Eğitimler
Eğitim takvimi Workshop Takvimi
Yapay Zeka (AI) Bootcamp Programı Yeni Dönem
Bu program süresince elde edeceğiniz teorik ve pratik bilgilerle başlangıç yapacak ve kurumların aradığı bir profesyonel olacaksınız.
EĞİTİM DETAYLARI
Kalan Kontenjan 3 / 25
25 MART 2024
Hafta İçi / Hafta Sonu
6 Ay
Online Eğitim

Uzaktan Eğitim

Canlı Sınıf

KAYIT VE ÖDEME DETAYLARI
Fiyat, ödeme koşulları, eğitim konularının detaylı bilgisi için form doldurun

Tüm sorularınız için : 444 1 476 veya info@mindset.com.tr

DÖNEM
TARİH
GÜNLER
SÜRE
KONTENJAN
NAKİT FİYATI
KREDİ KARTI
Yeni Dönem
25.03.2024
Hafta İçi / Hafta Sonu
6 Ay
25 / 3

Fiyatı görmek için form doldurun

Yapay Zeka (AI) Bootcamp Programı Yeni Dönem

444 1 476
Yenilikçi Bootcamp Programlarımızla Kariyer Yolcuğunuza Hızlı ve Güvenle Başlayın!
Yenilikçi Bootcamp Programlarımızla Kariyer Yolcuğunuza Hızlı ve Güvenle Başlayın!
Teknik becerilerinizi geliştirin
Güncel ve kapsamlı eğitim içeriği ile popüler araçları ve teknikleri öğrenerek kişisel gelişiminizi tamamlayın.
Uygulayarak Öğrenin
Sektörün ihtiyacına göre güncel konulardan seçilmiş projeler geliştirin. Öğrendiklerinizi hemen uygulayarak bütün yönleriyle keşfedin.
Uzmanlaşma
Mindset'in güncel ve kapsamlı eğitim içeriği katılımcıları rekabetçi pazarlara hazırlar. Sizi farklı kılacak, disiplinlerarası beceri seti geliştirmenizi destekler. Bire bir mentor ve eğitmen desteği ile zorlandığınız her konuyu çözüme kavuşturarak ilerleyin.
Kariyer Koçluğu
Size özel atanan kariyer planlama uzmanı sizi yakından tanır, kariyer hedeflerinize uygun en doğru planlamayı yapar. Sizinle birebir çalışır. Ayrıca bir iş arama stratejisi oluşturmak, başvuru materyallerinizin tasarımı konusunda destekler.
EĞİTİM İÇERİĞİ

Genel Bilgi

Yapay Zeka Bootcamp ile sektör ihtiyaçlarında uzmanlaş, geleceğine yön ver. Uzman eğitimen ve mentorlerin rehberliğinde proje tabanlı eğitim modeli ile sektörün ihtiyaç duyduğu tüm kritik becerilere sahip ol.

Genel Bilgi
Python'a Giriş

Python Genel Bakış

Python'un Veri Bilimindeki Yeri
Neden bu kadar popüler?

Python Ortamının Kurulması

Python Kurulumu ve Geliştirme Ortamının Ayarlanması
Python IDE'lerine (Entegre Geliştirme Ortamları) Giriş

Python Temelleri

Python Sözdizimi ve Temel Yapıları

Temel Sözdizimi
Veri Tipleri
Değişkenler
Operatörler ve İfadeler
fstring

Kontrol Yapıları

Koşullu İfadeler (if, elif, else)
Döngüler (for, while) ve İterasyon Teknikleri

Fonksiyonlar ve Modüller

Fonksiyon Yazımı ve Kapsam Anlayışı
Modüllerin Kullanılması ve Oluşturulması

Veri Yapıları

List
Tuple
Set
Dictionary
Collections

Orta Seviye Python

Nesne Tabanlı Programlama

Sınıflar ve Nesneler
Kalıtım, Kapsülleme ve Polimorfizm

Hata ve İstisna Yönetimi

Try, Except Blokları

Dosya İşleme

Dosya Okuma ve Yazma
Farklı Dosya Formatları ile Çalışma (txt, csv, json)

NumPy'a Giriş

NumPy'a Genel Bakış

NumPy'nin Veri Bilimindeki Önemi
NumPy Kurulumu ve Ayarları

NumPy Dizileri ve Avantajları

NumPy Array ile Python Listelerini Karşılaştırma
NumPy Array Oluşturma, Dizi Özellikleri

NumPy ile Temel İşlemler

Dizi İşlemleri ve Manipülasyonlar

Temel Array İşlemleri: Toplama, Çıkarma, Çarpma
Reshape
Transpose
Flatten

İndeksleme ve Dilimleme

Basit İndeksleme ve Dilimleme Teknikleri
Boolean ve ileri İndeksleme

NumPy'da Veri Tiplerini Anlama

Veri Tipleri ve Array Tipleri
Tür Dönüşümü ve Atama

İleri NumPy Özellikleri

Broadcasting ve Vektörleştirme

Broadcasting ve Vektörleştirme Kavramları
Pratik Uygulamalar ve Örnekler

Matematiksel Fonksiyonlar ve Hesaplamalar

Evrensel Fonksiyonlar (ufunc)
Matematiksel ve İstatistiksel Fonksiyonlar

NumPy'da Lineer Cebir

Matris İşlemleri ve Lineer Denklemler
Özdeğerler, Özvektörler ve Matris Ayrıştırması

Gerçek Verilerle Çalışma

NumPy ile Veri Yükleme ve Kaydetme

Dosyalardan Veri Okuma
Broadcasting Dosyalara Kaydetme

Eksik Verilerle Başa Çıkma ve Temizlik

NaN ve Inf ile Başa Çıkma
NumPy ile Veri Temizleme Teknikleri

Pratik Örnekler ve Vaka Çalışmaları

NumPy Kullanarak Gerçek Dünya Veri Manipülasyonu

Performans Karşılaştırmaları ve Verimlilik İpuçları

Pandas'a Giriş

Pandas'a Genel Bakış

Pandas'ın Veri Bilimindeki Önemi

Pandas'ın Kurulumu ve Ayarlanması

Pandas Veri Yapıları

Seri ve DataFrame'leri Anlama

Seri ve DataFrame'ler Oluşturma ve Bunlarla Çalışma

Temel Veri İşleme

Veri İçe Aktarma ve Dışa Aktarma

Çeşitli Kaynaklardan Veri Okuma (CSV, Excel, SQL)

Farklı Formatlara Veri Dışa Aktarma

Veri İndeksleme ve Seçimi

Temel İndeksleme, Etiket Tabanlı ve Konum Tabanlı Seçim

İleri İndeksleme Teknikleri (loc, iloc)

Veri Temizleme ve Hazırlama

Eksik Verilerle Başa Çıkma

Veri Temizleme Fonksiyonları (fillna, dropna, replace)

Pandas ile Veri Manipülasyonu

Veri Dönüştürme ve Filtreleme

Fonksiyon Uygulama: map, apply, applymap
Koşullu Seçim ve Filtreleme

Gruplama ve Toplama

GroupBy Mekanikleri
Veri Toplama ve Özetleme

Veri Birleştirme ve Bağlama

Veri Ekleme ve Birleştirme
Merge ve Join İşlemleri

İleri Pandas Özellikleri

Pandas'ta Zaman Serisi Verileri

Zaman Serisi Temelleri
Yeniden Örnekleme, Kaydırma ve Pencereleme

Kategorik Veriler

Kategorik Verilerle Çalışma
Performans Yönleri ve En İyi Uygulamalar

Pivot Tablolar ve Çapraz Tabülasyon

Pivot Tablolar Oluşturma
Veri Analizi için Çapraz Tabülasyon

Büyük Veri Kümeleriyle Çalışma

Pandas'ta Büyük Veri Kümeleriyle Çalışma

Büyük Verilerle Çalışma Teknikleri
Bellek Optimizasyonu İpuçları

Pandas ile Veri Görselleştirme

Pandas ile Temel Çizim
Gelişmiş Görselleştirme için Matplotlib ve Seaborn ile Entegrasyon

Gerçek Dünya Uygulamaları

Pandas Kullanarak Vaka Çalışmaları

Gerçek Dünya Veri Manipülasyonu ve Analiz Örnekleri
Sektöre Özgü Uygulamalar

Matplotlib'e Giriş

Matplotlib Genel Bakış

Matplotlib kurulum

Çizim Çeşitleri

Line Plot
Plotting More Than One Graph in a Plot
Creating Legend
Changing Style of a Plot
Bar Plot
Pie Chart
Stack Plot
Line Plot with Area Filling
Histogram
Scatter Plot

İleri Matplotlib

Subplot mantığı

Veri Madenciliği

Veri Madenciliğine Giriş

Veri Madenciliği Kavramları ve Evrimi
Veri Madenciliği ile Geleneksel İstatistiksel Yöntemler Arasındaki Farklar

Veri Madenciliği Teknikleri

Association Rule Mining
Sequential Pattern Mining
Anomaly Detection

Veri Madenciliği Süreçleri

CRISP-DM Framework
Ön İşleme ve Veri Hazırlama

Veri Madenciliği için Araçlar ve Yazılımlar

WEKA, RapidMiner Gibi Araçların Kullanımı
Veri Madenciliğinde Python ve R

UYGULAMA / PROJE:

IMDB Verileri Üzerinden Veri Madenciliği

Amaç: IMDB verilerinde paternler ve içgörüler ortaya çıkarmak için verimize veri madenciliği araçlarını uygulamak.

Detaylar

Veri Madenciliği Teknikleri: Association rule mining, sequential pattern mining ve anomaly detection araçlarının verimize uygulanması.

Araçlar: Python.

VAKA ANALİZİ:

Günümüzde hala, klasik veri madenciliğinin gelişmiş makine öğrenmesi modellerinden fazla kullanıldığı alanların tespit ve analizi.

 

Kümeleme ve Sınıflandırma

Kümeleme ve Sınıflandırmanın Temelleri

Kümeleme Türleri: K-means, Hierarchical, DBSCAN
Sınıflandırma Tekniklerine Genel Bakış

Kümeleme Algoritmalarının Uygulanması

Popüler Kümeleme Teknikleriyle Pratik Uygulama
Kümeleme Performansının Değerlendirilmesi

Sınıflandırma Teknikleri ve Uygulamaları

Karar Ağaçları, Rastgele Ormanlar, SVM
Sınıflandırmada Sinir Ağları ve Derin Öğrenme

Kümeleme ve Sınıflandırmada İleri Konular

Ansambl Yöntemler
Boyut Azaltma Teknikleri (PCA, t-SNE)

Pratik Vaka Çalışmaları

Sektöre Özgü Uygulamalar
Gerçek Dünya Senaryolarındaki Zorluklar

UYGULAMA / PROJE:

IMDB Verileri Üzerinden İzleyici Segmentasyonu

Amaç: IMDB izleyici verileri üzerinden farklı izleyici gruplarının analizi için izleyici segmentlerinin oluşturulması.

Detaylar

Modelleme Teknikleri: K-means, Hierarchical Clustering gibi modeller.

Araçlar: Python.

VAKA ANALİZİ:

Farklı kümeleme tekniklerinin avantajlı ve dezavantajlı olduğu konuların analizi.

 
Veri Özetleme

Veri Özetlemenin Anlaşılması

Veri Karmaşıklığını Azaltma Teknikleri
İş Zekası ve Raporlamada Önemi

Otomatik Özetleme Teknikleri

Metin Özetleme Algoritmaları
Görsel ve İstatistiksel Veri Özetleri

Veri Özetlemenin Uygulanması

Veri Özetleme Araçları (Tableau, Power BI)
Python ve R

Veri Özetlemede Vaka Çalışmaları

Farklı Sektör Bağlamlarında Özetleme 

UYGULAMA / PROJE:

IMDB Verileri ve Analizlerini Özetleme

Amaç: IMDB verilerinde yaptığımız analizleri özetleme sürecini oluşturmak.

Detaylar

Özetleme Teknikleri: Metin özetleme algoritmaları ve görsel/istatistiksel veri özetleme araçları.

Araçlar: Görsel özetler için Tableau veya Power BI; istatistiksel analiz için Python

VAKA ANALİZİ:

Tabluau üzerinde çalışan bir özetleme sisteminin baştan sona analizi.

 

Makine Öğrenmesi Temelleri

Makine Öğrenmesi Nedir?

Hangi durumlarda başvurulur?
Klasik programlamadan farkları

Makine Öğrenmesi Çeşitleri

Denetimli, denetimsiz ve pekiştirmeli öğrenme
Regresyon, sınıflandırma ve kümeleme nedir?

Veriyi Bölmek

Train-validation-test split
Gerçek hayata uygun veri bölme teknikleri

Error Kavramı

Regresyon için error
Sınıflandırma için error
Yanlı ve yanlı olmayan error

Keşfedici ve Doğrulayıcı Analiz

Keşfedici Veri Analizine (EDA) Giriş

EDA'nın İlkeleri ve Amaçları
EDA için Araçlar ve Teknikler (R, Python, Tableau)

EDA Teknikleri

Görselleştirme Teknikleri
Tanımlayıcı İstatistikler ve Veri Profilleme

Doğrulayıcı Veri Analizi (CDA)

Hipotez Testi ve İstatistiksel Çıkarım
Keşfedici Analiz ile Karşılaştırma

EDA ve CDA'da Vaka Çalışmaları

Gerçek Dünya Uygulamaları
Araştırmada EDA ve CDA'nın Dengelenmesi

UYGULAMA / PROJE:

Emlak Sektörü Verilerinde Keşifsel Veri Analizi (EDA)

Amaç: Tüketici davranış kalıplarını ve ev fiyatlarının farklı değişkenlerle etkileşimini anlamak için keşifsel veri analizi yapmak.

Detaylar

EDA Teknikleri: Görselleştirme teknikleri ve betimsel istatistikleri kullanımı.

Araçlar: Python

VAKA ANALİZİ:

Model bazlı ve klasik istatistiksel yötemler kullanılarak yapılan EDA’ların karşılaştırılması.

Regresyon Analizi

Regresyon Analizinin Temelleri

Regresyon Türleri: Lineer, Lojistik, Polinom
Regresyon Modellerinin Varsayımları ve Yorumlanması

Regresyon Modellerinin Uygulanması

Python regresyon analizi
Model Performansının Değerlendirilmesi

Gelişmiş Regresyon Teknikleri

Çok Değişkenli Regresyon Analizi
Doğrusal Olmayan ve Ridge/Lasso Regresyon
Yapay sinir ağlarıyla regresyon

Regresyonun Gerçek Dünya Uygulamaları

Farklı Sektörlerde Vaka Çalışmaları
Regresyon Analizindeki Zorluklar ve Çözümler

UYGULAMA / PROJE:

Gayrimenkul Fiyatlandırması için Regresyon Analizi

Amaç: Gayrimenkul fiyatlarını tahmin etmek için regresyon analizi uygulamak.
Detaylar
Regresyon Tipleri: Lineer, lojistik ve polinom regresyon. İleri Teknikler: Çok değişkenli analiz ve doğrusal olmayan regresyon modelleri.
Araçlar: Python

VAKA ANALİZİ:

Regresyon için en çok kullanılan modellerden olan ağaç bazlı modellerin genelleme sorunlarının incelenmesi ve neden analizi.

 

Sınıflandırma Teknikleri

Sınıflandırma Temelleri

Sınıflandırma nedir?
Sınıflandırma Metrikleri (Accuracy, Precision, Recall, F1-Score)

Sınıflandırma Modellerinin Uygulanması

Logistic Regresyon
SVM
Ağaç Bazlı modeller
Yapay sinir ağlarıyla sınıflandırma

UYGULAMA / PROJE:

Sınıflandırma Teknikleri Kullanarak Müşteri Segmentasyonu

Amaç: Ev fiyat segmentasyonu tahmini için sınıflandırma teknikleri kullanmak.

Detaylar

Sınıflandırma Tipleri: Lineer, lojistik ve polinom regresyon.

İleri Teknikler: Lojistik regresyon, SVM, ağaç tabanlı modeller ve sinir ağlarını

Araçlar: Python

VAKA ANALİZİ:

Kümeleme ve sınıflandırma tekniklerinin karşılaştırması.

 

Modeli Canlıya Alma (Model Deployment)

Sanal Ortam Kurulumu

Local Env oluşturmak
Dependency management

Model Kullanımı

Pre-trained modelleri projemize dahil etmek
Modeli verimiz üzerinde özel olarak eğitmek (fine-tuning)

Git-Github

Commit
Comment
Branches
Merge
Pulling
Pushing

Projemiz İçin API Oluşturmak

API nedir?
Projemiz için API tasarımı
FastAPI

Docker ve Kubernetes

Docker nedir?
Docker container mantığı?
Projemiz için docker container oluşturmak
Kubernetes ve KubeFlow

UYGULAMA / PROJE:

Ev Fiyat Tahmini Web Uygulaması

Amaç: Ev Fiyat Tahmini Modelinin Web Üzerinde Çalışan Uygulamasının Geliştrilmesi
Detaylar
Teknolojiler: Python, Docker, FastAPI 

VAKA ANALİZİ:

Web üzerinden çalışan tahmin modelinin performans incelemesi.

 

Derin Öğrenmeye Giriş

Derin Öğrenme Temelleri

Evrensel fonksiyon yakınsaması olarak derin öğrenme

Her şey bir fonksiyon olarak düşünülebilir
Parametrik yakınsama
Gradient Descend

Derin Öğrenme Kavramları

Batch
Epoch
Learning Rate

Linear olmayan fonksiyonlar

Derin Öğrenme Uygulamaları

NN yapısı ile regreson
NN ile sınıflandırma

Derin Öğrenme Kavramları

Neden verimizi normalize ederiz? Verimizi aynı uzaya çekmek - Regularization
Loss function vs Metric
Residual Block
Batch Normalization
Transfer learning
Fine-tuning

Görüntü İşleme

Görüntü İşleme Temelleri

Resimlerin bilgisayarda ifadesi: Grayscale, RGB
Resim filtreleme teknikleri: smoothing, sharpening, edge detection.
Resim dönüştürme teknikleri: Scaling, rotation, translation

Görüntü işlemede veri çoklama teknikleri

Convolutional Neural Network (CNN)

Öğrenilebilir filtre mantığı
Çok boyutlu filtreler
Özellik çıkarıcı olarak filtreler
Pooling, Stride, and Padding kavramları

CNN’lerde transfer learning

Vision Transformers (ViT)

Attention mekanizması
Vision Tranformers mimarisi
CNN ile karşılaştırma

YOLO ile Object Detection

Model Mimarisi
Modeli için veri hazırlama
YOLO fine-tuning
YOLO vs Faster R-CNN
YOLOv8 ile resimlerde Object Detection

YOLOv8 ile videolarda Object Detection

Obje Takibi
Duruş tahmini

YOLO ile Object Detection

Model Mimarisi
Modeli için veri hazırlama
YOLO fine-tuning
YOLO vs Faster R-CNN
YOLOv8 ile resimlerde Object Detection
YOLOv8 ile videolarda Object Detection
Obje Takibi
Duruş tahmini

 

UYGULAMA / PROJE:

YOLOv8 Kullanarak Trafik Analizi

Amaç: Belirlenen bölgelerde araç tespiti ve saatlere göre trafik analizi yapmak.
Detaylar
YOLOv8 Kullanımı: Verimizi YOLO modeline beslemek için hazırlamamız ve modelin canlıda hızlı çalıştığından emin olmamız gerekiyor..
Kullanılan Araçlar: Roboflow, YOLOv8 ve Python.

VAKA ANALİZİ:

Çalışan bir YOLOv8 modelinin performans ve yapabilirliklerinin incelenmesi.

 

Doğal Dil İşleme (NLP)

NLP Temelleri

NLP nedir?
Tokenization
Lemmatization
Name Entity Recognition
Word2Vec
GloVe
Seq2Seq yapısı

Sınıflandırma

Yazı sınıflandırması temelleri
Hangi metrikler kullanılabilir?
Word Embeddings
Konu modelleme

RNN-LSTM

RNN yapısı
Vanishing Gradient
LSTM mantık
RNN ve LSTM ile özetleme ve sınıflandırma

Transformers

Transformers yapısı
Paralelleştirilebilir mimari
NLP problemlerinde Transformers yapısının kullanılması

Huggingface Transformers

Büyük Dil Modelleri (LLM)

LLM temelleri
Kapalı vs açık kaynak dil modelleri
API ile dil modellerine bağlanmak
Açık kaynak dil modellerini kendi verimiz üzerinde eğitmek

 

UYGULAMA / PROJE:

YOLOv8 ve Açık Kaynak Dil Modellerini Birleştirerek Multimodal Bir Model Oluşturmak

Amaç: Resim beslenebilen bir llm oluşturmak.
Detaylar
Modeller: Llama, Llava, YOLOv8

VAKA ANALİZİ:

Çalışan bir multimodal llm uygulamasının incelenmesi.

 

Genel Bilgi

Yapay Zeka Bootcamp ile sektör ihtiyaçlarında uzmanlaş, geleceğine yön ver. Uzman eğitimen ve mentorlerin rehberliğinde proje tabanlı eğitim modeli ile sektörün ihtiyaç duyduğu tüm kritik becerilere sahip ol.

Python'a Giriş

Python Genel Bakış

Python'un Veri Bilimindeki Yeri
Neden bu kadar popüler?

Python Ortamının Kurulması

Python Kurulumu ve Geliştirme Ortamının Ayarlanması
Python IDE'lerine (Entegre Geliştirme Ortamları) Giriş

Python Temelleri

Python Sözdizimi ve Temel Yapıları

Temel Sözdizimi
Veri Tipleri
Değişkenler
Operatörler ve İfadeler
fstring

Kontrol Yapıları

Koşullu İfadeler (if, elif, else)
Döngüler (for, while) ve İterasyon Teknikleri

Fonksiyonlar ve Modüller

Fonksiyon Yazımı ve Kapsam Anlayışı
Modüllerin Kullanılması ve Oluşturulması

Veri Yapıları

List
Tuple
Set
Dictionary
Collections

Orta Seviye Python

Nesne Tabanlı Programlama

Sınıflar ve Nesneler
Kalıtım, Kapsülleme ve Polimorfizm

Hata ve İstisna Yönetimi

Try, Except Blokları

Dosya İşleme

Dosya Okuma ve Yazma
Farklı Dosya Formatları ile Çalışma (txt, csv, json)

NumPy'a Giriş

NumPy'a Genel Bakış

NumPy'nin Veri Bilimindeki Önemi
NumPy Kurulumu ve Ayarları

NumPy Dizileri ve Avantajları

NumPy Array ile Python Listelerini Karşılaştırma
NumPy Array Oluşturma, Dizi Özellikleri

NumPy ile Temel İşlemler

Dizi İşlemleri ve Manipülasyonlar

Temel Array İşlemleri: Toplama, Çıkarma, Çarpma
Reshape
Transpose
Flatten

İndeksleme ve Dilimleme

Basit İndeksleme ve Dilimleme Teknikleri
Boolean ve ileri İndeksleme

NumPy'da Veri Tiplerini Anlama

Veri Tipleri ve Array Tipleri
Tür Dönüşümü ve Atama

İleri NumPy Özellikleri

Broadcasting ve Vektörleştirme

Broadcasting ve Vektörleştirme Kavramları
Pratik Uygulamalar ve Örnekler

Matematiksel Fonksiyonlar ve Hesaplamalar

Evrensel Fonksiyonlar (ufunc)
Matematiksel ve İstatistiksel Fonksiyonlar

NumPy'da Lineer Cebir

Matris İşlemleri ve Lineer Denklemler
Özdeğerler, Özvektörler ve Matris Ayrıştırması

Gerçek Verilerle Çalışma

NumPy ile Veri Yükleme ve Kaydetme

Dosyalardan Veri Okuma
Broadcasting Dosyalara Kaydetme

Eksik Verilerle Başa Çıkma ve Temizlik

NaN ve Inf ile Başa Çıkma
NumPy ile Veri Temizleme Teknikleri

Pratik Örnekler ve Vaka Çalışmaları

NumPy Kullanarak Gerçek Dünya Veri Manipülasyonu

Performans Karşılaştırmaları ve Verimlilik İpuçları

Pandas'a Giriş

Pandas'a Genel Bakış

Pandas'ın Veri Bilimindeki Önemi

Pandas'ın Kurulumu ve Ayarlanması

Pandas Veri Yapıları

Seri ve DataFrame'leri Anlama

Seri ve DataFrame'ler Oluşturma ve Bunlarla Çalışma

Temel Veri İşleme

Veri İçe Aktarma ve Dışa Aktarma

Çeşitli Kaynaklardan Veri Okuma (CSV, Excel, SQL)

Farklı Formatlara Veri Dışa Aktarma

Veri İndeksleme ve Seçimi

Temel İndeksleme, Etiket Tabanlı ve Konum Tabanlı Seçim

İleri İndeksleme Teknikleri (loc, iloc)

Veri Temizleme ve Hazırlama

Eksik Verilerle Başa Çıkma

Veri Temizleme Fonksiyonları (fillna, dropna, replace)

Pandas ile Veri Manipülasyonu

Veri Dönüştürme ve Filtreleme

Fonksiyon Uygulama: map, apply, applymap
Koşullu Seçim ve Filtreleme

Gruplama ve Toplama

GroupBy Mekanikleri
Veri Toplama ve Özetleme

Veri Birleştirme ve Bağlama

Veri Ekleme ve Birleştirme
Merge ve Join İşlemleri

İleri Pandas Özellikleri

Pandas'ta Zaman Serisi Verileri

Zaman Serisi Temelleri
Yeniden Örnekleme, Kaydırma ve Pencereleme

Kategorik Veriler

Kategorik Verilerle Çalışma
Performans Yönleri ve En İyi Uygulamalar

Pivot Tablolar ve Çapraz Tabülasyon

Pivot Tablolar Oluşturma
Veri Analizi için Çapraz Tabülasyon

Büyük Veri Kümeleriyle Çalışma

Pandas'ta Büyük Veri Kümeleriyle Çalışma

Büyük Verilerle Çalışma Teknikleri
Bellek Optimizasyonu İpuçları

Pandas ile Veri Görselleştirme

Pandas ile Temel Çizim
Gelişmiş Görselleştirme için Matplotlib ve Seaborn ile Entegrasyon

Gerçek Dünya Uygulamaları

Pandas Kullanarak Vaka Çalışmaları

Gerçek Dünya Veri Manipülasyonu ve Analiz Örnekleri
Sektöre Özgü Uygulamalar

Matplotlib'e Giriş

Matplotlib Genel Bakış

Matplotlib kurulum

Çizim Çeşitleri

Line Plot
Plotting More Than One Graph in a Plot
Creating Legend
Changing Style of a Plot
Bar Plot
Pie Chart
Stack Plot
Line Plot with Area Filling
Histogram
Scatter Plot

İleri Matplotlib

Subplot mantığı

Veri Madenciliği

Veri Madenciliğine Giriş

Veri Madenciliği Kavramları ve Evrimi
Veri Madenciliği ile Geleneksel İstatistiksel Yöntemler Arasındaki Farklar

Veri Madenciliği Teknikleri

Association Rule Mining
Sequential Pattern Mining
Anomaly Detection

Veri Madenciliği Süreçleri

CRISP-DM Framework
Ön İşleme ve Veri Hazırlama

Veri Madenciliği için Araçlar ve Yazılımlar

WEKA, RapidMiner Gibi Araçların Kullanımı
Veri Madenciliğinde Python ve R

UYGULAMA / PROJE:

IMDB Verileri Üzerinden Veri Madenciliği

Amaç: IMDB verilerinde paternler ve içgörüler ortaya çıkarmak için verimize veri madenciliği araçlarını uygulamak.

Detaylar

Veri Madenciliği Teknikleri: Association rule mining, sequential pattern mining ve anomaly detection araçlarının verimize uygulanması.

Araçlar: Python.

VAKA ANALİZİ:

Günümüzde hala, klasik veri madenciliğinin gelişmiş makine öğrenmesi modellerinden fazla kullanıldığı alanların tespit ve analizi.

 

Kümeleme ve Sınıflandırma

Kümeleme ve Sınıflandırmanın Temelleri

Kümeleme Türleri: K-means, Hierarchical, DBSCAN
Sınıflandırma Tekniklerine Genel Bakış

Kümeleme Algoritmalarının Uygulanması

Popüler Kümeleme Teknikleriyle Pratik Uygulama
Kümeleme Performansının Değerlendirilmesi

Sınıflandırma Teknikleri ve Uygulamaları

Karar Ağaçları, Rastgele Ormanlar, SVM
Sınıflandırmada Sinir Ağları ve Derin Öğrenme

Kümeleme ve Sınıflandırmada İleri Konular

Ansambl Yöntemler
Boyut Azaltma Teknikleri (PCA, t-SNE)

Pratik Vaka Çalışmaları

Sektöre Özgü Uygulamalar
Gerçek Dünya Senaryolarındaki Zorluklar

UYGULAMA / PROJE:

IMDB Verileri Üzerinden İzleyici Segmentasyonu

Amaç: IMDB izleyici verileri üzerinden farklı izleyici gruplarının analizi için izleyici segmentlerinin oluşturulması.

Detaylar

Modelleme Teknikleri: K-means, Hierarchical Clustering gibi modeller.

Araçlar: Python.

VAKA ANALİZİ:

Farklı kümeleme tekniklerinin avantajlı ve dezavantajlı olduğu konuların analizi.

 
Veri Özetleme

Veri Özetlemenin Anlaşılması

Veri Karmaşıklığını Azaltma Teknikleri
İş Zekası ve Raporlamada Önemi

Otomatik Özetleme Teknikleri

Metin Özetleme Algoritmaları
Görsel ve İstatistiksel Veri Özetleri

Veri Özetlemenin Uygulanması

Veri Özetleme Araçları (Tableau, Power BI)
Python ve R

Veri Özetlemede Vaka Çalışmaları

Farklı Sektör Bağlamlarında Özetleme 

UYGULAMA / PROJE:

IMDB Verileri ve Analizlerini Özetleme

Amaç: IMDB verilerinde yaptığımız analizleri özetleme sürecini oluşturmak.

Detaylar

Özetleme Teknikleri: Metin özetleme algoritmaları ve görsel/istatistiksel veri özetleme araçları.

Araçlar: Görsel özetler için Tableau veya Power BI; istatistiksel analiz için Python

VAKA ANALİZİ:

Tabluau üzerinde çalışan bir özetleme sisteminin baştan sona analizi.

 

Makine Öğrenmesi Temelleri

Makine Öğrenmesi Nedir?

Hangi durumlarda başvurulur?
Klasik programlamadan farkları

Makine Öğrenmesi Çeşitleri

Denetimli, denetimsiz ve pekiştirmeli öğrenme
Regresyon, sınıflandırma ve kümeleme nedir?

Veriyi Bölmek

Train-validation-test split
Gerçek hayata uygun veri bölme teknikleri

Error Kavramı

Regresyon için error
Sınıflandırma için error
Yanlı ve yanlı olmayan error

Keşfedici ve Doğrulayıcı Analiz

Keşfedici Veri Analizine (EDA) Giriş

EDA'nın İlkeleri ve Amaçları
EDA için Araçlar ve Teknikler (R, Python, Tableau)

EDA Teknikleri

Görselleştirme Teknikleri
Tanımlayıcı İstatistikler ve Veri Profilleme

Doğrulayıcı Veri Analizi (CDA)

Hipotez Testi ve İstatistiksel Çıkarım
Keşfedici Analiz ile Karşılaştırma

EDA ve CDA'da Vaka Çalışmaları

Gerçek Dünya Uygulamaları
Araştırmada EDA ve CDA'nın Dengelenmesi

UYGULAMA / PROJE:

Emlak Sektörü Verilerinde Keşifsel Veri Analizi (EDA)

Amaç: Tüketici davranış kalıplarını ve ev fiyatlarının farklı değişkenlerle etkileşimini anlamak için keşifsel veri analizi yapmak.

Detaylar

EDA Teknikleri: Görselleştirme teknikleri ve betimsel istatistikleri kullanımı.

Araçlar: Python

VAKA ANALİZİ:

Model bazlı ve klasik istatistiksel yötemler kullanılarak yapılan EDA’ların karşılaştırılması.

Regresyon Analizi

Regresyon Analizinin Temelleri

Regresyon Türleri: Lineer, Lojistik, Polinom
Regresyon Modellerinin Varsayımları ve Yorumlanması

Regresyon Modellerinin Uygulanması

Python regresyon analizi
Model Performansının Değerlendirilmesi

Gelişmiş Regresyon Teknikleri

Çok Değişkenli Regresyon Analizi
Doğrusal Olmayan ve Ridge/Lasso Regresyon
Yapay sinir ağlarıyla regresyon

Regresyonun Gerçek Dünya Uygulamaları

Farklı Sektörlerde Vaka Çalışmaları
Regresyon Analizindeki Zorluklar ve Çözümler

UYGULAMA / PROJE:

Gayrimenkul Fiyatlandırması için Regresyon Analizi

Amaç: Gayrimenkul fiyatlarını tahmin etmek için regresyon analizi uygulamak.
Detaylar
Regresyon Tipleri: Lineer, lojistik ve polinom regresyon. İleri Teknikler: Çok değişkenli analiz ve doğrusal olmayan regresyon modelleri.
Araçlar: Python

VAKA ANALİZİ:

Regresyon için en çok kullanılan modellerden olan ağaç bazlı modellerin genelleme sorunlarının incelenmesi ve neden analizi.

 

Sınıflandırma Teknikleri

Sınıflandırma Temelleri

Sınıflandırma nedir?
Sınıflandırma Metrikleri (Accuracy, Precision, Recall, F1-Score)

Sınıflandırma Modellerinin Uygulanması

Logistic Regresyon
SVM
Ağaç Bazlı modeller
Yapay sinir ağlarıyla sınıflandırma

UYGULAMA / PROJE:

Sınıflandırma Teknikleri Kullanarak Müşteri Segmentasyonu

Amaç: Ev fiyat segmentasyonu tahmini için sınıflandırma teknikleri kullanmak.

Detaylar

Sınıflandırma Tipleri: Lineer, lojistik ve polinom regresyon.

İleri Teknikler: Lojistik regresyon, SVM, ağaç tabanlı modeller ve sinir ağlarını

Araçlar: Python

VAKA ANALİZİ:

Kümeleme ve sınıflandırma tekniklerinin karşılaştırması.

 

Modeli Canlıya Alma (Model Deployment)

Sanal Ortam Kurulumu

Local Env oluşturmak
Dependency management

Model Kullanımı

Pre-trained modelleri projemize dahil etmek
Modeli verimiz üzerinde özel olarak eğitmek (fine-tuning)

Git-Github

Commit
Comment
Branches
Merge
Pulling
Pushing

Projemiz İçin API Oluşturmak

API nedir?
Projemiz için API tasarımı
FastAPI

Docker ve Kubernetes

Docker nedir?
Docker container mantığı?
Projemiz için docker container oluşturmak
Kubernetes ve KubeFlow

UYGULAMA / PROJE:

Ev Fiyat Tahmini Web Uygulaması

Amaç: Ev Fiyat Tahmini Modelinin Web Üzerinde Çalışan Uygulamasının Geliştrilmesi
Detaylar
Teknolojiler: Python, Docker, FastAPI 

VAKA ANALİZİ:

Web üzerinden çalışan tahmin modelinin performans incelemesi.

 

Derin Öğrenmeye Giriş

Derin Öğrenme Temelleri

Evrensel fonksiyon yakınsaması olarak derin öğrenme

Her şey bir fonksiyon olarak düşünülebilir
Parametrik yakınsama
Gradient Descend

Derin Öğrenme Kavramları

Batch
Epoch
Learning Rate

Linear olmayan fonksiyonlar

Derin Öğrenme Uygulamaları

NN yapısı ile regreson
NN ile sınıflandırma

Derin Öğrenme Kavramları

Neden verimizi normalize ederiz? Verimizi aynı uzaya çekmek - Regularization
Loss function vs Metric
Residual Block
Batch Normalization
Transfer learning
Fine-tuning

Görüntü İşleme

Görüntü İşleme Temelleri

Resimlerin bilgisayarda ifadesi: Grayscale, RGB
Resim filtreleme teknikleri: smoothing, sharpening, edge detection.
Resim dönüştürme teknikleri: Scaling, rotation, translation

Görüntü işlemede veri çoklama teknikleri

Convolutional Neural Network (CNN)

Öğrenilebilir filtre mantığı
Çok boyutlu filtreler
Özellik çıkarıcı olarak filtreler
Pooling, Stride, and Padding kavramları

CNN’lerde transfer learning

Vision Transformers (ViT)

Attention mekanizması
Vision Tranformers mimarisi
CNN ile karşılaştırma

YOLO ile Object Detection

Model Mimarisi
Modeli için veri hazırlama
YOLO fine-tuning
YOLO vs Faster R-CNN
YOLOv8 ile resimlerde Object Detection

YOLOv8 ile videolarda Object Detection

Obje Takibi
Duruş tahmini

YOLO ile Object Detection

Model Mimarisi
Modeli için veri hazırlama
YOLO fine-tuning
YOLO vs Faster R-CNN
YOLOv8 ile resimlerde Object Detection
YOLOv8 ile videolarda Object Detection
Obje Takibi
Duruş tahmini

 
UYGULAMA / PROJE:

YOLOv8 Kullanarak Trafik Analizi

Amaç: Belirlenen bölgelerde araç tespiti ve saatlere göre trafik analizi yapmak.
Detaylar
YOLOv8 Kullanımı: Verimizi YOLO modeline beslemek için hazırlamamız ve modelin canlıda hızlı çalıştığından emin olmamız gerekiyor..
Kullanılan Araçlar: Roboflow, YOLOv8 ve Python.

VAKA ANALİZİ:

Çalışan bir YOLOv8 modelinin performans ve yapabilirliklerinin incelenmesi.

 

Doğal Dil İşleme (NLP)

NLP Temelleri

NLP nedir?
Tokenization
Lemmatization
Name Entity Recognition
Word2Vec
GloVe
Seq2Seq yapısı

Sınıflandırma

Yazı sınıflandırması temelleri
Hangi metrikler kullanılabilir?
Word Embeddings
Konu modelleme

RNN-LSTM

RNN yapısı
Vanishing Gradient
LSTM mantık
RNN ve LSTM ile özetleme ve sınıflandırma

Transformers

Transformers yapısı
Paralelleştirilebilir mimari
NLP problemlerinde Transformers yapısının kullanılması

Huggingface Transformers

Büyük Dil Modelleri (LLM)

LLM temelleri
Kapalı vs açık kaynak dil modelleri
API ile dil modellerine bağlanmak
Açık kaynak dil modellerini kendi verimiz üzerinde eğitmek

 
UYGULAMA / PROJE:

YOLOv8 ve Açık Kaynak Dil Modellerini Birleştirerek Multimodal Bir Model Oluşturmak

Amaç: Resim beslenebilen bir llm oluşturmak.
Detaylar
Modeller: Llama, Llava, YOLOv8

VAKA ANALİZİ:

Çalışan bir multimodal llm uygulamasının incelenmesi.

 

Uygulamalı ve Proje Tabanlı eğitim modeli.Kariyer desteği ile eğitime devam ederken işe başlayın.
Bootcamp programlarımızda sektörün güncel ihtiyaçlarına uygun deneyim kazanın.

Öğrenirken ve uygularken güçlü bir portfolyo hazırlayın, kariyer yolculuğunuza erken başlayın.

Portfolyonuzu, uçtan uca kapsamlı projelerle donatarak, sektördeki görünürlüğünüzü inşa edin. Türkiye'nin en iyi şirketlerinde yer bulmak için bir kariyer planı oluşturun.

İşbirliğine dayalı öğrenme modeli ve akran öğrenmesi ile sınıf içi etkileşimi yoğun takım çalışmasına teşvik eden bir öğrenme ortamı ile emin adımlarla ilerleyin.

Sınıf içerisinde yaptığım projeler ile pratik becerilerim arttı. Artık araçları çok hızlı kullanabiliyor ve makul çözümler üretebiliyorum. Tam zamanlı bir işe girmemi sağladığı için Mindset'e minnettarım.

Begüm Yılmaz

Mindset Bootcamp Mezunu

SIKÇA SORULAN SORULAR
SIKÇA SORULAN SORULAR
Bootcamp nedir ?

Kapsamlı ve yoğun eğitim programlarıdır. Özellikle teknoloji, yazılım geliştirme, dijital pazarlama ve diğer teknik becerileri uygulayarak hızla öğrenmek isteyenler için uygundur. Öğrenim deneyimi çok farklı boyutlarda ve kuşatarak gerçekleştiği için yapıcı ve etkili bir öğrenim ortamı sunar. Yaparak ve yaşayarak öğrenim bir aradadır. Aynı hedefte ve amaçta katılımcılar beraber yol kat ederken akran öğrenmesi ile konular pekiştirilir. Eğitim sonucunda katılımcılar, güçlü ve zengin bir portfolyo elde ederler. Böylece, kariyer yolculuklarında çok daha hızlı ilerleyebilir, iş görüşmelerinde bir adım önde başlar.

Bootcamp'ler kimlere yöneliktir?

Bootcamp'ler genellikle kariyer değiştirmek isteyenler, yeni beceriler kazanmak isteyenler, mezuniyet sonrası iş arayanlar veya belirli bir beceriyi hızla öğrenmek isteyenler için uygundur.

Programın hedefi nedir?

Yapay Zeka Bootcamp, yapay zeka, veri bilimi ve ilgili konularda yoğun bir eğitim programıdır. Katılımcılara Python programlama, matematiksel teoriler, SQL veritabanı yönetimi, makine öğrenimi, derin öğrenme, doğal dil işleme, bilgisayarla görü ve büyük veri analitiği gibi becerileri öğretmeyi amaçlar.

Program kimler için uygundur, katılım şartları nelerdir?

Yazılım alanında ilerlemek isteyen, ilgili alanda iş arayan veya ilgili alanda kendini geliştirmek ve kariyerine yatırım yapmak isteyen herkes başvurabilir.

Mühendislik, Matematik, İstatistik, Enformatik, Ekonomi ve İşletme alanlarından mezun kişilerin katılımı önceliklidir.

Bootcamp sonrası ne tür kariyer fırsatlarına sahip olunabilir?

Yapay Zeka Bootcamp'ı başarıyla tamamladıktan sonra, veri bilimi, yapay zeka, makine öğrenimi ve ilgili konularda çalışma fırsatları arayabilirsiniz. Bu alanlarda veri bilimcisi, yapay zeka mühendisi, veri analisti, veri mühendisi ve benzeri pozisyonlarda kariyer yapabilirsiniz.

Eğitim materyalleri neleri içerir?

Eğitim materyalleri video dersler, yazılı dokümantasyonlar, örnek projeler ve ödevler içerir. Katılımcılar, teorik bilgileri pratik uygulamalarla pekiştirebilirler.

Eğitim sonunda sertifika verilecek mi?

Bootcamp programını başarıyla tamamladığınızda, Yapay Zeka sertifikası alacaksınız.

Eğitim kurumumuza özel olarak planlanabilir mi ?

Eğitim programı, kurumların farklı ihtiyaçları ve gelişim hedefleri doğrultusunda yeniden tasarlanarak uygulanabilmektedir.

Kurumunuza yönelik talebi iletmek için aşağıda yer alan kurumsal eğitim başvurusu formunu doldurabilir, sizin için en uygun teklifi alabilirsiniz. 

KURUMSAL BAŞVURU
Bu eğitimi kurumsal olarak planla ve uygula Mindset Institute kalitesi ve denetimi altında takımın veya şirketin için eğitim planla. Yeni beceriler kazanmanıza, çalışanlarınızın gelişimini yönetmenize ve işgücünüzü eğitmenize nasıl yardımcı olabiliriz?
Geniş Kapsamlı ve Yoğun Uygulamalı, Proje Tabanlı Öğrenme Modeli
Gerçek Projeler ve Zengin Portfolyo
Eğitim sonunda sektörün ihtiyacına yönelik gerçek projeler dolu zengin bir portfolyo ile eğitimi tamamlamış olacaksın.
Yüksek İstihdam Oranı
Programı tamamlayan katılımcılarımızın %95'i mezuniyetini takip eden 180 gün içinde işe giriyor. Sizde kariyerinize bir adım önde başlayın.
Sektör Odaklı Uygulama Deneyimi
Bootcamp sürecince alanında öncü şirketlerin verileri ile gerçek problemler üzerine çalışacak proje geliştirerek öğreneceksin.
Deneyimli Uzman Eğitmenler
Sektör tecrübesi olan, güncel projelerde görev almış, en iyi eğitim yaklaşımları ile donatılan isimlerden öğrenin.
Dünyanın her yerinde geçerli ve güvenilir Sertifika
Proje ve sınavlarda elde edeceğiniz başarı sonucunda dünyanın her yerde geçerli sertifikanıza sahip olun.
Güncel Program
Eğitim programımız hem ilgili koordinatörlerimiz hem de eğitmenlerimiz tarafından sürekli güncelenir. Piyasa ihtiyaçlarına göre planlanmış içerik ve örneklerle eğitim alın.
Program sonunda şirketler ile buluş,
yeteneklerine en uygun işe yerleş.