Makine Öğrenmesine ve Python Ekosistemine Giriş

• Python bilimsel kütüphaneleri (NumPy, Pandas, Matplotlib, Scikit-learn)

• Makine öğrenmesi kavramları

• Süpervizyonlu ve süpervizyonsuz öğrenme farkları

• Veri inceleme ve temel ön işleme teknikleri

  
  

Veri Hazırlama ve Keşifsel Veri Analizi (EDA)

• Veri temizleme, eksik veri yönetimi

• Outlier tespiti

• Feature engineering teknikleri

• Görselleştirme ile veri analizi

  
  

Temel Makine Öğrenmesi Algoritmaları

• Doğrusal regresyon ve lojistik regresyon

• Karar ağaçları ve random forest

• Destek vektör makineleri (SVM)

• KNN, Naive Bayes ve regresyon–sınıflandırma uygulamaları

  
  

Model Eğitim Süreci ve Değerlendirme

• Veri setinin eğitim/test olarak ayrılması

• Cross-validation uygulamaları

• Model değerlendirme metrikleri

• Hiperparametre optimizasyonu (GridSearch, RandomSearch)

  
  

İleri Seviye Makine Öğrenmesi Uygulamaları

• Kümeleme (K-Means, DBSCAN)

• Temel boyut indirgeme teknikleri (PCA, t-SNE)

• Anomali tespiti

• Zayıf modellerle güçlü modeller oluşturma: Ensemble teknikleri

  
  

Python ile Uygulamalı Model Geliştirme

• Uçtan uca bir makine öğrenmesi projesi oluşturma

• Model pipeline yapısı

• Model kaydetme, yükleme ve entegrasyon

• Gerçek veri üzerinde örnek uygulamalar