Eğitim İçeriği
Eğitim İçeriği
- Makine Öğrenmesine Giriş ve Regresyon
--Makine Öğrenmesi Giriş
--Kütüphaneleri Yükleme ve İndirme
--Veri Ön İşleme
--Kayıp ve Eksik Veriler
--Kategorik Değişkenler
--Normalizasyon (Feature Scaling)
--Veri setini eğitim ve test olarak ayırma
--Veri hazırlığı şablonu oluşturma
- Regresyon
--Basit Lineer Regresyon
--Çoklu Lineer Regresyon
--Polinom Regresyon
--Regresyon Modeli Değerlendirme
- Sınıflandırma ve Kümeleme
-Sınıflandırma
--Lojistik Regresyon ile Sınıflandırma
--K En Yakın Komşu ile Sınıflandırma
--Destek Vektör Makinesi (Support Vector Machine) Sınıflandırma
--Naive Bayes ile Sınıflandırma
--Karar Ağacı ile Sınıflandırma
--Rastgele Orman (Random Forest) ile Sınıflandırma
--Sınıflandırma Modeli Değerlendirme
-Kümeleme
--K-Ortalamalar ile Kümeleme
--Hiyerarşik Kümeleme
- Boyut İndirgeme, En İyi Model Seçimi, Derin Öğrenme Giriş
-Boyut İndirgeme
--Temel Bileşenler Analizi (Principal Component Analysis)
--Lineer Diskriminant Analizi
-Model Seçme
--K-Fold Cross Validation
--Grid Search
--En iyi model seçimi
- Finans Alanında Büyük Veri
- Alternatif Veriler
- Ekonometri ve Finansal Modelleme İncelemesi
- Makine Öğrenmesi Tanımları ve çerçevesi
- Makine Öğrenmesi Modellemesi ve Metrikleri
- Denetimli Öğrenme
- Denetimsiz Öğrenme
- Güçlendirme Öğrenmesi
- Derin Öğrenme
- Yapay zeka
- Modern Finansal Modelleme
- Python'da Makine Öğrenimi Modellerinin Uygulanması
