Tahmin analitiği ve makine öğrenmesi modelleri oluştururken, giriş seviyesi içeriklerde yer almayan ancak tahmin oranı yüksek ve doğru bir model oluşturmak için gerçekten çok önemli olan noktalar var. Bu atölyede, bu kritik noktaları, halen şirketlerin veri analitiği departmanlarında bile yapılabilen hataları ve çözüm yollarını, konsantre edilmiş bir şekilde, detaya inmeden gösteriyor olacağız.

Veri analitiği ve veri biliminin önemi her geçen gün giderek artmakta. Bugün her tür verinin toplandığı, işlendiği ve hayatımıza yön verdiği bir dünyada yaşıyoruz. Firmaların stratejilerinden siyasi partilerin seçim kampanyalarına, öneri sistemlerinden biyolojik araştırmalara her alanda veri analitiği kritik bir rol oynuyor.

Bu atölye ile birlikte kendinizi veri analitiği ve makine öğrenmesi alanında bir sonraki seviyeye taşımak için odaklanmanız gereken konular ve detaylardan haberdar olmuş olacaksınız.

Veri analitiği/makine öğrenmesine yeni başlamış ve modelleme becerilerini orta ve üst seviyeye çıkarmak isteyenler bu atölyede öğrenmeleri gereken temel konseptleri paket halinde bulacaklar.

Veri bilimi ve makine öğrenmesi alanında giriş seviyesinde bilgi sahibi olup, orta ve üst seviye konseptleri öğrenmek isteyen herkes bu atölyeye katılabilir. Katılımcının veri bilimi, makine öğrenmesi, tahmin/sınıflandırma modelleri gibi konseptlerin neler olduğunu yüzeysel olarak biliyor olması atölyedeki detay bilgilere hakim olması açısından önemli.

Atölye İçeriği

1) Etkili ve doğru bir tahmin analitiği modeli kurmak için veri setinin hazırlanması, modelin geliştirilmesi ve performansının değerlendirmesi aşamalarında hangi detaylara dikkat etmeliyiz?

 

2) Doğru bir model için dikkat edilmesi gerekenler

• Veri Hazırlama Adımları Ve Dikkat Edilmesi Gerekenler
• Testing/Training Ve Validation Setlerinin Kurulması
• Değişken Seçimi
• Cross Validation
• Feature Engineering
• Parameter Tuning
• Performans Değerlendirmesi

 

3) Mevcut veri setlerindeki binlerce yüzlerce değişken arasından doğru değişkenleri seçmenin zorlukları

• Değişken Seçimi Zorluğu
• Aksi Halde Karşılaşılabilecek Problemler: Aşırı Öğrenme (Overfitting), Target Leakage Vb.

 

4) Mükemmele yakın doğruluk değerleri gerçekten mükemmel midir?

• Çok Yüksek Bir Doğruluk Değeri Elde Ettiğinizde, Gerçekten Çok İyi Bir Model Oluşturduğunuzu Sanabilirsiniz Ancak Bu Çoğunlukla Yanlış Bir Sonuçtur

 

5) En çok karşılaşılan hatalardan nasıl korunabiliriz?

• Dengeli Veri Seti
• Doğru Algoritma Seçimi
• Doğru Performans Değerlendirme Tekniği