Makine Öğrenimi
Machine Learning

Makine Öğrenmesine Giriş ve Python Temelleri

• • Makine öğrenmesinin tanımı, tarihçesi ve günümüzdeki uygulama alanları
• • Supervised, Unsupervised ve Reinforcement Learning yaklaşımları
• • Python programlama temelleri: veri tipleri, döngüler, fonksiyonlar
• • NumPy ile matris işlemleri ve matematiksel operasyonlar
• • Pandas DataFrame yapısı ve temel veri manipülasyon teknikleri
• • Jupyter Notebook ve Google Colab ortamlarının etkin kullanımı

Veri Ön İşleme ve Keşifsel Veri Analizi

• • Veri kalitesi değerlendirmesi ve temizleme stratejileri
• • Eksik veri analizi: silme, doldurma ve imputation yöntemleri
• • Aykırı değer tespiti ve yönetimi (IQR, Z-score, Isolation Forest)
• • Feature scaling teknikleri: normalizasyon, standardizasyon
• • Kategorik değişkenlerin dönüştürülmesi: Label/One-Hot Encoding
• • Matplotlib ve Seaborn ile ileri düzey veri görselleştirme

Denetimli Öğrenme - Regresyon Algoritmaları

• • Lineer regresyon teorisi ve en küçük kareler yöntemi
• • Çoklu lineer regresyon ve multicollinearity problemi
• • Polinom regresyon ve özellik mühendisliği teknikleri
• • Ridge, Lasso ve Elastic Net regularizasyon yöntemleri
• • Regresyon metrikleri: MSE, RMSE, MAE, R², Adjusted R²
• • Scikit-learn ile end-to-end regresyon pipeline oluşturma

Denetimli Öğrenme - Temel Sınıflandırma Algoritmaları

• • Sınıflandırma problemleri ve binary vs multi-class farkları
• • Lojistik regresyon: sigmoid fonksiyonu ve log-odds
• • K-En Yakın Komşu (KNN): mesafe metrikleri ve k optimizasyonu
• • Naive Bayes sınıflandırıcıları ve text classification
• • Sınıflandırma metrikleri: confusion matrix, precision, recall
• • ROC eğrisi analizi ve AUC yorumlama

Karar Ağaçları ve Support Vector Machines

• • Karar ağaçları: entropy, information gain, Gini index
• • CART algoritması ve ağaç budama teknikleri
• • Support Vector Machines teorisi ve maksimum margin
• • Kernel trick: Linear, Polynomial, RBF kernel fonksiyonları
• • Soft margin SVM ve C parametresi optimizasyonu
• • Multi-class stratejiler: One-vs-One, One-vs-Rest

Ensemble Yöntemler ve İleri Teknikler

• • Random Forest: bagging ve random subspace method
• • Boosting algoritmaları: AdaBoost, Gradient Boosting, XGBoost
• • Feature importance analizi ve SHAP değerleri
• • Ensemble voting stratejileri ve weighted voting
• • Imbalanced veri setleri için çözümler: SMOTE, ADASYN
• • Model kalibrasyonu ve güvenilir tahmin skorları

Denetimsiz Öğrenme - Kümeleme Algoritmaları

• • K-Means algoritması ve optimal K değerinin belirlenmesi
• • Hierarchical clustering: agglomerative ve divisive yaklaşımlar
• • DBSCAN ile yoğunluk tabanlı kümeleme ve gürültü tespiti
• • Gaussian Mixture Models (GMM) ve soft clustering
• • Kümeleme performans metrikleri: Silhouette, Davies-Bouldin
• • Kümeleme sonuçlarının yorumlanması ve görselleştirilmesi

Boyut İndirgeme ve Feature Engineering

• • Principal Component Analysis (PCA) ve varyans açıklama
• • Linear Discriminant Analysis (LDA) supervised boyut indirgeme
• • t-SNE ve UMAP ile non-linear boyut indirgeme
• • Autoencoders temelleri ve anomali tespiti
• • Feature engineering: polynomial features, interaction terms
• • Feature extraction vs feature selection karşılaştırması

Makine Öğrenmesi Değerlendirme Metrikleri

• • Regresyon metrikleri: MAE, MSE, RMSE, MAPE, R² analizi
• • Sınıflandırma metrikleri ve confusion matrix detaylı analizi
• • ROC ve Precision-Recall eğrileri, optimal threshold belirleme
• • Imbalanced veri setleri için özel değerlendirme teknikleri
• • Kümeleme performans metrikleri ve yorumlama
• • Business metrikleri ile ML metriklerinin ilişkilendirilmesi

Model Değerlendirme ve Hyperparameter Optimizasyonu

• • Train-validation-test split stratejileri ve data leakage önleme
• • Cross-validation teknikleri: K-Fold, Stratified K-Fold
• • Overfitting ve underfitting problemlerinin tespiti ve çözümü
• • Grid Search, Random Search ve Bayesian Optimization
• • Feature selection: Filter, Wrapper ve Embedded metodlar
• • Model interpretability: SHAP values, LIME teknikleri

Uygulama Modülü 1
E-Ticaret Müşteri Segmentasyonu ve Churn Tahmini

• • Gerçek e-ticaret veri seti üzerinde müşteri davranış analizi
• • RFM analizi ile müşteri segmentasyonu oluşturma
• • Unsupervised learning ile müşteri grupları belirleme
• • Supervised learning ile müşteri terk tahmini modeli
• • Feature importance analizi ve model yorumlama
• • Model sonuçlarının business insights'a dönüştürülmesi

Uygulama Modülü 2
Kredi Risk Skorlama Sistemi ve Dashboard

• • Banka kredi başvuru verisi ile risk skorlama sistemi geliştirme
• • Veri ön işleme, feature engineering ve model seçimi
• • Hyperparameter optimizasyonu ve model fine-tuning
• • Flask API olarak model deployment
• • Streamlit ile interaktif dashboard oluşturma
• • Model tahminlerinin görselleştirilmesi ve yorumlanması