Eğitimin Amacı ve Kapsamı
Model metriklerini ve A/B testi sonuçlarını yanlış yorumlamak, kurumların en pahalı veri hatalarından biridir. Bu program, veri bilimi için gereken istatistiği formül ezberinden çok sezgi ve uygulama üzerinden kurar.
Dağılımlar, örnekleme, merkezi limit teoremi, p-değeri, güven aralıkları, t-testi ve ki-kare testi, korelasyon ile nedensellik farkı, doğrusal ve lojistik regresyon Python (SciPy, statsmodels) ile işlenir. Katılımcılar kurumdan uyarlanmış bir deney senaryosunda örneklem büyüklüğünü hesaplar, testi kurgular ve sonucu yönetime sunulabilir bir karar notuna dönüştürür.
Kimler Katılmalı?
- İstatistik temelini güçlendirmek isteyen veri bilimciler ve analistler
- A/B testi ve deney tasarlayan ürün ve growth ekipleri
- Model sonuçlarını yorumlayan makine öğrenmesi mühendisleri
- Ön koşul: temel Python ve pandas bilgisi
Kazanımlar
- Veri setini doğru betimsel istatistiklerle özetler ve dağılımını tanımlar
- Uygun hipotez testini seçer ve p-değerini doğru yorumlar
- A/B testi için örneklem büyüklüğü ve test süresini hesaplar
- Güven aralıklarıyla belirsizliği raporlar
- Regresyon katsayılarını ve varsayımlarını değerlendirir
- Korelasyon ile nedensellik arasındaki farkı paydaşlara açıklar
Konular
Betimsel İstatistik ve Dağılımlar
- Merkezi eğilim, yayılım ve çarpıklık
- Normal, binom ve Poisson dağılımları
Örnekleme ve Çıkarımsal İstatistik
- Merkezi limit teoremi ve standart hata
- Güven aralıkları ve bootstrap
Hipotez Testleri
- t-testi, ki-kare ve ANOVA
- p-değeri, güç analizi ve çoklu test problemi
A/B Testi ve Deney Tasarımı
- Örneklem büyüklüğü ve test süresi
- Sık yapılan hatalar: peeking, novelty etkisi
Regresyon ve Modelleme
- Doğrusal ve lojistik regresyon, varsayımlar
- statsmodels ile katsayı yorumlama
Bu Kategorideki Diğer Eğitimler
-
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
-
Window fonksiyonları, recursive CTE'ler, kohort ve zaman serisi sorguları, yarı-yapısal (JSON) veri işleme ve EXPLAIN ANALYZE ile sorgu optimizasyonu; büyük veri kümelerinde çalışan analist ve mühendisler için.
- Canlı Kurs
- 5 modül
-
RAG, LLM ve makine öğrenmesi sistemleri için uçtan uca veri mühendisliği: veri sözleşmeleri, medallion mimarisi, feature ve embedding pipeline'ları, lineage ve metadata yönetimi.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
