Mahout Eğitimi
Makine Öğrenimi Çözümlerini Biraraya Getiren Mahout’u En İyi Uygulamalar İle Öğrenin
EĞİTİMİN HEDEFİ
Mahout Eğitim Programı’nın amacı katılımcılara Mahout mimarisi, terminolojisi, konfigurasyonları ve en iyi uygulamaları ile ilgili detaylı bilgiler verirken, gerçek iş hayatından tecrübe paylaşımları, örnek uygulamalar ve vaka analizleri ile bu bilgilerin katılımcıların zihninde pekişmesini sağlamaktır.
BU PROGRAM SİZE NELER KATACAK?
- Mahout ile gelişmiş makine öğrenimi teknikleri ve algoritmaları üzerinde derin bilgi sahibi olacak,
- Mahout Mimarisi ve Bileşenleri arkasındaki terminoloji ve temel kavramlarını, seçim kriterlerini ve en iyi çözüm tasarımlarını öğrenecek,
- Mahout’un canlı ortama hazırlaması ve bakımı için en iyi uygulama örnekleri ve sistem optimizasyonlarını öğrenecek,
- Farklı tipte Sınıflandırma, Kümeleme algoritmaları, Vektörizasyon, Özellik Çıkarma ve daha birçok metod üzerine derinlemesine bilgi alacak,
- En uygun küme konfigürasyonları ve veri merkezi bünyesindeki donanım ve sistemlerle entegrasyonlar üzerinde hakimiyet sağlayacak,
- Uygulamalı dersler ile teknik bilgi ve yetkinliklerinizi geliştiriyor olacak,
- Program sonrasında da geliştirim yaparken kafanıza takılan noktalarda sorularınıza yanıt bulabileceksiniz.
KATILIMCI PROFİLİ
- Büyük Veri alanında kariyer yapmakta olan veya yapmayı planlayan çalışanlar
- Teknoloji / IT fonksiyonlarında ekip yöneten liderler
- Dijital Dönüşümden sorumlu liderler.
- Sistem Yöneticileri ve Uzmanları
- Veri Bilimciler ve Veri Analistleri
- Yeni Mezunlar ve Üniversite Öğrencileri
Büyük Veri Analizlerinize Zeka Katacak Mahout’u ve Makine Öğrenimi Algoritmalarını Derinlemesine Öğrenin
Program boyunca göreceğiniz teori ve uygulamalar Mahout konusundaki sorularınızı cevaplarken, doğru strateji ve uygulama geliştirme konularında anahtar teknikleri öğreniyor olacaksınız.
EĞİTİM İÇERİĞİ
- Modül-1: Mahout’a Giriş
- Mahout Tarihçesi
- Mahout Mimarisi ve Bileşenleri
- Denetimli ve Denetimsiz Öğrenme
- Kümeleme ve Sınıflandırma
- Benzerlik Metrikleri
- Euclidean, Cosine Measures, Manhattan Mesafe Ölçme Tipleri
- Özel Mesafe Ölçümü
- Modül-2: Kümeleme Teknikleri
- Kümeleme Kullanım Örnekleri
- Kümeleme Tekniklerinin Tipleri
- K-Means Kümeleme
- Veriyi Vektör Olarak Temsil Etme
- Verileri Vektörlere Dönüştürmek
- TF-IDF’i Anlamak
- N-gram Düzenlemeleri
- Normalizasyon
- K-Means Çalıştırmak
- Kümeleri Görselleştirmek
- Dumper İle K-Means Gösterimi
- K-Means’in Kısıtları
- Modül-3 İleri Düzey Kümeleme Teknikleri
- Canopy Kümeleme Tekniği
- Fuzzy K-Means Kümeleme Tekniği
- Topic Modelleme ve Uygulaması
- LDA ve Sonuçları
- Kümeleme Kalite Değerlendirmesi
- Küme Damperi
- Mesafe Ölçme
- Toplu ve Çevrimiçi Kümeleme
- Laboratuvar: Canopy ve Fuzzy K-Means Algoritmaları İle Uygulama Atölyesi
- Modül-4 Sınıflandırma Teknikleri
- Sınıflandırma Tekniklerine Giriş
- Sınıflandırma Uygulamaları ve Kullanım Örnekleri
- Tahminciler ve Hedef Değişkenleri
- Özellik Çıkarma
- Vektörselleştirme
- Sınıflandırma Tipleri
- Entropi
- Sınıflandırıcıyı Ayarlamak
- Algoritmaları Uygulamak
- Laboratuvar: Naive Bayers, K Nearest Neighbors, Random Forest, Decision Trees Algoritmaları İle Uygulama Atölyesi
- Modül-5 Öneri Sistemleri
- Introduction to Öneri Sistemlerine Giriş
- Kullanıcı Tabanlı Öneri Sistemleri
- Öğe Tabanlı Öneri Sistemleri
- İçerik Tabanlı Öneri Sistemleri
- Önerici Uygulaması Geliştirmek
- Önericiyi Değerlendirmek
- Tercih Nesnesi
- Genel Veri Modelleri
- Tercih Dizisi ve Uygulaması
- En Uygun İmplementasyonu Seçmek
- Modül-6 Öneri Sistemi Geliştirme ve En İyi Pratikler
- Kullanıcı Tabanlı Öneri Sistemleri ve Örnekleri
- Kullanıcı Komşuluğu ve Eşik Tabanlı Komşuluk
- Benzerlik Metrikleri
- Pearson Korelasyonu
- Ağırlık Kullanma
- Euclidean ve Cosine Benzerlikleri
- Tercihleri Anlamlandırmak
- Farklı Depolama ve Bellek Hususları
- SVD – Tekil Değer Ayrışımı
- Küme Tabanlı Öneri Sistemleri
- Önerici Tipleri ve Karşılaştırması
- Eş Oluşum Matrisi
- Kullanıcı Vektörlerini Hesaplamak
- Production Performans İpuçları
- Laboratuvar: Bir proje olarak örnek veri seti üzerinde Mahout üzerinde bir çok örnek ile uygulayarak öğreniyor olacaksınız