Bankacılık Problemlerinin Çözümünde İleri Veri Madenciliği Teknikleri

İleri Makine Öğrenmesi ve Model Geliştirme Stratejileri:

• Temel veri madenciliğinden ileri veri madenciliğine geçiş

•  Model çıktısı ile iş kararı arasındaki fark

•  “En iyi model” yerine “en uygun karar sistemi” yaklaşımı

 Öğretmenli Öğrenme (Supervised Learning):

• İleri Sınıflandırma ve Regresyon Yaklaşımları

• Supervised learning:

• Girdi değişkenleri, Hedef değişken, Eğitim/test ayrımı

•  Model Performansını Değerlendirme ve Uygun Metrik Seçimi.

•  Uygulamalı örnek sınıflandırma ve regresyon problemleri

 İleri Makine Öğrenmesi Modelleri:

• Ensemble Learning

•  Ensemble learning nedir?

•  Bagging ve Boosting yaklaşımları

• AdaBoost, Gradient Boosting, XGBoost, LightGBM, CatBoost

• Ensemble modellerin bankacılıktaki güçlü yönleri

• Ensemble modellerin riskleri:

• Feature importance kavramı

• SHAP gibi açıklanabilirlik yaklaşımlarına giriş

İleri Model Optimizasyon Teknikleri:

• Overfitting nedir?

• Underfitting nedir?

•  Bias-variance dengesi ve Regularization kavramı

•  Optuna ile Hyperparameter Tuning

Öğretmensiz Öğrenme (Unsupervised Learning):

• Müşteri Segmentasyonu ve Kümeleme

•  Unsupervised learning nedir?

• Hedef değişken olmadan öğrenme mantığı

• Kümeleme Algoritmaları

Anomali Tespiti: Fraud ve Olağandışı İşlem Sinyalleri:

• Anomali tanımı ve Bankacılıkta anomali örnekleri

• Anomali yakalama teknikleri

  • Kural tabanlı yaklaşımlar

  • İstatistiksel yöntemler

  • Makine öğrenmesi yöntemleri