Tabular ML'de Uzmanlaşmak: Feature Engineering'den Canlıya Geçişe

Sektördeki en yaygın veri formatı olan tablosal veriler için yüksek performanslı modeller oluşturma sanatını ve bilimini, tek bir tutarlı, gerçek dünya projesi aracılığıyla öğrenin: Bir araç çağırma platformu için yolculuk ücretlerini ve yoğun saat çarpanlarını tahmin eden Dinamik Fiyatlandırma Motoru. Titiz bir EDA ve sızıntı korumalı (leakage-proof) doğrulama ile başlayacak, ardından hedef kodlama (target encoding), Haversine mesafeleri ve Featuretools ile otomatik özellik sentezi dahil olmak üzere sayısal, kategorik, tarih-saat ve coğrafi sütunlardan 150'den fazla yüksek sinyalli özellik üreteceksiniz (feature engineering). Buradan, tablosal ML'i domine eden motorların derinliklerine ineceksiniz: XGBoost iç yapısında (düzenlileştirme, seyrekliğe duyarlı bölünmeler, monotonik kısıtlamalar) ve LightGBM iç yapısında (yaprak yönünde büyüme, GOSS, EFB, yerel kategorik işleme, GPU eğitimi) uzmanlaşacak, ardından bunları CatBoost ile birlikte baş başa kıyaslayacaksınız. Son olarak, Optuna ile ince ayar yapacak, SHAP ve Boruta ile özellikleri seçecek, çok katmanlı stacking toplulukları oluşturacak ve fiyatlandırma motorunu canlı bir FastAPI uç noktası olarak dağıtacaksınız. Kaggle Grandmaster'larının oyun kitabını (büyük ölçekli özellik üretimi, stacking ve adversarial doğrulama) takip ederek, 4 aşamada portföy kalitesinde, üretime hazır bir fiyatlandırma sistemiyle kursu tamamlayacaksınız.