Veri Bilimi (Bireysel-Kurumsal)

✅ Veri bilimi alanında kariyer yapmayı mı düşünüyorsunuz?

✅ Veri bilimi konusunda bazı temel bilgilere sahip misiniz ve bu alanda daha da ileri gitmek mi istiyorsunuz?

✅ İşinizde veya projelerinizde veri odaklı kararlar alarak daha bilinçli adımlar mı atmak istiyorsunuz?

Eğer bu sorulardan birine bile "evet" cevabı verdiyseniz, tam doğru yerdesiniz!

Kurs Tanıtımı:

Veri, modern dünyanın en değerli kaynağıdır.

Doğru analiz edilen ve yorumlanan veri ile şirketler, kuruluşlar ve bireyler çok daha bilinçli kararlar alabilir. Veri bilimi, bu veriyi anlamlı bilgilere dönüştürme sanatıdır.

Bu kurs, veri bilimi dünyasına giriş yaparak başlayıp, derinlemesine tekniklere kadar geniş bir eğitim sunmaktadır. Pratik uygulamalar ve gerçek dünya veri setleri ile öğrenme sürecinizi zenginleştirin.

Veri bilimiyle geleceği şekillendirin!🚀📈

📘 Neler Öğreneceksiniz:

📊 Veri Analizi: Veri setlerini temizleme, manipülasyon ve analiz etme tekniklerini öğreneceksiniz.

📈 İstatistik ve Olasılık: Veri biliminin temel taşlarından olan istatistik ve olasılık konularında bilgi sahibi olacaksınız.

🔍 Makine Öğrenmesi: Temel algoritmalara giriş yaparak, veriyi modelleme tekniklerini öğreneceksiniz.

✍️ Veri Görselleştirme: Veriyi anlamak ve diğerleriyle paylaşmak için görselleştirme teknikleri ve araçları hakkında bilgi edineceksiniz.

Ön koşullar:

Bu kursa katılmak için temel Python bilgisi gerekmektedir(isteğe göre python programlama modülü eğitime eklenebilr.)

Süre:

10 gün (Ek konuların eklenmesi durumunda süre uzayabilir).

Ders İçeriği:

(Buradaki konular bir taslak olup, ihtiyaca göre değiştirilebilir.)

1) Veri Ön İşleme ve Hazırlık

• Veri Tipleri

• Veri Toplama: Web scraping, API'ler, Veritabanları

• Veri Temizleme: Eksik değerler, Aykırı değerler

• Veri Dönüşümü: Normalleştirme, Kategorik Veri Kodlama

  
  

2) Keşifsel Veri Analizi

• Dağılımlar, Görselleştirmeler

• Feature Engineering

  • Feature Extraction

  • Dimensionality Reduction (PCA, t-SNE)

• Hierarchical Clustering

• Veri temizleme

• Veriyi dönüştürme

3) Veri Bilimi İçin Python

• Pandas İle veri Analizi

  • Pandas temel veri tipleri

    • Series

    • DataFrame

  • DataFrame'in elemanlarına ulaşmak

    • Birden çok elemana ulaşmak

  • Index

  • Sütunlara erişmek

    • loc

    • iloc

  • Filtreleme

  • Elemanları güncelleme

  • Apply

  • Applymap

  • Map and Replace

  • Elemanları silme

  • Aggregation

  • Groupby

  • Pandas ile gerçek hayat projesi

  
  

• Matplotlib ile Çizim Yapmak

  • Line Plot

  • Birden çok grafiği çizdirme

  • Lejant oluşturma

  • Çizim Stili

  • Bar Plot

  • Pie Chart

  • Stack Plot

  • Line Plot- Area Filling

  • Histogram

  • Scatter Plot

  • Subplot

4) İstatistik

• Betimsel istatistik:

  • Ortalama

  • Medyan

  • Mod

  • Varyans

  • Standart sapma

• Olasılığa giriş - olasılık dağılımları

• Tahminsel istatistik:

  • Hipotez testleri

  • Güven aralığı

  • Error tipleri - tip 1, tip 2 error

  • P değeri

  • Anlamlılık düzeyi

• Korelasyon

  • Pearson korelasyon katsayısı

  • Spearman's Rank korelasyonu

  • Nedensellik ve korelasyonun farkını anlama

• Regresyon

• ANOVA

• Non-Parametric testler:

  • Bağımsızlık için Chi-Square Test

  • Mann-Whitney U Test, Kruskal-Wallis Test

5) SQL

• SQL ve Veri tabanlarına giriş

  • SQL nedir? Veri yönetimi ve analiz içindeki rolü

  • Veritabanı temelleri

    • Tables

    • Records

    • Fields

  • Temel SQL komutları

  • SELECT,

  • FROM

• Egzersiz

• SQL kullanarak bilgi çekme

  • Filtreleme

    • WHERE

    • AND

    • OR

    • NOT

  • Sırlama

    • ORDER BY

  • Aggregate fonksiyonlar

    • COUNT

    • SUM,

    • AVG,

    • MIN,

    • MAX

• Veri maniplasyonu

  • INSERT INTO

  • UPDATE

  • DELETE

• SQL join

  • Birleştirme temellerini anlama

    • INNER JOIN

    • LEFT JOIN

    • RIGHT JOIN

    • FULL JOIN

  • ON

  • USING

• Uygulama: Örnek veritabanından veri çekme ve manipülasyonu

• İleri sorgulama(querie):

  • Subqueries: IN, EXISTS, WITH

  • Set Operations: UNION, INTERSECT, EXCEPT

• Veri tabanı tasarımı ve normalizasyonu

  • Veri tabanı normalizasyonu

    • First, Second, Third Normal Forms

  • One-to-One, One-to-Many, Many-to-Many

• Views, Indexes

  • View oluşturmak ve kullanmak

  • Indexleri anlamak

    • Yararları

    • Zararları

• Sorgulama için performans önerileri

• SQL bitirme projesi

6) Makine Öğrenmesi

• Makine öğrenmesine giriş

• Denetimli vs denetimsiz öğrenme

• Regresyon

• Sınıflandırma

• Regresyon ve sınıflandırma uygulaması

• Elimdeki sorun için hangi modeli kullanmalıyım?

• Veri tipleri

• Ensemble metodları ve random hatalar

• Verimizi bölme - train/validation/test

• Neden 3 farklı sete ihtiyaç duyarım?

• Cross validation

  • Cross validation kullanılmaması gereken yerler

• Model için metrik seçimi

• R^2 nedir?

• Makine öğrenmesinde yanlılık

• Yanlılık nasıl azaltılabilir?

• Makine öğrenmesi - İş Zekası:

  • Veri nasıl toplanmalı?

  • İşinizdeki amacınızı makine öğrenmesi modeli ile kalibre etmek

  • Probleminizde makine öğrenmesi kullanmak gerekip gerekmediği

  • Projenizde makine öğrenmesini kullanırken uygulanacak en iyi pratikler