Introduction to Python
Python Programlama Diline Bakış
Python Geliştirme Ortamları ve Ayarları
- Anaconda ve Python Geliştirme Ortamı (Spyder, Jupyter Notebook)
- Google Colaboratory (Eğitim Sırasında Uygulamaların Gerçekleştirileceği Ortam)
VERİ BİLİMİ
Veri Biliminin Temelleri
- Veri Analizi Nedir? Veri Analizi ile Neler Yapılabilir?
- Veri Bilimi Nedir?
- Veri Biliminin Unsurları Nelerdir?
- Veriden Faydalı Bilgi Çıkarma Aşamaları Nasıl İşler? (Veri Analitiği)
- Tanımlayıcı Analitik (Descriptive Analytics)
- Teşhis Edici Analitik (Diagnostic Analytics)
- Tahmine Dayalı Analitik (Predictive Analytics)
- Öngörüye Dayalı Analitik (Prescriptive Analytics)
- Veri Biliminin Kullanım Alanları
Veri Bilimi İş Süreci Döngüsünde Nasıl Uygulanır
- CRISP-DM Metodolojisi
- İş Anlayışı
- Veriyi Anlamak
- Verinin Hazırlanması
- Modelleme
- Değerlendirme
- Kullanıma Sokma
Veri Biliminde Uygulama Geliştirme Temel Aşamaları
Veri Biliminde Uygulama Geliştirme İçin Kullanılan Araçlar
- Numpy
- Array – Matris Oluşturma
- Biçimlendirme İşlemleri (Yeniden Şekillendirme, Birleştirme, Bölme)
- İndeks İşlemleri
- Matematiksel İşlemler (Rasgele Sayı İşlemleri vb.)
- İstatistiksel İşlemler (min, max, mean, std vb.)
- Pandas
- Seri İşlemleri ( Seri Oluşturma, Özellikler vb.)
- DataFrame İşlemleri (Oluşturma, Özellikler, Eleman İşlemleri, Birleştirme, Gruplama, Filtreleme, Apply, Pivot Tablolar)
- Excel ve CSV dosyalardan DataFrame İle Veri Okuma ve Veri Üzerinde İşlemler
- Matplotlib/Seaborn
- 2 Boyutlu Grafik Kullanımı (çizgi, çubuk, saçılım, histogram, pasta vb.)
- 3 Boyutlu Grafik Kullanımı
- Grafikler Üzerinde İşlemler Gerçekleştirme (Başlık ve Eksen Etiketleme, renk, legend vb. tanımlama)
Keşifçi Veri Analizi (Exploratory Data Analysis, EDA)
Veri Okuryazarlığı
- Veri Okuryazarlığı Nedir?
- Veri Okuryazarlığı Temel Kavramlar
- Popülasyon ve Örneklem
- Gözlem Birimi
- Değişken Nedir? Değişken Türleri Nelerdir?
- Ölçek Nedir? Ölçek Türleri Nelerdir?
- Merkezi Eğilim Ölçüleri
- Aritmetik Ortalama, Medyan, Mod, Karttiller
- Dağılım Ölçüleri
- Değişim Aralığı, Standart Sapma, Varyans, Çarpıklık, Basıklık
- Veri Tanımlama
- Verinin Organize Edilmesi ve İndirgenmesi
- Verinin Gösterimi
- Verinin Analizi ve Değerlendirme
- Dosyadan Veri Seti Yükleme/Okuma
- Verinin Boyutu Hakkında Bilgi Edinme
- Veride Örneklem
- Verideki Data Tipleri
Veri Ön İşleme ve Temizleme (Data Preparation and Cleaning)
- Veri Tanıma
- Öznitelik Görüntüleme ve Seçme
- Sıralama ve Gruplama
- Öznitelikler Üzerinde İşlemler
- Öznitelik Ekleme
- Öznitelik Adı Değiştirme
- Var Olan Öznitelikten Yeni Öznitelik Türetme
- re (regular expression) modülünün Veri Analizinde Kullanımı
- Öznitelik Silme
- Gözlemler Üzerinde İşlemler
- Gözlemlerin Gösterimi (Baştan, Sondan, Rasgele)
- Gözlem Ekleme
- Gözlem Silme
- Veri Filtreleme
- Sözlük ve Liste Kullanımı İle Filtreleme
- Query İle Filtreleme
- Eksik Veriler
- Eksik Verileri Tespit Etme
- Eksik Verileri Silme Yaklaşımları
- Eksik Verileri Tamamlama Yaklaşımları
- Sabit Bir Değer İle Tamamla
- Ortalama İle Tamamla
- Bir Önceki ve Bir Sonraki Gözleme Ait Veri İle Tamamla
- Eksik Veriler Üzerinde Oransal İşlemler
- Tekrar Eden Veriler
- Tekrar Eden Verileri Tespit Etme
- Tekrar Eden Verileri Temizleme
- Veri Dönüştürme İşlemleri
- Veriyi Ölçeklendirme ve Normalizasyon,
- Birleştirme-Toplama (Aggregation)
- Kategorik Veriler
- Aykırı/Uç Verileri Tespit Etme
Sayısal Veriler Üzerinde İstatistiki İşlemler
- Dağılım
- Varyans Analizi
- Korelason Analizi
Veri Görselleştirme
- Grafik çizimi (çizgi, çubuk, pasta, ısı/heatmap vb.)
- Grafikler üzerinde işlemler yapma
Hazır Veri Setleri Üzerinde Veri Analizi Uygulama Çalışmaları
Hazır Veri Analizi Rapor Oluşturma Araçları
MAKİNE ÖĞRENMESİ
Makine Öğrenmesinin Temelleri
- Makine Öğrenmesi Nedir?
- Gerçek Hayat Örnekleri
- Temel Kavramlar ve Terminoloji
- Problem Türleri (Regresyon, Sınıflandırma)
- Model
- Veri Setini Eğitim ve Test Olarak Bölme
- Aşırı Öğrenme (overfitting)
- Model Doğrulama
- Öğrenme Çeşitleri
- Denetimli Öğrenme (Supervised)
- Denetimsiz Öğrenme (Unsupervised)
- Takviyeli/Pekiştirmeli Öğrenme (Reinforcement)
- Makine Öğrenmesi Modelleri Başarı Değerlendirme Yöntemleri
Python İle Makine Öğrenmesi Gerçekleştirme Araçları
- Scikit-Learn Modülü ve Makine Öğrenmesi
Makine Öğrenmesi Algoritmaları/Modelleri ve Uygulama Geliştirme
- Regresyon Modelleri (Teori, Model, Tahmin)
- Basit Lineer
- Çoklu Lineer
- Sınıflandırma Modelleri (Teori, Model, Tahmin)
- Lojistik Regresyon ile Sınıflandırma
- K-En Yakın Komşu (K-Nearest Neighbours – KNN) ile Sınıflandırma
- Karar Ağaçları (Decision Tree – CART) ile Sınıflandırma
- Kümeleme Modelleri (Teori, Model, Tahmin) (Denetimsiz Öğrenme Uygulaması)
- K-Means Algoritması ile Kümeleme