Tüm sorularınız için : 444 1 476 veya info@mindset.com.tr
Fiyatı görmek için form doldurun
Fiyatı görmek için form doldurun
Fiyatı görmek için form doldurun
Fiyatı görmek için form doldurun
Teknolojilerin topladığı ve depoladığı verilerin zenginliği, dünya genelinde organizasyonların ve toplumların dönüşüme yönelik avantajlardan yararlanmasını sağlıyor.
Data Science Bootcamp Programı da geleceğin ihtiyaçlarına cevap verebileceğiniz, verileri analiz etmek için strateji geliştirme; verileri analiz için hazırlama; verileri keşfetme, görselleştirme; Python programlama dilini kullanarak verilerle birlikte modeller oluşturma, uygulama ve yazılımlara dağıtarak işlemenize imkan sağlayacak bir programdır.
String, Integer, Float, Complex
Değişken tanımlama ve türleri yönetmek
List yapısı
Aylık yol masrafı hesaplama uygulaması
Basit bir hesap makinesi uygulaması
Dallanma/if/elseif/else
break ve continue Kullanımı
For ve while döngüleri
Karakter dizilerinin içeriğini karşılaştırma uygulaması
Karakter dizisindeki karakterleri sayma uygulaması
Liste, Stacks, Queues, Tuples ve Sequences
Kümeler (Sets)
Sözlük (Dictionary)
Basit bir telefon rehberi oluşturma uygulaması
Argümanlar ve Formal Parametreler
Global Değişkenler, Yerel (Local) Değişkenler
Fonksiyonlara Parametre Aktarımı
Fonksiyonlardan Değer Döndürme
Belli bir aralıkta rastgele sayılar üretme uygulaması
Dosya Açma, okuma, yazma
Binary Dosyalar
Dosyaların içeriğini karşılaştırma uygulaması
Dosyaların içindeki karakterleri sayma uygulaması
Temel Hata Kontrolü
İstisnaların Yakalanması
try/except ve finally kullanımı
Yazma izni olmayan bir dosyaya yazma ve hata kontrolü uygulaması
İsim Uzayları (NameSpaces)
imports Kullanımı
Modülleri devreye alma
Basit bir sözlük modülü tanımlama ve üzerinde işlemler yapma uygulaması
Python’da bir sınıf nasıl tanımlanır?
Instance Metotları
Initializers Sınıf Metotları
static Metotlar
Miras Alma (Inheritance), Çoklu Miras Alma
Bir iş yerinde işe alınan kişilerin kayıtlarını tutma uygulaması
Veri Edinimine Giriş
Veri Biliminde Veri Ediniminin önemi
Karar Alma Sürecinde Verinin Rolü
Veri Kaynakları
Veritabanları ve Veri Ambarları
API'lar ve Çevrimiçi Veri Depoları
Web Kazıma Temelleri
IoT Cihazları ve Algılayıcılar
Kamu ve Özel Anketler
Otomatik Veri Toplama
Otomasyon için Araçlar (Python Scriptleri, R Scriptleri)
Veri Toplama İşlerinin Planlanması ve Yönetimi
Veri Ediniminde İyi Uygulamalar ve Etik
Gizlilik Endişeleri ve Veri Hassasiyeti
Veri Toplamanın Hukuki Boyutları
Veri Çıkarma Teknikleri
CSV
Excel
JSON ve XML: Ayrıştırma ve Çıkarma
Veritabanı Çıkarması: SQL Sorguları
Web Kazıma
HTML ve Web Yapısını Anlama
Web Kazımada Kullanılan Araçlar ve Kütüphaneler (BeautifulSoup, Selenium)
Dinamik İçerik ve JavaScript ile Yüklenen Verilerle Başa Çıkma
Web Kazımada Etik Hususlar
API Tabanlı Veri Çıkarma
RESTful API'larla Çalışma
Kimlik Doğrulama ve API Limitleri
API Yanıtlarının Ayrıştırılması
İleri Düzey Veri Çıkarma Konuları
Veri Çıkarmada Regular Expressions
Yapılandırılmamış Kaynaklardan Veri Çıkarma
Multimedya Kaynaklarından (Görüntüler, Videolar) Veri Çıkarma
Teknoloji Ticaret Sitelerinden Müşteri Geri Bildirim Analizi için Veri Çıkarma
Müşteri verilerini çeken hazır programlar ile Python’da yazılan çekme kodunun karşılıklı analizi
Veri Ambarının Temelleri
Veri Ambarı Kavramı ve Evrimi
Veri Ambarları ile Veritabanları Arasındaki Farklar
Tasarım ve Modelleme
Veri Modelleme İlkeleri
Star, Snowflake ve Galaxy Şemalarını Keşfetme
Boyutlu Veri Modelleri Tasarlama
Veri Normalizasyonu
Birinci Normal Form
İkinci Normal Form
Üçüncü Normal Form
Yüksek Mertebeli Normaller
ETL Süreçleri
Detaylı ETL Pipeline Tasarımı
ETL Araçları ve Teknikleri
Veri Entegrasyonu ve Dönüşüm Stratejileri
Uygulama Stratejileri
Yerinde vs. Bulut Tabanlı Çözümler
Farklı Ambarlama Çözümlerinin Vaka Çalışmaları
Ambar Yönetimi
Performans Optimizasyonu
Güvenlik, Yedekleme ve Felaket Kurtarma
Veri Ambarı Yönetimi
E-ticaret Verileri Analitiği için Veri Ambarı Tasarımı
Farklı veri modellerinin performans karşılaştırmaları ve avantaj, dezavantaj analizi
Veri Kalitesini Değerlendirme
Sorunları Tespit Edip Tanımlama
Veri Profillendirme Araçları ve Teknikleri
Temizleme Stratejileri
Yaygın Görülen Veri Kalite Sorunları ve Çözümleri
Veri Standardizasyonu Uygulamaları
Veri Temizleme Otomasyonu
Otomatik Temizleme Akışları Tasarlama
Veri Temizleme Araçlarının Kullanımı
E-ticaret Veri Sistemi İçin Veri Temizleme
Python’da yazılmış bir veri temizleme pipeline’ının baştan sona incelenmesi
Veri Hazırlama Temelleri
Versiyon Yönetimi
Veri Yaşam Döngüsü Kontrolü
ETL ve Hazırlama Entegrasyonu
Veri Akışını Optimize Etme
Hazırlama Teknolojileri ve Araçları
Karşılaştırmalı Analiz ve Seçim
Pratik Uygulamalar ve Vaka Çalışmaları
Büyük Veri için Veri Hazırlama
Büyük Veri Teknolojilerinde Veri Hazırlama Süreci
E-ticaret Müşteri Trendlerini Analiz Etmek için Veri Hazırlama
Otomatik veri hazırlama araçlarının analizi
Veri İşleme Temelleri
Farklı İşleme Türlerini Anlama
Veri İşleme Yaşam Döngüsü
Veri İşleme Teknolojileri
Toplu ve Akış İşleme Çerçeveleri
Optimizasyon Stratejileri
Veri İşlemede Verimlilik
Büyük Ölçekli Verileri İşleme Teknikleri
Gelişmiş İşleme Kavramları
Makine Öğrenimi Kullanarak İşleme
Olaya Dayalı ve Gerçek Zamanlı İşleme Teknikleri
E-ticaret Müşteri Deneyimi Geliştirme için Veri İşleme
Farklı veri işleme yöntemlerinin E-ticaret verileri üzerindeki hız analizi
Kümeleme ve Sınıflandırmanın Temelleri
Kümeleme Türleri: K-means, Hierarchical, DBSCAN
Sınıflandırma Tekniklerine Genel Bakış
Kümeleme Algoritmalarının Uygulanması
Popüler Kümeleme Teknikleriyle Pratik Uygulama
Kümeleme Performansının Değerlendirilmesi
Sınıflandırma Teknikleri ve Uygulamaları
Karar Ağaçları, Rastgele Ormanlar, SVM
Sınıflandırmada Sinir Ağları ve Derin Öğrenme
Kümeleme ve Sınıflandırmada İleri Konular
Ansambl Yöntemler
Boyut Azaltma Teknikleri (PCA, t-SNE)
IMDB Verileri Üzerinden İzleyici Segmentasyonu
Farklı kümeleme tekniklerinin avantajlı ve dezavantajlı olduğu konuların analizi
Veri Özetlemenin Anlaşılması
Veri Karmaşıklığını Azaltma Teknikleri
İş Zekası ve Raporlamada Önemi
Otomatik Özetleme Teknikleri
Metin Özetleme Algoritmaları
Görsel ve İstatistiksel Veri Özetleri
Veri Özetlemenin Uygulanması
Veri Özetleme Araçları (Tableau, Power BI)
Python
Veri Özetlemede Vaka Çalışmaları
Farklı Sektör Bağlamlarında Özetleme
IMDB Verileri ve Analizlerini Özetleme
Tabluau üzerinde çalışan bir özetleme sisteminin baştan sona analizi
Makine Öğrenmesi Nedir?
Hangi Durumlarda Başvurulur?
Klasik Programlamadan Farkları
Makine Öğrenmesi Çeşitleri
Denetimli, Denetimsiz ve Pekiştirmeli Öğrenme
Regresyon, Sınıflandırma ve Kümeleme Nedir?
Veriyi Bölmek
Train-validation-test split
Gerçek Hayata Uygun Veri Bölme Teknikleri
Error Kavramı
Regresyon için Error
Sınıflandırma için Error
Yanlı ve Yanlı Olmayan Error
Keşfedici Veri Analizine (EDA) Giriş
EDA'nın İlkeleri ve Amaçları
EDA için Araçlar ve Teknikler (R, Python, Tableau)
EDA Teknikleri
Görselleştirme Teknikleri
Tanımlayıcı İstatistikler ve Veri Profilleme
Doğrulayıcı Veri Analizi (CDA)
Hipotez Testi ve İstatistiksel Çıkarım
Keşfedici Analiz ile Karşılaştırma
EDA ve CDA'da Vaka Çalışmaları
Gerçek Dünya Uygulamaları
Araştırmada EDA ve CDA'nın Dengelenmesi
Emlak Sektörü Verilerinde Keşifsel Veri Analizi (EDA)
Model bazlı ve klasik istatistiksel yötemler kullanılarak yapılan EDA’ların karşılaştırılması
Regresyon Analizinin Temelleri
Regresyon Türleri: Lineer, Lojistik, Polinom
Regresyon Modellerinin Varsayımları ve Yorumlanması
Regresyon Modellerinin Uygulanması
Python Regresyon Analizi
Model Performansının Değerlendirilmesi
Gelişmiş Regresyon Teknikleri
Çok Değişkenli Regresyon Analizi
Doğrusal Olmayan ve Ridge/Lasso Regresyon
Yapay Sinir Ağlarıyla Regresyon
Regresyonun Gerçek Dünya Uygulamaları
Farklı Sektörlerde Vaka Çalışmaları
Regresyon Analizindeki Zorluklar ve Çözümler
Gayrimenkul Fiyatlandırması için Regresyon Analizi
Regresyon için en çok kullanılan modellerden olan ağaç bazlı modellerin genelleme sorunlarının incelenmesi ve neden analizi
Sınıflandırma Temelleri
Sınıflandırma Nedir?
Sınıflandırma Metrikleri (Accuracy, Precision, Recall, F1-Score)
Sınıflandırma Modellerinin Uygulanması
Logistic Regresyon
SVM
Ağaç Bazlı Modeller
Yapay Sinir Ağlarıyla Sınıflandırma
Sınıflandırma Teknikleri Kullanarak Ev Fiyat Segmentasyonu
Kümeleme ve sınıflandırma tekniklerinin karşılaştırması
Derin Öğrenme Temelleri
Evrensel Fonksiyon Yakınsaması Olarak Derin Öğrenme
Her Şey Bir Fonksiyon Olarak Düşünülebilir
Parametrik Yakınsama
Gradient Descent
Derin Öğrenme Kavramları
Batch
Epoch
Learning Rate
Linear Olmayan Fonksiyonlar
Derin Öğrenme Uygulamaları
NN Yapısı ile Regreson
NN ile Sınıflandırma
Derin Öğrenme Kavramları
Neden Verimizi Normalize Ederiz? Verimizi Aynı Uzaya Çekmek
Regularization
Loss Function vs Metric
Residual Block
Batch Normalization
Transfer Learning
Fine-tuning
Görüntü İşleme Temelleri
Resimlerin Bilgisayarda İfadesi: Grayscale, RGB
Resim Filtreleme Teknikleri: Smoothing, Sharpening, Edge Detection
Resim Dönüştürme Teknikleri: Scaling, Rotation, Translation
Görüntü İşlemede Veri Çoklama Teknikleri
Convolutional Neural Network (CNN)
Öğrenilebilir Filtre Mantığı
Çok Boyutlu Filtreler
Özellik Çıkarıcı Olarak Filtreler
Pooling, Stride, and Padding Kavramları
CNN’lerde Transfer Learning
Vision Transformers (ViT)
Attention Mekanizması
Vision Transformers Mimarisi
CNN ile Karşılaştırma
YOLO ile Object Detection
Model Mimarisi
Modeli için Veri Hazırlama
YOLO Fine-tuning
YOLO vs Faster R-CNN
YOLOv8 ile Resimlerde Object Detection
YOLOv8 ile Videolarda Object Detection
Obje Takibi
Duruş Tahmini
NLP Temelleri
NLP Nedir?
Tokenization
Lemmatization
Name Entity Recognition
Word2Vec
GloVe
Seq2Seq Yapısı
Sınıflandırma
Yazı Sınıflandırması Temelleri
Hangi Metrikler Kullanılabilir?
Word Embeddings
Konu Modelleme
RNN-LSTM
RNN Yapısı
Vanishing Gradient
LSTM Mantığı
RNN ve LSTM ile Özetleme ve Sınıflandırma
Transformers
Transformers Yapısı
Paralelleştirilebilir Mimari
NLP Problemlerinde Transformers Yapısının Kullanılması
Huggingface Transformers
Büyük Dil Modelleri (LLM)
LLM Temelleri
Kapalı vs Açık Kaynak Dil Modelleri
API ile Dil Modellerine Bağlanmak
Açık Kaynak Dil Modellerini Kendi Verimiz Üzerinde Eğitmek
YOLOv8 ve Açık Kaynak Dil Modellerini Birleştirerek Multimodal Bir Model Oluşturmak
Çalışan bir multimodal llm uygulamasının incelenmesi
Veri Görselleştirmenin Temelleri
Görsel Algı ve Veri Temsili
Uygun Görselleştirme Türlerini Seçme
Python ile Veri Görselleştirme
Python Kütüphaneleri Kullanımı (Matplotlib, Seaborn, Plotly)
Python ile İleri Düzey Görselleştirmeler Oluşturma
Tableau ile Veri Görselleştirme
Tableau'da Paneller ve Görsel Raporlar Tasarlama
Python Betiklerini Tableau ile Entegre Etme
Anlatı ve Hikaye Anlatımı
Etkili Veri Hikayesi Anlatım Teknikleri
Etkileyici Sunumlar Oluşturma
Veri Raporlamasının Temelleri
Hedef Kitle ve Amacı Anlama
Etkili Raporlar Yazma ve Yapılandırma
Python ile Veri Raporlama Teknikleri
Python Kütüphaneleri Kullanarak (Pandas, Matplotlib) Rapor Oluşturma
Python'ı Raporlama Araçlarıyla Entegre Etme
Etkileşimli Raporlama Araçları
Tableau'da Dinamik Paneller Oluşturma
Python Analizlerini Tableau Raporlarına Entegre Etme
Web Tabanlı Raporlama
Raporlama için Python Web framework'lerine Genel Bakış (Flask, Django)
Veri Raporlamasında Vaka Çalışmaları
Başarılı Veri Raporlarının Analizi
Yaygın Hatalar ve En İyi Uygulamalar
E-ticaret Sitesi için Kapsamlı Veri Raporlaması
Veri raporlama süreçlerinde LLM (büyük dil modelleri) araçlarının yeri ve gelecek tahmini
Teknolojilerin topladığı ve depoladığı verilerin zenginliği, dünya genelinde organizasyonların ve toplumların dönüşüme yönelik avantajlardan yararlanmasını sağlıyor.
Data Science Bootcamp Programı da geleceğin ihtiyaçlarına cevap verebileceğiniz, verileri analiz etmek için strateji geliştirme; verileri analiz için hazırlama; verileri keşfetme, görselleştirme; Python programlama dilini kullanarak verilerle birlikte modeller oluşturma, uygulama ve yazılımlara dağıtarak işlemenize imkan sağlayacak bir programdır.
Veri Edinimine Giriş
Veri Biliminde Veri Ediniminin önemi
Karar Alma Sürecinde Verinin Rolü
Veri Kaynakları
Veritabanları ve Veri Ambarları
API'lar ve Çevrimiçi Veri Depoları
Web Kazıma Temelleri
IoT Cihazları ve Algılayıcılar
Kamu ve Özel Anketler
Otomatik Veri Toplama
Otomasyon için Araçlar (Python Scriptleri, R Scriptleri)
Veri Toplama İşlerinin Planlanması ve Yönetimi
Veri Ediniminde İyi Uygulamalar ve Etik
Gizlilik Endişeleri ve Veri Hassasiyeti
Veri Toplamanın Hukuki Boyutları
Veri Çıkarma Teknikleri
CSV
Excel
JSON ve XML: Ayrıştırma ve Çıkarma
Veritabanı Çıkarması: SQL Sorguları
Web Kazıma
HTML ve Web Yapısını Anlama
Web Kazımada Kullanılan Araçlar ve Kütüphaneler (BeautifulSoup, Selenium)
Dinamik İçerik ve JavaScript ile Yüklenen Verilerle Başa Çıkma
Web Kazımada Etik Hususlar
API Tabanlı Veri Çıkarma
RESTful API'larla Çalışma
Kimlik Doğrulama ve API Limitleri
API Yanıtlarının Ayrıştırılması
İleri Düzey Veri Çıkarma Konuları
Veri Çıkarmada Regular Expressions
Yapılandırılmamış Kaynaklardan Veri Çıkarma
Multimedya Kaynaklarından (Görüntüler, Videolar) Veri Çıkarma
Teknoloji Ticaret Sitelerinden Müşteri Geri Bildirim Analizi için Veri Çıkarma
Müşteri verilerini çeken hazır programlar ile Python’da yazılan çekme kodunun karşılıklı analizi
Veri Ambarının Temelleri
Veri Ambarı Kavramı ve Evrimi
Veri Ambarları ile Veritabanları Arasındaki Farklar
Tasarım ve Modelleme
Veri Modelleme İlkeleri
Star, Snowflake ve Galaxy Şemalarını Keşfetme
Boyutlu Veri Modelleri Tasarlama
Veri Normalizasyonu
Birinci Normal Form
İkinci Normal Form
Üçüncü Normal Form
Yüksek Mertebeli Normaller
ETL Süreçleri
Detaylı ETL Pipeline Tasarımı
ETL Araçları ve Teknikleri
Veri Entegrasyonu ve Dönüşüm Stratejileri
Uygulama Stratejileri
Yerinde vs. Bulut Tabanlı Çözümler
Farklı Ambarlama Çözümlerinin Vaka Çalışmaları
Ambar Yönetimi
Performans Optimizasyonu
Güvenlik, Yedekleme ve Felaket Kurtarma
Veri Ambarı Yönetimi
E-ticaret Verileri Analitiği için Veri Ambarı Tasarımı
Farklı veri modellerinin performans karşılaştırmaları ve avantaj, dezavantaj analizi
Veri Kalitesini Değerlendirme
Sorunları Tespit Edip Tanımlama
Veri Profillendirme Araçları ve Teknikleri
Temizleme Stratejileri
Yaygın Görülen Veri Kalite Sorunları ve Çözümleri
Veri Standardizasyonu Uygulamaları
Veri Temizleme Otomasyonu
Otomatik Temizleme Akışları Tasarlama
Veri Temizleme Araçlarının Kullanımı
E-ticaret Veri Sistemi İçin Veri Temizleme
Python’da yazılmış bir veri temizleme pipeline’ının baştan sona incelenmesi
Veri Hazırlama Temelleri
Versiyon Yönetimi
Veri Yaşam Döngüsü Kontrolü
ETL ve Hazırlama Entegrasyonu
Veri Akışını Optimize Etme
Hazırlama Teknolojileri ve Araçları
Karşılaştırmalı Analiz ve Seçim
Pratik Uygulamalar ve Vaka Çalışmaları
Büyük Veri için Veri Hazırlama
Büyük Veri Teknolojilerinde Veri Hazırlama Süreci
E-ticaret Müşteri Trendlerini Analiz Etmek için Veri Hazırlama
Otomatik veri hazırlama araçlarının analizi
Veri İşleme Temelleri
Farklı İşleme Türlerini Anlama
Veri İşleme Yaşam Döngüsü
Veri İşleme Teknolojileri
Toplu ve Akış İşleme Çerçeveleri
Optimizasyon Stratejileri
Veri İşlemede Verimlilik
Büyük Ölçekli Verileri İşleme Teknikleri
Gelişmiş İşleme Kavramları
Makine Öğrenimi Kullanarak İşleme
Olaya Dayalı ve Gerçek Zamanlı İşleme Teknikleri
E-ticaret Müşteri Deneyimi Geliştirme için Veri İşleme
Farklı veri işleme yöntemlerinin E-ticaret verileri üzerindeki hız analizi
Kümeleme ve Sınıflandırmanın Temelleri
Kümeleme Türleri: K-means, Hierarchical, DBSCAN
Sınıflandırma Tekniklerine Genel Bakış
Kümeleme Algoritmalarının Uygulanması
Popüler Kümeleme Teknikleriyle Pratik Uygulama
Kümeleme Performansının Değerlendirilmesi
Sınıflandırma Teknikleri ve Uygulamaları
Karar Ağaçları, Rastgele Ormanlar, SVM
Sınıflandırmada Sinir Ağları ve Derin Öğrenme
Kümeleme ve Sınıflandırmada İleri Konular
Ansambl Yöntemler
Boyut Azaltma Teknikleri (PCA, t-SNE)
IMDB Verileri Üzerinden İzleyici Segmentasyonu
Farklı kümeleme tekniklerinin avantajlı ve dezavantajlı olduğu konuların analizi
Veri Özetlemenin Anlaşılması
Veri Karmaşıklığını Azaltma Teknikleri
İş Zekası ve Raporlamada Önemi
Otomatik Özetleme Teknikleri
Metin Özetleme Algoritmaları
Görsel ve İstatistiksel Veri Özetleri
Veri Özetlemenin Uygulanması
Veri Özetleme Araçları (Tableau, Power BI)
Python
Veri Özetlemede Vaka Çalışmaları
Farklı Sektör Bağlamlarında Özetleme
IMDB Verileri ve Analizlerini Özetleme
Tabluau üzerinde çalışan bir özetleme sisteminin baştan sona analizi
Makine Öğrenmesi Nedir?
Hangi Durumlarda Başvurulur?
Klasik Programlamadan Farkları
Makine Öğrenmesi Çeşitleri
Denetimli, Denetimsiz ve Pekiştirmeli Öğrenme
Regresyon, Sınıflandırma ve Kümeleme Nedir?
Veriyi Bölmek
Train-validation-test split
Gerçek Hayata Uygun Veri Bölme Teknikleri
Error Kavramı
Regresyon için Error
Sınıflandırma için Error
Yanlı ve Yanlı Olmayan Error
Keşfedici Veri Analizine (EDA) Giriş
EDA'nın İlkeleri ve Amaçları
EDA için Araçlar ve Teknikler (R, Python, Tableau)
EDA Teknikleri
Görselleştirme Teknikleri
Tanımlayıcı İstatistikler ve Veri Profilleme
Doğrulayıcı Veri Analizi (CDA)
Hipotez Testi ve İstatistiksel Çıkarım
Keşfedici Analiz ile Karşılaştırma
EDA ve CDA'da Vaka Çalışmaları
Gerçek Dünya Uygulamaları
Araştırmada EDA ve CDA'nın Dengelenmesi
Emlak Sektörü Verilerinde Keşifsel Veri Analizi (EDA)
Model bazlı ve klasik istatistiksel yötemler kullanılarak yapılan EDA’ların karşılaştırılması
Regresyon Analizinin Temelleri
Regresyon Türleri: Lineer, Lojistik, Polinom
Regresyon Modellerinin Varsayımları ve Yorumlanması
Regresyon Modellerinin Uygulanması
Python Regresyon Analizi
Model Performansının Değerlendirilmesi
Gelişmiş Regresyon Teknikleri
Çok Değişkenli Regresyon Analizi
Doğrusal Olmayan ve Ridge/Lasso Regresyon
Yapay Sinir Ağlarıyla Regresyon
Regresyonun Gerçek Dünya Uygulamaları
Farklı Sektörlerde Vaka Çalışmaları
Regresyon Analizindeki Zorluklar ve Çözümler
Gayrimenkul Fiyatlandırması için Regresyon Analizi
Regresyon için en çok kullanılan modellerden olan ağaç bazlı modellerin genelleme sorunlarının incelenmesi ve neden analizi
Sınıflandırma Temelleri
Sınıflandırma Nedir?
Sınıflandırma Metrikleri (Accuracy, Precision, Recall, F1-Score)
Sınıflandırma Modellerinin Uygulanması
Logistic Regresyon
SVM
Ağaç Bazlı Modeller
Yapay Sinir Ağlarıyla Sınıflandırma
Sınıflandırma Teknikleri Kullanarak Ev Fiyat Segmentasyonu
Kümeleme ve sınıflandırma tekniklerinin karşılaştırması
Derin Öğrenme Temelleri
Evrensel Fonksiyon Yakınsaması Olarak Derin Öğrenme
Her Şey Bir Fonksiyon Olarak Düşünülebilir
Parametrik Yakınsama
Gradient Descent
Derin Öğrenme Kavramları
Batch
Epoch
Learning Rate
Linear Olmayan Fonksiyonlar
Derin Öğrenme Uygulamaları
NN Yapısı ile Regreson
NN ile Sınıflandırma
Derin Öğrenme Kavramları
Neden Verimizi Normalize Ederiz? Verimizi Aynı Uzaya Çekmek
Regularization
Loss Function vs Metric
Residual Block
Batch Normalization
Transfer Learning
Fine-tuning
Görüntü İşleme Temelleri
Resimlerin Bilgisayarda İfadesi: Grayscale, RGB
Resim Filtreleme Teknikleri: Smoothing, Sharpening, Edge Detection
Resim Dönüştürme Teknikleri: Scaling, Rotation, Translation
Görüntü İşlemede Veri Çoklama Teknikleri
Convolutional Neural Network (CNN)
Öğrenilebilir Filtre Mantığı
Çok Boyutlu Filtreler
Özellik Çıkarıcı Olarak Filtreler
Pooling, Stride, and Padding Kavramları
CNN’lerde Transfer Learning
Vision Transformers (ViT)
Attention Mekanizması
Vision Transformers Mimarisi
CNN ile Karşılaştırma
YOLO ile Object Detection
Model Mimarisi
Modeli için Veri Hazırlama
YOLO Fine-tuning
YOLO vs Faster R-CNN
YOLOv8 ile Resimlerde Object Detection
YOLOv8 ile Videolarda Object Detection
Obje Takibi
Duruş Tahmini
NLP Temelleri
NLP Nedir?
Tokenization
Lemmatization
Name Entity Recognition
Word2Vec
GloVe
Seq2Seq Yapısı
Sınıflandırma
Yazı Sınıflandırması Temelleri
Hangi Metrikler Kullanılabilir?
Word Embeddings
Konu Modelleme
RNN-LSTM
RNN Yapısı
Vanishing Gradient
LSTM Mantığı
RNN ve LSTM ile Özetleme ve Sınıflandırma
Transformers
Transformers Yapısı
Paralelleştirilebilir Mimari
NLP Problemlerinde Transformers Yapısının Kullanılması
Huggingface Transformers
Büyük Dil Modelleri (LLM)
LLM Temelleri
Kapalı vs Açık Kaynak Dil Modelleri
API ile Dil Modellerine Bağlanmak
Açık Kaynak Dil Modellerini Kendi Verimiz Üzerinde Eğitmek
YOLOv8 ve Açık Kaynak Dil Modellerini Birleştirerek Multimodal Bir Model Oluşturmak
Çalışan bir multimodal llm uygulamasının incelenmesi
Veri Görselleştirmenin Temelleri
Görsel Algı ve Veri Temsili
Uygun Görselleştirme Türlerini Seçme
Python ile Veri Görselleştirme
Python Kütüphaneleri Kullanımı (Matplotlib, Seaborn, Plotly)
Python ile İleri Düzey Görselleştirmeler Oluşturma
Tableau ile Veri Görselleştirme
Tableau'da Paneller ve Görsel Raporlar Tasarlama
Python Betiklerini Tableau ile Entegre Etme
Anlatı ve Hikaye Anlatımı
Etkili Veri Hikayesi Anlatım Teknikleri
Etkileyici Sunumlar Oluşturma
Veri Raporlamasının Temelleri
Hedef Kitle ve Amacı Anlama
Etkili Raporlar Yazma ve Yapılandırma
Python ile Veri Raporlama Teknikleri
Python Kütüphaneleri Kullanarak (Pandas, Matplotlib) Rapor Oluşturma
Python'ı Raporlama Araçlarıyla Entegre Etme
Etkileşimli Raporlama Araçları
Tableau'da Dinamik Paneller Oluşturma
Python Analizlerini Tableau Raporlarına Entegre Etme
Web Tabanlı Raporlama
Raporlama için Python Web framework'lerine Genel Bakış (Flask, Django)
Veri Raporlamasında Vaka Çalışmaları
Başarılı Veri Raporlarının Analizi
Yaygın Hatalar ve En İyi Uygulamalar
E-ticaret Sitesi için Kapsamlı Veri Raporlaması
Veri raporlama süreçlerinde LLM (büyük dil modelleri) araçlarının yeri ve gelecek tahmini
Program Mezunları Eğitim Sonunda Hangi İşlere Başvurabilirler?
Program mezunları aşağıda belirtilen pozisyonlar için gerekli olan yetkinlikleri kazanmış olacaklardır.
1.Veri Ambarı Uzmanı/ Datawarehouse Specialist
2.İş Zekası Danışmanı/Uzmanı
3.Veri Bilimci/Data Scientist
4.Yazılım Analisti/ Test Uzmanı
5. Veri Mimarı/ Data Architect
6.Makine Öğrenmesi Mühendisi/ Machine Learning Engineer
7.Infrastructure Architect/ IT Altyapı Çözüm Uzmanı
Data Science, içinde birçok uzmanlık gerektiren disiplini barındırmaktadır. Önde gelen global şirketler, data yönetimi ile ilgili farklı yeteneklere sahip uzmanlarla çalışıyor.
Veri yönetimi konusu şirketlerin pazarlama, müşteri deneyimi, iş geliştirme, yazılım geliştirme, iş zekası ve diğer faaliyetlerinde önemli rol oynuyor.
Hem Türkiye'de hem de global çapta uzman açığı sürekli artmakta. Gartner tarafından açıklanan birçok raporda Data Science kavramının AI ve Big Data kavramlarıyla beraber sürekli yükselen bir trend izlediğini görüyoruz. Bu da geleceğin profesyonel dünyasında yer almak için doğru bir yolda olduğunuzu gösteriyor.
Yapılandırılmamış ve yapılandırılmış verilerle ilgilenen Data Scientist, veri temizleme, hazırlama ve analiz ile ilgili her şeyi içeren görevleri yerine getirmek ve takip etmekle ilgilidir.
Veri Bilimi, istatistik, matematik, programlama, problem çözme, verileri ustaca bir şekilde yakalama, olaylara farklı şekilde bakabilme ve verileri temizleme, hazırlama ve hizalama işlerini bir fiil yürütür.
Basit bir ifadeyle, verilerden içgörü ve bilgi elde etmeye çalışan kişidir.
Program süresince bir Data Scientist'in iş tanımı içinde geçen aşağıdaki 5 farklı yeteneğin geliştirilmesi amaçlanmıştır.
Capture, (data acquisition, data entry, signal reception, data extraction);
Maintain (data warehousing, data cleansing, data staging, data processing, data architecture);
Process (data mining, clustering/classification, data modeling, data summarization);
Analyze (exploratory/confirmatory, predictive analysis, regression, text mining, qualitative analysis);
Communicate (data reporting, data visualization, business intelligence, decision making)
Programda öğreneceğiniz bilgiler ve gerçekleştireceğiniz uygulamalar Data Science alanında global standartlardadır. Dev teknoloji şirketlerinin kullandıkları programlama dilleri ve teknik uygulamalar dikkate alınarak gerçekleştirilen bu programda elde edeceğiniz bilgiler size ülkemiz dışındaki iş fırsatlarını da değerlendirebilme imkanı sunacaktır.
Eğitimin tamamı uygulamalıdır. Her eğitim konusunda bazı temel kavramların paylaşılmasından sonra katılımcılara verilecek yönlendirmelerle uygulama aşamasına geçilecektir.
Program sonunda eğitim çıktısının değerlendirilmesi amaçlı proje uygulaması yapılacaktır. Gerçekleştirdiğiniz proje değerlendirilerek, sertifikalandırılacaktır.
Eğitiminizin başladığı hafta itibariyle ilgili materyal paylaşımları gerçekleştirilecektir.
Programa şahsi bilgisayarınızla katılmanız gerekmektedir. Eğitim saatleri dışında da yapmanız gereken uygulamalar konusunda yönlendirmeler yapılacaktır. Bilgisayar modeli zorunluluğu yoktur.
Programda %70 devam koşulu bulunmaktadır. Devam zorunluluğunu yerine getiren katılımcılar sertifika almaya hak kazanacaktır.
Eğitim sonunda gerçekleştirilen proje çalışmasında başarılı sayılan katılımcılar Mindset Institute onaylı Uzmanlık Sertifikası almaya hak kazanacaktır.
Proje çalışmasına katılmayan veya proje çalışmasından başarılı sayılmayan katılımcılar Mindset Institute onaylı Katılım Sertifikası almaya hak kazanacaktır.
Kayıt işlemlerinizi online sistem üzerinden tamamlayabilirsiniz. Online ödeme sistemi 7/24 hizmet vermektedir.
Üyelik oluşturarak giriş yaptıktan sonra farklı ödeme seçeneklerinden sizin için en uygun olanı seçebilir ve satın alma işleminizi tamamlayabilirsiniz.
Satın alma işlemini tamamladığınızda kaydınız gerçekleşir ve tarafınıza gerekli evraklarla ilgili bilgilendirme maili gönderilir.
Eğitim programı, kurumların farklı ihtiyaçları ve gelişim hedefleri doğrultusunda yeniden tasarlanarak uygulanabilmektedir.
Kurumunuza yönelik talebi iletmek için aşağıda yer alan kurumsal eğitim başvurusu formunu doldurabilir, sizin için en uygun teklifi alabilirsiniz.
Şimdi kendin veya şirketin için eğitim planla
Fiyat, ödeme koşulları, eğitim konularının detaylı bilgisi için form doldurun
