Veri Bilimi
- 261 Maliyet duyarlı öğrenme ve iş metriği ile model metriğini hizalama
- 262 Canlı sistemde model geribildirim döngüsü ve yeniden eğitim planı
- 263 Model izleme: veri ve konsept kayması (drift) nasıl tespit edilir?
- 264 Özellik deposu (feature store) nedir, ne işe yarar?
- 265 Veri kalite kontrolleri: great_expectations ve test veri setleri
- 266 Orkestrasyon: Airflow ve Prefect ile veri boru hattı (pipeline) kurma
- 267 Kapsayıcılaştırma: Docker ile model servislemesi adımları
- 268 Model dağıtımı: REST API, gRPC ve batch scoring seçenekleri
- 269 Model kaydı ve yaşam döngüsü yönetimi nasıl yapılır?
- 270 Deney izleme: MLflow ile deney, parametre ve metrik kaydı
- 271 Veri sürümleme: DVC ve Git-LFS ile veri–model takibi
- 272 Özellik önemini (feature importance) doğru yorumlamak için nelere dikkat etmeli?
- 273 Model açıklanabilirliği: SHAP ve LIME nasıl çalışır?
- 274 Adil makine öğrenmesi: önyargı (bias) ölçümleri ve azaltma yöntemleri
- 275 Veri etik ve gizlilik: anonimleştirme, takma adlandırma ve KVKK
- 276 Örnekleme stratejileri: rastgele, tabakalı ve zaman tabanlı örnekleme
- 277 Akış verisi (streaming) için Kafka ve Spark Structured Streaming
- 278 Büyük veri işleme: Spark DataFrame ve PySpark temel kavramlar
- 279 OLTP ve OLAP farkı: veri ambarı ve göl (data lake) mimarisi
- 280 SQL’de pencere (window) fonksiyonları ile özellik üretimi