Veri bilimi, günümüz dünyasında büyük bir öneme sahiptir çünkü dijitalleşme ve internet kullanımının artmasıyla birlikte her gün devasa miktarda veri üretilmektedir. Bu verilerin anlamlandırılması ve analiz edilmesi, işletmeler ve kurumlar için stratejik bir gereklilik haline gelmiştir. Veri bilimi, işletmelere rekabet avantajı sağlar, çünkü veriye dayalı kararlar almak, stratejik planlamadan operasyonel iyileştirmelere kadar geniş bir yelpazede faydalar sunar.
Tüketici davranışları ve pazar eğilimlerini analiz ederek, şirketlerin rekabetçi kalmasına ve pazarda güçlü bir konum elde etmesine yardımcı olur. Verilerden elde edilen içgörüler, yenilikçi çözümler ve iş modelleri geliştirilmesine olanak tanır. müşteri deneyimini kişiselleştirerek müşteri memnuniyetini ve sadakatini artırabilir, operasyonel verimliliği artırır ve maliyetleri düşürür. Örneğin, makine öğrenimi algoritmaları, ekipmanların arıza riskini önceden tahmin ederek bakım maliyetlerini azaltabilir ve kesinti sürelerini minimize edebilir. Dolandırıcılık tespiti ve siber güvenlik tehditlerinin önlenmesi, veri biliminin sağladığı analiz ve tahmin yetenekleri sayesinde daha etkili hale gelir.
Sağlık hizmetlerinde hastalıkların erken teşhisi ve tedavi planlarının kişiselleştirilmesi gibi alanlarda büyük katkılar sağlar. bilimsel araştırmaların derinlemesine ve geniş kapsamlı yapılmasına olanak tanır. Eğitim kurumları, öğrenci performansını izleyerek öğrenme süreçlerini optimize edebilir ve eğitim materyallerini kişiselleştirebilir.
Canlı Ders / Sınıf Uluslararası Geçerli
Örnek ders içeriği
PDF · örnek müfredat & ders notu
Eğitimin örnek bir bölümünü ve müfredat detayını PDF olarak incele — neye başladığını önceden gör.
Veri biliminin temel kavramlarını ve terminolojisini öğrenerek alan hakkında sağlam bir bilgi temeli oluşturmak
Python programlama dilinde temelden ileri düzeye kadar yetkinlik kazanmak (değişkenler, döngüler, fonksiyonlar, OOP)
MySQL ile veritabanı oluşturma, yönetme ve SQL sorguları yazma becerisi edinmek Büyük veri analitiği (Hadoop, Apache Spark, MapReduce) konularında uygulamalı bilgi sahibi olmak
Pandas, NumPy, Matplotlib ve Seaborn kütüphaneleriyle veri işleme, analiz ve görselleştirme yapmak
R programlama dilinde veri işleme, grafiksel analiz ve modelleme yapabilmek
Bir veri bilimi projesini baştan sona (veri toplama, temizleme, modelleme, sunum) planlayıp yürütmek
Müfredat
9 modül · 54 bölüm · 20 konu
Modül 1
Giriş
Eğitimin başlangıç modülüdür ve veri bilimine sağlam bir zemin oluşturur. Katılımcıya veri biliminin ne olduğu, hangi mesleklerde kullanıldığı, kullanılacak araçlar ve temel istatistik kavramları tanıtılır. Modül sonunda katılımcı, sonraki teknik modüllere hazır bir kavramsal altyapıya sahip olur.
1.1 Eğitim Tanıtımı ve Amaçları
Katılımcıların neden bu eğitimi alması gerektiği, kazanım hedefleri ve eğitimin kariyere katkısı açıklanır.
1.2 Kurs İçeriğinin Genel Tanıtımı
Modüller, öğrenme adımları, videolar, uygulamalar ve proje tabanlı öğrenme yaklaşımı tanıtılır.
1.3 Kullanılacak Yazılım ve Donanımların Açıklanması
Python, R, MySQL, Power BI, Tableau gibi yazılımların kurulumu ve sistem gereklilikleri anlatılır.
1.4 Veri Bilimi ve Mesleki Alanlarına Genel Bakış
Veri bilimi uzmanlığı, iş ilanlarında aranan yetkinlikler ve sektörel uygulama alanları (finans, sağlık, pazarlama, kamu vb.) ele alınır.
1.5 Veri Bilimi Nedir?
Veri bilimini tanımlama, geleneksel analizden farkları ve veriyle karar verme süreçleri açıklanır.
1.6 Veri Bilimi Terminolojisi
Veri kümesi (dataset), örneklem, değişken türleri (sürekli/kesikli), nitelik ve hedef değişken gibi temel kavramlar tanıtılır.
1.7 Veri Türleri ve Kullanım Alanları
Sayısal, kategorik, metin tabanlı ve zamana bağlı veriler ile bunların analiz yöntemleri incelenir.
1.8 Temel İstatistik Kavramları
Ortalama, medyan, mod, varyans, standart sapma, normal dağılım ve dağılım eğrileri gibi temel ölçülerle veriyi yorumlama öğretilir.
Modül 2
Python Programlama
Tüm veri bilimi çalışmalarının üzerine kurulacağı programlama zeminini oluşturan modüldür. Katılımcı Python'u sıfırdan öğrenir: kurulum, söz dizimi, veri tipleri, akış kontrolü, fonksiyonlar ve nesne tabanlı programlama. Modül sonunda kütüphane kullanımına geçmeden önce kendi başına çalışan program yazabilecek seviyeye gelir.
2.1 Python Kurulumu
Python 3.x kurulumu ve pip paket yöneticisinin tanıtımı yapılır.
2.2 IDE Kurulumu (PyCharm, VSCode)
Yazılım geliştirme ortamlarının tanıtımı ve kişiselleştirilmesi ele alınır.
2.3 Print Fonksiyonu ve Yorum Satırları
Konsola çıktı verme ve açıklama satırlarıyla kod okunabilirliğini artırma öğretilir.
2.4 Değişkenler ve Veri Tipleri
Integer, float, string, boolean tipleri, type dönüşümleri ve hafıza yapıları anlatılır.
2.5 Koşullar ve Döngüler (if-else, for, while)
Karar yapıları, döngü kontrolleri ve kod akışının yönetimi öğretilir.
2.6 Fonksiyonlar ve Parametreler
Gömülü ve kullanıcı tanımlı fonksiyonlar, parametre geçişi ve geri dönüş değerleri ele alınır.
2.7 Giriş-Çıkış İşlemleri
input(), dosya okuma/yazma ve kullanıcı etkileşimi işlemleri anlatılır.
2.8 OOP (Nesne Tabanlı Programlama)
Sınıf, nesne, kalıtım (inheritance), metodlar ve yapıcı fonksiyonlar öğretilir.
Modül 3
Makine Öğrenmesi
Veriden öğrenen modellerin kurulduğu çekirdek modüldür. Veri ön işlemeyle başlayıp regresyon, sınıflandırma ve kümeleme algoritmalarına, ardından modellerin doğru ölçütlerle değerlendirilmesine uzanır. Katılımcı hem algoritmaların mantığını hem de Scikit-learn ile pratik uygulamalarını öğrenir.
3.1 Veri Ön İşleme Teknikleri
Eksik verilerin doldurulması, kategorik verilerin dönüştürülmesi (Label Encoding, One Hot Encoding), normalizasyon ve standardizasyon işlemleri ele alınır.
3.2 Regresyon Modelleri
Sürekli bir hedef değişkeni tahmin eden doğrusal modeller ve başarı ölçütleri işlenir.
Basit doğrusal regresyon
Tek bir bağımsız değişkenle hedef değişkeni tahmin eden temel regresyon modeli.
Çoklu doğrusal regresyon
Birden fazla bağımsız değişkenin hedef değişken üzerindeki etkisini modelleme.
Model başarı ölçütleri (R2, MSE, RMSE)
Regresyon modellerinin başarısını ölçen R², MSE ve RMSE metriklerinin tanımı ve yorumlanması.
3.3 Sınıflandırma Algoritmaları
Örnekleri önceden tanımlı sınıflara ayıran denetimli öğrenme algoritmaları karşılaştırmalı işlenir.
Karar ağaçları (Decision Tree)
Veriyi kurallara göre dallara bölerek sınıflandırma yapan sezgisel model.
Destek vektör makineleri (SVM)
Sınıfları en geniş kenar boşluğuyla ayıran hiperdüzlem tabanlı algoritma.
K-En Yakın Komşu (K-NN)
Bir örneği en yakın k komşusunun sınıfına göre etiketleyen mesafe tabanlı yöntem.
Naive Bayes
Bayes teoremine ve öznitelik bağımsızlığı varsayımına dayanan olasılıksal sınıflandırıcı.
3.4 Kümeleme (Clustering) Teknikleri
Etiketsiz veride benzer örnekleri gruplara ayıran denetimsiz öğrenme teknikleri.
K-Means algoritması
Veriyi k adet merkeze en yakınlığına göre bölen yinelemeli kümeleme algoritması.
Hiyerarşik kümeleme
Örnekleri adım adım birleştirerek iç içe geçmiş bir küme hiyerarşisi kuran yaklaşım.
3.5 Model Değerlendirme
Modellerin gerçek başarısını doğru ölçütler ve doğrulama yöntemleriyle sınama.
Sınıflandırma başarısını ölçen karışıklık matrisi ve temel metriklerin hesaplanması ve yorumlanması.
Cross-validation ve GridSearch kullanımı
Çapraz doğrulama ile modelin genelleme gücünü ölçme ve GridSearch ile hiperparametre optimizasyonu.
Modül 4
R Programlama Dili Uygulamaları
İstatistiksel analiz ve görselleştirmede güçlü olan R dilinin veri bilimi uygulamalarını kapsar. Katılımcı R ortamını tanır, veri yapılarını kullanır, ggplot2 ile görsel üretir ve regresyon/sınıflandırma modelleri kurar.
4.1 R Ortamına Giriş
Kurulum, RStudio tanıtımı ve temel komutlar ele alınır.
4.2 Veri Yapıları
Vektörler, matrisler, veri çerçeveleri (data frame) ve listeler öğretilir.
4.3 Veri Görselleştirme
ggplot2 ve base graphics ile grafik üretimi anlatılır.
4.4 Modelleme
R ile temel istatistiksel modelleme yaklaşımları işlenir.
Regresyon analizleri (simple & multiple)
R'da basit ve çoklu doğrusal regresyon analizlerinin uygulanması.
Lojistik regresyon
İkili sonuçların olasılığını modelleyen lojistik regresyonun R ile kurulması.
Sınıflandırma ve karar ağaçları
R ile sınıflandırma modelleri ve karar ağacı uygulamaları.
4.5 Uygulamalı Senaryolar
R ile uçtan uca veri bilimi projeleri geliştirme çalışmaları.
Modül 5
Doğal Dil İşleme (NLP) ve Metin Madenciliği
Metin verisinin makineler tarafından işlenmesini ve anlamlandırılmasını öğreten modüldür. Ön işleme tekniklerinden metin temsillerine, duygu analizinden BERT gibi derin öğrenme tabanlı dil modellerine uzanır.
5.1 Doğal Dil İşlemeye Giriş
Metin yapısı ve dilin makineye tanıtılması ele alınır.
Derin öğrenme temelli dil modeliyle (BERT) metin sınıflandırma uygulamaları.
Modül 6
SQL ve Veritabanı Yönetimi
Verinin depolandığı ve sorgulandığı ilişkisel veritabanlarını kapsar. Katılımcı MySQL ortamında veritabanı oluşturmayı, veri ekleyip sorgulamayı ve tabloları birleştirmeyi öğrenir.
6.1 SQL'e Giriş
Veritabanı kavramı, ilişkisel veritabanları ve veri modeli anlatılır.
6.2 MySQL Kurulumu ve Ortam Tanıtımı
MySQL sunucusunun kurulumu ve çalışma ortamının tanıtımı.
6.3 DDL Komutları
CREATE, DROP, ALTER gibi veritabanı yapısı işlemleri öğretilir.
6.4 DML Komutları
SELECT, INSERT, UPDATE, DELETE ile veri manipülasyonu işlemleri.
6.5 Koşullu Sorgular
LIKE, BETWEEN, IN, GROUP BY ve HAVING ile filtreleme ve gruplama.
6.6 JOIN İşlemleri
INNER, LEFT, RIGHT ve FULL OUTER JOIN ile tabloların birleştirilmesi.
Modül 7
Büyük Veri Analitiği
Geleneksel araçların yetmediği ölçekteki verinin dağıtık sistemlerle işlenmesini kapsar. 5V ilkesinden Hadoop ekosistemine, MapReduce'tan Apache Spark'a kadar büyük veri teknolojileri ele alınır.
7.1 Büyük Veri Kavramı ve 5V İlkesi
Veri hacmi (Volume), çeşitliliği (Variety), üretim hızı (Velocity), doğruluk (Veracity) ve değer (Value) ilkeleri.
7.2 Hadoop Ekosistemi
HDFS (Hadoop Distributed File System), NameNode, DataNode, YARN, Hive ve Pig gibi bileşenler.
7.3 MapReduce Programlama Modeli
Dağıtık veri işleme modeli ile paralel hesaplamaların nasıl yürütüldüğü.
7.4 Apache Spark
Hızlı büyük veri işleme çerçevesi; RDD (Resilient Distributed Datasets), DataFrame API ve Spark SQL bileşenleri.
7.5 Büyük Veri ile Geleneksel Veri Bilimi Arasındaki Farklar
Veri ölçeği, işlem süreleri, sistem gereksinimleri ve araç farkları.
7.6 Modelleme Yaklaşımları
Büyük veri ortamlarında makine öğrenmesi ve Spark MLlib ile modelleme örnekleri.
Modül 8
Tableau & Power BI ile İş Zekası Uygulamaları
Veriyi karar vericiler için görsel ve etkileşimli raporlara dönüştürmeyi öğreten modüldür. Tableau ve Power BI ile veri bağlantısı, grafik üretimi, dashboard tasarımı ve karar destek senaryoları işlenir.
8.1 Tableau ve Power BI Tanıtımı ve Kurulumu
Kurumsal ve bireysel kullanım farkları, lisanslama ve yükleme adımları.
8.2 Veri Bağlantıları ve Kaynak Ekleme
Excel, SQL ve web API gibi farklı veri kaynaklarının bağlanması.
8.3 Temel ve İleri Grafik Türleri
Bar chart, pie chart, line chart, scatter plot, combo charts, tree maps ve heat maps.
8.4 Dashboard Oluşturma
Etkileşimli raporlar, filtreleme ve kullanıcı dostu tasarım.
8.5 Gerçek Zamanlı Veri Görselleştirme
Canlı veri bağlantılarıyla dinamik panolar oluşturma.
8.6 Karar Destek Senaryoları
İş zekası raporlarının karar alma süreçlerine katkısı ve vaka analizi örnekleri.
Modül 9
Veri Biliminde Proje Yönetimi
Öğrenilen tüm becerilerin gerçek bir projede birleştirildiği bitiş modülüdür. Proje döngüsü, CRISP-DM yöntemi, gerçek proje senaryoları, model sunumu ve Git/GitHub ile takım çalışması ele alınır.
9.1 Proje Döngüsü
Bir veri bilimi projesinin baştan sona izlediği aşamalar.
Veri toplama
Proje hedefine uygun verinin çeşitli kaynaklardan toplanması.
Veri temizleme ve ön işleme
Ham verinin analize hazır hale getirilmesi.
Model geliştirme ve değerlendirme
Uygun modelin seçilmesi, eğitilmesi ve başarısının ölçülmesi.
Raporlama ve sunum
Sonuçların anlaşılır rapor ve sunumlara dönüştürülmesi.
9.2 CRISP-DM Yöntemi ile Proje Geliştirme
Cross-Industry Standard Process for Data Mining adımlarının işlenmesi.
9.3 Gerçek Proje Senaryoları
Müşteri davranışı tahmini, NLP projesi veya sağlık verisi analizi gibi gerçek örnekler.
9.4 Model Sunumu ve Karar Destek Sistemine Entegrasyon
Hazırlanan modelin sunum haline getirilmesi ve üst yönetime raporlanması.
9.5 Takım Çalışması ve Versiyon Kontrolü
Ekip halinde çalışma ve kod versiyonlama pratikleri.
Git ve GitHub ile birlikte çalışmayı öğrenme
Ekip içinde kod paylaşımı ve işbirliği için Git/GitHub kullanımı.
Versiyonlama, issue takibi, pull request yönetimi
Kod versiyonlama, hata/görev (issue) takibi ve pull request süreçleri.
Eğitmenler
Kaan Türkoğlu
Mekatronik Mühendisi
Kaan Türkoğlu, veri bilimi, yapay zekâ, yazılım geliştirme ve blokzincir teknolojileri alanında 5 yıllık tecrübeyle uzmanlaşmış bir Mekatronik Mühendisi ve Yapay Zekâ Uzmanıdır. Düzce Üniversitesi'ndeki öğrenimini sürdürürken IBM, Michigan, Stanford ve Google gibi kurumlardan eğitimler alarak kendini geliştirmiş, tekni...
Ayar Damgası
Uluslararası geçerli, doğrulanabilir sertifika
Eğitim sonunda yapılan online sınavda başarılı olan katılımcılar, uluslararası geçerliliğe sahip onaylı sertifika almaya hak kazanır.
Yaş sınırı olmaksızın, Dünyanın her yerinden veri bilimi, veri analizi, veri görselleştirme, makine öğrenmesi, doğal dil işleme ve büyük veri analitiği konularında kendini geliştirmek isteyen herkes katılabilir.
Önceden kodlama bilgisi gerekiyor mu?
Hayır. Eğitim başlangıç, orta ve ileri seviye olarak programa dahil edildiğinden, herhangi bir kodlama bilgisi olmayan katılımcılar da eğitim sonunda gerekli yetkinliğe ulaşabilir.
Eğitimi nasıl ve nereden takip edebilirim?
Uzaktan (online) eğitim modeliyle, zaman ve mekândan bağımsız olarak; ister evinizin konforunda ister seyahat ederken katılım sağlayabilirsiniz.
Sınav nasıl yapılıyor?
Sınav online olarak gerçekleştirilir.
Derslerde hangi destekler sağlanıyor?
Tüm eğitimlerde video, görsel içerikler, sesli içerikler, canlı destek ve derslere ait belgelerin temini desteği verilmektedir.
