What you'll learn:
- Makine öğrenmesi algoritmalarını gerçek veriler ile uygulamalı olarak öğreneceksiniz.
- Bir veri bilimi projesi baştan sona ne gibi adımlardan oluşur öğrenecek ve bu adımları uygulayabileceksiniz.
- R dilini aktif olarak kullanacaksınız.
- R ve Python kodlarını entegre edeceksiniz.
- Harika veri görselleştirmeleri yapabileceksiniz.
- Veriyi istediği formata getirip analitik çalışmaya hazır hale getirmeyi öğreneceksiniz.
- Verideki eksik hücreleri doldurmayı öğreneceksiniz.
- Regular Expressions (regex) öğrenecek ve uygulayacaksınız.
- ggplot2 ve dplyr paketlerini aktif olarak kullanabileceksiniz.
- R Markdown ile interaktif raporlar oluşturabileceksiniz.
- Supervised ve Unsupervised Learning kavramlarını öğreneceksiniz.
Dersimizde bulunan uygulamalı makine öğrenmesi projeleri ve diğer analitik projeler/adımlar :
1 - Ev Fiyatları Tahmini
2 - Otomobil Verisi Kullanarak Değerlendirme Tahmini
3 - Sigorta Ürünlerinin Satış Tahmini
4 - Titanic Kazasından Sağ Çıkacak İnsanların Tahmini
5 - RFM Skorlama ile Müşteri Analitiği ve Segmentasyonu
6 - Birliktelik Kuralları Analizi ile Sepet Analizleri ve Tavsiye Sistemleri
7 - Tüm Veriler İçin Gerekli Görselleştirmeler ve Veri Hazırlama Süreçleri
Kursumuzda ilk olarak Programlamaya Girişyapacağız. Genel programlama becerileri kazandıktan sonra sıradaki bölümümüzde R Programlama Temellerini göreceğiz. Bu bölümlerde öğrendiklerimizi testler ile pekiştirdikten sonra Matrix ve Data Frame'leri işleyeceğiz. Ödevimizi tamamladıktan sonra Görselleştirme kısmında uygulamalı olarak veri görselleştirmeyi öğreneceğiz. Sonrasında Makine Öğrenmesine giriş yaparak, Regresyon,Karar Ağaçları,k - En Yakın Komşu, K - Ortalamaalgoritmalarını ve Yapay Sinir Ağlarınıtartışacak ve onları gerçek veriler ileuygulamalı proje bazlı öğreneceğiz.Birliktelik Kuralları Analizi bölümümüzle Apriori algoritmasını uygulayacak ve tavsiye sistemleri dünyasını tartışacağız.
Dersimizde ayrıca Müşteri Analitiği hakkında bilgiler de bulabilirsiniz. Müşteri analitiği bilgisi bir veri bilimcide olmazsa olmaz bir bilgidir. Biz de RFMskorlamaya değinerek sizlere müşteri analitiği uygulamaları hakkında bilgi sağlıyoruz.
Dersimiz boyunca yaptığımız uygulamalı projelerin yanında, dersimizin son bölümünde ek olarak baştan sona uygulamalı iki adet veri bilimi projesi bulunuyor. Bu bölüm dersimiz boyunca öğreneceklerimizin bir tekrarı olmakla beraber üzerine yeni bilgiler katacağımız bir bölüm olacak. Verimizi alıp, eksik hücreleri doldurup görselleştirerek verimizi tanıyacak, yeni özellikler yaratacak ve en sonunda başka bir Makine Öğrenmesi algoritması olan Random Forest algoritmasını kullanarak bir tahmin modeli yaratacağız. Bu sayede bir veri bilimi projesinin adımlarını uçtan uca uygulamış olacağız. Diğer projemizde ise RFM skorlama yöntemi ile müşteri analitiği alanına giriş yapacağız!
Sorularınızı soru - cevap bölümünde 7/24bekliyor olacağım.Sorularınız gün içinde cevaplanacak, çok sık sorulan bir soru ise konuyla ilgili video ders eklenecektir.
Güncellemeler sizlerden gelen önerilere vemakine öğrenmesi bölümüne öncelik verilmek üzeredüzenli olarak devam edecektir.
