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
