İstanbul/Türkiye
+90 850 4304050
yapayzeka@yapayzekaakademi.com

Applied Data Science Training

Training Consulting AI Software

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi kimler katılabilir?

Veri biliminde ve yapay zeka programcılığında uzmanlaşmak isteyen herkes

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi size ne kazandırır?

Prestij ve yeni çağın bilgi kültürünü öğrenme imkanı verir.
21. yüzyılın petrolü datadır.

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi eğitim takvimi

KURS ADI BAŞLAMA TARİHİ GÜN VE SAATLER BİLGİ AL
Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi – 1.Kur 5 Nisan 2020 Hafta İçi Gündüz
Pazartesi -Salı-Çarşamba-Perşembe 09:00-12:00
Bilgi Almak için Tıklayınız
Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi – 1.Kur 12 Nisan 2020 Hafta İçi Akşam
Pazartesi-Salı-Perşembe 18:30-21:30
Bilgi Almak için Tıklayınız
Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi – 1.Kur 24 Nisan 2020 Hafta sonu Sabah
Cumartesi-Pazar 09:00-12:00
Bilgi Almak için Tıklayınız
Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi – 1.Kur 8 Mayıs 2020 Hafta sonu Akşam
Cumartesi-Pazar 18:00-21:00
Bilgi Almak için Tıklayınız

Kurs Hakkında

Her gün 2,5 quintillion bayt veri üretiliyor ve hızla artıyor! 2020’ye kadar dünyadaki her insan için saniyede 1.7MB veri oluşturulacağı tahmin ediliyor.

Machine Learning patentleri, 2013-2017 yılları arasında verilen tüm patentlerin üçüncü en hızlı büyüyen kategorisi olan %34 tür. Ayrıca, International Data Corporation (IDC), AI ve ML’ye yapılan harcamaların 2017’de 12 milyar dolardan 2021 yılına kadar 57,6 milyar dolara çıkacağını tahmin ediyor.

Fırsat verilerin artması, gelişmiş bilgi işlem gücü ve daha sonra ucuz depolamadır. Bu üçünün birleşimi bizi ML ve AI kullanan veri odaklı projelerde daha fazla kariyer haline getiriyor.

Uygulamalı Veri Biliminde uzmanlaşmak, öğrencilere web üzerinden veri toplama, veri analiziyle verilerin doğrulanması, ML algoritmalarının oluşturduğu modelleri yorumlanmış metriklerle karşılaştırma ve daha farklı uygulama metodolojileri gibi Veri Bilimi’nin pratik yönlerini öğretecek, proje odaklı bir derstir. .

Buna ek olarak, tavsiye sistemleri, doğal dil işleme (NPL) ve bilgisayarlı görüntü sistemleri gibi yapay zekanın günlük uygulamalarında yer alan konuları tanıtarak veri biliminin daha gelişmiş yönlerini öğrencilerimize göstermekteyiz.

Sınıflarımız, sınıf içi uygulamalı projeler ve derinlemesine gerçek hayattaki iş projeleri ile pekiştirirken arka plan ve içgörü sağlar. Öğrencilerin bulgularını ve belgelerini proje boyunca sunmaları ve iş sorununu çözmek için bir sonraki adımlarının ne olacağını açıklamaları beklenmektedir.

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi – 1 Toplam Ders Saati

30 saatlik uygulama ağırlıkta ders planımız vardır.

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi – 1 Eğitim lokasyonları

Şişli/İstanbul
Altunizade/İstanbul

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi – 1 Ücret bilgisi

Lütfen eğitim danışmanlarımıza sorunuz.

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi – 1 Ön şart ve gereksinimler

Öğrencilerin temel herhangi bir yazılım dili üzerinde ön bilgi bilmesi istenir.
Ön hazırlık 1 ve ön hazırlık 2 ödevleri tamamlanmış olmalıdır. Ücrete dahildir.

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimini neden bizden almalısınız?

Sınıf Ortamında Yüz yüze eğitim
Uygulamalı Laboratuvarlar; Öğrenmenin uygulama ağırlıklı proje bazlı eğitim yöntemi.
Ön Çalışma bire bir yapılır
% 100 Uygulamalı Öğrenme
Mentorluk
Proje Tabanlı Öğrenme
Proje Grupları ile projeleri hazırlama
Projeyi veya Oturumu Tekrarlama İmkanı
Ofis saatleri ile anlaşılmayan konuların tekrarı ve soruların çözümleri

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi başarılı olanlara verilecek sertifika

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi alan öğrencilerimize kurs bitirme sertifikası vermekteyiz. Bu sertifika bu kursda gördüğünüz konularda uzman olduğunuzu ifade eden sertifikadır.

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi -1 Kimler için Uygundur?

Kariyerini değiştirmek isteyenler,
Bir lider olmak ve seçilen alanda kendilerini geliştirmek için bilgilerini geliştirmek ve becerilerini geliştirmek isteyenler,
Üniversite öğrencileri ve yeni mezunlar uygulamalı deneyim arayan ve okul ve gerçek dünya uygulamaları arasındaki boşluğu doldurmak isteyenler.
Çalışabileceğiniz sektörler: pazarlama, mühendislik, sağlık hizmetleri, sigorta, eğitim, emlak, imalat, e-ticaret, spor alanlarında veri bilimi ve yapay zekanın kullanıldığı tüm alanlarda.

Uygulamalı Veri Bilimi ve Yapay Zeka Eğitimi 1. Kur Eğitim İçeriği

ÖnÇalışma

Python 101

İstatistik 101

SQL 101

Web 101

Uygulamalı Eğitim Konuları

Session I : Python ile Veri Bilimine giriş

Birinci sınıfımızda, Python’daki bazı ara işlevleri gözden geçireceğiz ve bir veri bilimcisinin geleneksel bakış açısına karşı istenilen kabiliyetleri kazanması için uygulamalı örneklerle konu pekiştirilecelek. Gerçek hayatta kullanılan örneklerle uygulama ağırlıkat bir eğitim programı yapacağız. Ayrıca, CRISP-DM veri bilimi metodolojisine ve makine öğreniminin iki zihniyeti arasındaki ayrımlarla seçilen çerçeveye bir giriş yapılacaktır: denetimli öğrenme ve denetimsiz öğrenme. Oturumda, Python ile ilgili temel bilgileri tamamlayacak bir kaç projemiz var: Temperature , veri temizleme, …

Temel Python Eğitim Konuları
Türler ve Değişkenler
For Loops (For Döngüleri)
While Loops (While Döngüleri)
Temel İfadeler
Veri Yapıları
Fonksiyonlar
Lambda Fonksiyonu
Files I/O (Dosya Okuma/Yazdırma)
Tuples & Sequences (Demetler & Diziler)
Dictionaries (Sözlükler)
Files I/O (Dosya Okuma/Yazdırma)
Exceptions (İstisnalar)
Düzenli İfadeler (Regular Expressions)
Modüller ve Paketler
Sınıflar, Kütüphaneler
Veritabanı Erişimi
XML ve JSON

Proje 1: Python fonksiyonları ile ilgili çalışma-ödev

Session II : Data Analizine Giriş

Veri biliminin, öğrencilerin veri analitiği sorusu ile veri bilimi sorusu arasındaki farkı belirlemelerine yardımcı olabileceği soruları sorarak başlıyoruz. Ayrıca, döngüde ilerlemeden önce CRISP-DM aşamalarının gerektirdiği sorular şeklinde kilit kontrol listesi öğelerinin ne olduğunu daha ayrıntılı olarak inceliyoruz. Denetimli öğrenme ve denetimsiz öğrenme arasındaki özellikler ve bazen denetimli öğrenmenin neden çoğumuzun karşılaşacağı yöntem olduğunu açıklar, ancak denetimsiz öğrenme, verilerde hayal edebileceğimizden daha fazla örüntü oluşturacaktır. Veri bilimi projeleri için neyin iyi veri olarak kabul edildiğinin kendi kendini kontrol etme mantığını sunuyoruz: iyi veri nedir ve iyi verilerden kötü verileri nasıl tespit edebiliriz ve öğrencilerin kirli verilerle nasıl başa çıkabileceğimizi düşünmelerine ve yorumlamalarına izin veririz. Daha sonra, öğrencilerin dört V aracılığıyla küçük verilerden büyük verileri tanımlamasına yardımcı olacak nitelikleri veriyoruz. Sayısal ve kategorik matematiksel değişkenler arasındaki farkların neler olduğu üzerine küçük bir derleme ve veri biliminde istatistiklerin en çok nerede gerekli olduğu kısa bir vaka: veri analizi aşaması. Sınıfın uygulamalı kısmı öğrencileri NumPy ve Pandas tanıştırır ve bu kavramları uygulayarak verilerin nasıl temizleneceğini, işleneceğini ve analiz edileceğini gösterir. Giriş veri bilimi yöntemleri ve temizliği ile tanınan bir Kaggle yarışması olan Titanic için veri seti verilecek. Öğrencilerin ortaya çıkan veri bilimi mantığında Pandas ile veri analizi becerileri uygulamalı örneklerle pekiştirlecek.



İstatistik Kavramları (anakütle, örnekleme, spek limiti, kontrol limiti,
tolerans ve olasılık)
Nitel (Kalitatif), Nicel (Kantitatif) veriler
Seriler
Ortalamalar, Varyans, Standart Sapma
Histogram
Binom dağılımı
Normal dağılım
Tolerans, Kontrol Limitleri, Aralıklar
Histogram
Kesikli ve sürekli veriler
Yığılma Göstergeleri (orta değer, ortalamalar, mod, medyan)
Yayılma Göstergeleri (range, standart sapma, varyans)
Olasılık Dağılımları
Binom Dağılımı
Poisson Dağılımı
Hipotez testing & p-value & t-value
Veri Türleri ve Veri Toplama

Python Kütüphanaleri, pandas, numpy ,…

Proje 2: Titanic datası üzerinden uygulama

Session III : Veri Görselleştirme & Veri Analizi

Veri biliminde görselleştirmenin amacının ne olduğunu sorarak, grafiklerle grafik ve karar verme ile öğrencinin deneyimlerini genişleterek başlıyoruz. Matplotlib’in şekil özellikleri ve özelliklerine kısa bir giriş yapmadan önce, farklı türde veri üretmek için NumPy işlevlerinin gözden geçirilmesi yapılır. Eğitmenler olarak histogramlar ve dağılım grafikleri gibi en yaygın analiz tabanlı görsellerin neler olduğunu açıklamaya devam ediyoruz. Matiklotlib’de grafik çizme ve grafiğin yararlı olup olmadığını analiz etmek için çeşitli veri setleri ile görselleştirmeler yapmaktayız. Web’den veri çekerek bu verilerin ilerleyen derslerimizde NLP için kullanıma hazır hale getirmekteyiz. Yaygın Excel işlevleri gibi, verileri Pandasla analiz ediyoruz.Projelerle pekiştirdiğimiz dersimiz anket verileri, gibi gerçek hayatta kullanılmakta olan veriler ile ugulamalar yapmaktayız. Bu oturumun sonunda bir GitHub, kaggle havuzunun oluşturulması bekleniyor ve öğrenciler kendi bloglarını nasıl oluşturacaklarını ve içerik yayınlamaya başlayacaklarını öğrenecekler.


Temel SQL komutları
Veritabanı proğramları hakkında bilgiler

Temel HTML bilgisi
Temel CSS ve Javascript Bilgisi

Proje 3: Anket sonuçları verilerinin görselleştirilmesi ve analizi

Session IV : Machine Learning (Makina Öğrenimi)

Denetimli öğrenme ile denetimsiz öğrenme arasındaki farkı açıklayarak, öğrencilere belirli senaryoların denetimli öğrenme için neden etkili olmayacağını sorarak inceleyeceğiz. Ayrıca, denetimli öğrenme, regresyon ve sınıflandırma olmak üzere sonuç odaklı iki yöntem hakkında bir açıklama da açıkça ortaya konulacak. Bir regresyon problemini belirlemeye, regresyon yöntemlerini kullanarak modellemeye anında analiz yapmaya, modelleri değerlendirmeye, ardından farklı metriklerle en iyi sonuçları optimize etmeyi öğretiyoruz. Daha sonra, öğrenciler, linear, polynomial, ridge, lasso, gradient, robust, & an introduction to logistic regression for classification terimleri ile modellerinden birini oluşturmaya çalışacaklardır. Regresyon kullanan Kaggle tabanlı bir projeyle sona erer.

Proje 4: Araba fiyatları görselleştirme ve makina öğrenmesi ile tahmin edilmesi

Proje 5: Ev fiyatları görselleştirme ve makina öğrenmesi ile tahmin edilmesi