After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Makine Öğrenmesi Mülakatınıza Hazırlanın
Makine Öğrenmesi Mülakatına nasıl doğru şekilde hazırlanacağınızı hiç merak ettiniz mi? Bu kursta, bir Veri Bilimci pozisyonu için Python ile makine öğrenmesi alanında sıkça sorulan 15 mülakat sorusuna yanıtlar hazırlayacaksınız.Bu sorular, yedi önemli konu etrafında şekillenecektir: veri ön işleme, veri görselleştirme, denetimli öğrenme, denetimsiz öğrenme, model toplama, model seçimi ve model değerlendirme.
Makine Öğrenmesi Bilginizi Tazeleyin
Öncelikle veri ön işleme ve veri görselleştirme soruları üzerinde çalışacaksınız. Tüm ön işleme adımlarını tamamladıktan sonra, pratik becerilerinizi geliştirmek için bir öngörücü ML modeli oluşturacaksınız.Ardından, bazı denetimli öğrenme tekniklerini inceleyecek ve sonrasında denetimsiz öğrenmeye geçeceksiniz. Rolünüze bağlı olarak, makine öğrenmesi mülakatınızda muhtemelen her iki konuyu da ele alacaksınız.
Son olarak, model seçimi ve değerlendirmesini ele alacak, model genellemesi için performansın nasıl değerlendirileceğine bakacak ve bir topluluk modeli oluştururken çeşitli teknikleri inceleyeceksiniz.
En Sık Sorulan Makine Öğrenmesi Mülakat Sorularına Alıştırma Cevapları
Kursun sonunda, bu 15 soruyu başarıyla yanıtlamak için gerekli teorik altyapıya ve Python kodu geliştirme becerisine sahip olacaksınız.Kodlama örnekleri, kullanım kolaylığı ve Python dilinde en önemli makine öğrenmesi tekniklerini kapsama yeteneği nedeniyle ağırlıklı olarak scikit-learn paketi temelinde sunulacaktır.
Kurs, makine öğrenmesi temellerini öğretmez; çünkü bu konular kursun ön koşullarında ele alınmaktadır.
Ön Koşullar
Müfredat
Kurs içeriği
1
Veri Ön İşleme ve Görselleştirme
Bu kursun ilk bölümünde, eksik değerlerle ve aykırı değerlerle nasıl başa çıkılacağı ve veri kümen nasıl normalize edileceği dahil, öngörücü bir machine learning modeli oluşturmak için gereken tüm ön işleme adımlarını uygulayacaksın.
- Eksik verileri yönetme50 XP
- Eksik değerlerin peşinde100 XP
- Basit atama (imputation)100 XP
- Yineli atama (Iterative imputation)100 XP
- Veri dağılımları ve dönüşümleri50 XP
- Eğitim ve test veri dağılımları ile dönüşümler50 XP
- Eğitim/test dağılımları100 XP
- Log ve güç dönüşümleri100 XP
- Aykırı değerler ve ölçekleme50 XP
- Aykırı değer tespiti100 XP
- Aykırı değerlerle başa çıkma100 XP
- Z-skor standardizasyonu100 XP
2
Supervised Learning
Bu kursun ikinci bölümünde, supervised machine learning tekniklerinin çeşitli yönlerini pratik edeceksin: en iyi özellik alt kümesini seçmek, model aşırı uyumunu önlemek için düzenlileştirme (regularization), özellik mühendisliği ve bias-variance dengesini ele almak için ensemble modeller.
3
Unsupervised Learning
Bu kursun üçüncü bölümünde, boyut indirgeme için özellik çıkarımı ve görselleştirme tekniklerini ve bir veri kümesi için yalnızca uygun kümeleme algoritmasını değil, aynı zamanda en iyi küme sayısını seçmek amacıyla kümeleme yöntemlerini uygulamak için unsupervised learning kullanacaksın.
4
Model Seçimi ve Değerlendirme
Bu kursun dördüncü ve son bölümünde, vitesi yükselterek model genellemesi için performansı değerlendirmek amacıyla bootstrapping ve çapraz doğrulamayı uygulayacak, dengesiz sınıflar için yeniden örnekleme tekniklerini kullanacak, çoklu doğrusal bağlantıyı (multicollinearity) tespit edip kaldıracak ve bir ensemble model kuracaksın.
Python ile Machine Learning Mülakat Sorularını Pratik Etme
Kurs
Tamamlandı
