C/M4MLP : Makine Öğrenimi için Matematiksel Temeller ve Pratik Uygulamalar

Module 1: Makine Öğrenimi Temelleri ve Problem Çerçevesi

• Temel Kavramlar ve Tanımlar
  • Veri Analitiği Tipleri (4 Temel Soru)
  • Analitics (BI, AA), Statistical Learning, Machine Learning ve Data Science Kavramları
  • Artificial Intelligence, Machine Learning, Representation Learning, Deep Learning Kavramları ve Aralarındaki İlişkiler
  • Makine Öğrenimi Modelleme Yaklaşımları (Generative, Discriminative)
  • ML Problem Tipleri (Supervised, Unsupervised, Reinforcement Learning)
• Makine Öğrenimi Süreci ve Temel Adımlar
  • Makine Öğrenimi Yaşam Döngüsü (CRISP-DM) ve Temel Adımları
  • Yaygın Feature Engineering ve Feature Selection Teknikleri
  • Train-Test Split, Cross Validation ve Pratik Model Belirleme Yöntemleri
  • Model Değerlendirme ve Performans Ölçütleri (Classification, Regression, Clustering)
  • Model Overfitting, Underfitting ve Bias-Variance Tradeoff Kavramları
  • Early Stopping, Regularization (L1, L2) ve Optimizasyon Sürecinde Overfitting'i Önleme Teknikleri
  • Model Kaydetme, Yükleme ve Dağıtım Teknikleri (Joblib, Pickle, ONNX vb.)
  • Real-Time vs Batch Inference, Model Entegrasyonu ve MLOps Kavramları (Model İzleme, Güncelleme, Versiyonlama vb.)

Module 2: Python dili Sklearn Kütüphanesi ile Tekrarlanabilir İş Akışları

• Sklearn Kütüphane Mimarisine Kuşbakışı ve Temel Bileşenleri
• Sklearn Estimator ve Transformer Kavramları
• Sklearn ile Veri Ön İşleme Teknikleri (Imputation, Scaling, Encoding vb.)
• Fit, Predict, Transform ve Pipeline Kullanımıyla Tekrarlanabilir İş Akışları Oluşturma
• Cross Validation, Grid Search ve Randomized Search ile Model Seçimi ve Hiperparametre Optimizasyonu
• Sklearn ile Model Tipine Göre Değerlendirme ve Performans Ölçütleri
• Sklearn ile Model Kaydetme, Yükleme ve Dağıtım Teknikleri (Joblib, Pickle, ONNX vb.)
• Docker Temelleri, Flask ile API Geliştirmeye Giriş ve Sklearn Modellerini API Olarak Sunma

Module 3: Makine Öğrenimi için Olasılık, Lineer Cebir ve Optimizasyon Temelleri

• Olaslık ve İstatistik Temelleri
  • Olasılık Temelleri
  • Koşullu Olasılık ve Bayes Teoremi
  • Olasılık Dağılımları (Normal-Gaussian, Binomial, Poisson, Gamma, Beta, Categorical)
  • Bias ve Variance Kavramları
  • İstatistiksel Kavramlar (Expected Value, Mean, Variance, Standard Deviation, Covariance, Correlation, vb.)
• Linear Cebir Temelleri
  • Vector, Matrix ve Tensor Temelleri, Boyut, Dönüşüm ve Veri Temsili İlişkisi
  • Vector Spaces ve Linear Independence Kavramları, Veri Temsili ve Dönüşümleriyle İlişkisi
  • Vector, Matrix Operasyonları ve Sezgisel Anlamları
  • Inverse, Rank, Trace, Norm ve Diagonalization Kavramları, Veri Temsili ve Dönüşümleriyle İlişkisi
  • Mesafe-Benzerlik Ölçüleri (Euclidean, Manhattan, Minkowski, Cosine Similarity vb.) ve Metric Space Kavramı
  • Determinant, Dot Product, Change of Basis ve Projections Kavramları, Veri Temsili ve Dönüşümleriyle İlişkisi
  • Eigenvalues, Eigenvectors Kavramları ve Veri Temsili, Boyut Azaltma ve Dönüşümleriyle İlişkisi
  • Covariance Matrix, Hessian ve Positive Semi-Definite (PSD) Matris Kavramı ve Makine Öğrenimi Modellerindeki Rolü
  • Lineer Cebirin Makine Öğrenimi Modelleri ve Algoritmalarındaki Uygulamaları (Linear Regression, PCA, SVD, vb.)
• Optimizasyon Temelleri
  • Loss Function, Learning Rate, Step Size Kavramları ve Makine Öğrenimi Modellerindeki Rolü
  • Local Search, Local ve Global Optimum Kavramları
  • Gradient Descent ile Optimizasyon Temelleri (Batch, Stochastic, Mini-Batch) ve İyileştirme Teknikleri (Momentum, Nesterov, Adagrad, RMSProp, Adam vb.)
  • Convex ve Non-Convex Fonksiyon Kavramları ve Optimizasyon Zorlukları, Makine Öğrenimi Modellerindeki Uygulamaları
  • Türev, Kısmi Türev ve Gradyan Kavramları, zincir kuralı Sezgisel Anlamları ve Optimizasyon Sürecindeki Rolleri
  • Optimizasyonun Makine Öğrenimi Modelleri ve Algoritmalarındaki Uygulamaları
  • Primary ve Dual Problem Kavramları, Lagrange Çarpanları ve Optimizasyon Problemlerindeki Rolleri

Module 4: Linear Regression'dan Logistic Regression'a

• Linear Regression Modeli, OLS (Ordinary Least Squares) Yöntemi, Cost Fonksiyonu ve Gradient Descent ile Optimizasyon Süreci
• Regularization Teknikleri (Ridge, Lasso, Elastic Net) ve Linear Regression Modeline Uygulamaları
• Overfitting-underfitting ve bias-variance dengesi kavramları, Linear Regression Modeli bağlamında açıklamalar ve örnekler
• Regresyonda metrik seçimi: MAE, RMSE, R2 Score gibi performans ölçütlerinin Linear Regression Modeli bağlamında açıklamaları ve örneklerle karşılaştırılması
• Koşullu Olasılık için Logistic Regression Modeli, Sigmoid Fonksiyonu, Cost Fonksiyonu ve Gradient Descent ile Optimizasyon Süreci
• Logg-loss / Cross-Entropy Loss Fonksiyonu ve Logistic Regression Modelindeki Rolü
• Confusion Matrix, Accuracy, Precision-Recall, ROC-AUC, F1 Score gibi performans ölçütleri
• Decision Threshold Yönetimi ve Maliyet-Fayda Bazlı Değerlendirme Teknikleri, Bayes ile Karar Verme Süreci

Module 5: Perceptron'dan Support Vector Machine'a

• Linear Karar Sınırlar ile Ayrılabilirlik Kavramı
• Perceptron Algoritması
• Margin Kavramı ve Optimizasyon Süreci
• Support Vecttor, Hinge Loss Kavramları
• Hard Margin ve Soft Margin SVM
• C ve Gamma Hiperparametrelerinin SVM Modeli Üzerindeki Etkileri
• SVM'nin Hiperparametreleri (C, Kernel Tipi, Gamma vb.) ve Model Performansı Üzerindeki Etkileri

Module 6: Lineer Olmayan Modeller ve Kernel Yöntemleri

• Doğrusal ayrılmayan veride strateji seçimi ve lineer olmayan modellerin avantajları
• Basis Expansion ve Kernel Trick Kavramları (Polynomial, RBF Kernel Fonksiyonları)
• Polinomial Regression, Kernel Ridge Regression Uygulamaları ve Performans Değerlendirmeleri
• Kernel Perceptron ve Kernel SVM Modelleri Uygulamaları ve Performans Değerlendirmeleri
• Temel Sınıflandırma Algoritmalarının Birlikte Kullanımı (Ensemble Methods)
• Bagging, Boosting, Stacking Kavramları ve Uygulamaları
• Decision Tree, Random Forest Uygulamaları ve Performans Değerlendirmeleri
• Gradient Boosting, AdaBoost, XGBoost Uygulamaları ve Performans Değerlendirmeleri

Module 7: Segmentatiton ve Representation Learning

• K-Means, K-Means++ ile Cluster Analizi
• K seçimi: elbow, silhouette ve pratik yaklaşımlar
• Gaussian Mixture Models (GMM) ile Kümeleme Algoritmaları, Expectation-Maximization (EM) Algoritması
• Hiyerarşik Kümeleme Algoritmaları (Agglomerative, Divisive) ve Uygulamaları (DBSCAN, Linkage Methods)
• Clustering Performans Ölçütleri (Silhouette Score, Davies-Bouldin Index, Calinski-Harabasz Index, Centerod Distance, Dunn Index) ve Uygulamaları
• Dimension Reduction (Boyut Azaltma) İhtiyacı ve En Düşük Varyansları Elimine Etme Stratejisi
• Principal Component Analysis (PCA) ile Boyut Azaltma, Eigenvalues, Eigenvectors ve Explained Variance Kavramları
• Linear Discriminant Analysis (LDA) ile Boyut Azaltma ve Sınıflandırma, PCA ile Karşılaştırılması ve Uygulamaları
• Independent Component Analysis (ICA) ile Boyut Azaltma ve Sinyal Ayrıştırma, PCA ile Karşılaştırılması ve Uygulamaları
• Spectral Decomposition (Spektral Ayrıştırma)
• Singular Value Decomposition (SVD) ile Boyut Azaltma, PCA ile İlişkisi ve Uygulamaları
• Non-Linear Boyut Azaltma Teknikleri (t-SNE, UMAP) ve Uygulamaları

Module 8: Derin Öğrenmeye Giriş

• Autoencoder'lar ve Temel Yapıları, Encoder-Decoder Mimarisi
• K-Means, PCA ile Autoencoder'ların Karşılaştırılması ve Avantajları
• Independent Component Analysis (ICA) ile Autoencoder'ların Karşılaştırılması ve Avantajları
• Manifold Learning (Çok Boyutlu Veri Temsili) ile Autoencoder'ların İlişkisi ve Uygulamaları
• Stacked Autoencoder'lar ve Derin Öğrenme Modellerine Geçiş
• Feedforward Neural Networks (FNN) ve Temel Bileşenleri (Input, Hidden, Output Katmanları, Aktivasyon Fonksiyonları)
• Loss Fonksiyonları (MSE, Cross-Entropy) ve Optimizasyon Süreci (Backpropagation, Gradient Descent)
• Genelleştirme ve Overfitting Kavramları, Regularization Teknikleri (Dropout, L1/L2 Regularization) ve Erken Durdurma (Early Stopping)

Module 9: Etik ve Sorumluluk

• Veri Gizliliği, Güvenlik ve Anonimleştirme Teknikleri
• Adalet, Tarafsızlık ve Ayrımcılık Konuları, Bias ve Fairness Kavramları
• Şeffaflık, Hesap Verebilirlik ve Açıklanabilirlik İlkeleri
• Yapay Zeka ve Makine Öğrenimi Etiği, Hukuki, Ekonomik, Sosyal ve Kültürel Etkiler
• Sorumlu Yapay Zeka Geliştirme ve Kullanım Pratikleri, İnsan-Makine İşbirliği ve Gelecekteki Trendler