
Ücretsiz Türkçe kurs · Python ile uygulama
Makine öğrenmesi: temelden ileri seviyeye
Bir modelin nasıl öğrendiğini, nasıl sınandığını ve nerede yanıldığını mühendislik örnekleriyle öğrenin. Her derste sezgi, matematik, sıfırdan yazılmış kod, gerçekten çalıştırılmış çıktılar ve çözümlü alıştırmalar bir arada.
- 19ders
- 5uygulama projesi
- ~24 saatçalışma
- 5tarayıcı denemesi
Nasıl çalışılır?
Okuyun, çalıştırın, değiştirin, sınayın.
Kurs, temel Python bilgisinden başlayıp sinir ağları, belirsizlik ve fizik bilgili modellere kadar ilerler. Örnekler mühendislikten seçildi: çekme deneyi, kolon burkulması, zemin sıvılaşması, beton dayanımı, kiriş ve plak, titreşim, kompozit laminat.
- 1 · Sezgi ve matematikHer kavram önce bir şekille, sonra formülle anlatılır. Formüller koddaki satırlarla birebir eşleşir.
- 2 · Sıfırdan kodAlgoritma önce NumPy ile birkaç satırda yazılır, ardından scikit-learn veya PyTorch sürümüyle karşılaştırılır.
- 3 · Gerçek çıktıSayfalardaki sayılar ve grafikler kodun çalıştırılmasından alınır. Veriler sentetiktir; internetten veri indirmek ya da API anahtarı gerekmez.
- 4 · AlıştırmaHer ders kolaydan zora sıralanmış alıştırmalarla biter. Çözümler açılır kutularda; önce kendiniz deneyin.
Müfredat
Dört seviye, tek bir yol
Dersleri sırayla izlemeniz önerilir; her sayfanın başında ön koşullar yazılıdır. Python ve NumPy biliyorsanız Hazırlık seviyesini atlayıp doğrudan Ders 01'den başlayabilirsiniz. İleri seviyedeki PyTorch dersleri ayrı bir kurulum listesi kullanır.
Seviye 0
Hazırlık
Python, NumPy ve makine öğrenmesinin kullandığı matematik. Biliyorsanız atlayabilirsiniz.
2 sayfa · yaklaşık 1,8 saat
Seviye 1
Başlangıç
Problemi kurmak, doğrusal modeller, dürüst değerlendirme ve düzenlileştirme.
5 sayfa · yaklaşık 4,2 saat
- Ders 01Makine öğrenmesine girişÖğrenme türleri, özellik ve hedef, veri rolleri, aşırı uyum, veri sızıntısı, hata ölçütleri ve kurulum.
- Ders 02Doğrusal regresyon ve gradyan inişiÇekme deneyi verisinden elastisite modülü: en küçük kareler, normal denklemler ve sıfırdan gradyan inişi.
- Ders 03Yanlılık–varyans ve çapraz doğrulamaAz ve aşırı uyum, k-katlı ve gruplu çapraz doğrulama, öğrenme eğrileri ve hiperparametre arama.
- Ders 04Düzenlileştirme ve özellik mühendisliğiRidge, Lasso, ölçekleme, kategorik değişkenler ve beton dayanımında su/bağlayıcı oranı gibi anlamlı özellikler.
- Proje 1Polinom regresyonuyla nem tahminiSıcaklık–nem ilişkisini modelleyin; polinom derecesini doğrulama verisiyle seçin.
Seviye 2
Orta
Sınıflandırma, ağaçlar ve topluluk yöntemleri, denetimsiz öğrenme ve üç uygulama projesi.
9 sayfa · yaklaşık 8 saat
- Ders 05Lojistik regresyon ve sınıflandırma ölçütleriÇelik kolon burkulma örneğiyle olasılık, çapraz entropi, karar sınırı, ROC eğrisi ve maliyete göre eşik seçimi.
- Ders 06k-en yakın komşu ve destek vektör makineleriUzaklık, ölçekleme, boyut laneti, en geniş pay ve çekirdek hilesi; sıvılaşma sınırı örneği.
- Ders 07Karar ağaçlarıSafsızlık ölçütleri, sıfırdan regresyon ağacı, budama, yorumlanabilir kurallar ve ağaçların dış değer sorunu.
- Ders 08Topluluk yöntemleri: Random Forest ve Gradient BoostingTorbalama, rastgele orman, artıklara ağaç ekleyen boosting, erken durdurma ve permütasyon önemi.
- Proje 2XGBoost ile zaman serisiGeçmiş gözlemlerden bir sonraki adımı tahmin edin; modeli basit bir referansla sınayın.
- Proje 3Kiriş sehimi için vekil modelAnalitik çözümlerden veri üretin ve bir regresyon modelinin yaklaşım hatasını ölçün.
- Ders 09Kümeleme: k-means, Gauss karışımı ve DBSCANEtiketsiz veride grup bulmak; CPT verisinden zemin tabakalarını ayırma örneği.
- Ders 10Temel bileşenler analizi (PCA) ve SVDVaryansı en büyük yönler, SVD ve titreşim ölçümlerinden kiriş mod şekillerini geri kazanma.
- Proje 4Titreşimden hasar tespitiDoğal frekanslardan hasar algılama, kat konumu ve şiddet tahmini; sıcaklık etkisini PCA ile ayıklama.
Seviye 3
İleri
Sinir ağları, PyTorch, CNN, dizi modelleri, belirsizlik, fizik bilgili ağlar ve güvenilir kullanım.
8 sayfa · yaklaşık 9,7 saat
- Ders 11Yapay sinir ağları: sıfırdan geri yayılımNöron, aktivasyonlar, ileri yayılım ve geri yayılımın türetilmesi; NumPy ile ağ ve gradyan kontrolü.
- Ders 12PyTorch ile derin öğrenmeTensörler, otomatik türev, eğitim döngüsü, Adam, düzenlileştirme ve plak sehimi için vekil ağ.
- Ders 13Evrişimli sinir ağları ile çatlak tespitiEvrişim, havuzlama, alıcı alan; sentetik beton yüzeyi görüntülerinde çatlak sınıflandırma.
- Ders 14Dizi modelleri: RNN, LSTM ve dikkatZemin ivmesinden doğrusal olmayan yapı tepkisini tahmin etmek; GRU ile doğrusal referansın karşılaştırması.
- Ders 15Gauss süreçleri ve belirsizlikKriging, çekirdekler, güven bantları, uyumlu (conformal) tahmin ve aktif örneklemeyle güvenilirlik analizi.
- Ders 16Fizik bilgili sinir ağları (PINN)Kiriş denklemini kayıp fonksiyonuna katmak; ileri problem ve ölçümden eğilme rijitliği bulma.
- Proje 5Kompozit laminat için vekil model ve ters tasarımKlasik laminasyon teorisinden veri, laminasyon parametreleriyle özellik tasarımı ve hedef rijitliğe göre açı arama.
- Ders 17Güvenilir makine öğrenmesiYorumlanabilirlik, monoton kısıtlar, dağılım dışı girdiler, model kaydetme ve mühendislikte sorumlu kullanım.
Tarayıcıda deneyin
Kurulum gerektirmeyen etkileşimli denemeler
Bazı kavramları en iyi, bir ayarı değiştirip sonucu anında görerek anlarsınız. Aşağıdaki denemeler ilgili derslerin içinde, tarayıcıda çalışır. Hiçbir veri sunucuya gönderilmez.
- Gradyan inişiÖğrenme hızı ve ölçeklemenin kayıp yüzeyindeki yola etkisi.
- Polinom derecesi ve aşırı uyumEğitim ve doğrulama hatası dereceyle nasıl değişir?
- Sınıflandırma oyun alanık-NN, lojistik regresyon, karar ağacı ve sinir ağının karar sınırları.
- k-means adım adımAtama ve güncelleme adımlarını tek tek izleyin.
- Gauss süreciTıklayarak gözlem ekleyin; ortalama ve güven bandını izleyin.
Kurulum
İki kütüphane listesi, bir sanal ortam
Bütün kodlar Python 3.12 ile, aşağıdaki listelerdeki sürümlerle test edildi. Kodları boş bir klasöre indirin, orada bir sanal ortam kurun ve listelerden birini yükleyin. Ayrıntılı anlatım Ders 01'de.
Hazırlık, Başlangıç ve Orta seviye
NumPy, SciPy, pandas, scikit-learn, XGBoost ve Matplotlib. requirements.txt
python -m venv .venv .venv\Scripts\python -m pip install -r requirements.txt
İleri seviye (PyTorch)
Yukarıdakilere ek olarak PyTorch; CPU yeterlidir. requirements-derin.txt
.venv\Scripts\python -m pip install -r requirements-derin.txt
Komutlar Windows içindir. macOS ve Linux'ta .venv\Scripts\python yerine .venv/bin/python yazın. Linux'ta yalnızca CPU kullanacaksanız PyTorch'u önce --index-url https://download.pytorch.org/whl/cpu seçeneğiyle kurmak indirme boyutunu çok küçültür.
Bu bölümün arkasındaki çalışmalar
2023’te ekip liderliğini üstlendiğim polinom regresyon projesinde hava verilerinden nem tahminini ve farklı regresyon modellerini çalıştık. Aynı yıl XGBRegressor ile hisse verileri, teknik göstergeler ve makroekonomik değişkenler üzerine bir tahminleme projesi geliştirdim.
Buradaki örnekler bu çalışmalardan ve yapısal analiz, sonlu elemanlar ve katı cisimler mekaniği alanındaki deneyimimden esinlenerek öğretim için yeniden yazıldı. Hiçbir ders ticari proje verisi kullanmaz. Bir hata görürseniz moc.kecicuktu@ofni adresine yazabilirsiniz.