Makine Öğrenimi Kursu Müfredatı: Beceri Geliştirme İçin En İyi Makine Öğrenimi ve Yapay Zeka Kursu

upGrad'ın PG Diploma kursu, en kapsamlı kurslardan biridir. Şu anda endüstride gerekli olan tüm beceri, kavram ve araç bilgilerini kapsar.

Müfredat, sizi sektöre hazır hale getirmek ve görüşmelerde kolaylıkla başarılı olmak için tasarlanmıştır.

“Makine Öğrenimi ve Yapay Zekada Yönetici PG Programımız” kapsamının derinlemesine ayrıntıları için tüm müfredatı gözden geçirelim.

Kurs 8 ana bölüme ayrılmıştır:

1. Veri Bilimi Araç kiti
2. İstatistikler ve Keşif Verileri Analitiği
3. Makine Öğrenimi-1
4. Makine Öğrenimi-2
5. Doğal Dil İşleme
6. Derin Öğrenme
7. Pekiştirmeli Öğrenme
8. Dağıtım ve Bitirme Projesi

Veri Bilimi Araç kiti

Bu bölüm, Veri Bilimi ve Makine Öğrenimi yolculuğuna başlamak için gerekli olan bir ön hazırlık kursudur. Başlıca gereksinimler bir dereceye kadar Python, SQL ve Excel'dir.

Bu bölüm aşağıdaki 6 modüle ayrılmıştır:

Python'a Giriş: Bu modül, ön bilgi olmadığı varsayılarak temel Python konularını kapsar. Python'un yapısını anlama, listeler, demetler, sözlükler vb. Veri Yapıları işlenir.

Veri Bilimi için Python: Python'un en önemli 2 kütüphanesi – NumPy ve Pandalar derinlemesine ele alınır. NumPy ve Pandalar, Veri Analizi, temizlik ve temel Veri Bilimi çalışmalarının çoğu için gereklidir.

Makine Öğrenimi için Matematik: Lineer Cebir, Matrisler, Çok Değişkenli Analiz ve Vektörler bu modülde ele alınmaktadır. Bu konular, makine öğrenimi algoritmalarının nasıl çalıştığını anlamak için bir ön koşuldur.

Python'da Veri Görselleştirme: Bu modül, Python kullanılarak grafiklerin ve trendlerin çizilmesinin dinamiklerini kapsar.

• SQL kullanarak Veri Analizi: SQL, Veri Analizi ve Mühendisliğinin merkezinde yer alır. Bu modül, işlevler, yan tümceler, sorgular ve birleşimler gibi SQL'in temellerini kapsar.

1. Gelişmiş SQL: Bu modül, Veritabanı tasarımı, Pencere işlevleri, Sorgu Optimizasyonu vb. gibi daha gelişmiş konuları kapsar.

İstatistikler ve Keşif Verileri Analitiği

İstatistikler ve Veriler el ele gider. Veri Analizinin çoğu, daha sonra önemli sonuçlar elde etmek için daha fazla araştırılabilen başlık altında istatistiksel analiz yapar.

Bu bölüm aşağıdaki 6 modülü kapsar:

1. Analitik Problem Çözme: Bu modül, iş anlayışından dağıtıma kadar uzanan bir Makine Öğrenimi projesine genel bakış için CRISP-DM çerçevesini kapsar.
2. Yatırım Ataması: Bir yatırım bankacılığı firması çalışanı olarak bir Veri Analitiği ataması.
3. Çıkarımsal İstatistikler: Bu modül Olasılık, Olasılık Dağılımları ve Merkezi Limit Teoremi gibi en önemli istatistiksel kavramları kapsar.
4. Hipotez Testi: Hipotez Testinin ne, neden ve nasıl olduğu bu modülde ele alınmaktadır. P-Değeri, Python'da farklı testler ve uygulama.
5. Keşifsel Veri Analizi: EDA, Verilerden gelen bilgileri ortaya çıkarır. Bu modül, Veri Temizleme, Tek Değişkenli/İki Değişkenli analiz ve ML için türetilmiş ölçümleri kapsar.
6. Grup Projesi: Kredi Verme Kulübü Vaka Çalışması, hangi müşterilerin kredilerini ödememe riskiyle karşı karşıya olduğunu bulmak için.

Dünyanın en iyi Üniversitelerinden Makine öğrenimi sertifikası öğrenin . Kariyerinizi hızlandırmak için Master, Executive PGP veya Advanced Certificate Programları kazanın.

Makine Öğrenimi-1

Bu bölüm, Makine Öğreniminin temellerini ve bazı algoritmaları kapsar. Daha ileri konulara dalmadan önce bunlar hakkında kapsamlı bir bilgiye sahip olmak önemlidir.

5 modülden oluşur:

1. Lineer Regresyon: Bu modül, lineer regresyonun temellerini, varsayımlarını, sınırlamalarını ve endüstri uygulamalarını kapsar.
2. Doğrusal Regresyon Değerlendirmesi: Bir araba fiyat tahmini ataması.
3. Lojistik Regresyon: ML sınıflandırması için Tek Değişkenli ve Çok Değişkenli Lojistik Regresyon. Python'da uygulama, değerlendirme metrikleri ve endüstri uygulamaları ele alınmaktadır.
4. Naive Bayes: En kolay ve en etkili sınıflandırma algoritmalarından biridir. Bu modül, Bayes Teoreminin temellerini, Naive Bayes sınıflandırıcısını ve bir Spam-Ham sınıflandırıcısında uygulanmasını kapsar.
5. Model Seçimi: Bu modül, en iyi ML modelini sonuçlandırmak için gerekli olan model seçimi, Bias-Varyance Tradeoff, Hyperparameter Tuning ve Cross-Validation'ı kapsar.

Makine Öğrenimi-2

Bu bölüm, Makine Öğreniminin daha gelişmiş konularını kapsar. Farklı denetimli ve denetimsiz algoritma türlerinden oluşur.

Kapsanan 8 modül şunlardır:

1. Gelişmiş Regresyon: Bu modül, Ridge ve Lasso gibi Genelleştirilmiş Doğrusal Regresyon ve Düzenlileştirilmiş Regresyon tekniklerini tanıtır.
2. Destek Vektör Makinesi (Opsiyonel): Bu modül, SVM algoritmasını, çalışmasını, çekirdeklerini ve uygulamasını kapsar.
3. Ağaç Modelleri: Burada Ağaç modellerinin temelleri, yapıları, yarma teknikleri, budama ve Rastgele Ormanlar oluşturacak topluluklar anlatılmaktadır.
4. Model Seçimi-Pratik Hususlar: Bu modül, en iyi modeli seçmek için model seçim tekniklerini kullanmak için uygulamalı bilgiler verir.
5. Güçlendirme: Zayıf öğrenenler ve dizi öğrenenler nelerdir ve harika bir model oluşturmak için nasıl bir araya getirilebilirler. Burada çeşitli Güçlendirme teknikleri ele alınmaktadır.
6. Denetimsiz Öğrenme-Kümeleme: Bu modül, Kümelemeyi, türlerini ve uygulamasını sıfırdan tanıtır.
7. Denetimsiz Öğrenme-Temel Bileşen Analizi: Bu, PCA'nın temellerini, Python'da çalışmasını ve uygulanmasını kapsar.
8. Telekom Kayıp Vaka Çalışması: Bir telekom operatörü için Müşteri Kaybını tahmin etmek için Vaka Çalışması.

Doğal Dil İşleme

Doğal Dil İşleme (NLP) başlı başına büyük bir alandır. Bu NLP bölümünde, metin veri işlemenin tüm yapı taşları, sohbet robotlarıyla birlikte ele alınmaktadır.

Dahil edilen 5 modül şunlardır:

1. Sözcüksel İşleme: Bu modül, metin kodlama, Normal İfadeler, metin işleme teknikleri ve Fonetik Karma gibi gelişmiş sözcük teknikleri gibi NLP'nin temellerini kapsar.
2. Sözdizimsel İşleme: Bu modül, Sözdizimsel İşleme, farklı metin ayrıştırma türleri, Bilgi Çıkarma ve Koşullu Rastgele Alanların temellerini kapsar.
3. Sözdizimsel İşleme-Atama: Metnin gramer yapısını anlamak için Sözdizimsel işleme uygulamak.
4. Semantik İşleme: Bu modül, Semantik İşleme, Kelime vektörleri ve yerleştirmeleri, Konu Modelleme tekniklerini ve ardından bir vaka çalışmasını tanıtır.
5. Rasa ile Sohbet Robotları Oluşturma: Bu modül, uygulama ile birlikte sohbet robotu geliştirme için en yeni aracı kapsar.

Derin Öğrenme

Derin Öğrenme, endüstride çeşitli veri türleri için birçok son teknoloji uygulamada yaygın olarak kullanılmaktadır. Bu bölümde, tüm Sinir Ağları türleri uygulama ile birlikte ele alınmaktadır.

Kapsanan 5 modül şunlardır:

1. Sinir Ağlarına Giriş: Bu modül, Sinir Ağları, aktivasyon fonksiyonları ve İleri Besleme ağının temellerini kapsar.
2. Evrişimli Sinir Ağı-Endüstri Uygulamaları: Bu modül, CNN'yi, yapısını, katmanlarını ve çalışmasını ayrıntılı olarak kapsar. Aynı zamanda çeşitli Transfer Öğrenme modellerini, Stil Transferini ve görüntü verilerinin veri ön işlemesini ve ardından bir vaka çalışmasını kapsar.
3. Sinir Ağları-Atama: CNN tabanlı bir vaka çalışması.
4. Tekrarlayan Sinir Ağları: Bu modül, dizi tabanlı veriler için özel olarak kullanılan başka bir tür sinir ağlarını kapsar - RNN ve LSTM ve bunların uygulamaları.
5. Sinir Ağları Projesi: Bu modülde, CNN'ler ve RNN'ler ağ yığınlarını kullanarak bir Hareket Tanıma projesi yapacaksınız.

Pekiştirmeli Öğrenme

Bu bölümde, sizi başka bir Makine Öğrenimi türü olan Güçlendirme Öğrenimi ile tanıştırıyoruz. Klasik pekiştirmeli öğrenmenin yanı sıra Derin Güçlendirme Öğrenimi de dahil olmak üzere temel bilgileri öğreneceksiniz.

Bu bölüm aşağıdaki 4 modülü kapsar:

1. Klasik Takviyeli Öğrenme: Bu modül, Markov Karar Süreci, RL Denklemleri ve Monte Carlo Yöntemleri gibi RL'nin temellerini kapsar.
2. Ödev-Klasik Takviyeli Öğrenme: RL kullanan bir tic-tac-toe ödevi.
3. Deep Reinforcement Learning: Bu modülde, Deep Q Networks, mimarisi ve uygulamasına dalacağız. Ayrıca Politika Gradyan Yöntemleri ve Aktör Eleştirmen Yöntemleri gibi daha gelişmiş konuları da kapsar.
4. Reinforcement Learning Project: RL mimarisi kullanılarak yapılacak bir ödev.

Bitirme Projesi

Bu bölümde, şimdiye kadar edindiğiniz tüm bilgileri kullanarak nihai kaplama projenizi yapacaksınız.

Bu bölüm 2 modüle ayrılmıştır:

1. Dağıtım: Bu modül, bulut ve PaaS üzerindeki dağıtım temellerini, ayrıca CI/CD ardışık düzenlerini ve Docker temellerini öğreneceğiniz bir Makine Öğrenimi projesinin sonraki aşamasını kapsar.
2. Capstone: Özgeçmişinizi ve portföyünüzü havaya uçuracak son capstone projesi.

Gitmeden önce

Bu program, Veri Bilimi ve Makine Öğrenimi Endüstrisine girmek için gerekli tüm temel bilgileri ve gelişmiş araçları ve becerileri kapsar. İyi öğrendiğinizden emin olmak için yeterli miktarda pratik ve projeden geçeceksiniz.

Öğrenilen tüm becerilerle, becerilerinizi test etmek ve daha fazla uygulamalı olmak için diğer rekabetçi platformlarda da aktif olabilirsiniz.