• Buradasın

    Python ile Zaman Serilerinde Makine Öğrenmesi Eğitim Videosu

    youtube.com/watch?v=5-VXOUcvg4o

    Yapay zekadan makale özeti

    • Bu video, bir eğitmen tarafından sunulan Python ile zaman serilerinde makine öğrenmesi konulu eğitim serisinin bir parçasıdır. Eğitmen, konuyu sohbet havasında anlatmaktadır.
    • Video, zaman serilerinde makine öğrenmesi tahmin taksonomisi, model oluşturma süreci ve derin öğrenme konularını ele almaktadır. İçerikte otogresif süreçler, kayan pencere yapısı, dışsal değişkenler, regresyon ve sınıflandırma problemleri, boyut azaltma teknikleri ve model yapıları gibi konular adım adım açıklanmaktadır.
    • Eğitmen, daha önce Python ile makine öğrenmesi oynatma listesinde teknik temel çalışma prensiplerini anlattığını ve matematiksel altyapıya girmeyeceğini, ancak yeni modellerle tanışılacağını belirtmektedir. Video, bir sonraki videoda görüşmek dileğiyle sonlanmaktadır.
    Python ile Zaman Serilerinde Makine Öğrenmesi Eğitimi
    • Python ile analiz eğitimine kaldığı yerden devam ediliyor ve regresyon yapılarına giriş yapılacak.
    • Önceki videoda zaman serilerinde makine öğrenmesi kısmına giriş yapılmış, sınıflandırma algoritmaları ve aykırı gözlem değerleri (outliers) belirlenmişti.
    • Bu videoda zaman serilerinde makine öğrenmesi tahmin taksonomisi (sınıflandırma) konusu ele alınacak.
    01:37Tahmin Sürecinin İlk Adımları
    • Zaman serisinde tahmin yapmak için öncelikle neyi tahmin etmek istediğimiz belirlenmelidir.
    • Zaman serilerini tahminlerinde makine öğrenmesi algoritmaları gözetimli öğrenme süreci içerisinde kullanılır.
    • Gözetimli öğrenmede girdiler (bağımsız değişkenler) ve çıktılar (bağımlı değişken) arasında bir ilişki vardır.
    03:09Bağımlı ve Bağımsız Değişkenler
    • Bağımlı değişken (y) tahmin edilecek değişkendir, bağımsız değişkenler (x) ise bu değişkeni etkileyen girdilerdir.
    • Enflasyon örneğinde, enflasyon bağımlı değişken, döviz ve petrol fiyatları ise bağımsız değişkenlerdir.
    • Tahmin sürecinde çıktı değişkenleri ile girdi değişkenler arasında doğrusal bir ilişki yakalanmaya çalışılır.
    05:10Tahmin Senaryoları
    • İlk senaryoda, tahmin edilecek değişken kendinden önceki zaman dilimindeki değişkenlerle açıklanır.
    • Enflasyon örneğinde, Mart ayında açıklanan enflasyon rakamı Şubat ayındaki fiyat değişimlerini yansıtır.
    • İkinci senaryoda, daha uzun dönemli tahminler için (örneğin t+12 dönem) ileriye yönelik değerlerin tahmin edilmesi gerekir.
    09:39İlişki Analizi
    • Tahmin sürecinde girdi ve çıktı değişkenleri arasındaki ilişkiyi bilmek önemlidir.
    • Korelasyonlar ve bütünleşme süreçleri, değişkenler arasındaki ilişkiyi belirlemek için kullanılır.
    • Aralarında ilişki olmayan değişkenleri makine öğrenmesinde modellemenin anlamı yoktur.
    11:03Zaman Serilerinde Otorigresif Süreçler
    • Zaman serileri otorigresif süreçler barındırır, örneğin enflasyon kendi geçmiş değerlerinden etkilenir.
    • Otorigresif süreçleri incelemek için oto-korelasyon grafikleri ve ESP gibi grafikler kullanılır.
    • Otorigresif modellerde, bir değişkenin kendi geçmiş değerleri bağımsız değişken olarak kullanılır ve bu durumda kayan pencere (sliding window) yapısı kullanılır.
    14:31Egzojen Değişkenler ve Kukla Değişkenler
    • Egzojen değişkenler, sistemdeki değişkenlerden etkilenmeyen ancak çıktı değişkenini tek başına etkileyebilecek değişken yapılarıdır.
    • Yapısal kırılmalar, mevsimsellik gibi durumlar için kukla değişkenler kullanılır.
    • Kukla değişkenler, makine öğrenmesi modelinin bu noktalarda değişiklik olduğunu anlaması için kullanılır.
    16:39Problem Türü ve Boyut Azaltma
    • Sayısal süreçleri tahmin etmek için regresyon, sınıflandırma için sınıflandırma algoritmaları kullanılır.
    • Boyut azaltma teknikleri, değişkenlerin taşıdıkları bilgileri minimum kayıpla daha az değişkenle sürece dahil etmeyi amaçlar.
    • Temel bileşenler analizi (PC), değişkenleri bileşenlerine ayırarak gereksiz bilgiyi azaltır ve modelin eğitilmesi aşamasındaki maliyetleri düşürür.
    19:06Model Türleri ve Kayıt
    • Statik modeller bir defaya mahsus eğitilir ve aynı katsayılarla sürekli kullanılabilir.
    • Dinamik modeller sürekli yeni datalarla beslenerek tekrar tekrar eğitilir.
    • Oluşturulan modeller kayıt altına alınır ve hiper parametreleri tuning edilerek ideal hata metrikleri elde edilir.
    20:55Zaman Serilerinde Makine Öğrenmesi Genel Çerçevesi
    • Zaman serilerinde makine öğrenmesi ve derin öğrenme süreçlerinin genel çerçeve yapısı, veri ön işleme ve model oluşturma adımlarından oluşur.
    • Modeli eğitmeden önce belli başlı noktalara kontrol etmek, hata yapma olasılıklarını düşürür.
    • Bu genel çerçeveyi kurduktan sonra model oluşturulduğunda hata yapma olasılığı azalır.
    22:16Model Yapılarına Giriş
    • Artık model yapılarına yavaş yavaş giriş yapılacak ve basit temel örneklerle ilerlenecek.
    • Kilit noktalarda ve dikkat edilmesi gereken noktalarda neler yapılacağı birlikte öğrenilecek.
    • Makine öğrenmesi ve derin öğrenme süreçleri daha önce Python ile makine öğrenmesi oynatma listesinde anlatılmıştır.
    22:43Eğitim Yaklaşımı
    • Teknik temel çalışma prensibi gibi matematiksel olarak girilmeyecek.
    • Yeni modeller ve model süreçleri tanıtılacak ancak matematiksel altyapıya tek tek girilmeyecek.
    • Bu konular bilindiği varsayımı altında ilerlenecek.

    Yanıtı değerlendir

  • Yazeka sinir ağı makaleleri veya videoları özetliyor