Eğitim Detayı:
Python ile Kapsamlı Veri Bilimi sınıfımızı temel alır ve katılımcılara Python'da makine öğrenimi uygulamalarının nasıl yazılacağını öğretir.
Eğitim Hedefleri:
- • Tahmine dayalı modeller için yararlı bir araç olarak makine öğrenimini anlamak
- • Bir araç olarak makine öğrenimine ne zaman ulaşacağınızı bilmenizi sağlamak
- • Makine öğrenimi iş akışı için veri ön işlemeyi uygulamak
- • Denetimli ve denetimsiz görevler arasındaki farkı anlamak
- • Birkaç sınıflandırma algoritması uygulamak
- • Çeşitli metrikleri kullanarak model performansını değerlendirmek
- • Modelleri bir iş akışı genelinde karşılaştırmak
- • Regresyon algoritma varyasyonlarını uygulamak
- • Verilere yönelik kümeleme yaklaşımlarını anlamak
- • Kümelemeden oluşturulan etiketleri yorumlamak
- • Yapılandırılmamış metin verilerini yapılandırılmış verilere dönüştürmek
- • Metne özgü veri hazırlığını anlamak
- • Metin kaynaklarından frekans verilerini görselleştirmek
- • Bir belge koleksiyonu üzerinde konu modellemesi gerçekleştirmek
- • Belge sınıflandırması yapmak için etiketli metin kullanmak
Ön Koşullar:
Tüm katılımcıların Comprehensive Data Science with Python öğrenme süreçlerini tamamlamış veya eşdeğer deneyime sahip olması gerekir.
Eğitim İçeriği:
- • Review of Core Python Concepts
- • An Overview of Machine Learning
- • Supervised Learning: Regression
- • Supervised Learning: Classification
- • Unsupervised Learning: Clustering
- • Clustering for Treatment Effect Heterogeneity
- • Data Munging and Machine Learning Via H20
- • Introduction to Natural Language Processing (NLP)
- • NLP Normalization, Parts-of-speech and Topic Modeling
- • NLP and Machine Learning