C/ADSB : Accelerated Data Science for Business

5 gün (30 Saat) İleri Sınıf / Online Yapay Zeka ve Makine Öğrenimi


Veri Bilimi istatistiksel ve matematiksel teknikler yardımıyla veri yığınlarını incelemek, bu yığınlardan bir desen ve bir eğilim keşfetmek, sonuçta eğitilmiş model olarak ifade ettiğimiz bir takım fonksiyonlar elde etmek ve bu fonksiyonlarla geleceği veya bilinmeyi öngörmekle ilgili heyecan verici bir serüvendir. "Accelerated Data Science for Business" eğitimi ile Veri Bilimi serüveninde yolunu kaybetmeden, hemen bugün uygulanabilecek teknikleri duymak isteyenler için hızlandırılmış bir Veri Bilimi içeriği sunuyoruz.


Eğitim İçeriği

Module 1: Veri Dünyasında Mevcut Durum ve Güncel Kavramlar

  • Veri Analitiği Tipleri
  • Veri Yönetiminde Trendler
  • İş Zekası (BI) ve İleri Analitik (AA)
  • Veri ve Metaveri
  • Veri Analitiği Süreçleri
  • Veri Analitiğinde Mücadele Noktaları
  • Big Data, Nesnelerin Interneti (IoT), Yapay Zeka (AI), Makine Öğrenimi (ML), Derin Öğrenme (DL)
  • Operasyonel Veritabanları, Veri Ambarları, Veri Gölleri ve Lakehouse
  • RDBMS, MPP, NoSQL, NewSQL, Hadoop, Spark ve Bulut Bilişim
  • Modern Mimariler
  • Veri Analisti, Veri Mühendisi, Veri Bilimci

Module 2: Python Dili ve Ortam ile Tanışma

  • Python Dili ve Çalışılabilecek Platformalar
  • Python için Ortamın Hazırlanması
  • Package ve Module Kavramları Temelleri
  • Anaconda, Visual Studio Code, Jupyter ve Jupyter Lab Tanıma
  • Ekrana Yazdırma, Bazı Kullanışlı Shell Komutları ile Çalışma
  • Markdown Dili ile Çalışma (Dokumantasyon için)
  • Builtin Paket nesneleri ile çalışma
  • Paket indirme ve Paketler Hakkında Bilgi Alma
  • Help, dir ile Nesneler Hakkında Bilgi Alma

Module 3: Standart Veri Tipleri

  • Primitive Tipler, Container Tipler
  • Mutable, immutable tanışma
  • Operatorler
  • Kullanıcıdan Alınan Girdilerle Çalışma
  • Veri Tipleri Arasında Dönüşüm

Module 4: Metinsel İfadelere Özel

  • Str Tipi Fonksiyonları
  • Kaçış İfadeleri ve Raw Str
  • Unicode, Encode, Decode Temel
  • Str Formatlama Yöntemleri

Module 5: Zamansal Veri Tipleri

  • Date, Datetime, Time, Timedelta
  • strftime ve strptime ile Çalışma

Module 6: Karar Yapıları ve Döngüler

  • if, elif, else ve Alternatif Yazımlar
  • Ternary Kullanımı
  • Match Kullanımı
  • for Döngüsü ve Alternatif Yazımlar
  • while, else Döngüsü
  • continue, break Kullanımı

Module 7: Hatalar ve Hata Yönetimi

  • Mantıksal Hatalar, Synatax Hataları, RunTime Hataları
  • try, except, else, finally Kullanımı
  • raise ile bilinçli hata oluşturma
  • Custom Hata Üretme

Module 8: Fonksiyonlar

  • def ile Fonskiyon Tanımlama
  • Parametre kullanımı ve return
  • Sınırsız Parametre Tanımlama Yöntemleri
  • İç İçe Fonksiyonlar
  • Recursive Fonksiyonlar
  • Scope Kavramı
  • Anonymous Fonksiyonlar (Lambda)

Module 9: Kullanışlı Kod Yapıları

  • Unpacking
  • Map, Zip, Filter, Reduce, Enumerate Kullanımı

Module 10: Dosyalar ile Çalışma

  • os Kütüphanesi ve Shell komutlarını Kullanarak Klasorlerle Çalışmak
  • open ile Dosyalara Yazma Okuma
  • with kullanımı
  • csv Veri Tipi İle Çalışma
  • json Veri Tipi ile Çalışma

Module 11: Veri Tabanları İle Çalışmak

  • DBAPI Tanıma
  • sqlite3 ile Çalışma
  • MSSQL ve Oracle gibi RDBMS'ler ile Çalışma
  • Veritabanı Nesneleri Oluşturma
  • Veri Ekleme,Güncelleme ve Okuma

Module 12: Webden İçerik Okuma

  • urlretrieve ile Dosya İndirme
  • urlopen ile İçerik Okuma
  • encode, decode Kavramı
  • re Kütüphanesi ile Regex İfadeleri Kullanarak Arama Yapma
  • requests ile Get ve Post İstekleri Oluşturma
  • BeautifulSoup ile HTML Etikelerine Erişmek

Module 13: Array ve Matrix Veri Yapıları (numpy)

  • numpy Kütüphanesi ve Kullanım Alanları
  • Array ve Matrix Tanımlama
  • Array Fonksiyonları
  • Array Elemanlarına Erişme Yöntemleri
  • Numpy ile Veri Yazma Okuma

Module 14: Seri ve DataFrame Veri Yapıları (pandas)

  • pandas Kütüphanesi ve Kullanım Alanları
  • Seri ve DataFrame Tanımalama
  • DF Yapısını Değiştirme
  • DF Hakkında Bilgi Almak
  • DF Elemanlarına Ulaşma Yöntemleri
  • query, where, isin, filter kullanımı
  • Değer Atama, Satır ve Sutun Ekleme
  • None Tipi ile Çalışma
  • Applmap, apply ve map Fonksiyonları Kullanımı
  • groupby ile Veri Gruplama
  • agg ile Veri Özetleme

Module 15: Seri ve DataFrame Okuma Yazma (pandas io)

  • pandas ile csv Dosyalarına Bağlanma
  • pandas ile Excel Dosyalarına Bağlanma
  • pandas ile RDBMS'lere Bağlanma
  • sqlalchemy Tanıma

Module 16: Veri Görselleştirme (matplotlib)

  • matplotlib Kütüphanesi Esasları
  • Tek Plot ile Çalışma
  • Grafik Özelliklerini Düzenlemek
  • Birden Fazla Plot ile Çalışmak
  • Grafik Tiplerini Tanıma
  • Grafikleri Kaydetmek

Module 17: Temel İstatistik Kavramları

  • İstatistik Nedir?
  • İstatistiksel Çalışmalarda Temel Adımlar
  • Veri Toplama Yöntemleri
  • İstatistiksel Veri Analizi Yöntemleri
  • İstatistiğin Güvenirliği
  • Veri Nedir?
  • Birim-Gözlem, Değişken, Şık
  • Ölçme Düzeyleri (Ölçekler)
  • Seriler
  • Grafikler

Module 18: Merkezi Eğilim ve Değişkenlik Ölçüler

  • Merkezi Eğilim Ölçüleri
  • Değişkenlik Ölçüleri

Module 19: Olasılık Dağılımları

  • Normal Dağılım ve Standart Normal Dağılım
  • Hipotez Testleri
  • z,t,F (ANOVA), Ki-Kare

Module 20: Regresyon

  • Basit Doğrusal Regresyon
  • Korelasyon, Belirlilik

Module 21: Indeksler

  • Basit ve Bileşik İndeksler
  • Laspeyres, Paasche, Fisher İndeksleri

Module 22: Makine Öğrenimi Temel Kavramları

  • Makine Öğrenimi Problem Tipleri
  • Regresyon Algoritmaları İşleyişi (Linear Regresyon)
  • Classification Algoritmaları İşleyişini Anlamak (KNN)
  • Clastering Algoritmaları İşleyişini Anlama (KMean)
  • Neural Networks Algoritmaları İşleyişini Anlama
  • Bulut Bilişim ve Yerel Çözümler
  • Azure ML Studio ile Kod Yazmadan Makine Öğrenimi Akışını Sağlamak

Module 23: Veri Bilimi Yaşam Döngüsü

  • CRISP-DM, KDD, Team Data Science
  • Verinin Hazırlanması
  • Algoritma Seçimi
  • Model Başarısının Ölçülmesi
  • Bias ve Variance Kavramları
  • Model İyileştirme, Hyperparametreler, Cross Validation
  • Eğitilmiş Modellerin Yayınlanması
  • MLOps Kavramı

Module 24: İstatatistik ve Makine Öğrenimi Uygulamaları

  • Statistics ve SciPy Kütüphaneleri ile Çalışma
  • Scikit-Learn Kütüphanes ile Çalışma
  • Classification, Regression, Clustering Problem Tipleri için Uygulamalar

Öncesinde Önerilenler

Sonrasında Önerilenler