Ders 1Dağıtım hususları: yeniden eğitim periyodu, veri akış hatları, kayma izleme ve tahmin geriye testleriGelir tahmin sistemlerinin dağıtımını planlayın; yeniden eğitim periyotları, otomatik veri akış hatları, veri ve kavram kayması izleme ile sürekli geriye test yaparak değişen piyasa koşullarında istikrarlı performansı sağlayın.
Designing robust data pipelinesScheduling retraining and updatesMonitoring data and concept driftOngoing backtesting and benchmarkingAlerting and rollback strategiesDers 2Tahminleri paydaşlara iletme: nokta tahmin ve aralıklarının görselleştirilmesi, senaryo analizi, varsayımların şeffaflığıGelir tahminlerini paydaşlara net nokta ve aralık tahmin görselleştirmeleri, senaryo analizi ve varsayımların, sınırlamaların ve model riski hususlarının şeffaf dokümantasyonu kullanarak etkili bir şekilde iletin.
Visualizing point and interval forecastsScenario and what-if analysis designExplaining drivers and key featuresDocumenting assumptions and limitsTailoring messages to stakeholdersDers 3Makine öğrenimi zaman serisi modelleri: gecikmeli özelliklerle rastgele ormanlar/gradient boosting, XGBoost/LightGBM ve sıralı modeller (LSTM/GRU)Makine öğrenimi zaman serisi modellerini eğitin: gecikmeli özelliklerle rastgele ormanlar/gradient boosting, XGBoost/LightGBM ve sıralı modeller (LSTM/GRU); durağan olmama, mevsimsellik ve ürün düzeyinde heterojenliği yöneterek gelir tahmini için.
Random forests with lagged featuresGradient boosting, XGBoost, LightGBMGlobal versus local forecasting modelsSequence models with LSTM and GRUHandling nonstationarity and scalingDers 4Tahmin hedeflerini ve değerlendirme ufuklarını formüle etme (ör. sonraki 3, 6, 12 ay)Temel banka ürünleri için tahmin hedeflerini belirleyin; tahmin hedefleri, ufuklar ve granülerlik seçerek bütçeleme, fiyatlandırma, likidite planlama ve düzenleyici veya risk raporlama ihtiyaçlarıyla uyumlu hale getirin.
Choosing revenue targets and unitsSelecting forecast horizons and frequencyAligning forecasts with business decisionsGranularity by product, segment, and regionHandling new products and short historiesDers 5Zaman serisi verilerini belirleme ve kaynaklama (kamu finansal serileri, ödeme hacimleri, sentetik üretim teknikleri)Banka geliri tahmini için zaman serisi verilerini belirleme, değerlendirme ve kaynaklama yöntemlerini öğrenin; iç ürün metrikleri, kamu finansal serileri ve kıt veya gürültülü geçmiş kayıtları güvenli şekilde artıran sentetik veriler dahil.
Cataloging internal product revenue seriesUsing public macro and market data sourcesCollecting payment and transaction volume dataAssessing data quality, gaps, and revisionsSynthetic data generation for stress scenariosDers 6Eğitim ve hiperparametre ayarlama: ızgara/rastgele arama, Bayesyen optimizasyon, zamana duyarlı puanlamaYapılandırılmış hiperparametre ayarlama stratejileri kullanarak model performansını optimize edin; ızgara ve rastgele arama, Bayesyen optimizasyon ve zamana duyarlı puanlama ile zamansal sıralamayı ve iş-kritik ufuklara odaklanmayı sağlayın.
Defining search spaces and priorsGrid and random search trade-offsBayesian optimization workflowsTime-aware validation and scoringEarly stopping and resource limitsDers 7Model topluluğu ve uzlaştırma: basit model ortalaması, ağırlıklı topluluklar, zaman serisi için yığınlamaBanka geliri için birden fazla tahmin modelini basit ortalamalar, ağırlıklı topluluklar ve yığınlama ile birleştirin; ürünler, şubeler ve organizasyonel düzeylerde tutarlı tahminler için hiyerarşik uzlaştırma uygulayın.
Simple and weighted model averagingStacking and meta-learners for seriesDiversity and correlation among modelsHierarchical and grouped reconciliationEvaluating ensemble stability over timeDers 8Temel zaman serisi yöntemleri: ARIMA, ETS, naif ve mevsimsel naif modeller, ayrıştırma (trend/mevsimsellik)Banka geliri için temel zaman serisi modellerini keşfedin: naif, mevsimsel naif, ARIMA, ETS ve ayrıştırma; karmaşık makine öğrenimi modelleri kullanmadan önce referans performansı belirleyin ve trend ile mevsimselliği yorumlayın.
Naive and seasonal naive benchmarksClassical decomposition of trend and seasonalityARIMA modeling for bank revenue seriesExponential smoothing and ETS variantsComparing baselines across productsDers 9Gelir için özellik mühendisliği: gecikmeler, yuvarlanan ortalamalar/std, fark alma, takvim etkileri, tatil göstergeleri, kohort etkileri, pazarlama/kampanya bayraklarıBanka geliri için öngörücü özellikleri tasarlayın: gecikmeler, yuvarlanan ortalamalar/std, fark alma, takvim etkileri, tatil göstergeleri, kohort etkileri, pazarlama/kampanya bayrakları ile talep kaymaları ve yapısal kırılmaları yakalayın.
Lag and lead features for revenueRolling means, volatility, and ratiosCalendar, holiday, and payday effectsCohort and lifecycle based featuresMarketing and campaign impact flagsDers 10Zaman serisi için veri bölme ve çapraz doğrulama: eğitim/doğrulama/test bölmeleri, genişleyen pencere CV, engelli CVGelir tahmini için zamana duyarlı veri bölme ve çapraz doğrulama şemaları tasarlayın; yuvarlanan ve engelli yaklaşımlar ile sızıntıyı önleyin, üretim kullanımını taklit edin ve model performansının güvenilir tahminlerini elde edin.
Holdout train, validation, and test splitsRolling and expanding window validationBlocked cross-validation for seasonalityPreventing temporal leakage in featuresBacktesting over multiple forecast originsDers 11Değerlendirme metrikleri ve hata analizi: MAE, RMSE, MAPE, simetrik MAPE, tahmin aralıkları ve kapsamaGelir tahminlerini MAE, RMSE, MAPE, simetrik MAPE ve aralık kapsama metrikleri ile değerlendirin; segment, ufuk ve rejim bazında ayrıntılı hata analizi yaparak önyargıları ve model zayıflıklarını ortaya çıkarın.
Scale-dependent error metricsPercentage and relative error metricsPrediction intervals and coverageHorizon and segment level diagnosticsRegime and event-driven error analysisDers 12Makro ve dış regresörler: TÜFE, işsizlik, faiz oranları, hareketlilik, Google Trends kullanımı; özellik seçimi ve gecikme uyumuGelir modellerine makroekonomik ve dış regresörleri entegre edin: TÜFE, işsizlik, faiz oranları, hareketlilik, Google Trends; gecikme uyumu, ölçekleme ve aşırı uyumu önleme için özellik seçimi teknikleri öğrenin.
Selecting relevant macro indicatorsAligning lags between macro and revenueTransforming and scaling external dataFeature selection and regularizationStress and scenario overlays with macros