| Course Description |
This course will teach the students how to start from scratch in answering questions about the real world using data. The model building process involves setting up ways of collecting data, understanding and paying attention to what is important in the data to answer relevant business questions, finding a statistical, mathematical or a simulation model to gain understanding and make
predictions. This process involves asking questions, gathering and manipulating data, building models, and ultimately testing and evaluating them.
R is the primary programming tool for reading datasets and model building and validation. |
| Course Description in Turkish |
Bu ders öğrencilere verileri kullanarak gerçek dünyayla ilgili soruları yanıtlamaya sıfırdan nasıl başlayabileceklerini öğretecektir. Model oluşturma süreci, veri toplamanın yollarını oluşturmayı, ilgili iş sorularını yanıtlamak için verilerde neyin önemli olduğunu anlamayı ve bunlara dikkat etmeyi, anlayış kazanmak ve yapmak için istatistiksel, matematiksel veya bir simülasyon modeli bulmayı içerir.
|
| Hafta |
Konu |
| 1) |
Temel kavramlar (temel eda ve model doğrulama ile basit bir örnek)
|
| 2) |
Temel kavramlar (temel eda ve model doğrulama ile basit bir örnek)
|
| 3) |
Python ile Doğrusal Regresyon modeli oluşturma (eda, özellik mühendisliği ve çapraz doğrulama ile daha ayrıntılı bir örnek)
|
| 4) |
Python ile Doğrusal Regresyon modeli oluşturma (eda, özellik mühendisliği ve çapraz doğrulama ile daha ayrıntılı bir örnek)
|
| 5) |
Python ile Ağaç Tabanlı Regresyon modeli oluşturma (model ayarlama, model değerlendirme, zaman serisi verilerinin çapraz doğrulanması ile bir örnek)
|
| 6) |
Python ile Ağaç Tabanlı Regresyon modeli oluşturma (model ayarlama, model değerlendirme, zaman serisi verilerinin çapraz doğrulanması ile bir örnek)
|
| 7) |
Python ile Güçlendirilmiş Ağaç Sınıflandırıcı modeli oluşturma (roc_auc, metrikler, karışıklık matrisi ile bir örnek)
|
| 8) |
Python ile Güçlendirilmiş Ağaç Sınıflandırıcı modeli oluşturma (roc_auc, metrikler, karışıklık matrisi ile bir örnek)
|
| 9) |
Python ile MLP modeli oluşturma (sinir ağlarıyla temel bir uygulama örneği)
|
| 10) |
Python ile MLP modeli oluşturma (sinir ağlarıyla temel bir uygulama örneği)
|
| 11) |
Değerlendirmesi, Yorumlanması ve Açıklanabilirliği (özellik önemlerini, şeklini, farklı model çıktılarının karşılaştırılması ile bir örnek)
|
| 12) |
Değerlendirmesi, Yorumlanması ve Açıklanabilirliği (özellik önemlerini, şeklini, farklı model çıktılarının karşılaştırılması ile bir örnek)
|
| 13) |
Bir modeller topluluğu oluşturmak (çeşitlilik kontrolü, topluluklar, yığınlar)
|
| 14) |
Bir modeller topluluğu oluşturmak (çeşitlilik kontrolü, topluluklar, yığınlar)
|
| 15) |
Proje/Sunum Dönemi |
| 16) |
Proje/Sunum Dönemi |
Bilgi Paketi / Ders Kataloğu