İş zekası ve raporlama yıllarca ne oldu sorusunun cevabını doğru formatta, doğru zamanda bize vermeye çalıştı. Ancak artık ne oldu sorusu cevabını öğrenmek istediğimiz şeylerin sadece küçük bir kısmını oluşturuyor. Neden oldu? Ne olacak? Ne yapmalı? Tüm bu sorulara cevaplar aranıyor. Bu eğitimde makine öğrenmesi kullanarak iş hayatındaki belirsizlik senaryolarının nasıl çözümlenebileceğini ele alacağız. Eğitimin amacı, katılımcıların - Makine öğrenmesinin ne olduğunu ve iş hayatında nasıl konumlanabileceğini öğrenmesi, - Makine öğrenmesi problem tiplerini kavraması, - Bir iş problemine makine öğrenmesi mantığıyla yaklaşım sürecini çözümlemesi, - Temel bir makine öğrenme deneyini geliştirebilmesidir. Bu eğitimin devamında Python ile Makine Öğrenmesi eğitiminin alınması önerilir.
•Neden her şirket veri şirketi olmak zorunda?
•Dijital dönüşüm ve yıkıcı teknolojiler
•Dijital dönüşümün ölçeği
•Dijital dönüşüm içinde verinin yeri
•Veri ne zaman değerlidir?
•Veri Malumat Bilgi Bilgelik
•Veriye neler sorabiliriz?
•Ne oldu? Neden oldu? Ne olacak? Ne yapmalıyım?
•Ne oldu: Raporlama, iş zekası, veri ambarı
•Neden oldu, ne olacak: Makine öğrenmesi
•Ne yapmalıyız: Yapay zeka
•Veri rolleri
•Veri analisti (Data analyst), Veri mühendisi (Data engineer), Veri bilimci (Data scientist)
•Veri analisti ne yapar?
•Veri mühendisi ne yapar?
•Veri bilimci ne yapar?
•Veri analisti rolünün dönüşüm etkisi
•Bulut tabanlı grafik geliştirme ortam örneği
•On Prem tabanlı grafik geliştirme ortam örneği
•Kod bazlı geliştirme ortamları
•Auto ML kavramı
•Hazır model servisleri
•Makine öğrenmesi ne zaman yapay zeka olur?
•Makine öğrenmesi problem tipleri ve uygulamaları
•Makine öğrenmesinde istatistiğin rolü
•Makine öğrenmesi proje yaşam döngüsü
•Makine öğrenmesinde iş faydası odağı nasıl korunur?
•Her iş problemi makine öğrenmesi problemi olarak ele alınabilir mi?
•Makine öğrenmesi ile ne yapılamaz?
•İş problemi makine öğrenmesi problemine nasıl çevrilir?
•Makine öğrenmesi problemi veri yapısı nasıl tasarlanır?
•Temel bir makine öğrenmesi model projesinin yapısı
•Model nasıl test edilir?
•Model başarımının değerlendirilmesi
•İş probleminden makine öğrenmesi veri seti tasarımına (Vaka üzerinden)
•Makine öğrenmesi model geliştirme (Vaka üzerinden)
•Model nasıl iyileştirilir?
•Veri temizliği neden gereklidir?
•Veri görselleştirme ve temel istatistikleri kullanarak veriyi anlama
•Veri çoğaltma, zenginleştirme, segment odaklama
•Algoritmalar ne işe yarar
•Algoritma seçimi ve uygulaması
•Algoritma ayarları ve uygulaması
•Tahmin otomasyonu ne işe yarar?
•Yeniden öğrenme otomasyonu ne işe yarar?
•Veri entegrasyon ihtiyaçları
•Yazılım entegrasyon ihtiyaçları
•Süreç entegrasyon ihtiyaçları
•Makine öğrenmesinde konu belirleme
•Konu belirleme atölyesi
•Makine öğrenmesinde önceliklendirme
•Konuları önceliklendirme atölyesi
•Makine öğrenmesinde veriseti yapısı
•Seçilmiş konuların veriseti yapısı önçalışma atölyesi