Bu ilk bölümde, Kaggle yarışma sürecini adım adım göreceksin. Bir model eğitecek ve gönderime hazır bir csv dosyası hazırlayacaksın. Public ve Private test bölmeleri arasındaki farkı ve aşırı uyumu nasıl önleyeceğini öğreneceksin.

Yarışmalara genel bakış

Train verisini keşfet

Test verisini keşfet

İlk gönderimini hazırla

Problem türünü belirle

Basit bir model eğit

Bir gönderim hazırla

Public ve Private liderlik tablosu

Hangi model aşırı uyum yapıyor?

XGBoost modellerini eğit

XGBoost'ta aşırı öğrenmeyi keşfet

Kaggle yarışma süreci

Artık Kaggle yarışmalarının temellerini bildiğine göre, elindeki özel problemi nasıl inceleyeceğini öğreneceksin. EDA pratiği yapacak ve doğru yerel doğrulama stratejilerini belirleyeceksin. Ayrıca veri sızıntısı hakkında da bilgi edineceksin.

Problemi anla

Problem türünü anla

Bir yarışma metriği tanımla

İlk EDA

EDA istatistikleri

EDA grafikleri I

EDA grafikleri II

Yerel doğrulama

K-fold çapraz doğrulama

Stratified K-fold

Doğrulamanın kullanımı

Zamana Göre K-fold

Genel doğrulama skoru

Yarışmaya Dalış

Şimdi farklı türde özniteliklerle tanışacaksın. Mevcut öznitelikleri değiştirecek ve yenilerini oluşturacaksın. Ayrıca, eksik veriyi uygun şekilde ele alacaksın.

Feature engineering

Aritmetik özellikler

Tarih özellikleri

Kategorik özellikler

Label encoding

One-Hot kodlama

Hedef kodlama

Ortalama hedef kodlama

İkili sınıflandırmanın ötesinde

Eksik veriler

Eksik verileri bul

Eksik verileri tamamla

Öznitelik (Feature) Mühendisliği

Her şeyi bir araya getirip bazı modeller kurma zamanı! Bu son bölümde, önce bir temel model oluşturacak, ardından bazı hiperparametreleri ayarlayarak ve ansambllarla sonuçlarını iyileştirerek devam edeceksin. Sonrasında daha verimli rekabet etmeni sağlayacak son ipuçlarını ve püf noktalarını alacaksın.

Temel model

Doğrulama puanını çoğalt

Tarihe dayalı başlangıç modeli

Gradient Boosting tabanlı başlangıç modeli

Hiperparametre ayarlama

Izgara araması

2B grid araması

Model toplulukları

Model harmanlama

Model stacking I

Model stacking II

Son ipuçları

Kaggle forum fikirlerini test etme

Final gönderimlerini seç

Son düşünceler

Modelleme

Demand forecasting (train)

Demand forecasting (test)

House prices (train)

House prices (test)

Taxi rides (train)

Taxi rides (test)

Kaggle, Data Science yarışmaları için en ünlü platformdur. Bu tür yarışmalara katılmak; gerçek dünya veri kümeleriyle çalışmanı, çeşitli Machine Learning problemlerini keşfetmeni, diğer katılımcılarla rekabet etmeni ve en önemlisi paha biçilmez bir uygulama deneyimi kazanmanı sağlar. Bu kursta, herhangi bir Data Science yarışmasına nasıl yaklaşacağını ve yapıyı nasıl kuracağını öğreneceksin. Doğru yerel doğrulama şemasını seçebilecek ve aşırı uyumdan kaçınabileceksin. Ayrıca, gelişmiş öznitelik mühendisliğini ve model birleştirme (ensembling) yaklaşımlarını ustalıkla kullanacaksın. Tüm bu teknikleri Kaggle yarışmalarının veri kümeleri üzerinde uygulayacaksın.

Extreme Gradient Boosting with XGBoost

Kaggle yarışmalarını kazanmak için doğru yaklaşımı ve doğrulama şemasını seçmeyi öğrenin.

Python ile Bir Kaggle Yarışmasını Kazanmak

Kaggle'daki yarışmalara nasıl yaklaşacağınızı ve kazanacağınızı öğrenin.

Makine Öğrenimi Bilimcisi Python'da

Model	Train MSE	Validation MSE
Model 1	2.35	2.46
Model 2	2.20	2.15
Model 3	2.10	2.14
Model 4	1.90	2.35

Hangi model aşırı uyum yapıyor?

Python ile Bir Kaggle Yarışmasını Kazanmak

Uygulamalı etkileşimli egzersiz