Python ilə Machine Learning
Təlim müddətində siz datanızı analiz və ya model üçün hazırlayaraq maşın öyrənməsi (Machine Learning) texnikalarından istifadə etməklə təsviri və proqnozlaşdırıcı təhlillər aparacaqsınız, lider modelinizi seçə biləcəyiniz texnikalar öyrənəcək və lideri modelin verdiyi proqnozları istədiyiniz platformada istifadə edə biləcəksiniz. Təlim zamanı marketinq, maliyyə, biznes, səhiyyə və dövlət qurumlarında qərarlarının verilməsində əhəmiyyət kəsb edən metodologiyaları real iş mühitində qarşılaşılan problemlərə tətbiq edərək öyrənəcəksiniz. Bununla sizdə dataya əsaslanaraq daha ağıllı qərarlar vermək üçün analitik düşüncə tərzi formalaşacaq.
Təlim Cədvəli
Onlayn təlimlər
Ofisdaxili təlimlər
Onlayn Avropa
Onlayn Amerika
Təlim haqqında məlumat
Təlim müddətində müxtəlif Feature engineering və Feature Selection metodlarından, Linear Regression, SVM, Naïve Bayes, Logistic Regression Decsision Trees, Random Forest, XGBOOST, CatBoost, LightGBM, KNN, K means, AutoML, kimi Machine Learning Alqoritmləri ilə modelləşdirmə və proqnozlaşdırma üsulları, modellərin gücünü artırmaq üçün isifadə edilən bagging, boosting, hyperparameter tuning, Crossvalidation və Elasticnet alqoritmi ilə Regularization(Lasso, Ridge Regressions) kimi irəli səviyyəli metodologiyalar və Streamlit& Flask kitabxanalarından istifadə etməklə modelin nəticələrini istədiyiniz formada deploy edə biləcəyiniz Machine Learning-in son mərhələsi olan Deployment mövzuları da daxil olmaqla tədris ediləcək. Bu biliklər həm də sizin təlimdən dərhal sonra data elminin ən müasir və mürəkkəb imkanlarından istifadə etməklə əmək bazarında rəqabətə davamlı kadr olmanıza və qısa müddətdə data karyeranızda önə çıxmanıza kömək edəcəkdir.
Bu təlim kimlər üçündür?
· Data Science bilikləri olanlar və əmək bazarında önə çıxmaq üçün daha müasir və mürəkkəb mövzularla biliklərini dərinləşdirmək istəyənlər;
· Python proqramlaşdırma dili istifadə edərək müasir və mürəkkəb Maşın Öyrənməsi mövzularını öyrənmək istəyənlər;
· Analitikanı öyrənmək istəyən proqramçılar və data mühəndisləri;
· Biznes Menecerlər, Biznes Analitiklər, Data Analitiklər, Data Analtikasını öyrənən və bu sahəyə marağı olanlar;
· Böyük həcmli datalarla işləmək istəyən şəxslər;
· Tədqiqatla məşğul olanlar;
· Data Elmi karyerası qurmaq istəyən Data Elmi üzrə məlumatlı olan tələbələr və mütəxəssislər;
· Satış, supermarket, telekommunikasiya, bank və digər biznes sahələrində və ya dövlət qurumlarında data analizi edərək hesabat hazırlayanlar və hazırlamaq istəyənlər.
Sertifikat
Təlimi müvəffəqiyyətlə bitirən şəxslərə Certified Data Scientist, digər şəxslərə isə iştirakçı sertifikatı təqdim ediləcək.Sağ tərəfdə nümunə sertifikatı görə bilərsiniz.
null
null
null
null
Sillabus
Sessiya 1
- “Seaborn” və “Matplotlib” kitabxanaları ilə vizuallaşdırma;
- Çirkli Datanın təmizlənməsi, Feature Engineering & Selection;
- Maşın öyrənməsi alqoritmləri,“Scikit-learn” kitabxanası;
- Sadə xətti reqressiya. Çoxdəyişənli xətti reqressiya;
- Modellərin qiymətləndirilməsi : R^2, Adjusted R^2, RMSE;
- Overfitting və Underfitting (Bias & Variance).
Case Study
- “Covid-19” datası üzərində xətti resressiya analizi.
Sessiya 2
- Klassifikasiya modeli: Logistik Reqressiya;
- Digər Klassifikasiya modelləri(SVM, Random Forest, Decision Trees, KNN, Naïve Bayes);
-Əsas Performans metrikləri: Accuracy, Precision, Recall, ROC & AUC Curve, Gini Coefficient;
- Model Seçimi. Cross-Validation.
Case Study
Logistik Reqressiya ilə “Ürək xəstəliyi” datasının proqnozlaşdırılması.
Sessiya 3
- Unsupervised öyrənməyə giriş;
- Clustering alqoritmləri (Hierachical, K-Means);
- Elbow method və Silouhette Analysis;
- Principal Component Analysis;
- Eigenvalue and eigenvectors.
Case Study
- “İris” datasına clustering alqoritmlərinin və PCA-nın tətbiqi.
Sessiya 4
- Elasticnet;
- Lasso və Ridge Regularization;
- Ensemble Learning alqoritmləri;
- Voting (Hard and Soft);
- Bagging (BaggingClassifier and BaggingRegressor);
- Boosting Tree (XGBOOST, CATBOOST, LightGBM).
Case Study
- “Bankruptcy” datasına Boosting alqoritmlərinin tətbiqi.
Sessiya 5
- Model parametrləri;
- Parameter tuning by hand;
- Hyperparameter Tuning;
- Grid Search;
- Randomized Search;
- Bayesian optimization.
Case Study
- Hyperparameter Tuning üsulu ilə “NASA” datasınının nəticəsinin optimallaşdırılması.
Sessiya 6
- Deployment of ML algorithms;
- Machine Learning Pipeline;
- Scikit-Learn API;
- Streamlit. Flask;
- Deploying with Containers (Docker) Introduction.
Case Study
- “Water Portability” və “Long prediction” dataları üçün machine learning alqoritmlərinin qurulması və deploy olunması.
Təlimçilər
Etibar Hüseynli
Data Analitika konsultantı, QSS AnalyticsAnalitika sahəsində 5 ildən artıq təcrübə.
Bakcell şirkətində “CRM and Churn Retention" şöbəsinin rəhbəri, Sahibkarlığın İnkşafı və Tədqiqat Mərkəzində və Universal Machines MMC-də research analyst, Bakı Mühəndislik Universitetində Statistika müəllimi vəzifəsində çalışmışdır.
SPSS, GRETL, SAS, R, Python, Tableau, Excel, SQL-Data Management proqramlarında yüksək bilik və bacarıqlara malikdir.
5 beynəlxalq və 10-dan çox yerli analitika layihəsinə rəhbərlik etmişdir.
Bakcell, Beynəlxalq Miqrasiya İdarəsi (IMO) və Hyundai şirkəti daxil olmaqla bir sıra şirkətlərdə data analitikası üzrə məsləhətçidir.
Emil Mirzəyev
Tədqiqatçı, SKEMA Business School (Fransa)Data Science və Python üzrə 4 ildən artıq təcrübəsi olan Emil Mirzəyev riyaziyyat, statistika metodları, “machine learning” texnikaları və “open-source analytical/visualization” alətləri üzrə geniş biliyə sahibdir.
Almaniyada “University of Jena”da İnnovasiya iqtisadiyyatı və Texnoloji inkişaf üzrə magistr təhsili almışdır. Hal-hazırda Fransada “SKEMA Business School” və “University Cotedazur”da İqtisadiyyat və Menecment üzrə doktorantura təhsili alır. Əsas tədqiqat sahəsi informasiya sistemləri, onların idarə edilməsi və iqtisadiyyatı ilə bağlıdır. Eyni zamanda, “recommendation systems” üzrə elmi işlərin müəllifidir.
Hal-hazırda “SKEMA Business School”da (Fransa) tədqiqatçı, daha öncə isə Almaniyada “IOT” (əşyaların interneti) sahəsində data scientist olaraq çalışmışdır.
Azərbaycanda “Data science” üzrə çoxsaylı seminarlar təşkil etmiş və televiziyada çıxışları olmuşdur.
Əhməd Əhmədov
Data Scientist və Tech Lead, PorscheƏhməd Əhmədov Cənubi Koreyanın Yonsei universitetində “Data Mining” və “Big Data” ixtisasları üzrə magistatura təhsili almışdır. Süni intellekt və data analitikası üzrə 8 ildən artıq təcrübəyə sahibdir.
3 ildir Almaniyada “Porsche” şirkətində Data Scientist və Tech Lead olaraq çalışır. Əsasən, “customer mobility predictions”, “charging experience optimization”, “content quality analysis” kimi istiqamətlərdə süni intellekt modellərinin hazırlanması və proyektlərin idarə olunmasını təmin edir.
Çalışmış olduğu digər qurumlar:
- Drezden Universiteti (Almaniya), AI və Data Science üzrə elmi tədqiqatçı. Araşdırma sahələri: “Data imputation”, “Data quality”, “İnformation retrieval”, “Web tables”, “Semi-structured datasets”, “Machine learning”. (4 il)
- Bakcell, ERP Technical Analyst (1 il)
Eyni zamanda, bir çox beynəlxalq konfranslarda dərc olunan elmi məqalələrin müəllifidir.
