{"course":{"sections":{"tr":[{"title":"Modül 1 - Veri İşleme ve Görselleştirmenin Temelleri","summary":"<h2>Veri Bilimi Temelleri</h2><h3>Veri Bilimi akışı</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Problemi tanımlamak</p></li><li><p>Veri edinimi ve temizleme</p></li><li><p>Keşifsel veri analizi</p></li><li><p>Modelleme</p></li><li><p>Sonuçları yorumlama ve geliştirme döngüsü</p></li></ul><h3>Ortam Kurulumu</h3><ul class=\"tight\" data-tight=\"true\"><li><p>İnteraktif veri bilimi için Jupyter Notebook</p></li><li><p>Temel kütüphanelere genel bakış: NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn</p></li></ul><h2>Pandas ile Veri İşleme</h2><h3>Temel Pandas Yapıları</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Series ve DataFrame oluşturma ve inceleme</p></li><li><p>Çeşitli kaynaklardan veri yükleme (CSV, Excel, database)</p></li><li><p>Hafızaya sığmayan veriler için parçalı okuma teknikleri</p></li></ul><h3>Veri Seçimi ve İndeksleme</h3><ul class=\"tight\" data-tight=\"true\"><li><p>.loc, .iloc ve boolean indeksleme kullanımı</p></li><li><p>Query işlemleri</p></li><li><p>İndeksleri ayarlama, sıfırlama ve kullanma</p></li></ul><h3>Veri Temizleme ve Hazırlama</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Eksik veri tespiti ve yönetme stratejileri</p></li><li><p>Duplicate tespiti ve kaldırma</p></li><li><p>Veri tipi dönüşümleri ve casting</p></li><li><p>String işlemleri ve metin işleme</p></li></ul><p></p>"},{"title":"Modül 2 - İleri Düzey Veri İşleme ve Görselleştirme","summary":"<h2>Pandas ile İleri Düzey Veri İşleme (Opsiyonel Olarak Polars)</h2><h3>Gruplama ve Birleştirme (Aggregation)</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Split-apply-combine yaklaşımı</p></li><li><p>Custom aggregation fonksiyonları</p></li><li><p>Window functions ve rolling işlemler</p></li><li><p>Zaman bazlı resampling</p></li></ul><h3>Verileri Birleştirme ve Yeniden Şekillendirme</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Merge ve join işlemleri</p></li><li><p>Concatenation stratejileri</p></li><li><p>Pivoting ve unpivoting</p></li><li><p>Wide to long format dönüşümleri</p></li></ul><h3>Performans Optimizasyonu</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Vectorized operations ve iterative yaklaşımlar</p></li><li><p>Memory kullanımını optimize etme teknikleri</p></li><li><p>Categorical data ile memory düşürme</p></li><li><p>Query optimizasyonu ve indexing stratejileri</p></li></ul><h2>Modern Kütüphaneler ile Veri Görselleştirme</h2><h3>Matplotlib Temelleri</h3><ul class=\"tight\" data-tight=\"true\"><li><p>pyplot arayüzü ile hızlı ve etkili grafik çizimi (state-machine yaklaşımı).</p></li><li><p>Object-Oriented arayüz: Figure ve Axes nesneleri üzerinde tam kontrol.</p></li><li><p>İki arayüz arasındaki farklar ve ne zaman hangisini kullanmalı.</p></li><li><p>Özelleştirme ve stil sistemleri</p></li><li><p>Çoklu grafikler: subplot yapısı</p></li><li><p>Annotation ve metin yönetimi</p></li></ul><h3>Seaborn ile İstatistiksel Görselleştirme</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Distribution plots ve kernel density estimation</p></li><li><p>Kategorik veri görselleştirme desenleri</p></li><li><p>Regresyon ve korelasyon görselleştirmeleri</p></li><li><p>Matrix plots ve heatmaps</p></li><li><p>Color palettes ve estetik ayarlar</p></li></ul><h3>Plotly ile İnteraktif Görselleştirme</h3><ul class=\"tight\" data-tight=\"true\"><li><p>İnteraktif grafikler ve dashboard’lar oluşturma</p></li><li><p>3D görselleştirmeler ve yüzey grafikler</p></li><li><p>Coğrafi veri görselleştirme</p></li><li><p>Animasyon ve zaman serisi temsili</p></li><li><p>Web uygulamaları için Dash framework</p></li></ul><p></p>"},{"title":"Modül 3 - Keşifsel Veri Analizi","summary":"<h2>Veri Profilleme</h2><h3>Veri Ön Değerlendirmesi</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Veri setinin özelliklerine bakılması: shape, size, memory footprint.</p></li><li><p>Veri tipi çıkarımı ve doğrulaması</p></li><li><p>Sütun kardinalitesi ve özgünlük analizi</p></li></ul><h3>Veri Kalitesi İncelemesi</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Eksik değer paternleri ve dağılım analizi</p></li><li><p>Farklı ayrıntı seviyelerinde tekrarlı veri tespiti</p></li><li><p>İlişkili alanlar arasında tutarlılık kontrolleri</p></li><li><p>İş kurallarına göre veriyi doğrulama ve anomali belirteçleri</p></li></ul><h2>İstatistiksel Keşif</h2><h3>Dağılım ve Pattern Keşfi</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Sayısal değişkenler için univariate analysis</p></li><li><p>Kategorik değişkenler için frekans analizi</p></li><li><p>Skewness tespiti ve dönüşüm gereklilikleri</p></li><li><p>Zaman bazlı pattern’ler ve seasonality tespiti</p></li></ul><h3>Aykırı Gözlem ve Anomali Tespiti</h3><ul class=\"tight\" data-tight=\"true\"><li><p>IQR ve alan bilgisi kullanarak outlier analizi</p></li><li><p>Aralık ve sınır değer incelemeleri</p></li><li><p>Veri güncelliği (freshness) ve tamlık (completeness) metrikleri</p></li><li><p>Harici veri kaynaklarıyla çapraz doğrulama</p></li></ul><h2>İlişki Analizi</h2><h3>Özellik İlişkileri ve Korelasyonlar</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Correlation matrix oluşturma ve yorumlama</p></li><li><p>Feature-target ilişki gücünün ölçülmesi</p></li><li><p>Multicollinearity tespiti ve etkileri</p></li><li><p>Değişkenler arası etkileşimlerin incelenmesi</p></li><li><p>Segmentasyon fırsatlarının belirlenmesi</p></li></ul><h3>Görsel Keşif Teknikleri</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Sürekli değişkenler için dağılım grafikleri</p></li><li><p>Kategori dengesi görselleştirmeleri</p></li><li><p>Zaman serisi trend analizleri</p></li><li><p>Özellik etkileşimleri için pair plot'lar</p></li><li><p>Coğrafi ve mekansal veri incelemeleri</p></li></ul><p></p>"},{"title":"Modül 4 - Scikit-learn ile Makine Öğrenmesine Giriş","summary":"<h2>Makine Öğrenmesi Temelleri</h2><h3>Temel Kavramlar</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Geleneksel programlamadan farkı ve modern dünyadaki yeri (öneri sistemleri, sahtekarlık tespiti, tıbbi teşhis vb.).</p></li><li><p>Makine Öğrenmesi Türleri: Supervised, Unsupervised, Reinforcement</p></li><li><p>Modelleme süreci: eğitim, validasyon ve değerlendirme</p></li></ul><h3>Bir Modelin Yaşam Döngüsü: Fikirden Değere</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Problemi tanımlama, veri toplama, özellik mühendisliği (feature engineering), model seçimi, eğitim (training), hiperparametre optimizasyonu (hyperparameter tuning) ve dağıtım (deployment).</p></li></ul><h2>Scikit-learn ile Makine Öğrenmesi</h2><h3>Veri Ön İşleme</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Feature scaling ve normalization</p></li><li><p>Kategorik değişkenlerin encoding'i</p></li><li><p>Feature engineering stratejileri</p></li><li><p>Dengesiz veri kümeleriyle başa çıkma</p></li></ul><h3>Supervised Learning Modelleri</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Genelleştirilmiş linear modeller ve regularization</p></li><li><p>Ağaç Bazlı Modeller (Random Forest, Gradient Boosting)</p></li><li><p>Yapay Sinir Ağları</p></li><li><p>Model seçimi ve hyperparameter tuning</p></li><li><p>Cross-validation stratejileri</p></li></ul><h3>Unsupervised Learning Teknikleri</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Clustering algoritmaları ve değerlendirme metrikleri</p></li><li><p>Dimensionality reduction (PCA, t-SNE, UMAP)</p></li><li><p>Anomaly detection yöntemleri</p></li></ul><h2>İleri Makine Öğrenmesi Teknikleri</h2><h3>XGBoost, LightGBM ve CatBoost ile Gradient Boosting</h3><ul class=\"tight\" data-tight=\"true\"><li><p>İleri boosting teknikleri</p></li><li><p>Feature importance ve yorumlama</p></li><li><p>Kategorik değişkenleri doğal olarak işleme</p></li><li><p>Büyük veri kümeleri için GPU hızlandırma</p></li></ul><h3>PyTorch ile Model Kurmak</h3><ul class=\"tight\" data-tight=\"true\"><li><p>Tabular data için neural network temelleri</p></li><li><p>Grafik kartında model çalıştırmak</p></li><li><p>AutoML araçları ve framework'ler</p></li></ul><p></p>"}]},"discount_try_percentage":null,"published_at":"2025-08-29T08:27:05.383376+00:00","promotional_video_url":null,"updated_at":"2025-08-29T08:27:05.383376+00:00","title":{"tr":"Veri Bilimi İçin Python"},"duration_hours":18,"available_as_corporate":true,"cover_image_url":"https://lively-leaf-6126.fly.storage.tigris.dev/7e5d9bc6-0adf-4637-99ff-c6b11a2f9415.png","order":30,"deleted_at":null,"duration_days":null,"video_conference_link":null,"hidden":false,"category_id":null,"short_title":{"tr":null},"level":null,"bogazici_link":null,"cover_image_x":50,"suggested_next_course_id":null,"id":40,"slug":{"tr":"veri-bilimi-i-cin-python"},"schedule_info":null,"available_as_personal":true,"cover_image_y":50,"lesson_count":0,"summary":{"tr":null},"bogazici_collab":false,"is_workshop":false,"corporate_cover_image_url":null,"sidebar_copy":{"tr":null},"price_try":null,"has_lessons":false,"corporate_cover_image_x":50,"created_at":"2025-08-29T08:22:28.347572+00:00","description":{"tr":[{"type":"text","title":"Kurs Açıklaması","content":"<p>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. </p><p>Program sonunda Python programlama temellerine hakim katılımcılar, modern veri bilimi ekosisteminin en güncel araçları ve kütüphaneleriyle tanışmış olurlar. </p><p>Katılımcılar, eğitim süresince gerçek dünya veri problemlerini çözmek için pandas/Polars, scikit-learn ve görselleştirme kütüphanelerinin en son sürümlerini kullanmayı öğrenirler. </p><p>Bu eğitimin sonunda katılımcılar, modern veri odaklı kararları yönlendiren temel araç ve tekniklere hakim hale gelirler.</p>"},{"type":"text","title":"Hedef Kitle","content":"<p>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. </p><p>İşlerinde temel programlamanın ötesine geçerek veri işleme, analiz etme ve makine öğrenmesi ile modellemeyi öğrenmek isteyenler için idealdir.</p>"},{"type":"text","title":"Ön Koşul","content":"<ul class=\"tight\" data-tight=\"true\"><li><p>Veri yapıları (lists, dictionaries, tuples), kontrol akışı (loops, conditionals) ve fonksiyonlar dahil olmak üzere Python programlamanın temellerine sağlam bir hakimiyet. </p></li><li><p>Python script'leri yazma ve çalıştırma konusunda önceden deneyim. </p></li><li><p>Veri bilimi ve makine öğrenmesi konularında önceden deneyim gerekmemektedir.</p></li></ul><p></p>"},{"type":"text","title":"Kazanımlar","content":"<p>Bu kursu tamamlayan katılımcılar aşağıdaki konularda yetkin olacaklardır: </p><ul class=\"tight\" data-tight=\"true\"><li><p>Pandas kütüphanesini kullanarak farklı kaynaklardan veri okuyabilir, temizleyebilir ve manipüle edebilir. </p></li><li><p>Keşifsel Veri Analizi (EDA) yaparak verideki gizli kalmış desenleri, ilişkileri ve aykırı değerleri ortaya çıkarabilir. </p></li><li><p>Matplotlib ve Seaborn ile etkili ve anlaşılır veri görselleştirmeleri oluşturabilir</p></li><li><p>. Makine öğrenmesinin temel mantığını ve iş akışını (veri ön işleme, model eğitimi, değerlendirme) anlayabilir. </p></li><li><p>Scikit-learn kütüphanesini kullanarak regresyon ve sınıflandırma gibi temel makine öğrenmesi modelleri kurabilir. </p></li><li><p>Model performansını doğru metriklerle (Accuracy, R-squared, Confusion Matrix vb.) ölçebilir ve yorumlayabilir. </p></li><li><p>Gerçek dünya veri setleri üzerinde uçtan uca bir veri bilimi projesi gerçekleştirebilir.</p></li></ul><p></p>"}]},"show_price":true,"corporate_cover_image_y":50,"future_instances":[],"units":[],"course_instructors":[],"category":null,"course_group":null,"instances":[]},"instance":null,"current_user":null,"corporate":false}