Veri Bilimi ve Büyük Veri Analitiği Eğitimi

Python Programlama Diline Bakış

Python Geliştirme Ortamları ve Ayarları

• Anaconda ve Python Geliştirme Ortamı (Spyder, Jupyter Notebook)
• Google Colaboratory (Eğitim Sırasında Uygulamaların Gerçekleştirileceği Ortam)

• 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

• CRISP-DM Metodolojisi
  • İş Anlayışı
  • Veriyi Anlamak
  • Verinin Hazırlanması
  • Modelleme
  • Değerlendirme
  • Kullanıma Sokma

• 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)

• 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

• Dağılım
• Varyans Analizi
• Korelasyon Analizi

• Grafik çizimi (çizgi, çubuk, pasta, ısı/heatmap vb.)
• Grafikler üzerinde işlemler yapma

• Makine Öğrenmesi Nedir?
• Makine Öğrenmesi ile Derin Öğrenme Farkları Nelerdir?
• 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)
• Özellik Mühendisliği
  • Aykırı Değer Tespiti
  • Veri Temizleme
  • Veri Dönüştürülmesi (encoding scaling)
  • Veri Azaltma
  • Özellik Çıkarma (Feature Extraction)
• Makine Öğrenmesi Modelleri Başarı Değerlendirme Yöntemleri

• Karmaşıklık Matrisi (Confusion Matrix)
  • Accuracy, Recall, Precision
• R2 Score
• F1 Score
• AUC-ROC Curve
• Ortalama Mutlak Hata (Mean Absolute Error, MAE)
• Ortalama Kare Hatası (Mean Squared Error, MSE)

• Scikit-Learn Modülü ve Makine Öğrenmesi

• 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
  • Destek Vektör Makinaları (SVM) ile Sınıflandırma

• Kümeleme Modelleri (Teori, Model, Tahmin) (Denetimsiz Öğrenme Uygulaması)
  • K-Means Algoritması ile Kümeleme
    • Elbow ile Optimum Küme Sayısının Belirlenmesi
  • Hiyerarşik Kümeleme

• Boosting (Tahmin) Modelleri (Teori, Model, Tahmin)
  • Gradient Boosting
  • XBoost
  • LightGBM

• Bir ML modelinin online bir veritabanı (firebase) üzerinden çekilen veri ile tahmin uygulaması geliştirme

• Veri Bilimi Modellerinin Farklı Uygulamalarda Kullanma Yöntemleri
• Pickle ile Modelin Transferi
• Joblib ile Modelin Transferi
• m2cgen ile native koda dönüştürülme

BIG DATA

• Büyük Veri Nedir? (Big Data)
• Büyük Veri Bileşenleri ve Karakteristik Özellikleri
• Büyük Veri Kullanım Alanları – Gerçek Hayat Örnekleri
• Büyük Veri Çalışanların Sahip Olması Beklenen Özellikler
• Büyük Veri Uzmanlığı İçin Gerekli Yetenekler
• Büyük Veri Teknolojileri ve Araçları
  • Büyük Veri Mimarisinde Kullanılan Teknolojiler
  • Apache Hadoop Ekosistemi
  • Apache Spark Teknolojileri
• Dağıtık Mimarilerde Büyük Veri Uygulama Geliştirme Modeli

BIG DATA ANALYTICS

• PySpark İle Büyük Veri Uygulama Geliştirme Süreçleri
• PySpark ile Büyük Veride Makine Öğrenmesi Uygulamaları