Süre
Modüller 4 modül
Bilgi al

Kurs Açıklaması

Günümüzün dijital çağında veri, şirketler için en stratejik varlık haline gelmiştir. Bu yoğunlaştırılmış eğitim programı katılımcılara ham veriyi anlamlı iş kararlarına dönüştürmek için gerekli yetileri kazandırır.

Program sonunda Python programlama temellerine hakim katılımcılar, modern veri bilimi ekosisteminin en güncel araçları ve kütüphaneleriyle tanışmış olurlar.

Katılımcılar, eğitim süresince gerçek dünya veri problemlerini çözmek için pandas/Polars, scikit-learn ve görselleştirme kütüphanelerinin en son sürümlerini kullanmayı öğrenirler.

Bu eğitimin sonunda katılımcılar, modern veri odaklı kararları yönlendiren temel araç ve tekniklere hakim hale gelirler.

Hedef Kitle

Bu kurs, halihazırda Python diline hakim olan ve veri bilimi alanına geçiş yapmak veya bu alandaki becerilerini geliştirmek isteyen yazılımcılar, analistler ve bu konuyla ilgili profesyoneller için özel olarak hazırlanmıştır.

İşlerinde temel programlamanın ötesine geçerek veri işleme, analiz etme ve makine öğrenmesi ile modellemeyi öğrenmek isteyenler için idealdir.

Ön Koşul

  • Veri yapıları (lists, dictionaries, tuples), kontrol akışı (loops, conditionals) ve fonksiyonlar dahil olmak üzere Python programlamanın temellerine sağlam bir hakimiyet.

  • Python script'leri yazma ve çalıştırma konusunda önceden deneyim.

  • Veri bilimi ve makine öğrenmesi konularında önceden deneyim gerekmemektedir.

Kazanımlar

Bu kursu tamamlayan katılımcılar aşağıdaki konularda yetkin olacaklardır:

  • Pandas kütüphanesini kullanarak farklı kaynaklardan veri okuyabilir, temizleyebilir ve manipüle edebilir.

  • Keşifsel Veri Analizi (EDA) yaparak verideki gizli kalmış desenleri, ilişkileri ve aykırı değerleri ortaya çıkarabilir.

  • Matplotlib ve Seaborn ile etkili ve anlaşılır veri görselleştirmeleri oluşturabilir

  • . Makine öğrenmesinin temel mantığını ve iş akışını (veri ön işleme, model eğitimi, değerlendirme) anlayabilir.

  • Scikit-learn kütüphanesini kullanarak regresyon ve sınıflandırma gibi temel makine öğrenmesi modelleri kurabilir.

  • Model performansını doğru metriklerle (Accuracy, R-squared, Confusion Matrix vb.) ölçebilir ve yorumlayabilir.

  • Gerçek dünya veri setleri üzerinde uçtan uca bir veri bilimi projesi gerçekleştirebilir.

Konular

Modül 1 - Veri İşleme ve Görselleştirmenin Temelleri

Veri Bilimi Temelleri

Veri Bilimi akışı

  • Problemi tanımlamak

  • Veri edinimi ve temizleme

  • Keşifsel veri analizi

  • Modelleme

  • Sonuçları yorumlama ve geliştirme döngüsü

Ortam Kurulumu

  • İnteraktif veri bilimi için Jupyter Notebook

  • Temel kütüphanelere genel bakış: NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn

Pandas ile Veri İşleme

Temel Pandas Yapıları

  • Series ve DataFrame oluşturma ve inceleme

  • Çeşitli kaynaklardan veri yükleme (CSV, Excel, database)

  • Hafızaya sığmayan veriler için parçalı okuma teknikleri

Veri Seçimi ve İndeksleme

  • .loc, .iloc ve boolean indeksleme kullanımı

  • Query işlemleri

  • İndeksleri ayarlama, sıfırlama ve kullanma

Veri Temizleme ve Hazırlama

  • Eksik veri tespiti ve yönetme stratejileri

  • Duplicate tespiti ve kaldırma

  • Veri tipi dönüşümleri ve casting

  • String işlemleri ve metin işleme
Modül 2 - İleri Düzey Veri İşleme ve Görselleştirme

Pandas ile İleri Düzey Veri İşleme (Opsiyonel Olarak Polars)

Gruplama ve Birleştirme (Aggregation)

  • Split-apply-combine yaklaşımı

  • Custom aggregation fonksiyonları

  • Window functions ve rolling işlemler

  • Zaman bazlı resampling

Verileri Birleştirme ve Yeniden Şekillendirme

  • Merge ve join işlemleri

  • Concatenation stratejileri

  • Pivoting ve unpivoting

  • Wide to long format dönüşümleri

Performans Optimizasyonu

  • Vectorized operations ve iterative yaklaşımlar

  • Memory kullanımını optimize etme teknikleri

  • Categorical data ile memory düşürme

  • Query optimizasyonu ve indexing stratejileri

Modern Kütüphaneler ile Veri Görselleştirme

Matplotlib Temelleri

  • pyplot arayüzü ile hızlı ve etkili grafik çizimi (state-machine yaklaşımı).

  • Object-Oriented arayüz: Figure ve Axes nesneleri üzerinde tam kontrol.

  • İki arayüz arasındaki farklar ve ne zaman hangisini kullanmalı.

  • Özelleştirme ve stil sistemleri

  • Çoklu grafikler: subplot yapısı

  • Annotation ve metin yönetimi

Seaborn ile İstatistiksel Görselleştirme

  • Distribution plots ve kernel density estimation

  • Kategorik veri görselleştirme desenleri

  • Regresyon ve korelasyon görselleştirmeleri

  • Matrix plots ve heatmaps

  • Color palettes ve estetik ayarlar

Plotly ile İnteraktif Görselleştirme

  • İnteraktif grafikler ve dashboard’lar oluşturma

  • 3D görselleştirmeler ve yüzey grafikler

  • Coğrafi veri görselleştirme

  • Animasyon ve zaman serisi temsili

  • Web uygulamaları için Dash framework
Modül 3 - Keşifsel Veri Analizi

Veri Profilleme

Veri Ön Değerlendirmesi

  • Veri setinin özelliklerine bakılması: shape, size, memory footprint.

  • Veri tipi çıkarımı ve doğrulaması

  • Sütun kardinalitesi ve özgünlük analizi

Veri Kalitesi İncelemesi

  • Eksik değer paternleri ve dağılım analizi

  • Farklı ayrıntı seviyelerinde tekrarlı veri tespiti

  • İlişkili alanlar arasında tutarlılık kontrolleri

  • İş kurallarına göre veriyi doğrulama ve anomali belirteçleri

İstatistiksel Keşif

Dağılım ve Pattern Keşfi

  • Sayısal değişkenler için univariate analysis

  • Kategorik değişkenler için frekans analizi

  • Skewness tespiti ve dönüşüm gereklilikleri

  • Zaman bazlı pattern’ler ve seasonality tespiti

Aykırı Gözlem ve Anomali Tespiti

  • IQR ve alan bilgisi kullanarak outlier analizi

  • Aralık ve sınır değer incelemeleri

  • Veri güncelliği (freshness) ve tamlık (completeness) metrikleri

  • Harici veri kaynaklarıyla çapraz doğrulama

İlişki Analizi

Özellik İlişkileri ve Korelasyonlar

  • Correlation matrix oluşturma ve yorumlama

  • Feature-target ilişki gücünün ölçülmesi

  • Multicollinearity tespiti ve etkileri

  • Değişkenler arası etkileşimlerin incelenmesi

  • Segmentasyon fırsatlarının belirlenmesi

Görsel Keşif Teknikleri

  • Sürekli değişkenler için dağılım grafikleri

  • Kategori dengesi görselleştirmeleri

  • Zaman serisi trend analizleri

  • Özellik etkileşimleri için pair plot'lar

  • Coğrafi ve mekansal veri incelemeleri
Modül 4 - Scikit-learn ile Makine Öğrenmesine Giriş

Makine Öğrenmesi Temelleri

Temel Kavramlar

  • Geleneksel programlamadan farkı ve modern dünyadaki yeri (öneri sistemleri, sahtekarlık tespiti, tıbbi teşhis vb.).

  • Makine Öğrenmesi Türleri: Supervised, Unsupervised, Reinforcement

  • Modelleme süreci: eğitim, validasyon ve değerlendirme

Bir Modelin Yaşam Döngüsü: Fikirden Değere

  • Problemi tanımlama, veri toplama, özellik mühendisliği (feature engineering), model seçimi, eğitim (training), hiperparametre optimizasyonu (hyperparameter tuning) ve dağıtım (deployment).

Scikit-learn ile Makine Öğrenmesi

Veri Ön İşleme

  • Feature scaling ve normalization

  • Kategorik değişkenlerin encoding'i

  • Feature engineering stratejileri

  • Dengesiz veri kümeleriyle başa çıkma

Supervised Learning Modelleri

  • Genelleştirilmiş linear modeller ve regularization

  • Ağaç Bazlı Modeller (Random Forest, Gradient Boosting)

  • Yapay Sinir Ağları

  • Model seçimi ve hyperparameter tuning

  • Cross-validation stratejileri

Unsupervised Learning Teknikleri

  • Clustering algoritmaları ve değerlendirme metrikleri

  • Dimensionality reduction (PCA, t-SNE, UMAP)

  • Anomaly detection yöntemleri

İleri Makine Öğrenmesi Teknikleri

XGBoost, LightGBM ve CatBoost ile Gradient Boosting

  • İleri boosting teknikleri

  • Feature importance ve yorumlama

  • Kategorik değişkenleri doğal olarak işleme

  • Büyük veri kümeleri için GPU hızlandırma

PyTorch ile Model Kurmak

  • Tabular data için neural network temelleri

  • Grafik kartında model çalıştırmak

  • AutoML araçları ve framework'ler

Bizimle iletişime geçin