Kurumsal

Knime ile Uçtan Uca Veri Bilimi Uygulaması

Knime ile Uçtan Uca Veri Bilimi Uygulaması eğitiminin içeriğine Udemy üzerinden ulaşabilirsiniz. Eğitime indirim kuponuyla da kayıt olabilirsiniz:

https://www.udemy.com/datascience-knime/

Eğitim Yapısı

1. Eğitime Giriş

  • Bu eğitim ne hakkında?
  • İçeriği nasıl işleyeceğiz?
  • Hangi aracı kullanacağız?
  • Eğitimi özel kılan nedir?

2. Veri bilimi projesi nedir ve metodolojimiz

  • Proje Yönetimi Teknikleri
  • KDD
  • CRISP-DM

3. Çalışma ortamı ve Knime

  • Knime kurulumu
  • Knime sürümleri
  • Kaynaklar (Dokümantasyon, forumlar ve ek kaynaklar)
  • Knime karşılama ekranı ve çalışma ortamı

4. Veri Bilimine Hoş Geldiniz

  • İş akışı (workflow) kavramını anlamak
  • İlk uçtan uca problem: Makineye öğretmek
  • Knime'da ilk uçtan uca iş akışı

5. Problemi Anlamak

  • Analitik türleri
  • Betimleyici Analitik ve bazı klasik problemler
  • Kestirimci Analitik
  • Kural Koyucu Analitik

6. Veriyi Anlamak

  • Dosya türleri
  • Veriyi renklendirme
  • Saçılım Matrisi
  • Görselleştirme ve Histogramlar

7. Veri Ön İşleme

(Excel Dosyaları: cscon_gender, cscon_age)

  • Satır Filtreleme
  • Kural Tabanlı Satır Filtreleme
  • Sütun Filtreleme
  • Gruplama, Toplulaştırma
  • Birleştirme (Join) ve Uç Uca Ekleme (Concatenation)
  • Eksik Değerler ve Doldurma (Imputation)
  • Tarih ve Saat işlemleri
  • Örnek 1

8. Öznitelik Mühendisliği

  • Kodlama: One – To – Many
  • Kural Motoru (Rule Engine)
  • Dengesiz Veri: Alt Örnekleme (SubSampling), SMOTE

9. Modeller

  • Makine Öğrenmesine Giriş: Test ve Eğitim Veri Kümeleri
  • Makine Öğrenmesine Giriş: Problem Türleri

Sınıflandırma Problemleri (Excel Dosyası: cscon_gender)

  • Naive Bayes ve Bayes Teoremi
  • Binning ve Naive Bayes uygulaması
  • Karar Ağacı
  • Karar Ağacı Uygulaması
  • K-En Yakın Komşu
  • KNN Uygulaması
  • KNN Uzaklık Ölçütleri
  • Uzaklık Ölçütleri Uygulaması
  • Destek Vektör Makineleri
  • Kernel Trick ve SVM Çekirdekleri
  • SVM Uygulaması
  • Sınıflandırma için Uçtan Uca Uygulama
  • Ek: Lojistik Regresyon
  • Ek: Lojistik Regresyon Uygulaması

ARM Problemleri

  • ARM / ARL kavramı
  • A priori algoritması ve birliktelik kuralı çıkarımı
  • ARM Uygulaması

Kümeleme Problemleri

  • Kümeleme Kavramına Giriş
  • K-Means
  • K-Means'te Optimum K Değeri
  • K-Means Uygulaması
  • K-Means'te optimum k değeri için Grid Search
  • Hiyerarşik Kümeleme (Bölücü ve Birleştirici Yaklaşımlar)
  • HC Uygulaması
  • DBSCAN
  • DBSCAN Uygulaması

Regresyon Problemleri

  • Doğrusal Regresyon
  • Doğrusal Regresyon Uygulaması
  • Tahmin Modellerinin Değerlendirilmesi
  • Değerlendirme Uygulaması
  • Çoklu Doğrusal Regresyon
  • Çoklu Doğrusal Regresyon Uygulaması
  • Polinom Regresyon
  • Polinom Regresyon Uygulaması
  • Basit Regresyon Ağacı
  • Basit Regresyon Ağacı Uygulaması
  • Örnek 2: Borsa tahmini

10. Bir araç olarak Knime: Bazı İleri Düzey İşlemler

  • PMML dosya türleri ve modelin kaydedilmesi
  • Knime ile PMML Uygulaması
  • MetaNode'lar
  • Değişkenler ve bir değişkenin akışı
  • Döngüler ve model parametrelerinin optimizasyonu

11. Değerlendirme

  • Değerlendirmeye Giriş
  • ZeroR Algoritması, Dengesiz Veri Kümesi ve Referans Çizgisi (Baseline)
  • k-katlı Çapraz Doğrulama
  • Karmaşıklık Matrisi, Precision, Recall, Sensitivity, Specificity
  • Kümelemenin değerlendirilmesi: purity, randindex
  • Tahminin değerlendirilmesi: rmse, rmae, mse, mae
  • Knime ile Değerlendirme Uygulaması: Örnek 3
  • ARM'nin değerlendirilmesi

12. Raporlama

  • Raporların Görsele Aktarılması (Data to Report)

13. Knime'ı Diğer Dillerle Bağlamak

  • Java Snippet
  • R Snippet
  • Python Snippet

14. Meta Öğreniciler

  • Topluluk (Ensemble) Teknikleri: Bagging, Boosting ve Fusion
  • Sınıflandırma için Random Forest topluluk öğrenmesi tekniği
  • Regresyon için Random Forest topluluk öğrenmesi tekniği
  • Random Forest Uygulaması
  • Gradient Boosted Tree Regresyonu
  • Gradient Boosted Tree Regresyonu Uygulaması
  • Örnek 4

15. Derin Öğrenme

  • Yapay sinir ağlarına giriş
  • Doğrusal Olarak Ayrılabilir Problemler ve ötesi
  • DL4J Eklentisi

16. Gerçek Hayat Uygulamaları

  • Gerçek hayat uygulamalarına dair kaynaklar: İş arama, forumlar, yarışmalar vb.
  • Müşterinin ödeme yapıp yapmayacağının tahmini
  • Ödeme vadelerinin tahmini
  • Kredi Limiti
  • Müşteri Segmentasyonu

17. Bonus

  • Farklı eğitim ve test veri kümelerinin yüklenmesi
  • Veri Ön İşleme Uygulaması
  • Regresyon Uygulaması (Basit Doğrusal, Çoklu Doğrusal Regresyon, Korelasyon Matrisi, p-Değeri ve Öznitelik Eleme)
  • Regresyon Modellerinin Karşılaştırılması: Karar Ağacı Regresyonu, Random Forest Regresyonu, Doğrusal Regresyon, Polinom Regresyon
  • Regresyon Modellerinin Değerlendirilmesi (R2 ve düzeltilmiş R2), Sınıflandırma problemlerine ve Lojistik Regresyona giriş
  • Zaman Serisi Analizi ve Sınıflandırma algoritmaları: Karar Ağacı, Random Forest
  • Zamansal Öznitelik Çıkarımı (Tarih ve Saat)
  • Zaman Serisi Analizi ve Hareketli Ortalama örneği
  • Sınıflandırma Örneği
  • Dengesiz Veri Kümeleri
  • Dengesiz Veri Kümeleri ve Çözümleri: Under-sampling, SMOTE
  • Müşteri Segmentasyonu ve Python
  • Kümeleme Algoritmalarının Karşılaştırılması: K-Means, K-Medoids ve Hiyerarşik Kümeleme
  • Metin Madenciliği
  • Metin Etiketleme ve Etiket Bulutu
  • Metin Sınıflandırma

İndirilebilir kaynaklar

Sayfada ayrıca indirilebilir KNIME iş akışı dosyaları, veri kümeleri (Titanic ve müşteri verileri dahil) ve örnek proje dosyaları yer alır.

Son güncelleme: 2026-09-06

Company

End to End Data Science Practicum with Knime

You can find the course content for End to End Data Science Practicum with Knime in Udemy. You can also get registered to the course with a discount coupon:

https://www.udemy.com/datascience-knime/

Course Structure

1. Introduction to Course

  • What is this course about?
  • How are we going to cover the content?
  • Which tool are we going to use?
  • What is unique about the course?

2. What is Data Science Project and our methodology

  • Project Management Techniques
  • KDD
  • CRISP-DM

3. Working environment and Knime

  • Installation of Knime
  • Versioning of Knime
  • Resources (Documentation, Forums and extra resources)
  • Welcome Screen and working environment of Knime

4. Welcome to Data Science

  • Understanding of a workflow
  • First end-to-end problem: Teaching to the machine
  • First end-to-end workflow in Knime

5. Understanding Problem

  • Types of analytics
  • Descriptive Analytics and some classical problems
  • Predictive Analytics
  • Prescriptive Analytics

6. Understanding Data

  • File Types
  • Coloring Data
  • Scatter Matrix
  • Visualization and Histograms

7. Data Preprocessing

(Excel Files: cscon_gender, cscon_age)

  • Row Filtering
  • Rule Based Row Filtering
  • Column Filtering
  • Group by, Aggregate
  • Join and Concatenation
  • Missing Values and Imputation
  • Date and Time operations
  • Example 1

8. Feature Engineering

  • Encoding: One – To – Many
  • Rule Engine
  • Imbalanced Data: SubSampling, SMOTE

9. Models

  • Introduction to Machine Learning: Test and Train Datasets
  • Introduction to Machine Learning: Problem Types

Classification Problems (Excel File: cscon_gender)

  • Naive Bayes and Bayes Theorem
  • Binning and Naive Bayes practicum
  • Decision Tree
  • Decision Tree Practicum
  • K-Nearest Neighborhood
  • KNN Practicum
  • Distance Metrics of KNN
  • Distance Metrics Practicum
  • Support Vector Machines
  • Kernel Trick and SVM Kernels
  • SVM Practicum
  • End to End Practicum for Classification
  • Extra: Logistic Regression
  • Extra: Logistic Regression Practicum

ARM Problems

  • ARM / ARL Concept
  • A priori algorithm and association rule extraction
  • ARM Practicum

Clustering Problems

  • Introduction to Clustering Concept
  • K-Means
  • Optimum K Value in k-Means
  • K-Means Practicum
  • Grid Search for optimum k value in k-means
  • Hierarchical Clustering (Divisive and Agglomerative Approaches)
  • HC Practicum
  • DBSCAN
  • DBSCAN Practicum

Regression Problems

  • Linear Regression
  • Linear Regression Practicum
  • Evaluation of Prediction Modes
  • Practicum of Evaluation
  • Multiple Linear Regression
  • Multiple Linear Regression Practicum
  • Polynomial Regression
  • Polynomial Regression Practicum
  • Simple Regression Tree
  • Simple Regression Tree Practicum
  • Example 2: Stock market prediction

10. Knime as a tool: Some Advanced Operations

  • PMML File Types and saving the model
  • PMML Practicum with Knime
  • MetaNodes
  • Variables and Flow of a variable
  • Loops and optimizing the model parameters

11. Evaluation

  • Introduction to Evaluation
  • ZeroR Algorithm, Imbalanced Data Set and Baseline
  • k-fold Cross Validation
  • Confusion Matrix, Precision, Recall, Sensitivity, Specificity
  • Evaluation of clustering: purity, randindex
  • Evaluation of prediction: rmse, rmae, mse, mae
  • Evaluation Practicum with knime: Example 3
  • Evaluation of ARM

12. Reporting

  • Exporting Reports to Images (Data to Report)

13. Connecting Knime with other Languages

  • Java Snippet
  • R Snippet
  • Python Snippet

14. Meta Learners

  • Ensemble Techniques: Bagging, Boosting and Fusion
  • Random Forest ensemble learning technique for Classification
  • Random Forest ensemble learning technique for Regression
  • Random Forest Practicum
  • Gradient Boosted Tree Regression
  • Gradient Boosted Tree Regression Practicum
  • Example 4

15. Deep Learning

  • Introduction to artificial neural networks
  • Linearly Separable Problems and beyond
  • DL4J Extension

16. Real Life Practicums

  • Resources about real life applications: Job Search, Forums, Competitions etc.
  • Predicting the customer will pay or not
  • Predicting the period of payments
  • Credit Limit
  • Customer Segmentation

17. Bonus

  • Loading different train and test datasets
  • Data Preprocessing Practicum
  • Regression Practicum (Simple Linear, Multiple Linear Regression, Correlation Matrix, p-Value and Feature Elimination)
  • Comparing the Regression Models: Decision Tree Regression, Random Forest Regression, Linear Regression, Polynomial Regression
  • Evaluation of Regression Models (R2 and adjusted R2), Introduction to Classification problems and Logistic Regression
  • Time Series Analysis and Classification algorithms: Decision Tree, Random Forest
  • Temporal Feature Extraction (Data and Time)
  • Time Series Analysis and an example of Moving Average
  • Classification Example
  • Imbalanced Datasets
  • Unbalanced Data Sets and Solutions: Under-sampling, SMOTE
  • Customer Segmentation and Python
  • Comparison of Clustering Algorithms: K-Means, K-Medoids and Hierarchical Clustering
  • Text Mining
  • Text Tagging and Tag Cloud
  • Text Classification

Downloadable resources

The page also offers downloadable KNIME workflow files, datasets (including Titanic and customer data) and example project files.

Last updated: 2026-09-06