-
1- Yapay Zeka Giriş9 dakika 45 saniye
-
2- Makine Öğrenimi5 dakika 23 saniye
-
3- Görüntü İşleme5 dakika 19 saniye
-
4- Veri Bilimi Giriş7 dakika 24 saniye
-
5- Veri Okur Yazarlığı Giriş9 dakika 47 saniye
-
6- Veriden Değer Yaratma6 dakika 8 saniye
-
7- Veri Okur Yazarlığı Temel Kavramlar12 dakika 39 saniye
-
8- İstatistiksel Düşünce9 dakika 18 saniye
-
9- Veri İndirgemesi Ve Veri Organizasyonu5 dakika
-
10- Lineer Cebir Giriş7 dakika 50 saniye
-
11- Vektörler Ve Skalerler6 dakika 45 saniye
-
12- Vektörel İşlemler8 dakika 34 saniye
-
13- Lineer Denklem Sistemleri Ve Matrisler23 dakika 44 saniye
-
14- Lineer Dönüşümler Ve Dönüşüm Matrisleri8 dakika 57 saniye
-
15- PCA6 dakika 24 saniye
-
16- Lineer Regresyon13 dakika 9 saniye
-
17- Lineer Denklemlerin Çözümü Python13 dakika 32 saniye
-
18- En Küçük Kareler Yöntemi12 dakika 35 saniye
-
19- PCA Örnek7 dakika 11 saniye
-
20- Derin Öğrenmede Matrislerle Veri Yöntemi5 dakika 41 saniye
-
21- Derin Öğrenme ile Görüntü Sınıflandırma Uygulaması12 dakika 11 saniye
-
22- Python İle Veri Analizine Giriş Dizi Oluşturma8 dakika 1 saniye
-
23- Numpy İndeksleme8 dakika 23 saniye
-
24- Koşullu İşlemler4 dakika 16 saniye
-
25- Matematiksel İşlemler6 dakika 9 saniye
-
26- Broadcasting4 dakika 22 saniye
-
27- Pandas Giriş5 dakika 14 saniye
-
28- Pandas Series Yapısı4 dakika 2 saniye
-
29- DataFrame7 dakika 48 saniye
-
30- Satır Ve Sütun Seçimi7 dakika 54 saniye
-
31- Pandas – Filtreleme Ve Koşullu Seçim9 dakika 46 saniye
-
32- Pandas – Eksik Verilerle Çalışmak8 dakika 33 saniye
-
33- Pandas – Gruplama Ve İstatistiksel İşlemler (Groupby, Mean, Sum)6 dakika 38 saniye
-
34- Pandas - Veri Birleştirme (Merge, Join, Concat)8 dakika 10 saniye
-
35- Pandas İle Zaman Serileri (Datetime)6 dakika 11 saniye
-
36- Veri Görselleştirme Matplotlib ve Seaborn13 dakika 46 saniye
-
37- Makine Öğrenimi Nedir?12 dakika 15 saniye
-
38- Değişken Türleri8 dakika 27 saniye
-
39- Makine Öğrenimi Türleri13 dakika 54 saniye
-
40- MSE8 dakika 43 saniye
-
41- Model Doğrulama14 dakika 4 saniye
-
42- Bias Variance17 dakika 7 saniye
-
43- Doğrusal Regresyon21 dakika 36 saniye
-
44- Hata Metrikleri - MSE RMSE MAE14 dakika 15 saniye
-
45- Ağırlıkların Bulunması9 dakika 21 saniye
-
46- Gradient Descent Nedir?28 dakika 36 saniye
-
47- Doğrusal Regresyon Kod Örneği9 dakika 29 saniye
-
48- Çoklu Doğrusal Regresyon7 dakika 19 saniye
-
49- Lojistik Regresyon18 dakika 6 saniye
-
50- Keşifçi veri analizi (EDA)8 dakika 37 saniye
-
51- Veri Ön işleme13 dakika 17 saniye
-
52- 10 Katlı Çapraz Doğrulama Nedir?9 dakika 55 saniye
-
53- Pycharm Kurulumu11 dakika 8 saniye
-
54- Jupyter Notebook Kurulumu13 dakika 43 saniye
-
55- Emlak Ev Fiyat Tahmin Örneği19 dakika 18 saniye
-
56- KNN24 dakika 12 saniye
-
57- CART15 dakika 47 saniye
-
58- CART 218 dakika 23 saniye
-
59- CART Örnek29 dakika 27 saniye
-
60- Gelişmiş Ağaç Yöntemleri6 dakika 59 saniye
-
61- Random Forest10 dakika 22 saniye
-
62- Gradient Boosting Machines19 dakika 53 saniye
-
63- Gradient Boosting Machines 216 dakika 50 saniye
-
64- GBM de Hiperparametreler ve Etkileri17 dakika 33 saniye
-
65- GBM'nin Avantajları ve Dezavantajları20 dakika 33 saniye
-
66- GBM Python Örnek34 dakika 18 saniye
-
67- xGBoost35 dakika 6 saniye
-
68- Denetimsiz Öğrenme ve K Means34 dakika 33 saniye
-
69- Hiyerarşik Kümeleme35 dakika 35 saniye
-
70- Makine Öğrenimi Pipiline16 dakika 4 saniye
Yapay zekamız Billy bu eğitim için konu anlatımları, çalışma programları oluşturabilir, pratik yapabileceğiniz sorular hazırlayabilir.
Merhaba, ben Semih Özdaş. Atatürk Üniversitesi Bilgisayar Programcılığı bölümünden mezun oldum ve şu an Bilişim Sistemleri ve Teknolojileri alalnında lisans derecesi öğrencisiyim . Google Developers, Kodland, CodeOnline ve Sorbil gibi kurumlarda eğitmenlik ve topluluk yönetimi alanlarında görev aldım. Uzun zamandır yapay zeka ve yazılım projeleri üzerine çalışıyorum.
Hazırladığım bu eğitim serisi, yapay zekaya başlangıç yapmak isteyenler için tasarlandı. Eğitim, dört ana bölümden oluşuyor:
Birinci bölümde Temel Veri Bilimi'ni öğreneceğiz; veri türleri, veri işleme yöntemleri, numpy, pandas, lineer cebir ve temel istatistikleri keşfedeceksiniz.
İkinci bölümde Makine Öğrenimi'ne giriş yaparak algoritma mantığını ve model oluşturma süreçlerini gerçek örneklerle inceleyeceğiz.
Üçüncü bölümde Derin Öğrenme temellerini uygulamalı olarak ele alacağız; CNN ve RNN gibi gelişmiş teknikleri öğreneceksiniz.
Son bölümde ise bilgileri projelerle pekiştirecek, kendi uygulamalarınızı geliştirme fırsatı bulacaksınız.
Videolar kısa, net ve uygulamalı olarak hazırlanmıştır. Ön bilgiye ihtiyaç duymadan herkesin takip edebileceği bu eğitimle yapay zeka alanına güçlü bir giriş yapabilirsiniz.