• 4. Denetimli Öğrenme (Supervised Learning)

  • Doğrusal Regresyon (Linear Regression)

  • Lojistik Regresyon (Logistic Regression)

  • K-En Yakın Komşu (K-Nearest Neighbors – KNN)

  • Karar Ağaçları (Decision Trees)

  • Destek Vektör Makineleri (Support Vector Machines – SVM)

  • Rastgele Orman (Random Forest)

 

​​​​Algoritmalar yalnızca teorik olarak değil, hangi problem için hangi yaklaşımın kullanılacağı perspektifiyle ele alınır. Bu algoritmalar mevcut üç günlük programımızın teknik omurgasında da yer almaktadır.

​​

• 5. Denetimsiz Öğrenme (Unsupervised Learning)

  • Kümeleme (Clustering)

  • K-Means

  • Hiyerarşik Kümeleme (Hierarchical Clustering)

  • Gerçek dünya kullanım alanları

​​​

• 6. Pekiştirmeli Öğrenmeye Giriş (Reinforcement Learning)

  • Pekiştirmeli Öğrenmenin temel çalışma mantığı

  • Ödül, durum ve eylem kavramları

  • Q-Öğrenmeye (Q-Learning) giriş

  • Kullanım alanları

​​​

Pekiştirmeli Öğrenme ve Q-Learning mevcut üç günlük programımızda da yer almaktadır.

​​

• 7. Model Performansı ve Model Seçimi

  • Model performansının ölçülmesi

  • Doğruluk (Accuracy)

  • Kesinlik (Precision)

  • Duyarlılık (Recall)

  • Aşırı öğrenme (Overfitting)

  • Yetersiz öğrenme (Underfitting)

  • Modellerin karşılaştırılması

  • Uygun modelin seçilmesi

​​​

• 8. Yapay Sinir Ağları ve Derin Öğrenme

  • Yapay Sinir Ağları (Artificial Neural Networks)

  • Derin Öğrenmenin (Deep Learning) temel çalışma mantığı

  • Derin Öğrenme ne zaman kullanılmalı?

  • Görüntü ve metin uygulamaları

  • Gerçek dünya kullanım alanları

​​​

UYGULAMA

 

Gerçek bir veri seti üzerinde model geliştirme, farklı algoritmaların karşılaştırılması ve sonuçların değerlendirilmesi

​