1. Python Eğitimi (Python’a giriş, Basit Operatörler, Kontrol Yapıları, Modüller, Listeler, Tuple Yapısı, Set Yapısı, Sözlükler, Fonksiyonlar, Dosya Giriş/Çıkış, Hata Ayıklama)

Python programlama diline giriş yapıyoruz. Python dilinin syntax’ı, operatörler ve kontrol yapıları kullanarak algoritma geliştirimi, Liste, Tuple, Set, Sözlük yapıları ve farkları, fonksiyon yapısı ve kütüphanelere giriş

 

2. Bazı Kütüphane Yapıları (Numpy, Matplotlib, Pandas)

Veri analizi ve makine öğrenmesi yöntemlerinde sıklıkla kullanılan kütüphanelerden birkaçına detaylıca bakıyoruz. Pandas kütüphanesi yardımıyla veriyi verimli bir şekilde işlemeyi, Matplotlib kütüphanesi yardımıyla veriyi görselleştirmeyi, Numpy kütüphanesi ile temel matematiksel işlemleri gerçekleştirmeyi ve matrisler, vektörler üzerinde işlemler yapmayı ve dizi yapılarına göz atacağız.

3. Veri Analizi ve Veriyi Hazırlama (Data Analysis and Data Preparation)

Bir önceki kısımlarda anlatılan kütüphaneleri kullanarak bulunan veri setlerini makine öğrenmesi modellerine hazır hale getireceğiz.

4. Gözetimli Öğrenme & Tahmin/Regresyon Algoritmaları (Supervised Learning & Regression Algorithms)

Veri setini hazırladıktan sonra sayısal tahminler yapmayı sağlayan gözetimli öğrenme yöntemlerinden regresyon algoritmalarına göz atacağız. (Örnek: bir basketbolcunun son 5 sezonda yaptığı skor katkısına göre bir sonraki sene ne kadar skor katkısı yapacağının tahmini)

5. Sınıflandırma Algoritmaları (Classification Algorithms)

Bu sefer de kategorik tahminler yapmayı sağlayan gözetimli öğrenme yöntemlerinden sınıflandırma algoritmalarına göz atacağız. (Örnek: Elde bulunan yiyeceklerin sebze sınıfı ya da diğerleri diye ayrılması)

6. Gözetimsiz Öğrenme & Kümelendirme Algoritmaları (Unsupervised Learning & Clustering Algorithms)

Gözetimsiz öğrenme çeşidi olan kümelendirme algoritmalarına ve bu algoritmaların sınıflandırma ve regresyon algoritmalarından farkının ne olacağını inceleyeceğiz.

7. Boyut İndirgeme (Dimension Reduction)

 

Yüksek boyutlu verilerin işlenmesi daha zordur. Bu yüzden veri setinin anlamı kaybolmadan bu verilerin boyutunu indirgemek için kullanılabilecek yöntemlere bakacağız.

 

8. Birliktelik Kural Çıkarımı (Association Rule Mining)

 

Özellikle Youtube, Netflix veya Hepsiburada, Trendyol gibi alışveriş sitelerinde çokça kullanılan Birliktelik Kural Çıkarımını inceleyeceğiz. Mesela bu ürünü alan kullanıcılar yanında şu ürünü de aldılar gibi ürün önerilerini hepimiz görmüşüzdür değil mi?

 

 

 

9. Pekiştirmeli Öğrenme (Reinforceement Learning)

Pekiştirmeli öğrenme adı verilen yöntem ile eğitilen modeller ne tür yöntemlerle daha da geliştirilebilir inceleyeceğiz.

10. Doğal Dil İşleme (Natural Language Processing)

 

Günümüzde Google Çeviri de dahil olmak üzere birçok alanda kullanılan ve sürekli gelişmekte olan Doğal Dil İşleme yöntemlerine göz atacağız.

 

11. Derin Öğrenme & Evrişimsel Sinir Ağları (Deep Learning & Convolutional Neural Networks)

 

Makine öğrenmesi yöntemlerinden en kapsamlısı olan derin öğrenmeye başlıyoruz. Derin öğrenme’nin mantığı, görüntü, ses işleme vb. yöntemlerde çokça kullanılan Evrişimsel sinir ağlarının mantığını ve işleyişini inceleyeceğiz.

12. Model Seçimi (Model Selection)

Model oluştururken kullanılabilecek çok fazla parametre var ancak bu parametrelerin nasıl seçileceğini tek tek denemek zaman alacak. Bunu denememiz için kullanılabilecek yöntemleri ve bu yöntemler sayesinde nasıl seçim yapabileceğimizi inceleyeceğiz.

 

13. XGBoost (Extreme Gradient Boosting) nedir?

Veriyi ön hazırlama yöntemlerini uygulamadan xgboost ile model eğitimini, avantajlarını ve dezavantajlarını inceleyeceğiz.

 

14. Görüntü İşleme (Image Processing)- Evrişimsel Sinir Ağları, Temel Makine Öğrenmesi Modelleri, OpenCV ve Face_Recognition kütüphanesi kullanılacak.

En sonda ise bir proje yapacağız. Bu proje, fotoğrafların işlenerek yüz tanınması için kullanılabilecek bazı yöntemleri içeriyor. Bu yöntemlerin avantajları, dezavantajları ve uygulanmasını inceleyip hangi modelin daha iyi sonuç verdiğini gözlemleyeceğiz.