Her Seviyeye Uygun Uçtan Uca Veri Bilimi, Knime ile
En çok aranan niteliklerden olan veri bilimi, yapay zeka, büyük veri ve veri analizi konularına giriş eğitimi
Bu eğitim Deneme Kişisi tarafından oluşturuldu
Neler Öğreneceksiniz?
Veri ile karmaşık veri bilimi modelleri oluşturmak Makine öğrenmesi ve yapay zekayı algılamak ve örnekler oluşturabilmek,Ders Konuları
- Knime ile Veri Bilimine Giriş
- İlk Veri Bilimi Projesi
- Çalışmaları Kaydetme, Taşıma, Yükleme, Eklenti Kurma, Örnek Uygulamalara erişim
- Ders Ortamındaki Hazır Projelerin Kullanılması
- Veri Bilimi Yöntemlerine Giriş ve SEMMA
- CRISP-DM
- KDD
- Kavramlara Giriş, Veri Bilimi, Veri Madenciliği, Makine Öğrenmesi, Büyük Veri vs
- Descriptive, Predictive ve Prescriptive Analitik Farkları
- Problemleri Sınıflandırabilmek
- Dosya Dönüşümleri (Weka, ARFF; CSV; Excel tip dönüşümleri)
- Veri Tipleri ve Veri Renklendirme
- Scatter Matrix
- Görselleştirmeler: Histogram, Pie Chart, Line Chart
- Veri Görselleştirme
- Satır Filitreleme (Row Filtering)
- İleri Satır Filitreleme ve (Rule Based Row Filtering)
- Kolon Filitreleme (Column Filtering)
- Gruplama (Group By), Toparlama (Aggregate), Grup Açma (Ungroup) ve Kolon Bölme
- Birleştirme (Join) ve Üleştirme (Concatenation)
- Eksik Veriler (ilk deneme)
- Tarih ve Zaman İşlemleri
- Örnek: Group ve Join uygulaması
- MetaNode Yapısı
- KNIME Değişkenleri ve Değişken Akışı (Flow Variables)
- Döngüler (Loop) ve Model Parametrelerinin test edilmesi ve iyileştirilmesi
- Makine Öğrenmesine Giriş: Test ve Eğitim Kümeleri, Ezberleme (Overfitting)
- Naive Bayes ve Bayes Teoreminin Veri Biliminde Kullanımı
- Numerik verilerin Kutulanması (binning) ve Naive Bayes Uygulaması (knime ile)
- Karar Ağacı (Decision Tree) Öğrenmesi
- PMML Dosya Kullanımı ve Knime ile Decision Tree (karar ağacı) Uygulaması
- Apriori Algoritması ve Birliktelik Kural Çıkarımı (Association Rule Mining)
- FP-Growth Algoritması ve Birlikltelik Kural Çıkarımı
- Knime Üzerinden ARM uygulaması
- Güncelleme 3.5.2 versiyonundaki itemset düğümü
- Knime Üzerinde Apriori veya FPGrowth Algoritmaları
- Bölütleme (Kümeleme, Clustering) ve K-Means Algoritması
- Tahmin (Prediction) ve Doğrusal Regresyon (linear Regression)
- Knime ile Tahmin (Prediction) ve Doğrusal Regresyon (linear Regression) Örneği
- Tahmin Örneği: Borsa Verisi
- k-Katlamalı Çapraz Doğrulama (k-fold Cross Validation)
- k-Katlamalı Çapraz Doğrulama (k-fold Cross Validation) uygulaması
- Confusion Matrix, Precision, Recall, Sensitivity, Specificity
- Bölütleme ( kümeleme, clusetering) değerlendirilmesi: saflık (purity), randindex
- Tahmin(Prediction) değerlendirmesi, rmse, rmae, mse, mae
- Knime ile Tahmin (Prediction) Değerlendirilmesi (Evaluation)
- Birliktelik Kural Çıkarımı Değerlendirmesi (ARM Evaluation)
- Knime ile Birlikltelik Kural Çıkarımı Değerlendirmesi (ARM Evaluation)
- Java Snippet
- R Snippet
- Python Snippet
- Ensemble Yöntemleri ve Bagging, Boosting ve Fusion Kavramlarına Giriş
- Örnek üzerinden MAVL ve Prediction Fusion Uygulaması
- Random Forest (Rassal Orman) Yöntemi ile Sınıflandırma ve Tahmin
- İş İlanları, Web Siteleri, Kaynaklar, Yarışmalar ve Örnek veri Kümesi
- Müşterinin Borcunu ödeyip ödemeyeceğinin tahmini
- Müşteri Ödeme Vade Tahmini
- Müşteri Kredi Limiti Hesaplama
- Müşteri Segmentasyon (Customer Segmentation)
- DL4J ile Knime üzerinde Derin Öğrenme Uygulaması
- Farklı Veri Kümelerini Eğitim ve Test için kullanmak
© 2025 OnlineDijitalEğitim.com
Tasarım ve programlama 
tarafından yapılmıştır.
tarafından yapılmıştır.