|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/makine-ogrenmesi/
课程评论：没有评论
课程名称：Python ile Makine Öğrenmesi 概述：您是否对机器学习感到好奇，或在工作中大量使用数据，亦或对未来机器的运作方式感到好奇？本课程由计算机工程领域的副教授Şadi Evren ŞEKER主讲。Şadi Evren ŞEKER在计算机工程方面获得学士、硕士和博士学位，并在硕士和博士期间专注于人工智能，之后作为博士后研究员在各国从事数据科学研究。他在机器学习、大数据、数据科学和人工智能领域发表了多篇学术论文和书籍，并为多个机构提供培训、咨询和软件服务，拥有近20年的行业经验。本课程旨在将零基础和初学者培养为机器学习领域的专家。课程将循序渐进地介绍机器学习的世界，通过不同的模块逐步增加技能，并展示数据科学的真实应用场景。此外，课程还将涉及深度学习和增强学习等热门主题，并通过示例展示这些概念的使用和应用。整个课程将以有趣和激动人心的方式进行讲解，主要内容包括： 第一部分 - 数据预处理 第二部分 - 预测与回归：简单线性回归、多个线性回归、多项式回归、支持向量回归、决策树回归、随机森林回归 第三部分 - 分类：逻辑回归、K-近邻、支持向量机、核支持向量机、朴素贝叶斯、决策树分类、随机森林分类 第四部分 - 聚类：K均值、层次聚类 第五部分 - 关联规则学习：Apriori、Eclat 第六部分 - 增强学习：上置信界、汤普森采样 第七部分 - 自然语言处理：词袋模型及NLP算法 第八部分 - 深度学习：人工神经网络、卷积神经网络 第九部分 - 变换与降维：PCA、LDA、核PCA 第十部分 - 模型选择与集成学习：k折交叉验证、参数调优、网格搜索、XGBoost 课程中将使用真实案例，指导学员创建自己的机器学习模型。本课程的一大亮点是提供Python语言的代码模板，学员可以在自己的问题中使用这些代码模板。
Makine öğrenmesini merak ediyor musunuz veya işinizde yoğun olarak veri kullanıyor veya gelecekte makinelerin nasıl çalışacağını merak ediyor musunuz?Bu kurs, Doç. Dr. Şadi Evren ŞEKER tarafından hazırlanmaktadır. Şadi Evren Şeker, lisans, yüksek lisans ve doktorasını bilgisayar mühendisliğinde tamamlamış, yüksek lisans ve doktora sırasında yapay zeka üzerine çalışmış ve sonrasında doktora sonrası araştırmacı olarak veri bilimi üzerine dünyanın çeşitli ülkelerinde çalışmalarına devam etmiş, makine öğrenmesi, büyük veri, veri bilimi ve yapay zeka konularında çok sayıda akademik makale ve kitaplar yayınlamış, literatüre kazandırdığı patent ve algoritmalar yanında 20 yıla yakın sektörde çok farklı kurumlara eğitim, danışmalık ve yazılım hizmetleri vermenin yanında halen aktif olarak akademisyenliğe ve sektörde veri bilimi, yapay zeka ve büyük veri uygulamalarına devam etmektedir. Aktif olarak çalıştığı şirketler arasında, Türkiye ve dünyada lider olan, bankacılık, telekom, sigortacılık, ulaştırma, inşaat, turizm ve finans firmaları bulunmaktadır. Bu kursta amaçlanan, hiç bilmeyen ve yeni başlayan birisini makine öğrenmesi konusunda uzman seviyesine çıkarmaktır. Adım adım, makine öğrenmesi dünyasına giriş yapılacak ve her bölümde farklı yetenekler kazandırılarak makine öğrenmesi ve bir alt çalışma alanı olarak görülebilecek veri bilimi konularındaki gerçek uygulamalar hakkında fikir verilecektir. Ayrıca güncel ve gözde konular olan derin öğrenme veya arttırımlı öğrenme gibi konulara da giriş yapılacak ve bu kavramların kullanımları ve uygulamaları örnekler üzerinden gösterilecektir. Kurs boyunca konular eğlenceli ve heyecanlı bir şekilde anlatılmaya çalışılacak ve genel bir yapı olarak aşağıdaki sıra izlenecektir. Part 1 - Veri Önişleme (Data Preprocessing)Part 2 - Tahmin ve Regresyon: Simple Linear Regression, Multiple Linear Regression, Polynomial Regression, SVR, Decision Tree Regression, Random Forest RegressionPart 3 - Sınıflandırma (Classification): Logistic Regression, K-NN, SVM, Kernel SVM, Naive Bayes, Decision Tree Classification, Random Forest ClassificationPart 4 - Bölütleme (Kümeleme, Clustering): K-Means, Hierarchical ClusteringPart 5 - Birliktelik Kural Çıkarımı (Association Rule Learning): Apriori, EclatPart 6 - Arttırımlı Öğrenme (Reinforcement Learning): Upper Confidence Bound, Thompson SamplingPart 7 - Doğal Dil İşleme (Natural Language Processing): Bag-of-words model and algorithms for NLPPart 8 - Derin Öğrenme (Deep Learning): Artificial Neural Networks, Convolutional Neural NetworksPart 9 - Boyut Dönüşümü ve indirgemesi (Transformation, Dimensionality Reduction): PCA, LDA, Kernel PCAPart 10 - Model Seçimi ve Kollektif Öğrenme: Model Selection & Boosting: k-fold Cross Validation, Parameter Tuning, Grid Search, XGBoostKurs kapsamında, gerçek hayat örnekleri kullanılacak ve kendi makine öğrenme modelinizi oluşturmanın yolu da gösterilecektir. Kursun en önemli özelliklerinden birisi, kurs kapsamında, Python dilinde kod şablonları verilecek olup bu kod şablonlarını, kendi problemlerinizde kullanabilecek olmanızdır.
