Mehmet Yığılı · Notlar
Veri Bilimi Yol Haritası
Veriyle çalışırken kullanılan yöntemler kadar, bu yöntemlerin hangi soruya cevap verdiği de önemlidir. Bu seride ölçüm ve olasılıktan model değerlendirmesine, nedensellikten uygulamadaki kararlara uzanan kavramları görsel örneklerle ele alıyorum.
Modüller birbirini tamamlayacak sırada ilerliyor; belirli bir kavrama dönmek için ayrı ayrı da okunabilir. Ürün, operasyon ve kredi riski örnekleri aynı düşünme biçiminin farklı uygulamalarını gösteriyor. Simülasyonlardaki veriler ve senaryolar, aksi belirtilmedikçe öğretim amacıyla üretilmiştir.
36 modül12 kavram grubu2 tamamlayıcı modül
I
Veri ve ölçüm
01Veri, Gözlem ve SeçilimElimizdeki kayıtlar, anlamak istediğimiz dünyayı ne kadar temsil ediyor?→02Ölçüm ve Hedef TanımıAynı olay farklı tanımlarla ölçüldüğünde sonuç nasıl değişir?→03Veri Türleri ve ZamanTahmin anında hangi bilgi gerçekten eldeydi?→II
Dağılımı anlamak
04Ortalama, Medyan ve YayılımTek bir merkez ölçüsü dağılımın hangi kısmını gizler?→05Dağılımlar ve KuyruklarBir dağılım seçimi hangi varsayımları beraberinde getirir?→06Uç Değer: Hata mı, Bilgi mi?Sıra dışı bir gözlem hangi koşulda düzeltilir, hangi koşulda korunur?→III
Olasılık ve beklenti
07Olasılık ve Bayes GüncellemesiYeni gözlemler başlangıçtaki belirsizliği nasıl değiştirir?→08Koşullu Olasılık ve Taban OranıBir alarmın doğru olma olasılığı neden yalnızca model hassasiyetine bağlı değildir?→09Beklenen Değer ve Kayıp DağılımıOrtalama kayıp aynı kalırken uç kayıplar neden değişebilir?→IV
Örneklemden çıkarım
10Örnekleme ve Standart HataAynı evrenden alınan örneklemler neden farklı ortalamalar verir?→11Seçilim ve YanlılıkGörünür kayıtlar hangi geçmişi dışarıda bırakıyor?→12Hipotez Testi ve BelirsizlikBir p-değeri hangi soruya cevap verir?→V
İlişkiler ve özellikler
13İlişki ve NedensellikBirlikte değişen iki değişken arasında neden-sonuç bağı var mı?→14Özellikler, WoE ve Bilgi DeğeriHam bir kaydı modele uygun değişkene dönüştürürken hangi bilgi korunur?→VI
Öğrenme ve temel modeller
15Gözetimli Öğrenme: Sinyal ve GürültüModel hangi yapıyı öğrenir, hangi değişkenlik kalır?→16Doğrusal Regresyon ve ArtıklarBir doğruyu veriye en iyi uydurmak ne anlama gelir?→17Lojistik Regresyon ve OlasılıkDoğrusal bir ifade nasıl sıfır ile bir arasında tahmine dönüşür?→VII
Skor, sıralama ve kalibrasyon
18Skor, Olasılık ve Karar Eşiğiİyi bir sıralama, doğru bir karar kuralına nasıl dönüşür?→19ROC, AUC ve KSModelin sıralama gücü hangi bilgiyi verir, hangisini vermez?→20Kalibrasyon: Tahmin ve Gerçekleşme%20 olasılık verilen olaylar gerçekten yaklaşık beşte bir sıklıkta mı gerçekleşiyor?→VIII
Doğrulama ve değişim
21Model Karmaşıklığı ve GenellemeEğitim hatası düşerken yeni veride hata neden artabilir?→22Doğrulama Tasarımı ve Bilgi SızıntısıDeğerlendirme düzeni modelin kullanılacağı koşullara benziyor mu?→23Dağılım Değişimi ve PSIModel aynı kalsa bile gelen veri değişmiş olabilir mi?→IX
Ağaçlar ve açıklamalar
24Karar Ağaçları ve BölünmelerBasit eşikler bir araya geldiğinde nasıl bir tahmin kuralı oluşur?→25Gradient Boosting: Ardışık İyileştirmeKüçük modellerin ardışık toplamı nasıl daha esnek bir tahmin oluşturur?→26Model Açıklamaları ve Katkı GrafikleriBir tahminin açıklaması neyi anlatır?→X
Seçim ve nedensel tasarım
27Model Seçimi ve Kullanım AmacıHangi modelin daha uygun olduğuna hangi kanıtlarla karar verilir?→28Deneyler ve Nedensel TasarımlarBir müdahalenin etkisini hangi tasarımla ayırt edebiliriz?→XI
Zaman, adalet ve izleme
29Kohortlar, Olay Zamanı ve SansürlemeHenüz sonucu gözlenmemiş kayıtlar nasıl karşılaştırılır?→30Adalet Ölçütleri ve Grup KarşılaştırmalarıFarklı adalet ölçütleri neden aynı sonuca işaret etmeyebilir?→31Model İzleme ve Değişimin TeşhisiÜretimde değişen bir metrik nasıl anlamlandırılır?→32Senaryo Analizi ve StresKoşullar değiştiğinde model çıktısı hangi varsayımlarla değişir?→XII
Yönetişim ve bütünlük
33Model Yaşam Döngüsü ve YönetişimBir modelin güvenilir kullanımı nasıl sürdürülebilir?→34Sorudan Modele, Modelden KararaSerideki kavramlar tek bir çalışma içinde nasıl birleşir?→+