Eğitimin Amacı ve Kapsamı
Veri bilimi projelerinin çoğu, iş sorusunun doğru tanımlanmaması ve verinin hazır olmadığının geç fark edilmesi yüzünden aksar. Bu giriş programı, bir iş problemini veri bilimi sorusuna dönüştürmekten sonucu yorumlamaya kadar tüm adımları CRISP-DM çerçevesiyle ele alır.
Katılımcılar Jupyter Notebook üzerinde pandas ile veri keşfi yapar, scikit-learn ile basit bir sınıflandırma ve regresyon modeli kurar ve metriklerin ne anlattığını tartışır. Örnek veri seti kurumun sektörüne göre seçilir; program sonunda her ekip kendi kullanabileceği bir AI-ready data checklist taslağı çıkarır.
Kimler Katılmalı?
- Veri bilimine geçiş yapmak isteyen iş analistleri ve raporlama uzmanları
- Veri ekipleriyle birlikte çalışan ürün ve proje yöneticileri
- Yapay zeka projelerinde veri tarafını anlamak isteyen yazılım geliştiriciler
- Ön koşul: temel Excel bilgisi yeterlidir; programlama deneyimi zorunlu değildir
Kazanımlar
- Bir iş problemini ölçülebilir bir veri bilimi sorusuna dönüştürür
- CRISP-DM adımlarını kendi projesine uyarlayarak plan çıkarır
- pandas ile temel keşifsel veri analizi ve görselleştirme yapar
- Basit bir sınıflandırma modelini eğitir ve accuracy, precision, recall gibi metrikleri yorumlar
- Overfitting ve veri sızıntısı (data leakage) risklerini tanır
Konular
Veri Bilimi Nedir, Ne Değildir?
- Veri bilimi, BI ve yapay zeka arasındaki farklar
- Kurumsal use case örnekleri ve değer hipotezi
CRISP-DM ile Proje Çerçeveleme
- İş anlama, veri anlama ve başarı kriterleri
- Veri hazır olma durumunun erken kontrolü
Keşifsel Veri Analizi
- pandas ile özet istatistikler, eksik ve aykırı değerler
- Dağılım ve ilişki grafikleri
İlk Makine Öğrenmesi Modeli
- Train/test ayrımı ve feature seçimi
- scikit-learn ile sınıflandırma ve regresyon
Model Değerlendirme ve Sonuçların Sunumu
- Confusion matrix, precision/recall ve iş etkisi
- Bulguları paydaşlara anlatma
Bu Kategorideki Diğer Eğitimler
-
NumPy, pandas, Matplotlib/Seaborn ve scikit-learn ile veri okuma, temizleme, dönüştürme ve görselleştirme; Jupyter ortamında tekrar kullanılabilir analiz notebook'ları yazmak isteyen analist ve geliştiriciler için.
- Canlı Kurs
- 5 modül
-
Betimsel istatistik, olasılık dağılımları, hipotez testleri, güven aralıkları, A/B testi ve regresyon; Python ile uygulamalı olarak veri bilimci ve analistlerin istatistiksel olarak doğru karar vermesi için.
- Canlı Kurs
- 5 modül
-
Gradient boosting (XGBoost, LightGBM), hiperparametre optimizasyonu, zaman serisi tahmini, SHAP ile açıklanabilirlik ve MLflow ile deney takibi; modelleri production'a taşımak isteyen deneyimli veri bilimciler için.
- Canlı Kurs
- 6 modül
-
Kavramsal, mantıksal ve fiziksel veri modelleme, boyutsal modelleme (Kimball), Data Vault ve analitik amaçlı veri bilimi temelleri; TDWI bilgi alanlarındaki konuları veri ambarı ve BI ekipleri için uygulamalı işler.
- Canlı Kurs
- 5 modül
-
İş sorusunu analiz planına dönüştürme, SQL ve Excel/Python ile veri hazırlama, KPI tanımlama, Power BI veya Tableau ile dashboard tasarımı ve veriyle storytelling; analist rolüne geçen veya bu rolü güçlendiren ekipler için.
- Canlı Kurs
- 5 modül
-
İlişkisel veri tabanlarında SELECT, WHERE, JOIN, GROUP BY, HAVING ve alt sorgularla veri çekme ve özetleme; ham veriye kendi başına erişip rapor üretmek isteyen iş analistleri ve uzmanlar için uygulamalı SQL eğitimi.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
