Makine Öğrenmesine Giriş Eğitimi: Yapay Zekanın Kalbine İlk Adım!

Eğitim Süresi: 6 Saat (1 Gün)

Eğitim Tanımı: Günümüzün en heyecan verici ve dönüştürücü teknolojilerinden biri olan Makine Öğrenmesi (Machine Learning) dünyasına adım atmaya hazır mısınız? Bu yoğun ve uygulamalı eğitimde, makine öğrenmesinin temel kavramlarını, nasıl çalıştığını ve günlük hayatta nasıl kullanıldığını keşfedeceksiniz. Herhangi bir ön bilgi gerektirmeyen bu eğitim, Python programlama dili ve popüler makine öğrenmesi kütüphanesi Scikit-learn (sklearn) üzerinden pratik uygulamalarla desteklenerek, katılımcılara bu alanda sağlam bir başlangıç yapma fırsatı sunmaktadır. Yapay zekanın kalbine inerek geleceğin teknolojilerine yön vermek isteyen herkesi bu eğitime bekliyoruz!

Eğitimin Somut Çıktıları ve Katkıları:

• Makine Öğrenmesi Temellerini Kavrama: Makine öğrenmesinin ne olduğunu, neden önemli olduğunu ve temel prensiplerini net bir şekilde anlayacaksınız. Bu sayede yapay zeka alanındaki tartışmaları daha bilinçli takip edebileceksiniz.
• Pratik Python Becerileri: Makine öğrenmesi algoritmalarını uygulamak için gerekli temel Python programlama becerilerini kazanacak veya mevcut becerilerinizi pekiştireceksiniz.
• Scikit-learn (sklearn) ile Tanışma: Sektör standardı olan Scikit-learn kütüphanesini kullanarak veri setleri üzerinde pratik makine öğrenmesi uygulamaları geliştirebilecek ve temel modelleri oluşturabileceksiniz.
• Gerçek Dünya Uygulamaları: Makine öğrenmesinin finans, sağlık, e-ticaret gibi farklı sektörlerde nasıl kullanıldığını somut örneklerle görecek ve kendi projeleriniz için ilham alacaksınız.
• Veri Odaklı Düşünme Yeteneği: Verinin önemini, nasıl hazırlandığını ve makine öğrenmesi modelleri için nasıl kullanıldığını öğrenerek veri odaklı problem çözme becerilerinizi geliştireceksiniz.
• Yapay Zeka Kariyerine İlk Adım: Makine öğrenmesi, yapay zeka alanında kariyer yapmak isteyenler için kritik bir başlangıç noktasıdır. Bu eğitim, size bu alandaki ilk sağlam temeli atacaktır.
• Geleceğin Teknolojisini Anlama: Yapay zekanın sadece bir “gelecek” değil, aynı zamanda “bugün” olduğunu kavrayacak ve teknolojik gelişmeleri daha iyi yorumlama yeteneği kazanacaksınız.
• Problem Çözme ve Analitik Yaklaşım: Makine öğrenmesi algoritmalarını kullanarak gerçek dünya problemlerine analitik çözümler üretme yeteneğinizi geliştireceksiniz.
• Sertifika İmkanı: Eğitimi başarıyla tamamlayan katılımcılara katılım sertifikası verilecektir.

---

Eğitim İçeriği Detaylı Planı:

Saat 1: Makine Öğrenmesine Giriş: Temel Kavramlar ve Ortam Kurulumu

• Makine Öğrenmesi Nedir?
  • Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme Arasındaki Farklar.
  • Neden Makine Öğrenmesi? (Günlük Hayattan Örnekler: Öneri Sistemleri, Spam Filtreleme, Görüntü Tanıma vb.)
  • Makine Öğrenmesi Nasıl Öğrenir? (Veri, Algoritma, Model İlişkisi)
• Makine Öğrenmesi Türleri:
  • Denetimli Öğrenme (Supervised Learning): Sınıflandırma ve Regresyon.
  • Denetimsiz Öğrenme (Unsupervised Learning): Kümeleme ve Boyut İndirgeme.
  • Pekiştirmeli Öğrenme (Reinforcement Learning) (Kısaca değinilecek).
• Gerekli Ortam Kurulumları:
  • Python Programlama Dili Kurulumu (Anaconda Dağıtımı önerilir).
  • Temel Python Kütüphaneleri (NumPy, Pandas, Matplotlib) ve Kurulumları.
  • Scikit-learn (sklearn) Kütüphanesi Kurulumu.
  • Jupyter Notebook Kullanımına Giriş.

Saat 2: Veri Bilimi ve Makine Öğrenmesi için Temel Python Kütüphaneleri

• NumPy ile Sayısal İşlemler:
  • Diziler (Arrays) ve Temel Özellikleri.
  • Dizi Oluşturma ve Manipülasyonu.
  • Temel Matematiksel Operasyonlar.
• Pandas ile Veri Manipülasyonu:
  • DataFrame Oluşturma ve İçe Aktarma (CSV, Excel).
  • Veriye Genel Bakış (head, info, describe).
  • Veri Seçme ve Filtreleme.
  • Eksik Veri Yönetimi.
• Matplotlib ile Veri Görselleştirme:
  • Temel Grafik Türleri (Çizgi, Saçılım, Histogram).
  • Grafik Özelleştirme.

Saat 3: Denetimli Öğrenme: Sınıflandırma Algoritmalarına Giriş

• Veri Hazırlığına Devam:
  • Ön İşleme: Kategorik Veri Dönüşümü (One-Hot Encoding).
  • Özellik Ölçekleme (Feature Scaling) (StandardScaler, MinMaxScaler).
  • Eğitim ve Test Kümelerine Ayırma (train_test_split).
• Sınıflandırma Nedir?
  • Kullanım Alanları (Müşteri Bölümlendirme, Hastalık Teşhisi).
• Temel Sınıflandırma Algoritmaları:
  • K-En Yakın Komşu (K-Nearest Neighbors – KNN).
  • Karar Ağaçları (Decision Trees).
• Uygulama: Gerçek bir veri seti üzerinde (örneğin Iris veya Tiantic) KNN ve Karar Ağaçları ile sınıflandırma modeli oluşturma.

Saat 4: Denetimli Öğrenme: Regresyon Algoritmalarına Giriş ve Model Değerlendirme

• Regresyon Nedir?
  • Kullanım Alanları (Ev Fiyat Tahmini, Hisse Senedi Fiyat Tahmini).
• Temel Regresyon Algoritmaları:
  • Basit Doğrusal Regresyon (Simple Linear Regression).
  • Çoklu Doğrusal Regresyon (Multiple Linear Regression).
• Uygulama: Basit bir veri seti üzerinde doğrusal regresyon modeli oluşturma.
• Model Performansını Değerlendirme:
  • Sınıflandırma Metrikleri (Accuracy, Precision, Recall, F1-Score).
  • Regresyon Metrikleri (Mean Absolute Error, Mean Squared Error, R-squared).
  • Karmaşıklık Matrisi (Confusion Matrix) nedir?

Saat 5: Denetimsiz Öğrenme: Kümeleme Algoritmalarına Giriş

• Denetimsiz Öğrenme Nedir?
  • Kullanım Alanları (Müşteri Segmentasyonu, Anomali Tespiti).
• Temel Kümeleme Algoritmaları:
  • K-Means Kümeleme.
  • Hiyerarşik Kümeleme (Kısaca değinilecek).
• Uygulama: Bir veri seti üzerinde K-Means kümeleme algoritması ile veri noktalarını gruplandırma.
• Elbow Metodu ve Siluet Skoru ile Kümeleme Sayısını Belirleme.

Saat 6: Uygulama Projesi ve Gelecek Adımlar

• Mini Proje Uygulaması: Eğitimin başında belirlenen veya eğitmen tarafından sağlanan daha kapsamlı bir veri seti üzerinde (örneğin bir film puanlama veya ürün tavsiye sistemi) makine öğrenmesi modelinin baştan sona oluşturulması.
  • Veri Yükleme ve Keşifsel Veri Analizi (EDA).
  • Veri Ön İşleme.
  • Model Seçimi ve Eğitimi.
  • Model Değerlendirme ve İyileştirme.
• Makine Öğrenmesi Alanında Gelecek Adımlar:
  • İleri Seviye Algoritmalar (Destek Vektör Makineleri, Rastgele Ormanlar, Gradient Boosting).
  • Derin Öğrenme (Deep Learning) ve Sinir Ağlarına Kısa Bir Giriş.
  • Makine Öğrenmesi Projelerinde Karşılaşılabilecek Zorluklar ve Çözümler.
  • Kariyer Yolları ve Kaynaklar (Online Kurslar, Topluluklar, Kitaplar).
• Soru-Cevap ve Sertifika Takdimi.

Eğitim Katılımcıları İçin Notlar:

• Eğitim öncesinde bilgisayarınıza Python ve Jupyter Notebook kurulu olması tavsiye edilir. Kurulum sürecinde destek sağlanacaktır.
• Eğitim boyunca aktif katılım ve soru sorma teşvik edilmektedir.
• Eğitim materyalleri (sunumlar, kod örnekleri, veri setleri) katılımcılarla paylaşılacaktır.