Giriş ve Kurulum
  • Giriş
  • Knime İndirilmesi ve Kurulumu
  • Knime Kurlumu ve İlk Ekranlar (OSX için)
Knime Ortamını Tanıma ve Basit Uygulamalar
  • Knime ile Veri Bilimine Giriş
  • İlk Veri Bilimi Projesi
  • Çalışmaları Kaydetme, Taşıma, Yükleme, Eklenti Kurma, Örnek Uygulamalara erişim
  • Ders Ortamındaki Hazır Projelerin Kullanılması
Veri Bilimi Yöntemleri
  • Veri Bilimi Yöntemlerine Giriş ve SEMMA
  • CRISP-DM
  • KDD
  • Kavramlara Giriş, Veri Bilimi, Veri Madenciliği, Makine Öğrenmesi, Büyük Veri vs
Problemi Tanımak
  • Descriptive, Predictive ve Prescriptive Analitik Farkları
  • Problemleri Sınıflandırabilmek
Veriyi Tanımak
  • Dosya Dönüşümleri (Weka, ARFF; CSV; Excel tip dönüşümleri)
  • Veri Tipleri ve Veri Renklendirme
  • Scatter Matrix
  • Görselleştirmeler: Histogram, Pie Chart, Line Chart
  • Veri Görselleştirme
Veriyi İşlemek (ETL , Preprocessing Süreçleri)
  • Satır Filitreleme (Row Filtering)
  • İleri Satır Filitreleme ve (Rule Based Row Filtering)
  • Kolon Filitreleme (Column Filtering)
  • Gruplama (Group By), Toparlama (Aggregate), Grup Açma (Ungroup) ve Kolon Bölme
  • Birleştirme (Join) ve Üleştirme (Concatenation)
  • Eksik Veriler (ilk deneme)
  • Tarih ve Zaman İşlemleri
  • Örnek: Group ve Join uygulaması
İleri KNIME Kullanımı
  • MetaNode Yapısı
  • KNIME Değişkenleri ve Değişken Akışı (Flow Variables)
  • Döngüler (Loop) ve Model Parametrelerinin test edilmesi ve iyileştirilmesi
Model Oluşturmak (Makine Öğrenmesi, Veri Madenciliği ve İstatistiksel Modeller)
  • Makine Öğrenmesine Giriş: Test ve Eğitim Kümeleri, Ezberleme (Overfitting)
  • Naive Bayes ve Bayes Teoreminin Veri Biliminde Kullanımı
  • Numerik verilerin Kutulanması (binning) ve Naive Bayes Uygulaması (knime ile)
  • Karar Ağacı (Decision Tree) Öğrenmesi
  • PMML Dosya Kullanımı ve Knime ile Decision Tree (karar ağacı) Uygulaması
  • Apriori Algoritması ve Birliktelik Kural Çıkarımı (Association Rule Mining)
  • FP-Growth Algoritması ve Birlikltelik Kural Çıkarımı
  • Knime Üzerinden ARM uygulaması
  • Güncelleme 3.5.2 versiyonundaki itemset düğümü
  • Knime Üzerinde Apriori veya FPGrowth Algoritmaları
  • Bölütleme (Kümeleme, Clustering) ve K-Means Algoritması
  • Tahmin (Prediction) ve Doğrusal Regresyon (linear Regression)
  • Knime ile Tahmin (Prediction) ve Doğrusal Regresyon (linear Regression) Örneği
  • Tahmin Örneği: Borsa Verisi
Başarı Değerlendirme (Evaluation)
  • k-Katlamalı Çapraz Doğrulama (k-fold Cross Validation)
  • k-Katlamalı Çapraz Doğrulama (k-fold Cross Validation) uygulaması
  • Confusion Matrix, Precision, Recall, Sensitivity, Specificity
  • Bölütleme ( kümeleme, clusetering) değerlendirilmesi: saflık (purity), randindex
  • Tahmin(Prediction) değerlendirmesi, rmse, rmae, mse, mae
  • Knime ile Tahmin (Prediction) Değerlendirilmesi (Evaluation)
  • Birliktelik Kural Çıkarımı Değerlendirmesi (ARM Evaluation)
  • Knime ile Birlikltelik Kural Çıkarımı Değerlendirmesi (ARM Evaluation)
Knime ile Diğer Dillerin Bağlanması
  • Java Snippet
  • R Snippet
  • Python Snippet
Üst Öğrenme Algoritmaları (Meta Learner)
  • Ensemble Yöntemleri ve Bagging, Boosting ve Fusion Kavramlarına Giriş
  • Örnek üzerinden MAVL ve Prediction Fusion Uygulaması
  • Random Forest (Rassal Orman) Yöntemi ile Sınıflandırma ve Tahmin
Uçtan Uca Gerçek Hayat Örnekleri
  • İş İlanları, Web Siteleri, Kaynaklar, Yarışmalar ve Örnek veri Kümesi
  • Müşterinin Borcunu ödeyip ödemeyeceğinin tahmini
  • Müşteri Ödeme Vade Tahmini
  • Müşteri Kredi Limiti Hesaplama
  • Müşteri Segmentasyon (Customer Segmentation)
Derin Öğrenme (Deep Learning)
  • DL4J ile Knime üzerinde Derin Öğrenme Uygulaması
Bonus
  • Farklı Veri Kümelerini Eğitim ve Test için kullanmak