VERİ BİLİMCİ · Başlangıç → İleri
Machine Learning Engineer
Klasik ML’den model dağıtımına kadar üretim odaklı mühendislik rotası.
- Bölüm
- 14
- Süre
- ~52 sa
- Ders
- 14
- Önkoşul
- 2
Bölüm döngüsü
- 1Teori
- 2Örnek
- 3Lab
- 4Test
- 5Proje
Önkoşullar
- Python
- İstatistik
01ÇIKTI
Rotayı bitirdiğinde ne yapabiliyor olacaksın?
- 01
Özellik mühendisliği
- 02
Model dağıtımı
- 03
İzleme
02MÜFREDAT
14 bölüm
Her bölüm ilgili Atlas kavramlarına bağlanır; eksik önkoşul varsa beceri grafiği uyarır.
- 01
Problem çerçeveleme
3 saHangi iş sorusu makine öğrenmesi problemine çevrilir, hangisi çevrilmez.
- 02
- 03
- 04
- 05
Doğrusal ve ağaç tabanlı modeller
5 saRegresyon, karar ağacı, rastgele orman ve gradyan artırma.
- 06
- 07
- 08
- 09
Derin öğrenmeye geçiş
4 saNe zaman gerekli, ne zaman fazla; tablo verisinde gerçek durum.
- 10
- 11
- 12
- 13
- 14
Vaka: uçtan uca proje
6 saBir tahmin problemini veriden izlemeye kadar tek başına kurmak.
03DERSLER
Bu rotadaki dersler
- İş sorusunu tahmin problemine çevirmekBir iş sorusunun makine öğrenmesiyle çözülüp çözülemeyeceğini; çözülecekse hangi kararı besleyeceğini, etiketin ne olduğunu ve tahminin hangi anda üretileceğini belirlemeyi öğretir.25 dk
- Sızıntıyı veri toplanırken yakalamakEtiket sızıntısının, zaman kaçağının ve örnekleme yanlılığının nasıl oluştuğunu; bir kolonun tahmin anında gerçekten elde olup olmadığını kolon kolon denetlemeyi öğretir.35 dk
- Keşifsel analizi karara bağlamakDağılım, aykırı değer ve eksik veri bulgularının hangi modelleme kararına dönüştüğünü; keşfin nerede durup özellik mühendisliğinin nerede başladığını öğretir.25 dk
- Özellik üretimini eğitim ve servisle aynı hatta taşımakKategorik kodlama, ölçekleme ve zaman pencereli toplamların hangi model ailesinde gerektiğini; aynı dönüşümün eğitimde ve serviste nasıl tek kaynaktan üretileceğini öğretir.45 dk
- Doğrusal modeller ile ağaç toplulukları arasında seçimDoğrusal modellerin ve ağaç topluluklarının hangi varsayımla çalıştığını, torbalama ile gradyan artırmanın hangi hata bileşenini azalttığını ve hiperparametrelerin aşırı uydurmayı hangi yöne çevirdiğini öğretir.45 dk
- Doğrulamayı üretimin kopyası olarak tasarlamakRastgele katlamanın, grup katlamasının ve zaman ayrımının hangi veri yapısında geçerli olduğunu; model seçiminin doğrulama skorunu neden iyimserleştirdiğini ve kırık bir ayrımın nasıl teşhis edileceğini öğretir.40 dk
- Metrik seçimi ve işletim eşiğiHata maliyetinden metrik türetmeyi, eşikten bağımsız ve eşiğe bağlı ölçümleri ayırmayı ve işletim eşiğini maliyet hesabıyla seçmeyi öğretir.30 dk
- Model açıklamalarını doğru okumakKüresel özellik önemi, kısmi bağımlılık ve yerel açıklamaların hangi soruyu cevapladığını, hangi varsayıma yaslandığını ve nerede yanıltıcı olduğunu öğretir.28 dk
- Derin öğrenmeye geçiş eşiğiDerin öğrenmenin hangi veri yapısında kazandığını, tablo verisinde ağaçların neden güçlü kaldığını ve geçiş kararının taban çizgisiyle nasıl sınanacağını öğretir.35 dk
- Tekrarlanabilir model paketlemeVeri, kod ve ortamı birlikte sürümleyen bir model paketinin içinde ne olması gerektiğini, eğitim künyesinin nasıl yazılacağını ve eğitim-servis sapmasının nasıl kapatılacağını öğretir.30 dk
- Çıkarım servis desenleri ve gecikme bütçesiToplu, çevrimiçi ve akış çıkarım desenlerinin hangi kısıttan doğduğunu, gecikme bütçesinin bileşenlere nasıl bölüneceğini ve bütçe aşıldığında hangi kaldıracın neyden feragat ettiğini öğretir.45 dk
- Sürüklenme izleme ve alarm tasarımıVeri sürüklenmesi ile kavram sürüklenmesini ayırmayı, izlemeyi katmanlara bölmeyi ve çaldığında yapılacak işi tanımlı olan alarmlar kurmayı öğretir.38 dk
- Yeniden eğitim tetikleyicileri ve geri alma planıBir modelin ne zaman yeniden eğitileceğini takvime değil ölçülebilir bir sinyale bağlamayı, yeni sürümü gölgede doğrulamayı ve geri alma kararını dağıtımdan önce yazmayı öğretir.40 dk
- Uçtan uca tahmin projesi: veriden izlemeyeBir tahmin problemini karar cümlesinden teslim sözleşmesine kadar tek başına kurmanın sırasını ve her adımda verilen kararın sonraki adımları nasıl kilitlediğini öğretir.50 dk
04ATLAS
Rotada geçen kavramlar
- Machine LearningMachine LearningKuralları insanın yazması yerine, örnek veriden istatistiksel örüntü çıkararak yeni veride tahmin üretmeyi öğrenen sistemlerin alanıdır.
- MLOps / LLMOpsEvaluationBir yapay zekâ sisteminin çıktısının, tanımlı ölçütlere göre sistematik biçimde ölçülmesidir.
- Deep LearningDeep LearningÇok katmanlı sinir ağlarıyla, ham veriden özellikleri elle tanımlamaya gerek kalmadan hiyerarşik temsiller öğrenen makine öğrenmesi yaklaşımıdır.
- Deep LearningNeural NetworksGirdiyi ağırlıklı toplamlar ve doğrusal olmayan aktivasyonlardan geçiren katmanlar dizisiyle işleyen, hatayı geri yayarak ağırlıklarını güncelleyen model ailesidir.
- MLOps / LLMOpsMLOpsMakine öğrenmesi modellerinin geliştirilmesini, dağıtımını, izlenmesini ve yenilenmesini tekrarlanabilir ve denetlenebilir hale getiren mühendislik disiplinidir.
05DİĞER ROTALAR
Sana uygun olmayabilir mi?
ÖLÇ
Rotaya başlamadan önce nerede durduğunu gör
15 soruluk seviye testi, hangi bölümden başlaman gerektiğini söyler.
