CodeBlanks Logo Icon CodeBlanks
Giriş Yap Kayıt Ol
Ücretsiz 4 seviye

Makine Öğrenmesi

Makine öğrenmesinin temellerinden derin öğrenmeye kadar. Regresyon, sınıflandırma, neural network, CNN, RNN ve transformer.

Makine öğrenmesinin temellerinden derin öğrenmeye kadar tüm konular. Regresyon, sınıflandırma, neural network, CNN, RNN ve transformer modelleri ile pratik uygulamalar.

  • 346 ders
  • 31 sa 39 dk
  • 9 proje
Ücretsiz başla Müfredatı gör

Hesap gerekmez, hemen başlayabilirsin. İlerlemeni kaydetmek istersen ücretsiz hesap aç

Seviyeler

Makine Öğrenmesi kursu dört seviyede sıfırdan uzmanlığa ilerler. İstediğin seviyeden başlayabilirsin.
Seviyeni bilmiyor musun? Seviye testini çöz
Başlangıç

ML temelleri, Python ile veri işleme, istatistik ve ilk algoritmalar.

  • ML nedir?
  • NumPy temelleri
  • Pandas temelleri
  • Veri ön işleme
112 ders · 10 sa 12 dk Dersleri gör →
Orta

Orta seviye

scikit-learn derinlemesine, ensemble yöntemler, SVM, kümeleme ve boyut indirgeme.

  • scikit-learn temelleri
  • Pipeline
  • Cross-validation
  • Grid search
112 ders · 10 sa 12 dk Dersleri gör →
İleri

İleri seviye

Neural network, PyTorch, CNN, RNN, LSTM ve transfer öğrenme.

  • Neural network temelleri
  • PyTorch temelleri
  • Tensor işlemleri
  • Autograd
78 ders · 7 sa 9 dk Dersleri gör →
Uzman

Transformer, attention, BERT, GPT, generative modeller ve MLOps.

  • Attention
  • Transformer
  • BERT
  • GPT
44 ders · 4 sa 6 dk Dersleri gör →

Yapacağın projeler

Her seviyede öğrendiklerini gerçek bir sayfada birleştirirsin.
Veri analizi Başlangıç · 4 ders Sınıflandırma Başlangıç · 4 ders Regresyon Başlangıç · 4 ders SVM Orta · 4 ders Kümeleme Orta · 4 ders Özellik Orta · 4 ders Neural network İleri · 4 ders CNN İleri · 4 ders Transformer Uzman · 4 ders

Nasıl çalışıyor?

Kısa anlatım

Her ders tek bir kavramı birkaç kısa kartla anlatır; uzun video ya da metin yok.

Hemen dene

Çoktan seçmeli, boşluk doldurma ve eşleştirme sorularıyla öğrendiğini anında pekiştirirsin.

Kendin yaz

Tarayıcıdaki editörde gerçek kod yazarsın; kodun anında kontrol edilir ve sonucu canlı görürsün.

Müfredat

62 grup · 346 ders · 31 sa 39 dk

ML temelleri, Python ile veri işleme, istatistik ve ilk algoritmalar.

1
ML nedir?
6 ders · 31 dk
  1. 1 Makine öğrenmesi nedir? Makine öğrenmesi (machine learning), bilgisayarların açık yöntemler yerine veriden öğrenmesini sağlayan yapay zeka dalıdır. 5 dk
  2. 2 Supervised ve unsupervised Supervised learning, etiketli veriyle model eğitir; her örneğe doğru çıktı (label) eşlik eder. 5 dk
  3. 3 Veri ve model Veri (data), ML algoritmalarının öğrenme kaynağıdır; özellik (feature) ve etiket (label) sütunlarından oluşur. 5 dk
  4. 4 Eğitim ve test Eğitim (train) verisiyle model eğitilir, test verisiyle modelin performansı ölçülür. 5 dk
  5. 5 Özellik ve etiket gösterimi ML'de özellikler genelde X matrisi, etiketler y vektörü olarak gösterilir. 5 dk
  6. 6 Özet - ML temelleri Bu grupta ML'nin tanımını, türlerini ve temel kavramlarını öğrendin. 6 dk
2
NumPy temelleri
6 ders · 31 dk
  1. 1 NumPy nedir? NumPy, Python'da sayısal hesaplama için temel kütüphanedir ve çok boyutlu diziler (ndarray) sağlar. 5 dk
  2. 2 Dizi oluşturma NumPy dizileri np.array() fonksiyonu ile Python listelerinden oluşturulur. 5 dk
  3. 3 Dizi özellikleri NumPy dizilerinin shape, size, ndim ve dtype gibi özellikleri vardır. 5 dk
  4. 4 Dizi indeksleme NumPy dizilerinde elemanlara indeks ile erişilir; ilk eleman 0 indekslidir. 5 dk
  5. 5 Dizi yeniden şekillendirme reshape() metodu ile dizinin boyutu değiştirilir; toplam eleman sayısı korunur. 5 dk
  6. 6 Özet - NumPy temelleri Bu grupta NumPy dizilerinin oluşturulmasını, özelliklerini ve indekslemeyi öğrendin. 6 dk
3
Pandas temelleri
6 ders · 31 dk
  1. 1 Pandas nedir? Pandas, Python'da veri analizi için kullanılan kütüphanedir; DataFrame ve Series veri yapılarını sağlar. 5 dk
  2. 2 DataFrame oluşturma DataFrame, pd.DataFrame() ile sözlük (dict) veya listeden oluşturulur. 5 dk
  3. 3 Sütun işlemleri DataFrame'in sütunlarına köşeli parantez ile erişilir ve istatistik hesaplanır. 5 dk
  4. 4 Veri seçme ve filtreleme DataFrame'de koşula göre satır seçmek için boolean filtreleme kullanılır. 5 dk
  5. 5 İlk satırları görüntüleme head() metodu DataFrame'in ilk n satırını döndürür; varsayılan n=5'tir. 5 dk
  6. 6 Özet - Pandas temelleri Bu grupta DataFrame oluşturmayı, sütun işlemlerini ve veri seçmeyi öğrendin. 6 dk
4
Veri ön işleme
6 ders · 31 dk
  1. 1 Veri temizleme Eksik veriler (NaN) tespit edilir ve doldurulur veya çıkarılır. 5 dk
  2. 2 Eksik veri Eksik değerler df.isna() ile bulunur, df.fillna() ya da SimpleImputer ile doldurulur. 5 dk
  3. 3 Veri türleri Veri türleri (dtype) sayısal, kategorik ve metin olarak ayrılır. 5 dk
  4. 4 Etiket kodlama Kategorik veriler LabelEncoder ile sayısal değerlere dönüştürülür. 5 dk
  5. 5 Veri bölme Veri train_test_split ile eğitim ve test kümelerine ayrılır. 5 dk
  6. 6 Özet - Veri ön işleme Bu grupta veri temizleme, eksik veri ve etiket kodlamayı öğrendin. 6 dk
5
İstatistik temelleri
6 ders · 31 dk
  1. 1 Ortalama Ortalama (mean), verilerin toplamının eleman sayısına bölünmesiyle bulunur. 5 dk
  2. 2 Medyan Medyan, verilerin sıralandığında ortadaki değerdir. 5 dk
  3. 3 Standart sapma Standart sapma, verilerin ortalamadan ne kadar saptığını gösterir. 5 dk
  4. 4 Varyans Varyans, standart sapmanın karesidir ve verinin yayılımını ölçer. 5 dk
  5. 5 Korelasyon Korelasyon, iki değişken arasındaki ilişkinin gücünü gösterir. 5 dk
  6. 6 Özet - İstatistik Bu grupta ortalama, medyan, standart sapma ve korelasyonu öğrendin. 6 dk
6
Lineer cebir
6 ders · 31 dk
  1. 1 Vektörler Vektör, tek boyutlu sayı dizisidir ve büyüklüğü ile yönü vardır. 5 dk
  2. 2 Matrisler Matris, iki boyutlu sayı dizisidir ve satır ile sütunlardan oluşur. 5 dk
  3. 3 Matris çarpımı Matris çarpımı, np.dot() veya @ operatörü ile yapılır. 5 dk
  4. 4 Transpoz Matrisin transpozunda satır ve sütun yer değiştirir. 5 dk
  5. 5 Birim matris Birim matris, köşegeni 1 ve diğer elemanları 0 olan kare matristir. 5 dk
  6. 6 Özet - Lineer cebir Bu grupta vektör, matris, çarpım ve transpoz işlemlerini öğrendin. 6 dk
7
Proje: Veri analiziProje
4 ders · 28 dk
  1. 1 Veri yükleme Veri setini pandas ile yükler ve incelersin. 7 dk
  2. 2 Veri temizleme Eksik verileri tespit edip temizlersin. 7 dk
  3. 3 İstatistik hesaplama Verinin istatistiksel özetini çıkarırsın. 7 dk
  4. 4 Sonuç yazdırma Analiz sonuçlarını yazdırırsın. 7 dk
8
Regresyon
6 ders · 31 dk
  1. 1 Regresyon nedir? Regresyon, sürekli bir çıktı değerini tahmin etmeyi amaçlayan supervised learning görevidir. 5 dk
  2. 2 Lineer regresyon Lineer regresyon, veriler arasındaki doğrusal ilişkiyi bulur ve bir doğruya uydurur. 5 dk
  3. 3 Model eğitimi Model, fit() metodu ile eğitim verisinden öğrenir ve ağırlıkları günceller. 5 dk
  4. 4 Tahmin Eğitilmiş model, predict() ile yeni veriler için tahmin yapar. 5 dk
  5. 5 Hata ölçümü MSE ve MAE gibi metrikler ile regresyon hatası ölçülür. 5 dk
  6. 6 Özet - Regresyon Bu grupta lineer regresyon, model eğitimi ve tahmin işlemlerini öğrendin. 6 dk
9
KNN
6 ders · 31 dk
  1. 1 KNN nedir? KNN (K-Nearest Neighbors), bir örneği en yakın k komşusunun çoğunluğuna göre sınıflandırır. 5 dk
  2. 2 K parametresi K, komşu sayısını belirler; küçük K fazla, büyük K az uyuma yol açar. 5 dk
  3. 3 Mesafe ölçümü KNN, örnekler arası mesafeyi Öklid veya Manhattan ile ölçer. 5 dk
  4. 4 Sınıflandırma KNN, yeni örneği en yakın k komşusunun çoğunluk oyuyla sınıflandırır. 5 dk
  5. 5 Model eğitimi KNN tembel (lazy) bir algoritmadır; eğitim verisini olduğu gibi saklar. 5 dk
  6. 6 Özet - KNN Bu grupta KNN algoritmasını, K parametresini ve sınıflandırmayı öğrendin. 6 dk
10
Karar ağaçları
6 ders · 31 dk
  1. 1 Karar ağacı nedir? Karar ağacı, veriyi sorularla bölerek sınıflandıran ağaç benzeri bir modeldir. 5 dk
  2. 2 Bölme kriteri Karar ağaçları, gini veya entropy kriteriyle veriyi böler. 5 dk
  3. 3 Derinlik Ağacın derinliği (max_depth) aşırı öğrenmeyi önler. 5 dk
  4. 4 Sınıflandırma Karar ağacı, yaprak düğümlerde çoğunluk sınıfı belirler. 5 dk
  5. 5 Aşırı öğrenme Çok derin ağaçlar veriyi ezberler; budama (pruning) ile önlenir. 5 dk
  6. 6 Özet - Karar ağaçları Bu grupta karar ağaçlarını, bölme kriterlerini ve aşırı öğrenmeyi öğrendin. 6 dk
11
Sınıflandırma
6 ders · 31 dk
  1. 1 Sınıflandırma nedir? Sınıflandırma, veriyi önceden belirlenmiş sınıflardan birine atama görevidir. 5 dk
  2. 2 İkili sınıflandırma İkili sınıflandırmada iki sınıf vardır: pozitif ve negatif. 5 dk
  3. 3 Çok sınıflı Çok sınıflı sınıflandırmada ikiden fazla sınıf vardır. 5 dk
  4. 4 Doğruluk Doğruluk (accuracy), doğru tahminlerin toplam tahminlere oranıdır. 5 dk
  5. 5 Karmaşıklık matrisi Karmaşıklık matrisi, sınıflandırma sonuçlarını detaylı gösterir. 5 dk
  6. 6 Özet - Sınıflandırma Bu grupta sınıflandırma, doğruluk ve karmaşıklık matrisini öğrendin. 6 dk
12
Model değerlendirme
6 ders · 31 dk
  1. 1 Train-test split Veri, train_test_split ile eğitim ve test kümelerine ayrılır. 5 dk
  2. 2 Doğruluk Doğruluk, en yaygın sınıflandırma metriğidir. 5 dk
  3. 3 Kesinlik Kesinlik (precision), pozitif tahminlerin doğruluk oranıdır. 5 dk
  4. 4 Duyarlılık Duyarlılık (recall), gerçek pozitiflerin yakalama oranıdır. 5 dk
  5. 5 F1 skoru F1 skoru, kesinlik ve duyarlılığın harmonik ortalamasıdır. 5 dk
  6. 6 Özet - Model değerlendirme Bu grupta train-test split, doğruluk, kesinlik ve F1'i öğrendin. 6 dk
13
Proje: SınıflandırmaProje
4 ders · 28 dk
  1. 1 Veri hazırlama Sınıflandırma için veriyi hazırlarsın. 7 dk
  2. 2 Model eğitimi KNN modelini eğitirsin. 7 dk
  3. 3 Tahmin Model ile tahmin yaparsın. 7 dk
  4. 4 Değerlendirme Model doğruluğunu hesaplarsın. 7 dk
14
Ölçeklendirme
6 ders · 31 dk
  1. 1 Ölçeklendirme nedir? Ölçeklendirme, özellik değerlerini belirli bir aralığa getirir. 5 dk
  2. 2 StandardScaler StandardScaler, veriyi ortalama 0 standart sapma 1 yapar. 5 dk
  3. 3 MinMaxScaler MinMaxScaler, veriyi 0 ile 1 arasına sıkıştırır. 5 dk
  4. 4 Ne zaman kullanılır? Ölçeklendirme, KNN ve SVM gibi mesafe tabanlı algoritmalarda önemlidir. 5 dk
  5. 5 Pipeline Ölçeklendirme ve model Pipeline ile birleştirilir. 5 dk
  6. 6 Özet - Ölçeklendirme Bu grupta StandardScaler, MinMaxScaler ve Pipeline'ı öğrendin. 6 dk
15
Özellik mühendisliği
6 ders · 31 dk
  1. 1 Özellik nedir? Özellik (feature), modelin girdi olarak kullandığı ölçülebilir veri sütunudur. 5 dk
  2. 2 Özellik seçimi Özellik seçimi, en bilgilendirici özellikleri seçerek modeli basitleştirir. 5 dk
  3. 3 Özellik çıkarımı Özellik çıkarımı, mevcut özelliklerden yeni özellikler türetir. 5 dk
  4. 4 Kategorik özellikler Kategorik özellikler OneHotEncoder ile ikili vektörlere dönüştürülür. 5 dk
  5. 5 Sayısal özellikler Sayısal özellikler ölçeklendirilerek model performansı artırılır. 5 dk
  6. 6 Özet - Özellik mühendisliği Bu grupta özellik seçimi, çıkarımı ve dönüştürmeyi öğrendin. 6 dk
16
Model seçimi
6 ders · 31 dk
  1. 1 Model seçimi nedir? Model seçimi, en iyi performans veren modeli ve parametreleri bulma sürecidir. 5 dk
  2. 2 Cross-validation Cross-validation, veriyi birden çok parçaya bölerek modeli değerlendirir. 5 dk
  3. 3 Grid search GridSearchCV, tüm parametre kombinasyonlarını deneyerek en iyi olanı bulur. 5 dk
  4. 4 Skor karşılaştırma Modeller, validation skoru ile karşılaştırılır. 5 dk
  5. 5 Hiperparametre Hiperparametre, model eğitiminden önce ayarlanan parametredir. 5 dk
  6. 6 Özet - Model seçimi Bu grupta cross-validation, grid search ve hiperparametre ayarını öğrendin. 6 dk
17
Proje: RegresyonProje
4 ders · 28 dk
  1. 1 Veri hazırlama Regresyon için veriyi hazırlarsın. 7 dk
  2. 2 Model eğitimi Lineer regresyon modelini eğitirsin. 7 dk
  3. 3 Tahmin Model ile tahmin yaparsın. 7 dk
  4. 4 Hata ölçümü MSE ile hata ölçersin. 7 dk
18
Metrikler
6 ders · 31 dk
  1. 1 Metrik nedir? Metrik, model performansını ölçen sayısal bir değerdir. 5 dk
  2. 2 Accuracy Accuracy, doğru tahminlerin oranını gösterir. 5 dk
  3. 3 Precision Precision, pozitif tahminlerin kaçının doğru olduğunu gösterir. 5 dk
  4. 4 Recall Recall, gerçek pozitiflerin kaçının bulunduğunu gösterir. 5 dk
  5. 5 F1 skoru F1, precision ve recall'un harmonik ortalamasıdır. 5 dk
  6. 6 Özet - Metrikler Bu grupta accuracy, precision, recall ve F1 metriklerini öğrendin. 6 dk
19
Veri görselleştirme
6 ders · 31 dk
  1. 1 Görselleştirme nedir? Veri görselleştirme, veriyi grafiklerle anlaşılır kılmayı amaçlar. 5 dk
  2. 2 Dağılım grafiği Dağılım grafiği, iki değişken arasındaki ilişkiyi noktalarla gösterir. 5 dk
  3. 3 Histogram Histogram, verilerin dağılımını sütunlarla gösterir. 5 dk
  4. 4 Çizgi grafiği Çizgi grafiği, zaman içindeki değişimi gösterir. 5 dk
  5. 5 Kutu grafiği Kutu grafiği, verilerin yayılımını ve aykırı değerleri gösterir. 5 dk
  6. 6 Özet - Görselleştirme Bu grupta dağılım, histogram ve çizgi grafiklerini öğrendin. 6 dk
20
Başlangıç finaliFinal
4 ders · 32 dk
  1. 1 Meydan okuma 1 ML temellerini birleştirerek veri analizi yaparsın. 8 dk
  2. 2 Meydan okuma 2 NumPy ve Pandas ile veri işlersin. 8 dk
  3. 3 Meydan okuma 3 Regresyon modeli eğitir ve tahmin yaparsın. 8 dk
  4. 4 Meydan okuma 4 Sınıflandırma modelini değerlendirirsin. 8 dk

scikit-learn derinlemesine, ensemble yöntemler, SVM, kümeleme ve boyut indirgeme.

1
scikit-learn temelleri
6 ders · 31 dk
  1. 1 scikit-learn nedir? scikit-learn, Python'da klasik ML algoritmaları için temel kütüphanedir. 5 dk
  2. 2 Estimator API Tüm scikit-learn modelleri fit() ve predict() metotlarını paylaşır. 5 dk
  3. 3 fit metodu fit() metodu modeli eğitim verisinden öğrenir. 5 dk
  4. 4 predict metodu predict() metodu yeni veriler için tahmin yapar. 5 dk
  5. 5 score metodu score() metodu modelin R² veya accuracy değerini döndürür. 5 dk
  6. 6 Özet - scikit-learn Bu grupta scikit-learn estimator API'sini öğrendin. 6 dk
2
Pipeline
6 ders · 31 dk
  1. 1 Pipeline nedir? Pipeline, veri ön işleme ve model adımlarını tek bir akışta birleştirir. 5 dk
  2. 2 Adımlar Pipeline adımları (scaler, model) sırayla çalışır. 5 dk
  3. 3 fit ve predict Pipeline'da fit() tüm adımları eğitir, predict() tüm adımları uygular. 5 dk
  4. 4 Avantajlar Pipeline, veri sızıntısını önler ve kodu temiz tutar. 5 dk
  5. 5 ColumnTransformer ColumnTransformer, farklı sütunlara farklı dönüşümler uygular. 5 dk
  6. 6 Özet - Pipeline Bu grupta Pipeline yapısını ve avantajlarını öğrendin. 6 dk
3
Cross-validation
6 ders · 31 dk
  1. 1 Cross-validation nedir? Cross-validation, veriyi k katmana bölerek modeli k kez değerlendirir. 5 dk
  2. 2 K-fold K-fold, veriyi k eşit parçaya böler ve her parçayı bir kez test eder. 5 dk
  3. 3 cross_val_score cross_val_score fonksiyonu, k-fold çapraz doğrulama puanlarını döndürür. 5 dk
  4. 4 Stratified Stratified k-fold, sınıf dağılımını her katmanda korur. 5 dk
  5. 5 Avantajlar Cross-validation, tek train-test bölmeden daha güvenilir sonuç verir. 5 dk
  6. 6 Özet - Cross-validation Bu grupta k-fold cross-validation ve cross_val_score'u öğrendin. 6 dk
4
Grid search
6 ders · 31 dk
  1. 1 Grid search nedir? Grid search, tüm hiperparametre kombinasyonlarını deneyerek en iyi olanı bulur. 5 dk
  2. 2 GridSearchCV GridSearchCV, grid search ve cross-validation'ı birleştirir. 5 dk
  3. 3 param_grid param_grid, denenecek hiperparametre değerlerini içeren sözlüktür. 5 dk
  4. 4 best_params_ best_params_ özelliği, en iyi hiperparametre kombinasyonunu verir. 5 dk
  5. 5 best_score_ best_score_ özelliği, en iyi cross-validation puanını verir. 5 dk
  6. 6 Özet - Grid search Bu grupta GridSearchCV ve hiperparametre ayarını öğrendin. 6 dk
5
SVM
6 ders · 31 dk
  1. 1 SVM nedir? SVM (Support Vector Machine), sınıfları en geniş marjla ayıran hiperdüzlemi bulur. 5 dk
  2. 2 Marj Marj, hiperdüzlemin iki sınıfa en yakın noktalara olan uzaklığıdır. 5 dk
  3. 3 Kernel Kernel, veriyi daha yüksek boyuta taşıyarak doğrusal ayrılabilirliği artırır. 5 dk
  4. 4 C parametresi C, marj genişliği ile sınıflandırma hatası arasındaki dengeyi ayarlar. 5 dk
  5. 5 Sınıflandırma SVM, ikili ve çok sınıflı sınıflandırmada kullanılır. 5 dk
  6. 6 Özet - SVM Bu grupta SVM, marj, kernel ve C parametresini öğrendin. 6 dk
6
Proje: SVMProje
4 ders · 28 dk
  1. 1 Veri hazırlama SVM için veriyi hazırlar ve ölçeklersin. 7 dk
  2. 2 Model eğitimi SVM modelini eğitirsin. 7 dk
  3. 3 Tahmin SVM ile tahmin yaparsın. 7 dk
  4. 4 Değerlendirme SVM doğruluğunu hesaplarsın. 7 dk
7
Random forest
6 ders · 31 dk
  1. 1 Random forest nedir? Random forest, birden çok karar ağacını birleştiren ensemble algoritmasıdır. 5 dk
  2. 2 Ensemble Ensemble yöntemi, birden çok modelin tahminlerini birleştirir. 5 dk
  3. 3 n_estimators n_estimators, ormandaki ağaç sayısını belirler. 5 dk
  4. 4 Bagging Bagging, her ağacı rastgele örneklerle eğiterek çeşitlilik sağlar. 5 dk
  5. 5 Feature importance Random forest, özellik önem derecesini hesaplar. 5 dk
  6. 6 Özet - Random forest Bu grupta random forest, ensemble ve bagging'i öğrendin. 6 dk
8
Boosting
6 ders · 31 dk
  1. 1 Boosting nedir? Boosting, zayıf modelleri sırayla eğiterek güçlü bir model oluşturur. 5 dk
  2. 2 AdaBoost AdaBoost, hatalı örneklerin ağırlığını artırarak sonraki modeli yönlendirir. 5 dk
  3. 3 Gradient boosting Gradient boosting, hataları gradyan ile azaltarak modeli geliştirir. 5 dk
  4. 4 Learning rate Learning rate, her ağacın katkısını ölçekler. 5 dk
  5. 5 Avantajlar Boosting, yüksek doğruluk sağlar ama aşırı öğrenmeye yatkındır. 5 dk
  6. 6 Özet - Boosting Bu grupta AdaBoost ve gradient boosting'i öğrendin. 6 dk
9
Kümeleme
6 ders · 31 dk
  1. 1 Kümeleme nedir? Kümeleme, etiketsiz veriyi benzerliklere göre gruplara ayıran unsupervised yöntemdir. 5 dk
  2. 2 KMeans KMeans, veriyi k kümeye bölen popüler bir kümeleme algoritmasıdır. 5 dk
  3. 3 Centroid Centroid, bir kümenin merkez noktasıdır. 5 dk
  4. 4 Elbow yöntemi Elbow yöntemi, en uygun k değerini bulmak için kullanılır. 5 dk
  5. 5 Etiketler KMeans, her örneğe küme etiketi atar ve labels_ özelliğinde saklar. 5 dk
  6. 6 Özet - Kümeleme Bu grupta kümeleme, KMeans ve elbow yöntemini öğrendin. 6 dk
10
KMeans derinlemesine
6 ders · 31 dk
  1. 1 KMeans algoritması KMeans, k centroidi rastgele başlatır ve iteratif olarak günceller. 5 dk
  2. 2 Başlatma KMeans başlatma yöntemi k-means++ varsayılan olarak kullanılır. 5 dk
  3. 3 n_init n_init, KMeans'in farklı başlatma sayısını belirler. 5 dk
  4. 4 inertia_ inertia_, kümeler içi toplam kare mesafeyi verir. 5 dk
  5. 5 random_state random_state, KMeans sonuçlarını tekrarlanabilir yapar. 5 dk
  6. 6 Özet - KMeans Bu grupta KMeans parametrelerini ve özelliklerini öğrendin. 6 dk
11
Hiyerarşik kümeleme
6 ders · 31 dk
  1. 1 Hiyerarşik kümeleme nedir? Hiyerarşik kümeleme, veriyi ağaç benzeri bir yapıda gruplara ayırır. 5 dk
  2. 2 Dendrogram Dendrogram, hiyerarşik kümeleme sonucunu ağaç olarak görselleştirir. 5 dk
  3. 3 Agglomerative Agglomerative, her örneği bir küme olarak başlatıp birleştirir. 5 dk
  4. 4 Linkage Linkage, kümeler arası mesafe hesaplama yöntemidir. 5 dk
  5. 5 Avantajlar Hiyerarşik kümeleme, k önceden belirtmeden küme yapısını gösterir. 5 dk
  6. 6 Özet - Hiyerarşik kümeleme Bu grupta hiyerarşik kümeleme ve dendrogram'ı öğrendin. 6 dk
12
Proje: KümelemeProje
4 ders · 28 dk
  1. 1 Veri hazırlama Kümeleme için veriyi hazırlarsın. 7 dk
  2. 2 KMeans eğitimi KMeans modelini eğitirsin. 7 dk
  3. 3 Etiket analizi Küme etiketlerini analiz edersin. 7 dk
  4. 4 Sonuç yazdırma Kümeleme sonuçlarını yazdırırsın. 7 dk
13
PCA
6 ders · 31 dk
  1. 1 PCA nedir? PCA (Principal Component Analysis), veriyi en çok varyansı koruyacak şekilde boyut indirger. 5 dk
  2. 2 Varyans PCA, en çok varyansı açıklayan bileşenleri seçer. 5 dk
  3. 3 n_components n_components, indirgenecek boyut sayısını belirler. 5 dk
  4. 4 fit_transform fit_transform, PCA'yı eğitir ve veriyi dönüştürür. 5 dk
  5. 5 explained_variance_ explained_variance_ her bileşenin varyans oranını verir. 5 dk
  6. 6 Özet - PCA Bu grupta PCA, varyans ve n_components'i öğrendin. 6 dk
14
Boyut indirgeme
6 ders · 31 dk
  1. 1 Boyut indirgeme nedir? Boyut indirgeme, özellik sayısını azaltırken bilgiyi korur. 5 dk
  2. 2 Neden indirgeriz? Boyut indirgeme, hesaplama maliyetini azaltır ve gürültüyü filtreler. 5 dk
  3. 3 PCA vs t-SNE PCA doğrusal, t-SNE doğrusal olmayan boyut indirgeme yöntemidir. 5 dk
  4. 4 Görselleştirme Boyut indirgeme, yüksek boyutlu veriyi 2B veya 3B'de görselleştirmeye yarar. 5 dk
  5. 5 Avantajlar Boyut indirgeme, aşırı öğrenmeyi azaltır ve model hızını artırır. 5 dk
  6. 6 Özet - Boyut indirgeme Bu grupta PCA, t-SNE ve boyut indirgeme avantajlarını öğrendin. 6 dk
15
Özellik seçimi
6 ders · 31 dk
  1. 1 Özellik seçimi nedir? Özellik seçimi, en bilgilendirici özellikleri seçerek modeli basitleştirir. 5 dk
  2. 2 Variance threshold Variance threshold, düşük varyanslı özellikleri çıkarır. 5 dk
  3. 3 SelectKBest SelectKBest, en iyi k özelliği istatistiksel teste göre seçer. 5 dk
  4. 4 Recursive elimination RFE, en az önemli özelliği yinelemeli olarak çıkarır. 5 dk
  5. 5 Feature importance Ağaç tabanlı modeller, özellik önem derecesini hesaplar. 5 dk
  6. 6 Özet - Özellik seçimi Bu grupta variance threshold, SelectKBest ve RFE'yi öğrendin. 6 dk
16
Dengesiz veri
6 ders · 31 dk
  1. 1 Dengesiz veri nedir? Dengesiz veri, sınıfların eşit olmayan sayıda örneğe sahip olduğu veridir. 5 dk
  2. 2 SMOTE SMOTE, azınlık sınıfı için sentetik örnekler üretir. 5 dk
  3. 3 Class weight class_weight parametresi, azınlık sınıfına daha fazla ağırlık verir. 5 dk
  4. 4 Oversampling Oversampling, azınlık sınıfının örneklerini çoğaltır. 5 dk
  5. 5 Metrik seçimi Dengesiz veride accuracy yerine F1 veya AUC kullanılır. 5 dk
  6. 6 Özet - Dengesiz veri Bu grupta SMOTE, class_weight ve metrik seçimini öğrendin. 6 dk
17
Proje: ÖzellikProje
4 ders · 28 dk
  1. 1 Özellik çıkarımı Yeni özellikler türetirsin. 7 dk
  2. 2 Özellik seçimi En iyi özellikleri seçersin. 7 dk
  3. 3 Model eğitimi Seçilen özelliklerle model eğitirsin. 7 dk
  4. 4 Değerlendirme Modeli değerlendirirsin. 7 dk
18
Ensemble yöntemler
6 ders · 31 dk
  1. 1 Ensemble nedir? Ensemble, birden çok modelin tahminlerini birleştirerek daha iyi sonuç alır. 5 dk
  2. 2 Voting Voting ensemble, modellerin çoğunluk oyuyla karar vermesini sağlar. 5 dk
  3. 3 Bagging Bagging, paralel modellerin tahminlerini ortalamasını alır. 5 dk
  4. 4 Boosting Boosting, sıralı modellerin hatalarını düzeltmesini sağlar. 5 dk
  5. 5 Stacking Stacking, modellerin tahminlerini meta-modelle birleştirir. 5 dk
  6. 6 Özet - Ensemble Bu grupta voting, bagging, boosting ve stacking'i öğrendin. 6 dk
19
Regularizasyon
6 ders · 31 dk
  1. 1 Regularizasyon nedir? Regularizasyon, model karmaşıklığına ceza ekleyerek aşırı öğrenmeyi önler. 5 dk
  2. 2 L1 (Lasso) L1 regularizasyonu, katsayıları sıfıra yaklaştırarak özellik seçimi yapar. 5 dk
  3. 3 L2 (Ridge) L2 regularizasyonu, katsayıları küçültür ama sıfır yapmaz. 5 dk
  4. 4 alpha alpha parametresi, regularizasyon gücünü belirler. 5 dk
  5. 5 ElasticNet ElasticNet, L1 ve L2 regularizasyonunu birleştirir. 5 dk
  6. 6 Özet - Regularizasyon Bu grupta L1, L2 ve ElasticNet regularizasyonunu öğrendin. 6 dk
20
Orta seviye finaliFinal
4 ders · 32 dk
  1. 1 Meydan okuma 1 scikit-learn ile sınıflandırma yaparsın. 8 dk
  2. 2 Meydan okuma 2 Cross-validation ile model değerlendirirsin. 8 dk
  3. 3 Meydan okuma 3 KMeans ile kümeleme yaparsın. 8 dk
  4. 4 Meydan okuma 4 PCA ile boyut indirgersin. 8 dk

Neural network, PyTorch, CNN, RNN, LSTM ve transfer öğrenme.

1
Neural network temelleri
6 ders · 31 dk
  1. 1 Neural network nedir? Neural network, biyolojik sınır ağlarından ilham alan katmanlı bir modeldir. 5 dk
  2. 2 Nöron Nöron, girdileri ağırlıklarla çarpar ve aktivasyon fonksiyonundan geçirir. 5 dk
  3. 3 Katmanlar Neural network, giriş, gizli ve çıkış katmanlarından oluşur. 5 dk
  4. 4 Aktivasyon Aktivasyon fonksiyonu, doğrusal olmayanlık ekler ve ReLU en yaygın olanıdır. 5 dk
  5. 5 İleri yayılım İleri yayılım, girdinin katmanlardan geçerek çıktı üretmesidir. 5 dk
  6. 6 Özet - Neural network Bu grupta nöron, katman, aktivasyon ve ileri yayılımı öğrendin. 6 dk
2
PyTorch temelleri
6 ders · 31 dk
  1. 1 PyTorch nedir? PyTorch, Facebook tarafından geliştirilen derin öğrenme kütüphanesidir. 5 dk
  2. 2 Tensor Tensor, PyTorch'un temel veri yapısıdır ve çok boyutlu dizidir. 5 dk
  3. 3 Tensor oluşturma Tensor, torch.tensor() ile listeden oluşturulur. 5 dk
  4. 4 Tensor özellikleri Tensor'ın shape, dtype ve device özellikleri vardır. 5 dk
  5. 5 GPU desteği PyTorch, tensor'ları GPU'ya taşıyarak hızlı hesaplama sağlar. 5 dk
  6. 6 Özet - PyTorch Bu grupta tensor oluşturma, özellikleri ve GPU desteğini öğrendin. 6 dk
3
Tensor işlemleri
6 ders · 31 dk
  1. 1 Tensor işlemleri Tensorlar üzerinde toplama, çarpma ve reshape işlemleri yapılır. 5 dk
  2. 2 Shape Tensor'ın shape'i boyut bilgisini verir. 5 dk
  3. 3 Dtype Dtype, tensor elemanlarının veri türünü belirtir. 5 dk
  4. 4 Reshape reshape() ve view() ile tensor boyutu değiştirilir. 5 dk
  5. 5 Indexing Tensor elemanlarına indeks ile erişilir. 5 dk
  6. 6 Özet - Tensor işlemleri Bu grupta tensor shape, dtype ve reshape işlemlerini öğrendin. 6 dk
4
Autograd
6 ders · 31 dk
  1. 1 Autograd nedir? Autograd, tensor işlemlerinin gradyanlarını otomatik hesaplar. 5 dk
  2. 2 requires_grad requires_grad=True ile tensor gradyan takibi açılır. 5 dk
  3. 3 backward() backward() metodu, kayıptan gradyanları hesaplar. 5 dk
  4. 4 grad grad özelliği, hesaplanan gradyanları içerir. 5 dk
  5. 5 Computational graph Autograd, işlemleri bir hesap grafiği olarak kaydeder. 5 dk
  6. 6 Özet - Autograd Bu grupta autograd, requires_grad ve backward() öğrendin. 6 dk
5
Proje: Neural networkProje
4 ders · 28 dk
  1. 1 Tensor hazırlama Eğitim verisini tensor'a dönüştürürsün. 7 dk
  2. 2 Model tanımı nn.Module ile model tanımlarsın. 7 dk
  3. 3 Loss hesabı MSE loss hesaplarsın. 7 dk
  4. 4 Optimize edici SGD optimize edici oluşturursun. 7 dk
6
nn.Module
6 ders · 31 dk
  1. 1 nn.Module nedir? nn.Module, tüm neural network modellerinin taban sınıfıdır. 5 dk
  2. 2 __init__ __init__ metodunda katmanlar tanımlanır. 5 dk
  3. 3 forward forward metodu, verinin modelden nasıl geçeceğini tanımlar. 5 dk
  4. 4 nn.Linear nn.Linear, tam bağlı katman oluşturur. 5 dk
  5. 5 parameters() parameters() metodu, modelin öğrenilebilir parametrelerini döndürür. 5 dk
  6. 6 Özet - nn.Module Bu grupta nn.Module, __init__, forward ve nn.Linear'ı öğrendin. 6 dk
7
Eğitim döngüsü
6 ders · 31 dk
  1. 1 Eğitim döngüsü Eğitim döngüsü, veriyi modele verip loss'u azaltır. 5 dk
  2. 2 Epoch Epoch, tüm verinin bir kez eğitim için kullanılmasıdır. 5 dk
  3. 3 Loss Loss, model tahmininin ne kadar yanlış olduğunu ölçer. 5 dk
  4. 4 backward() backward() metodu, loss'tan gradyanları hesaplar. 5 dk
  5. 5 optimizer.step() optimizer.step() gradyanlarla ağırlıkları günceller. 5 dk
  6. 6 Özet - Eğitim döngüsü Bu grupta epoch, loss, backward ve optimizer'ı öğrendin. 6 dk
8
CNN
6 ders · 31 dk
  1. 1 CNN nedir? CNN (Convolutional Neural Network), görüntü işlemede başarılı bir derin öğrenme modelidir. 5 dk
  2. 2 Conv2d Conv2d, görüntüde desen taramak için çekirdek (kernel) kullanır. 5 dk
  3. 3 MaxPool2d MaxPool2d, görüntü boyutunu küçültür ve önemli özellikleri korur. 5 dk
  4. 4 Feature map Conv2d çıktısı, öğrenilen özellik haritasıdır (feature map). 5 dk
  5. 5 Flatten Flatten, çok boyutlu feature map'i tek boyuta indirir. 5 dk
  6. 6 Özet - CNN Bu grupta Conv2d, MaxPool2d ve feature map'i öğrendin. 6 dk
9
RNN
6 ders · 31 dk
  1. 1 RNN nedir? RNN (Recurrent Neural Network), dizi verisini işlemek için tasarlanmış bir modeldir. 5 dk
  2. 2 Hidden state Hidden state, RNN'ın önceki adımdaki belleğidir. 5 dk
  3. 3 Sequence RNN, dizi boyunca adım adım ilerler ve her adımda hidden state günceller. 5 dk
  4. 4 Vanishing gradient RNN'lerde uzun dizilerde gradyan kaybolması sorunu yaşanır. 5 dk
  5. 5 Embedding Embedding katmanı, kelime indekslerini yoğun vektörlere dönüştürür. 5 dk
  6. 6 Özet - RNN Bu grupta RNN, hidden state ve vanishing gradient'i öğrendin. 6 dk
10
LSTM
6 ders · 31 dk
  1. 1 LSTM nedir? LSTM (Long Short-Term Memory), uzun dizilerde bellek koruyan RNN türüdür. 5 dk
  2. 2 Gate'ler LSTM, input, forget ve output gate'leri ile bilgi akışını kontrol eder. 5 dk
  3. 3 Cell state Cell state, LSTM'ın uzun süreli bellek taşıyıcısıdır. 5 dk
  4. 4 input_size input_size, LSTM'a giren özellik vektörünün boyutudur. 5 dk
  5. 5 hidden_size hidden_size, LSTM'ın gizli durum vektörünün boyutudur. 5 dk
  6. 6 Özet - LSTM Bu grupta LSTM, gate'ler ve cell state'i öğrendin. 6 dk
11
Proje: CNNProje
4 ders · 28 dk
  1. 1 Veri hazırlama Görüntü verisini tensor'a dönüştürürsün. 7 dk
  2. 2 CNN modeli Conv2d ve MaxPool2d ile CNN tanımlarsın. 7 dk
  3. 3 Loss ve optimizer CrossEntropy loss ve SGD optimizer kullanırsın. 7 dk
  4. 4 Eğitim Eğitim döngüsü yazarsın. 7 dk
12
Transfer öğrenme
6 ders · 31 dk
  1. 1 Transfer öğrenme nedir? Transfer öğrenme, önceden eğitilmiş bir modeli yeni göreve uyarlar. 5 dk
  2. 2 Pre-trained model Pre-trained model, büyük veri setinde eğitilmiş ve ağırlıkları paylaşılan modeldir. 5 dk
  3. 3 Fine-tuning Fine-tuning, pre-trained modelin bazı katmanlarını yeniden eğitir. 5 dk
  4. 4 Feature extraction Feature extraction, pre-trained modelin özellik çıkarımı katmanlarını döndürür. 5 dk
  5. 5 Avantajlar Transfer öğrenme, az veriyle yüksek performans sağlar. 5 dk
  6. 6 Özet - Transfer öğrenme Bu grupta pre-trained model, fine-tuning ve feature extraction'ı öğrendin. 6 dk
13
Optimizasyon
6 ders · 31 dk
  1. 1 Optimizer nedir? Optimizer, gradyanları kullanarak model ağırlıklarını günceller. 5 dk
  2. 2 SGD SGD (Stochastic Gradient Descent), her örnekte ağırlıkları günceller. 5 dk
  3. 3 Adam Adam, uyarlanır öğrenme hızıyla gradyanları günceller. 5 dk
  4. 4 Learning rate Learning rate, her adımda ağırlıkların ne kadar değişeceğini belirler. 5 dk
  5. 5 zero_grad() zero_grad() her adımda gradyanları sıfırlar. 5 dk
  6. 6 Özet - Optimizasyon Bu grupta SGD, Adam ve learning rate'i öğrendin. 6 dk
14
İleri seviye finaliFinal
4 ders · 32 dk
  1. 1 Meydan okuma 1 PyTorch ile tensor işlemleri yaparsın. 8 dk
  2. 2 Meydan okuma 2 nn.Module ile model tanımlarsın. 8 dk
  3. 3 Meydan okuma 3 CNN ile görüntü modeli kurarsın. 8 dk
  4. 4 Meydan okuma 4 Eğitim döngüsü yazarsın. 8 dk

Transformer, attention, BERT, GPT, generative modeller ve MLOps.

1
Attention
6 ders · 31 dk
  1. 1 Attention nedir? Attention, modelin girdinin önemli kısımlarına odaklanmasını sağlar. 5 dk
  2. 2 Self-attention Self-attention, bir dizinin her elemanının diğerleriyle ilişkisini hesaplar. 5 dk
  3. 3 Query, Key, Value Attention, query ve key'in çarpımıyla ağırlıkları hesaplar ve value'yu toplar. 5 dk
  4. 4 Scaled dot-product Scaled dot-product attention, query-key çarpımını boyutun kareköküne böler. 5 dk
  5. 5 Multi-head Multi-head attention, birden çok attention başlığını paralel çalıştırır. 5 dk
  6. 6 Özet - Attention Bu grupta self-attention, QKV ve multi-head attention'ı öğrendin. 6 dk
2
Transformer
6 ders · 31 dk
  1. 1 Transformer nedir? Transformer, attention mekanizmasına dayalı dizi modelidir. 5 dk
  2. 2 Encoder Encoder, girdiyi attention ve feed-forward katmanlarıyla işler. 5 dk
  3. 3 Decoder Decoder, encoder çıktısını ve önceki çıktıyı kullanarak tahmin üretir. 5 dk
  4. 4 Positional encoding Positional encoding, dizideki konum bilgisini modele verir. 5 dk
  5. 5 TransformerEncoderLayer nn.TransformerEncoderLayer, bir encoder bloğunu temsil eder. 5 dk
  6. 6 Özet - Transformer Bu grupta encoder, decoder ve positional encoding'i öğrendin. 6 dk
3
Proje: TransformerProje
4 ders · 28 dk
  1. 1 Veri hazırlama Dizi verisini tensor'a dönüştürürsün. 7 dk
  2. 2 Attention katmanı Multi-head attention katmanı eklersin. 7 dk
  3. 3 Encoder bloğu Transformer encoder bloğu tanımlarsın. 7 dk
  4. 4 Sonuç Model çıktısını yazdırırsın. 7 dk
4
BERT
6 ders · 31 dk
  1. 1 BERT nedir? BERT (Bidirectional Encoder Representations from Transformers), çift yönlü dil anlama modelidir. 5 dk
  2. 2 Masked LM BERT, eğitim sırasında rastgele kelimeleri maskeleyip tahmin eder. 5 dk
  3. 3 Tokenization BERT, kelimeleri alt kelime (subword) tokenlerine ayırır. 5 dk
  4. 4 Fine-tuning BERT, sınıflandırma gibi görevler için fine-tuning yapılır. 5 dk
  5. 5 CLS token CLS token, sınıflandırma görevleri için tüm dizinin özetini taşır. 5 dk
  6. 6 Özet - BERT Bu grupta BERT, masked LM ve fine-tuning'i öğrendin. 6 dk
5
GPT
6 ders · 31 dk
  1. 1 GPT nedir? GPT (Generative Pre-trained Transformer), otoregresif metin üretim modelidir. 5 dk
  2. 2 Otoregresif GPT, önceki tokenlerden sonrakını tahmin ederek metin üretir. 5 dk
  3. 3 Decoder-only GPT, yalnızca decoder bloklarından oluşan bir transformer'dır. 5 dk
  4. 4 Causal mask Causal mask, GPT'nin yalnızca önceki tokenleri görmesini sağlar. 5 dk
  5. 5 Text generation GPT, greedy veya beam search ile metin üretir. 5 dk
  6. 6 Özet - GPT Bu grupta GPT, otoregresif üretim ve causal mask'ı öğrendin. 6 dk
6
GAN ve VAE
6 ders · 31 dk
  1. 1 GAN nedir? GAN (Generative Adversarial Network), generator ve discriminator'un yarıştığı üretici modeldir. 5 dk
  2. 2 Generator Generator, rastgele gürültüden gerçekçi veri üretir. 5 dk
  3. 3 Discriminator Discriminator, gerçek ve sahte verileri ayırt eder. 5 dk
  4. 4 VAE nedir? VAE (Variational Autoencoder), veriyi olasılıksal bir dağılıma kodlayan üretici modeldir. 5 dk
  5. 5 Encoder-Decoder VAE, encoder ile dağılım parametrelerini ve decoder ile veri üretir. 5 dk
  6. 6 Özet - GAN ve VAE Bu grupta GAN ve VAE üretici modellerini öğrendin. 6 dk
7
Pekiştirmeli öğrenme
6 ders · 31 dk
  1. 1 RL nedir? Reinforcement learning, ajanın ödül maximize ederek öğrenmesi yöntemidir. 5 dk
  2. 2 Agent Agent, ortamla etkileşimerek eylem seçer. 5 dk
  3. 3 Policy Policy, ajanın duruma göre eylem seçme stratejisidir. 5 dk
  4. 4 Reward Reward, ajanın eyleminin ne kadar iyi olduğunu gösteren sinyaldır. 5 dk
  5. 5 Q-learning Q-learning, durum-eylem değerlerini öğrenen bir RL algoritmasıdır. 5 dk
  6. 6 Özet - RL Bu grupta agent, policy, reward ve Q-learning'i öğrendin. 6 dk
8
Uzman finaliFinal
4 ders · 32 dk
  1. 1 Meydan okuma 1 Attention mekanizmasını uygularsın. 8 dk
  2. 2 Meydan okuma 2 Transformer encoder tanımlarsın. 8 dk
  3. 3 Meydan okuma 3 GAN generator tanımlarsın. 8 dk
  4. 4 Meydan okuma 4 RL agent policy tanımlarsın. 8 dk

Dersler ücretsiz, hesap ilerlemeni korur

Hesap açmak zorunlu değil. Açarsan kaldığın yerden devam eder, emeğini kaybetmezsin.

  • İlerlemen her cihazda kayıtlı
  • XP ve rozet kazan
  • Günlük seriyi koru
  • Kursu bitirince sertifika al
ücretsiz hesap aç

Sık sorulan sorular

Makine Öğrenmesi dersleri ücretsiz mi?

Evet. Makine Öğrenmesi kursundaki 346 dersin tamamı ücretsiz ve hesap açmadan başlayabilirsin.

Başlamak için ön bilgi gerekiyor mu?

Hayır. Başlangıç seviyesi sıfırdan anlatır; yalnızca bir tarayıcı yeterli. Konuyu biliyorsan üst seviyelerden başlayabilirsin.

Kursu bitirmek ne kadar sürer?

Dersler 2–8 dakikalık. Tüm kurs yaklaşık 32 saat; günde 15–20 dakikayla birkaç ayda bitirebilirsin.

Sertifika veriliyor mu?

Evet. Ücretsiz hesapla kursu tamamladığında adına doğrulanabilir bir sertifika oluşturulur.

Hesap açmadan ilerlemem kaybolur mu?

Hesapsız ilerlemen yalnızca kullandığın tarayıcıda tutulur. Ücretsiz hesap açtığında bu ilerleme hesabına aktarılır.

Sonraki adım Oyun Geliştirme

Unity ve Godot ile oyun geliştirmeyi sıfırdan öğrenin. C# script, GDScript, fizik, animasyon, ses ve oyun yayınlama.