Data Elminə Giriş: Python ilə Maşın Öyrənmənin (machine learning) Əsasları
Siz bu kursda nələr öyrənəcəksiniz?

Bu kursun birinci hissəsində Python əsasları, Python və Jupyter interfeysinin quraşdırılması, müxtəlif məlumat növləri, məlumat strukturları, şərti ifadələr, döngələr və iteratorlar, funksiyalar, obyekt yönümlü konsepsiyalar, həmçinin Numpy, Pandas, Matplotlib, Seaborn və s. kimi data elminə aid xüsusi alətlər nəzərdən keçiriləcək.

İkinci hissədə biz Maşın Öyrənməsinin (machine learning) əsaslarını, öyrənmə növlərini, təsnifat alqoritmlərini, reqressiyanı və klasterləşdirməni əhatə edəcəyik. İştirakçı ansambl öyrənməsi və şəbəkə axtarışından istifadə edərək modelləri öyrədə, performansı ölçə və ən yaxşı modeli necə seçə biləcəyini öyrənəcək.
İştirakçılar python proqramlaşdırma mühitində tapşırıqlar, məşq və sınaq imtahanları ilə təmin olunacaqlar.

Bu qısa və sürətli təlimdə biz yeni real həyatda istifadə nümunəsi (use case) layihəsinə başlayacağıq və kursun sonunda onu tamamlamaq üçün eyni layihə üzərində işləyəcəyik.

Chapter 1: Basics of Python for Data Analysis (Datanın təhlili üçün Python əsasları)

• Installation of Python and Jupyter  Notebook(Python və Jupyter Notebook-un quraşdırılması)
• Our First Python Program: Running Jupyter(İlk Python Proqramımız: Jupyterlə işləmək)
• Python variables and data structures(Python dəyişənləri və məlumat strukturları)
• Lists, Tuples, Sets and Dictionaries(Siyahılar, Tuples, Dəstlər və Lüğətlər)
• Control flows(Nəzarət axınları)
• If/else conditionals(Əgər/başqa şərtlər)
• Loop and While Loops(Döngə və Döngülər)
• Functions and libraries(Funksiyalar və kitabxanalar)
• Object Oriented Programming (OOP)(Obyekt yönümlü proqramlaşdırma)
• Classes and Objects(Siniflər və Obyektlər)
• Inheritance, Polymorphism, Encapsulation(İrsiyyət, Polimorfizm, İnkapsulyasiya)
• Chapter Project: Use Case(Fəsil Layihəsi: İstifadə nümunəsi)

Chapter 2: Python for Data Analysis (Datanın Təhlili üçün Python)

• Python with Data Science tools(Data Science alətləri ilə Python)
• NumPy: Working with NumPy Arrays(NumPy Massivləri ilə işləmək)
• Array Indexing and Slicing(Massivlərin indeksləşdirilməsi və dilimlənməsi)
• Computation on Arrays: Ufuncs(Massivlər üzrə hesablama: Ufuncs)
• Data Manipulation with Pandas(Pandas ilə verilənlərin manipulyasiyası)
• Loading and Saving Data(Məlumatın Yüklənməsi və Saxlanması)
• Series, DataFrame and Index(Seriya, DataFrame və İndeks)
• Data Preparation(Məlumatların hazırlanması)
• Data Cleaning and Imputation(Məlumatların təmizlənməsi və daxil edilməsi)
• Missing Values in Dataset(Datasetdə Çatışmayan Dəyərlər)
• Aggregation in DataFrame(DataFrame-də toplama)
• Data Visualization with Matplotlib and  Seaborn(Matplotlib və Seaborn ilə verilənlərin vizuallaşdırılması)
• Line plot, Bar plot, Scatter plot, Pair plot, Heat map
• Histogram, Displot and Pie Chart(Histoqram, Displot və Pie Diaqram)
• Customizing Plots(Sahələrin fərdiləşdirilməsi)
• Multiple Subplots(Birdən çox Subplots)
• Text and Annotation(Mətn və Annotasiya)
• Chapter Project: Use Case(Fəsil Layihəsi: İstifadə nümunəsi)

Chapter3: Statistics for Data Science (Fəsil 3: Data Elmi üçün Statistika)

• Introduction to Statistics(Statistikaya giriş)
• Basics of Probability(Ehtimalın əsasları)
• Discrete Probability Distribution(Diskret Ehtimal Paylanması)
• Continuous Probability Distribution(Davamlı Ehtimal Bölgüsü)
• Bayes’ Theorem(Bayes teoremi)
• Central Limit Theorem(Mərkəzi Limit Teoremi)
• Concepts of Hypothesis Testing: Null and Alternate Hypothesis(Hipotez Testi Konseptləri: Boş və Alternativ Hipotez)
• Making a Decision and Critical Value Method(Qərar qəbulu və kritik dəyər metodu)
• p-Value Method and Types of Errors(p-Dəyər metodu və xəta növləri)
• One-Sample T-Test, Two Sample T-Test(Bir Nümunə T-Test, İki Nümunə T-Test)
• Use Case Project(İstifadə nümunəsi Layihəsi)
• Assignment(Tapşırıq)

Chapter 4: The Fundamentals of Machine Learning (Fəsil 4: Maşın öyrənmənin əsasları)

• Categories of Machine Learning(Maşın Öyrənməsinin Kateqoriyaları)
• Working with Scikit-learn(Scikit-learn ilə işləmək)
• Main Challenge of Machine Learning(Maşın Öyrənməsinin Əsas Problemi)
• Overfitting vs Underfitting(Overfitting vs Underfitting)
• Train Test Validation Splits(Öyrənmə Testi Qiymətləndirmə Bölmələri)
• Hyperparameter Tuning and Model Selection(Hyperparameter Tuning və Model Seçimi)
• Grid search(Şəbəkə axtarışı)
• Feature Engineering(Xüsusiyyət mühəndisliyi)
• End to End Machine Learning Project(Maşın Öyrənmə Layihəsi)

Chapter 5: Training Classification Algorithms (Təlimin Təsnifat Alqoritmləri)

• Training a Binary Classification(İkili Təsnifatın Tədrisi)
• Measuring the Performance(Performansın ölçülməsi)
  • Accuracy(Dəqiqlik)
  • Confusion Matrix(Qarışıqlıq matrisi)
  • Precision and Recall(Dəqiqlik və Geri çağırma)
  • The ROC Curve(ROC əyrisi)
• Multiclass Classification(Çoxsinifli Təsnifat)
• Multilabel Classification(Çox etiketli Təsnifat)
• Chapter Project: Use Case(Fəsil Layihəsi: İstifadə nümunəsi)

Chapter 6: Regression (Fəsil 6: Reqressiya)

• Linear Regression(Xətti Reqressiya)
• Training Models(Təlim Modelləri)
• Gradient Descent(Qradient enişi)
  • Batch Gradient Descent(Toplu Gradient Enişi)
  • Stochastic Gradient Descent(Stokastik Qradient Eniş)
  • Mini-batch Gradient Descent(Mini-toplu Qradient Eniş)
• Regularization(Tənzimləmə)
  • Ridge Regression(Ridge Reqressiyası)
  • Lasso Regression(Lasso Reqressiyası)
  • Early Stopping(Erkən Dayanma)
  • Elastic Net(Elastik şəbəkə)
• Logistic Regression(Logistik Reqressiya)
  • Training and cost Function(Təlim və xərc funksiyası)
  • Softmax Regression(Softmax reqressiyası)
  • Decision Boundaries(Qərar Sərhədləri)
• Chapter Project: Practical Use Case(Fəsil Layihəsi: Praktik istifadə nümunəsi)

Chapter 7: Other Classification Algorithms (Fəsil 7: Digər Təsnifat Alqoritmləri)

• Support Vector Machines (SVM)(Dəstək Vektor Maşınları)
• Decision Trees(Qərar Ağacları)
• Ensemble Learning and Random Forests(Ansambl Öyrənmə və Təsadüfi Forests)
• Bagging and Pasting(Torbalama və Yapışdırma)
• Boosting(Artırma)
• Chapter Project: Customer Churn Analysis(Fəsil Layihəsi: Müştərilərin Çatışmazlığının Təhlili)

Chapter 8: Clustering (Fəsil 8: Klasterləşmə)

• K-means
• DBSCAN
• Project: Clustering for Image Segmentation(Layihə: Şəkil Seqmentasiyası üçün Klasterləşdirmə)
• Gaussian Mixtures(Qauss Qarışıqları)
• Project: Anomaly detection(Layihə: Anomaliyaların aşkarlanması)

• Final Project: Comprehensive real-world use case(Yekun Layihə: Hərtərəfli real use case nümunəsi)

Təlimin 1 aylıq ödənişi: 370 AZN

Təlim 4 ay davam edəcək.

Təlim iştirakçıları üçün üç kateqoriyalı endirim nəzərdə tutulmuşdur:

1. “Business Management School” təlimlərindən məzun olanlar üçün 10% endirim tətbiq ediləcəkdir.

2. Korporativ müştərilər üçün; Eyni şirkətdən 2 əməkdaşın iştirakı nəzərdə tutularsa, hər birinə 5 %, 3 və daha artıq əməkdaşın iştirakı nəzərdə tutularsa hər birinə 10% endirim tətbiq ediləcəkdir.

3. Tələbələr üçün 10% endirim tətbiq ediləcəkdir.

Qeyd: İştirakçıya endirim kateqoriyalarından yalnız biri tətbiq edilə bilər!

Ödənişə daxildir:

- Elektron təlim matrialları

- Təlim müddətində ediləcək layihələr

- Sertifikat

- Kofe-breyk

✍ Sertifikat:

Təlimin ümumi müddətinin 80 %-də  və imtahanda  iştirak edən hər kəs “iştirakçı” sertifikatı ilə təltif olunacaqdır. Sonda keçirilən layihədə yüksək nəticə göstərənlər isə əlavə olaraq “müvəffəqiyyət” sertifikatı ilə mükafatlandırılacaqlar.
Müvəffəqiyyətlə bitirən iştirakçılar "Dataco. Consulting and Training" şirkətində təcrübəçi kimi fəaliyyət göstərmək imkanına sahib olacaqlar.