Boosting ve Ensemble Yöntemler (XGBoost, LightGBM)

Yapılandırılmış tablo verisi üzerinde en yüksek tahmin performansını bugün hâlâ ağaç temelli topluluk yöntemleri veriyor. Bagging ve boosting yaklaşımları, tek bir modelin yapamadığını çok sayıda zayıf öğrenicinin birlikte çalışmasıyla başarır; gradient boosting ise hatayı adım adım düzelten yapısıyla kredi skorlamadan talep tahminine, terk analizinden fiyat modellemesine kadar geniş bir alanda standart hâline gelmiştir. Bu güç, aşırı öğrenme riskini yönetmeyi ve hiperparametre ayarını disiplinli yapmayı gerektirir. Altı modüllük program topluluk öğrenmesi temelleriyle başlar; Random Forest ve bagging yöntemleri uygulamalı olarak çalışılır. Gradient boosting mekanizması modülünde algoritmanın matematiği sezgisel biçimde açılır. XGBoost ile rekabetçi modelleme modülü hiperparametre ayarı ve düzenlileştirmeyi kapsar; LightGBM ve CatBoost modülü büyük veri ve kategorik değişken senaryolarını ele alır. Üretim ve proje uygulamaları modülüyle program tamamlanır. Katılımcılar gerçek bir veri seti üzerinde model ailelerini karşılaştırır, hiperparametre araması yapar ve SHAP ile açıklanabilirlik analizi içeren bir model raporu sunar.