Data Science (Veri Bilimi) Bootcamp

Ortak bir teknik temel oluşturmak için hazırlık.

• Geliştirme Ortamının Kurulumu:
  • Python kurulumu (Anaconda dağıtımı önerilir)
  • Conda ortamları ile bağımlılık yönetimi
  • Entegre geliştirme ortamı kurulumu ve yapılandırması (VS Code önerilir)
• Komut Satırı Arayüzü (CLI) Temelleri:
  • Dizinlerde gezinme (cd, ls/dir, pwd)
  • Dosya manipülasyonu (cp, mv, rm, mkdir)
  • Temel komut çalıştırma
• Git & GitHub ile Versiyon Kontrolü:
  • Repository, commit, branch, merge, pull request kavramları
  • Yerel Git kurulumu ve GitHub hesabı oluşturma
  • Temel komutlar: git clone, git add, git commit, git status, git push, git pull, git branch, git checkout, git merge

Lab Session:

Python/Conda kurulumunu doğrulama, temel CLI komutlarını uygulama ve GitHub üzerinde tam bir Git iş akışını (repo klonlama, değişiklik yapma, commit etme, push etme) gerçekleştiren egzersizler

Python Temelleri Tekrarı & Derinlemesine İnceleme

Veri bilimi bağlamında temel Python kavramlarını pekiştirme.

• Python veri tipleri: int, float, str, bool, list, tuple, dict, set
• Operatörler ve kontrol akışı (if/elif/else, for ve while döngüleri)
• Fonksiyon tanımlama, argümanlar (args, kwargs), kapsam, lambda fonksiyonları
• Nesne Yönelimli Programlama: sınıflar, nesneler, nitelikler, metotlar, kalıtım
• Dosyalarla çalışma: metin ve CSV dosyalarını okuma/yazma
• Dahili kütüphaneler: math, datetime, collections
• Python standart pratikleri (PEP 8)

NumPy ile Sayısal Hesaplama

Sayısal veri ve vektörleştirme tekniklerinde ustalaşmak.

• NumPy array (ndarray) oluşturma, indeksleme, dilimleme, veri tipleri
• Vektörleştirme ve evrensel fonksiyonlar (ufuncs)
• Temel matematiksel fonksiyonlar: sum, mean, std vb.
• Lineer cebir: matris çarpımı ve nokta çarpımları
• Yayınlama (broadcasting) prensipleri
• Rastgele sayı üretimi

Pandas ile Veri Manipülasyonu

Tablo verilerinin işlenmesi ve analizi.

• Pandas veri yapıları: Series ve DataFrame
• Veri yükleme ve kaydetme (CSV, Excel, JSON, SQL)
• İndeksleme & seçim: loc, iloc, boolean indeksleme, indeks ayarlama
• Veri temizleme: eksik değerler (dropna, fillna), yinelenen veriler
• Veri dönüşümü: apply, map, astype, sütun yeniden adlandırma
• DataFrame birleştirme: merge, join, concat
• Gruplama ve toplama: groupby, toplama fonksiyonları (sum, mean, count, vb.)
• Zaman serisi işlemleri: datetime özellikleri, yeniden örnekleme (resampling)

Lab Session:

Birden çok veri setini alıp temizleme, birleştirme, özellik mühendisliği ve group-by toplamaları uygulama

İlişkisel Veritabanları & İleri Düzey SQL

Veritabanı kavramları ve ileri düzey SQL sorguları.

• Temel kavramlar: tablolar, satırlar, sütunlar, birincil ve yabancı anahtarlar, şemalar, veri tipleri
• SQL sorgulama: SELECT, FROM, WHERE, GROUP BY, HAVING, ORDER BY
• İleri SQL teknikleri:
  • JOIN'ler: INNER, LEFT, RIGHT, FULL OUTER, CROSS, self-join
  • Alt sorgular (subqueries)
  • Ortak Tablo İfadeleri (CTE'ler, WITH ifadesi)
  • Pencere fonksiyonları: OVER, PARTITION BY, ROW_NUMBER, RANK, DENSE_RANK
  • Veri tanımlama (DDL) ve manipülasyon (DML) komutları

Python’u Veritabanlarına & API’lere Bağlama

Veritabanı ve web servislerinden veri çekme yöntemleri.

• Python’dan veritabanı bağlantısı: psycopg2, sqlite3, mysql-connector-python
• SQLAlchemy ile ORM kullanımı
• Sorgu çalıştırma ve sonuçların Pandas DataFrame’e aktarılması (pd.read_sql)
• REST API’lerle etkileşim: HTTP metotları, requests kütüphanesi, JSON işleme
• Kimlik doğrulama: API anahtarları, OAuth
• Web scraping: HTML temel bilgileri, BeautifulSoup, etik hususlar (robots.txt)

Lab Session:

PostgreSQL veritabanından sorgulama, canlı REST API’den veri çekme, verilerin tek bir DataFrame’de birleştirilmesi

EDA için İstatistiksel Temeller

Veri özelliklerini anlamak için temel istatistik kavramları.

• Tanımlayıcı istatistikler: ortalama, medyan, mod, varyans, standart sapma, aralık, IQR
• Olasılık dağılımları: Normal, Binom, Poisson, Üniform; PDF ve CDF
• Çıkarımsal istatistik: popülasyon/örneklem kavramları, merkezi limit teoremi
• Hipotez testi çerçevesi: p-değeri, güven aralığı, t-testi, ANOVA, Ki-kare testi

Veri Görselleştirme İlkeleri & Araçları

Veriyi etkili görselleştirme yöntemleri.

• Uygun grafik türlerinin seçilmesi: çubuk, çizgi, saçılım, histogram, kutu grafiği, ısı haritası
• Matplotlib: figure, axes kavramları; grafik özelleştirme (etiket, başlık, lejant)
• Seaborn: istatistiksel görselleştirme, Pandas entegrasyonu
• Plotly: interaktif grafikler, yakınlaştırma, panolar
• Mekansal görselleştirme: GeoPandas, Folium

Keşifsel Veri Analizi İş Akışı & Hikaye Anlatımı

Veriyi analiz etme ve içgörüyü aktarabilme süreci.

• Veri yükleme ve ilk inceleme: .info(), .describe(), .head()
• Tek ve çift değişken analizi: dağılım, ilişkiler, korelasyonlar
• Anomalilerin, trendlerin ve desenlerin belirlenmesi
• EDA raporu oluşturma ve veri hikayesi anlatımı

Lab Session:

Gerçek dünya veri seti üzerinde EDA gerçekleştirme; statik (Matplotlib, Seaborn) ve interaktif (Plotly) grafiklerle içgörü sunma

Veri Ön İşleme Teknikleri

Ham veriyi modele hazırlama adımları.

• Eksik veri yönetimi: silme, ortalama/medyan/mod doldurma, regresyon, KNN
• Kategorik değişken kodlama: one-hot, dummy, label encoding, ordinal encoding, target encoding, hashing trick
• Özellik ölçeklendirme: standardizasyon (Z-skoru), normalizasyon (min-max), robust scaling
• Aykırı değer tespiti ve müdahalesi

Özellik Oluşturma & Dönüştürme

Mevcut veriden yeni özellikler türetme yöntemleri.

• Etkileşim özellikleri oluşturma (çarpma, bölme gibi)
• Polinom özellikler: doğrusal modeller için polinom terimleri üretme
• Gruplama/ayrıklaştırma (binning)
• Logaritmik, karekök ve Box-Cox dönüşümleri
• Tarih/zaman özellik mühendisliği: yıl, ay, gün, hafta, süre hesaplamaları

Boyut Azaltma & Özellik Seçimi

Önemli bilgiyi koruyarak özellik sayısını azaltma.

• Curse of Dimensionality kavramı
• PCA: temel bileşenler, bileşen sayısı seçimi
• Özellik seçimi yöntemleri:
  • Filtre yöntemleri (korelasyon, ANOVA, Ki-kare)
  • Wrapper yöntemler (Recursive Feature Elimination)
  • Gömülü yöntemler (Lasso, ağaç tabanlı yöntemler)
• Otomatik Özellik Mühendisliği kavramlarına giriş

Lab Session:

Scikit-learn pipeline kurarak veri ön işleme, ölçeklendirme, kodlama ve özellik seçimi uygulaması

Temel Machine Learning Kavramları

Model eğitimi ve değerlendirme ilkeleri.

• Denetimli, denetimsiz ve pekiştirmeli öğrenme genel bakışı
• Veri bölme: train, validation, test setleri
• Model eğitimi, tahmin ve değerlendirme
• Bias-variance tradeoff, underfitting/overfitting
• Model değerlendirme metrikleri:
  • Sınıflandırma: accuracy, precision, recall, F1-score, ROC, AUC, log loss
  • Regresyon: MAE, MSE, RMSE, R²
• Çapraz doğrulama: K-fold, stratified K-fold, LOOCV
• Hiperparametre ayarlama: Grid Search, Randomized Search

Temel Denetimli Algoritmalar

Doğrusal ve doğrusal olmayan modellerin uygulanması.

• Linear Regression: model varsayımı, MSE, gradient descent
• Logistic Regression: sigmoid, log loss, karar sınırı
• K-Nearest Neighbors (KNN): mesafe metrikleri, k seçimi, boyut sorunları
• Support Vector Machines (SVM): maximum margin, kernel (lineer, polynomial, RBF), hiperparametreler (C, gamma)
• Decision Trees: özyinelemeli bölme, Gini impurity, entropy, budama, görselleştirme

Lab Session:

Regresyon ve sınıflandırma veri setleri üzerinde modellerin uygulanması, çapraz doğrulama ve hiperparametre ayarlaması

Ensemble Learning Teorisi & Teknikleri

Ensemble yöntemlerinin çalışma mantığı ve uygulamaları.

• Bagging: Bootstrap aggregating, varyans azaltma, paralel eğitim
  • Random Forests: ağaçlar, özellik alt örnekleme, Out-of-Bag hatası
• Boosting: sıra ile model oluşturma, bias azaltma
  • AdaBoost, Gradient Boosting, XGBoost (regülarizasyon, ağaç budama, paralel işleme)
  • LightGBM: histogram tabanlı bölme, GOSS, EFB
  • CatBoost: ordered boosting, oblivious trees
• Stacking & Blending: meta model kullanımı
• AutoML kavramlarına giriş

Denetimsiz Öğrenme Teknikleri

Etiket olmadan veri keşfi ve boyut azaltma yöntemleri.

• Kümeleme:
  • K-Means: k seçimi, Elbow, Silhouette skoru
  • Hiyerarşik Kümeleme: dendrogramlar, linkage yöntemleri
  • DBSCAN: yoğunluk tabanlı, eps ve min_samples seçimi
• Kümeleme performans ölçümleri: Silhouette skoru, Davies-Bouldin indeksi
• Boyut azaltma yöntemleri:
  • PCA, t-SNE, UMAP
• Anomali/Aykırı değer tespiti:
  • Isolation Forest, Local Outlier Factor, One-Class SVM

Lab Session:

Kaggle tarzı tablo veri seti üzerinde hiperparametre ayarlaması, kümeleme algoritmalarının uygulanması (PCA/t-SNE/UMAP görselleştirmeleri) ve anomali tespiti

İleri İstatistiksel Çıkarım

Daha titiz sonuçlar elde etmek için istatistiksel yöntemler.

• Hipotez testlerini derinlemesine inceleme: varsayımlar, yorumlama
• Güven aralıkları oluşturma ve yorumlama
• A/B Testing: tasarım, örneklem büyüklüğü, hipotez testleri, regresyona gerileme, çoklu test problemi
• Güç analizi: istatistiksel güç ve örneklem hesaplamaları
• Bootstrapping: ampirik örnekleme dağılımı tahmini

Zaman Serisi Analizine Giriş

Zamana bağlı verilerde temel bileşenler ve modeller.

• Zaman serisi bileşenleri: trend, mevsimsellik, döngüsellik, gürültü
• Zaman serisi ayrıştırma: additive vs. multiplicative modeller
• Durağanlık: kavram, ADF testi, fark alma
• Otokorelasyon (ACF) ve kısmi otokorelasyon (PACF)
• Klasik modeller: AR, MA, ARMA, ARIMA

Bayesian Yöntemlere Giriş

Bayesian akıl yürütme ilkeleri ve yöntemleri.

• Frekansçı vs. Bayesian yaklaşım
• Bayes teoremi: likelihood, prior, posterior, evidence
• Bayesian çıkarım iş akışı: model tanımlama, öncellerin seçimi, sonucun hesaplanması ve yorumlanması
• Markov Chain Monte Carlo (MCMC) yöntemlerine giriş
• Uygulamalar: Bayesian A/B testi, hiperparametre optimizasyonu

Lab Session:

Simüle edilmiş A/B testi verilerini analiz etme, güven aralıkları oluşturma; gerçek dünya zaman serisi verisi üzerinde ayrıştırma ve ACF/PACF grafikleri oluşturma; Bayesian yöntemlerin tartışılması

Sinir Ağlarına Giriş

Sinir ağlarının temel yapı taşlarını ve eğitim sürecini öğrenme.

• Biyolojik ilham ve perceptron kavramı
• Çok katmanlı perceptronlar (MLP) / İleri beslemeli sinir ağları: giriş, gizli, çıkış katmanları
• Aktivasyon fonksiyonları: Sigmoid, Tanh, ReLU (ve varyantları), Softmax
• Kayıp fonksiyonları: Cross-Entropy, MSE/MAE
• Geri yayılım algoritması: gradyan hesaplama prensipleri
• Gradient descent optimizasyonu: SGD, mini-batch, momentum, RMSprop, Adam
• Regülarizasyon: L1/L2 ve Dropout

Deep Learning Çerçeveleri & Eğitim

PyTorch veya TensorFlow kullanarak derin öğrenme modelleri oluşturma.

• Tensorlar, otomatik türev alma (autograd/GradientTape)
• nn.Module veya tf.keras.Model kullanarak sinir ağı modelleri oluşturma
• Katmanlar, kayıp fonksiyonları, optimizatör tanımlama
• Eğitim döngüsü: forward pass, kayıp hesaplama, backward pass, optimizasyon
• GPU hızlandırma, model kaydetme ve yükleme
• Eğitim izleme (TensorBoard)

CNN’lere ve RNN’lere Giriş

Mekansal ve sıralı veriler için özel sinir ağı mimarilerinin temelleri.

• CNN’ler:
  • Evrişim işlemi: filtreler, stride, padding, özellik haritaları
  • Havuzlama katmanları: max pooling, average pooling
  • Temel CNN mimarisi: Conv -> ReLU -> Pool -> Fully Connected
• RNN’ler:
  • Sıralı veri işleme ve gizli durum
  • Basit RNN’lerin gradyan problemleri
  • LSTM: hücre durumu, kapılar (input, forget, output)
  • GRU: LSTM’lere basitleştirilmiş alternatif

Lab Session:

Tablo veri seti üzerinde MLP, MNIST/Fashion-MNIST için CNN ve küçük bir metin veri setinde (ör. IMDB) LSTM/GRU uygulaması; TensorBoard ile eğitim takibi

İleri CNN Mimarileri & Transfer Learning

SOTA CNN mimarileri ve önceden eğitilmiş modellerin kullanımı.

• Derin ağların zorlukları: kaybolan gradyanlar, model derinliği
• Residual Networks (ResNet): skip connections
• Inception Networks (GoogLeNet): paralel filtreler
• EfficientNets: model ölçeklendirmesi
• Transfer Learning:
  • Özellik çıkarımı ve ince ayar (fine-tuning)
  • PyTorch/TensorFlow hub kullanımı

Temel Computer Vision Görevleri

Görüntü sınıflandırmasının ötesinde görevler.

• Nesne tespiti: sınırlayıcı kutular, Intersection over Union (IoU)
• Görüntü segmentasyonu: semantik ve örnek segmentasyon; FCN, U-Net

SOTA Trendleri: Vision Transformers & Self-Supervised Learning

Modern CV paradigmaları.

• Vision Transformers (ViT):
  • Transformer mimarisinin görüntülere uygulanması
  • Görüntü yamalama, pozisyon kodlamaları, self-attention
  • CNN’lerle kıyaslama ve veri gereksinimleri
• Self-Supervised Learning (SSL):
  • Kontrastif öğrenme (SimCLR, MoCo)
  • Maskeli görüntü modelleme (MAE, BEiT)

Lab Session:

Önceden eğitilmiş bir ResNet modelinin fine-tune edilmesi, nesne tespiti için YOLO veya SSD ile çıkarım; ViT ve SSL iş akışlarının tartışılması

RNN’lerden Attention & Transformerlara

Dil modellerinde RNN’lerin sınırları ve Transformer’ın avantajları.

• RNN’lerin/LSTM’lerin uzun menzilli bağımlılık sorunları
• Attention mekanizması:
  • Scaled dot-product attention: queries, keys, values
• Transformer Mimarisinin Temelleri:
  • Encoder-Decoder yapısı, self-attention, multi-head attention, positional encoding
  • Layer normalization ve feed-forward network’ler

Önceden Eğitilmiş Dil Modelleri & LLM’ler

Büyük dil modellerinin kullanımı.

• Ön eğitimin gücü: BERT (Masked Language Modeling), GPT (Causal Language Modeling)
• LLM’lerin mimarisi ve ölçekleme yasaları: GPT-3/4, Llama, Claude, Gemini, Mistral
• Zero-shot ve Few-shot öğrenme, metin gömme teknikleri

SOTA Teknikleri: Prompting, RAG, PEFT & Hugging Face

Modern tekniklerle LLM’lerle etkileşim.

• Prompt Engineering: zero-shot, few-shot, instruction tuning, Chain-of-Thought
• Retrieval-Augmented Generation (RAG):
  • Retriever + Generator, vector databases kullanımı
• Parameter-Efficient Fine-Tuning (PEFT):
  • LoRA, QLoRA
• Hugging Face ekosistemi: transformers, datasets, evaluate, pipelines

Lab Session:

Hugging Face transformers ile önceden eğitilmiş modelin fine-tune edilmesi (ör. duygu analizi veya NER), LLM API’leri ile prompt engineering deneyleri; temel RAG sistemi kurulumu

Generative Modellere Genel Bakış

Generative ve discriminative modellerin genel farkları.

• GANs: Generator vs. Discriminator, eğitim zorlukları (mode collapse, instability)
• Variational Autoencoders (VAEs): kodlayıcı-kod çözücü, latent space, olasılıksal yaklaşım
• Flow-based modeller (kısa değinme)

Derinlemesine İnceleme: Diffusion Modelleri

Yüksek kaliteli görüntü üretimi için SOTA yöntemler.

• İleri süreç: veriye kademeli olarak Gaussian gürültüsü ekleme
• Ters süreç: U-Net mimarisi ile gürültüyü adım adım kaldırma
• Noise schedule, koşullandırma (text-to-image)
• Uygulamalar: DALL-E, Stable Diffusion, Imagen, görüntü düzenleme, inpainting, super-resolution
• Zorluklar: örnekleme hızı, bilgi damıtma, kontrol edilebilirlik

İleri Sıralı & Graf Modelleri

Modern sıralı ve graf verisi için alternatif model yapılandırmaları.

• Verimli sıralı modeller:
  • State Space Models (SSM’ler), Lineer RNN’ler, Mamba örneği, hibrit mimariler
• Graph Neural Networks (GNN’ler):
  • Mesaj geçirme (message passing), GCN, GAT, ölçeklenebilirlik ve aşırı düzgünleştirme sorunları

Lab Session:

Stable Diffusion kullanarak text-to-image üretimi, farklı prompt’lar, rehberlik ölçekleri ve negatif prompt’larla deneyler; temel bir GCN modelinin uygulanması

Veri Pipeline’ları & Orkestrasyonu

Otomatik ve güvenilir veri iş akışlarının oluşturulması.

• ETL vs. ELT paradigmaları
• Veri pipeline bileşenleri: kaynaklar, dönüşümler, hedefler
• İş akışı orkestrasyon araçları:
  • Apache Airflow: DAG’ler, operatörler, görevler, zamanlama
  • Alternatifler: Prefect, Dagster
• Veri kalitesi kontrolleri ve izleme
• Batch vs. Streaming veri işleme (Kafka, Spark Streaming)

Veri Depolama Mimarileri

Büyük veri setlerinin depolanması ve yönetilmesi.

• Veri ambarları: Redshift, BigQuery, Snowflake
• Veri gölleri: S3, ADLS, GCS; Parquet, ORC
• Data lakehouses: Databricks Delta Lake, Apache Iceberg, Apache Hudi
• Vector databases: Pinecone, Milvus, Weaviate, Chroma kavramı

Dağıtık Hesaplama & Big Data İşleme

Tek makineden büyük ölçekli verilerin işlenmesi.

• Dağıtık hesaplama ihtiyacı ve Hadoop ekosistemi (HDFS, MapReduce/YARN)
• Apache Spark:
  • RDD’ler, DataFrame API, lazy evaluation, driver/executor mimarisi
  • Spark SQL, bulut entegrasyonu
• Bulut tabanlı Big Data hizmetleri: AWS EMR, Google Dataproc, Azure HDInsight/Synapse

Lab Session:

PySpark ile basit veri okuma, dönüşüm ve çıktı işlemleri; Apache Airflow DAG oluşturma; vector database’in LLM/RAG pipeline’a entegrasyonu üzerine tartışma

MLOps’un Temelleri

ML modellerini operasyonelleştirme süreçleri.

• Neden MLOps? Model dağıtımındaki zorluklar ve ML yaşam döngüsü yönetimi
• Versiyonlama, otomasyon (CI/CD), test etme, dağıtım, izleme, yönetişim
• Tekrarlanabilirlik: kod, veri, parametre ve ortam izleme

Model Dağıtım Stratejileri

Eğitilen modellerin çıkarım için kullanıma sunulması.

• Docker ile konteynerleştirme: Dockerfile yazımı, imaj oluşturma, konteyner çalıştırma
• Dağıtım desenleri:
  • Çevrimiçi/gerçek zamanlı çıkarım (REST API’ler: Flask, FastAPI)
  • Toplu çıkarım (batch)
  • Uç noktası dağıtımı (edge deployment)
• Model sunum çerçeveleri: TF Serving, TorchServe, KFServing, Seldon Core
• Sunucusuz dağıtım: AWS Lambda, Google Cloud Functions, Azure Functions
• Kubernetes: konteyner orkestrasyonu (kavramsal)

Deney İzleme, Model İzleme & Sürümleme

Model ve deneylerin izlenmesi ile sürümlendirilmesi.

• Deney izleme: parametre, metrik, kod versiyonu, artefakt günlüğü
  • MLflow, Weights & Biases, Comet ML
• Model izleme: performans, veri drift, kavram drift ölçümleri
• Sürümleme: Git ile kod versiyon kontrolü, DVC ile veri/model sürümlendirme
• Feature store’lar: Feast, Tecton vb.

Lab Session:

MLflow ile model eğitimi, kayıt, Docker konteynerleştirme, API aracılığıyla çıkarım, DVC ve drift tespit araçlarının tartışılması

Nedensel Çıkarıma Giriş

Korelasyon ve nedensellik arasındaki farklar ve yöntemler.

• "Korelasyon nedensellik anlamına gelmez" örnekleri
• Neyman-Rubin Causal Model: tedavi, kontrol grupları, Ortalama Tedavi Etkisi (ATE)
• Karıştırıcı değişkenler ve nedensel önyargı
• Yöntemler:
  • Rastgele kontrollü deneyler (RCT’ler, A/B testleri)
  • Gözlemsel yöntemler: propensity score matching, difference-in-differences, regression discontinuity
  • ML tabanlı nedensel yöntemler (Causal Forests, Double ML)
• Nedensel keşif (kısa değinme)

Açıklanabilir AI (XAI) & Model Yorumlanabilirliği

Karmaşık modellerin yorumlanması ve açıklanması.

• Açıklanabilirlik ihtiyacı: güven, hata ayıklama, adalet, düzenleme
• Model-özel vs. modelden bağımsız yöntemler
• Yorumlama teknikleri:
  • Doğrusal modellerin katsayı yorumlaması
  • Ağaç tabanlı modellerde özellik önemi ve karar yolları
  • Yerel (LIME) ve küresel (SHAP) açıklamalar
  • Karşı olgu açıklamaları, kavram tabanlı yöntemler (ör. TCAV)

Sorumlu AI: Etik, Adalet & Gizlilik

AI uygulamalarında etik ilkelerin uygulanması.

• AI’da etik ilkeler: hesap verebilirlik, şeffaflık, adalet, zarar vermeme
• ML’de sapma kaynakları: veri, algoritma, insan önyargısı
• Adalet metrikleri: demografik eşitlik, eşit fırsat, ödünleşmeler
• Sapma azaltma teknikleri: ön işleme, eğitim sırasında kısıtlamalar, son işleme ayarlamaları
• Gizlilik: veri anonimleştirme, diferansiyel gizlilik, federated learning

Lab Session:

Karmaşık bir model üzerinde SHAP analizi ile açıklama, adalet metriklerinin değerlendirilmesi; potansiyel sapma azaltma stratejilerinin tartışılması

Proje Fikri Geliştirme & Kapsam Belirleme

Öğrenilen teknikleri uygulayan gerçek dünya problemlerini belirleme süreci.

• Gerçek dünya problemlerinin tespiti
• Bireysel veya takım tabanlı beyin fırtınası
• Hedef, teslimat ve başarı metriklerinin tanımlanması
• Proje planlama, kapsam belirleme ve etik inceleme

Bitirme Projesi için Veri Toplama & İleri EDA

Proje hedeflerine yönelik veri toplama ve derinlemesine analiz.

• İlgili veri setlerinin bulunuşu ve edinimi (kamu kaynakları, API’ler, web scraping)
• Veri alım pipeline’larının oluşturulması
• Hedefe yönelik EDA ve ileri görselleştirme teknikleri
• Başlangıç hipotezlerinin formüle edilmesi

Temel Modelleme & İterasyon Planı

Başlangıç model performansının değerlendirilmesi ve geliştirme planı.

• Uygun temel modellerin seçimi ve uygulanması
• Model performansının ölçülmesi
• İyileştirme alanlarının belirlenmesi
• İterasyon planı: feature engineering, SOTA model seçimi, hiperparametre ayarlama

Lab Session:

Özel mentorluk eşliğinde proje üzerinde yoğun uygulamalı çalışma, problem ifadesinin iyileştirilmesi, veri güvence altına alma, kapsamlı EDA ve temel model uygulamasının planlanması

Bitirme Projesi için İleri Modelleme & Değerlendirme

SOTA modelleri uygulayarak nihai çözümün değerlendirilmesi.

• Gelişmiş modellerin (Transformer, XGBoost/LightGBM, RAG, Diffusion) uygulanması
• İleri hiperparametre optimizasyonu (ör. Bayesian optimizasyon)
• Model değerlendirme, hata analizi ve yorumlama (SHAP, LIME)
• Dağıtım stratejilerinin simülasyonu

Proje Sunumu & Dokümantasyonu

Proje metodolojisini, sonuçlarını ve etkisini etkili bir şekilde iletmek.

• Teknik bir sunum yapılandırma
• Sonuçlar için ilgi çekici görselleştirmeler oluşturma
• Karmaşık fikirleri farklı kitlelere açıkça iletme
• Proje dokümantasyonu yazma (ör. README, teknik rapor)
• Bir proje portföyü parçası oluşturma

Kariyer Başlangıç Pisti

Veri bilimi alanında başarılı iş arayışına hazırlanma.

• Veri bilimi iş piyasası: roller, gerekli beceriler, endüstri trendleri
• Etkili bir özgeçmiş hazırlama
• Profesyonel çevrimiçi varlık oluşturma (LinkedIn, GitHub portföyü)
• Networking stratejileri
• Teknik ve davranışsal mülakat hazırlığı (STAR metodu, take-home assignments, vaka çalışmaları, maaş pazarlığı)

Lab Session:

Proje sonlandırma, sunum pratiği, akran ve eğitmen geri bildirimi, sahte mülakat oturumları ve özgeçmiş inceleme atölyeleri

Sürekli Öğrenme & Topluluk

Güncel kalmak ve destek sağlamak için kaynaklar ve networking.

• Kürateli kaynaklara erişim (bloglar, bültenler, anahtar araştırmacılar, konferanslar)
• Bootcamp mezunları ağı ile devam eden destek ve networking

Kariyer Hizmetleri Uzantısı

Mezuniyet sonrası iş arama desteği ve işveren ortak ağlarına erişim imkanı.