulumu

Alıştırmalar

Basit Lineer Regresyon

Regresyon Nedir?

Katsayıları Tahmin Etmek

Katsayı Tahmininin Doğruluğu

Model Doğruluğunu Ölçmek

Çoklu Lineer Regresyon

Çoklu Lineer Regresyon Nedir?

Katsayıları Tahmin Etmek

Önemli Sorular

Regresyon Modelleri Hakkında

Saayısal Olmayan Girdiler

Lineer Modelin Genişletilmesi

Potansiyel Problemler

Lineer Regresyon ve KNN Karşılaştırması

Alıştırmalar

Gradient Descent

Gradient Descent Kavramları

Cost Function

Gradient Descent

Optimizasyon

Doğru Adım Büyüklüğünü Ölçmek

Minibatch ve Stochastic Gradient Descent

Sınıflandırma

Sınflandırmaya Genel Bakış

Neden Lineer Regresyon Değil?

Lojistik Regresyon

Lojistik Regresyon Nedir?

Lojistik Model

Katsayıları Tahmin Etmek

Tahmin Yapmak

Çoklu Lojistik Regresyon

2'den Fazla Sonuçlu Lojistik Regresyon

Naive Bayes

Naive Bayes'e Giriş

Naive Bayes Uygulaması

Lineer Diskriminant Analizi

Lineer Diskriminant Analizi Nedir?

Bayes Teoremini Kullanmak

p = 1 için LDA

p > 1 için LDA

Quadratik Diskriminant Analizi

Sınıflandırma Metodlarının Karşılaştırması

Sınıflandırma Metodlarının Karşılaştırması

Alıştırmalar

Model Performans Metrikleri

Model Performans Metrikleri

Model Seçimi

Model Seçimi

Yeniden Örnekleme Metodları

Cross-Validation

Validation Set Yaklaşımı

Leave-One-Out Cross-Validation

k-Fold Cross-Validation

k-Fold Cross-Validation için Bias-Variance İkilemi

Sınıflandırma Problemleri için Cross-Validation

Bootstrap

Alıştırmalar

Subset Selection

En İyi Alt Küme Seçimi

Stepwise Selection

Optimal Modeli Seçmek

Alıştırmalar

Regülarizasyon Metodları

Regülarizasyon Nedir?

Ridge Regression

Lasso

Ayar Parametresini Seçmek

Alıştırmalar

Boyut Azaltma

PCA

Partial Least Squares

Alıştırmalar

Yüksek Boyutlar

Yüksek Boyutlu Veriler

Yüksek Boyutta Ne Ters Gider?

Yüksek Boyutta Regresyon

Yüksek Boyutta Sonuçları Yorumlamak

Alıştırmalar

Decision Trees

Karar Ağaçlarının Temelleri

Regresyon Ağaçları

Sınıflandırma Ağaçları

Karar Ağaçlar, Lineer Modellere Karşı

Karar Ağaçlarının Avantajları ve Dezavantajları

Bagging

Bagging Nedir?

Out-of-Bag Hata Tahmini

Değişkenlerin Önem Ölçütleri

Random Forests

Random Forest Nedir?

Random Forest Uygulamaları

Boosting

Boosting Nedir?

Boosting Uygulamaları

Support Vector Machines (SVM)

Maximal Margin Classifier

Support Vector Classifier

Support Vector Machines

2'den Fazla Sınıf için SVM

SVM ve Lojistik Regresyon İlişkisi

Kerneller

Alıştırmalar

Unsupervised Learning

Gözetimsiz Öğrenme Nedir?

Gözetimsiz Öğrenmenin Zorluğu

Principal Component Analysis (PCA)

Principal Componentler Nedir?

Principal Componentlerin Yorumlanması

PCA Üzerine

PCA'nın Başka Kullanımları

K-Means Clustering

K-Means Clustering Nedir?

K-Means Clustering Uygulaması

Hierarchical Clustering

Hierarchical Clustering Nedir?

Dendogram

Hierarchical Clustering Algoritması

Benzersizlik Ölçütünü Seçmek

Clustering Algoritmaları Üzerine Pratik Konular

Küçük Kararlar - Büyük Sonuçlar

Cluster'ları Doğrulamak

Clustering ile İlgili Başka Konular

Clustering Sonuçlarını Yorumlamak

Clustering Alıştırmaları

Derin Öğrenmeye Giriş

Derin Öğrenme Nedir?

Perceptron

Teşekkürler ve Sonrası

Teşekkürler ve Sonrası


Reviews

E
Erkan22 May 2021

Bir çok makina öğrenmesi eğitimlerini inceledim, matematik mantığı anlatılıp kodlama yapılan ilk defa bu kadar guncel ve bir yerlerden kopyala yapıştır yapılmayan eğitim gördüm , üzerinde gerçekten emek verilmiş, teşekkür ediyorum

M
Mehmet18 May 2021

Musa hoca'nın temel Python kursu çok iyiydi. Bence UDEMY'deki en kaliteli Python kursudur. Bu kursu da o yüzden satın aldım. Yeni başlayacağız ancak görebildiğim kadarı ile bu eğitim de çok iyi. Umarım faydalı olur.

S
Serhat5 May 2021

Böylesine karışık bir konuyu çok basit ve açıklayıcı bir şekilde bize aktarabildiği için Musa hocaya teşekkür ederim. Bu ders için gezdiğim çeşitli platform ve dersler arasından konuyu en iyi anladığım kurs bu oldu. Kursun tamamlanamamasına çok üzüldüm, inşallah Musa hocayı tekrardan burada görebiliriz...


3871910

Udemy ID

2/24/2021

Course created date

3/3/2021

Course Indexed date
Bot
Course Submitted by