Eğitimler
Eğitim takvimi Workshop Takvimi

Eğitimle ilişkili veya kullanılacak teknolojiler.

Python Mysql Numpy pandas jupyter
Veri Bilimi Bootcamp Programı 27. Dönem
Eğitim süresince uygulanacak proje tabanlı ve uygulamalı derslerle sektörün ihtiyaç duyduğu tüm kritik becerilere sahip ol.
EĞİTİM DETAYLARI
Kalan Kontenjan 17 / 25
25 MART 2024
Hafta İçi / Hafta Sonu
6 Ay
Online Eğitim

Uzaktan Eğitim

Canlı Sınıf

KAYIT VE ÖDEME DETAYLARI
Fiyat, ödeme koşulları, eğitim konularının detaylı bilgisi için form doldurun

Tüm sorularınız için : 444 1 476 veya info@mindset.com.tr

DÖNEM
TARİH
GÜNLER
SAAT
KONTENJAN
NAKİT FİYATI / KREDİ KARTI
27. Dönem
25.03.2024
Hafta İçi / Hafta Sonu
6 Ay
25 / 17

Fiyatı görmek için formu doldurun

Veri Bilimi Bootcamp Programı 27. Dönem

444 1 476
Gelecek kariyeriniz burada başlıyor. Mindset Deneyimi ve Güvencesiyle
Data Science Bootcamp Programı
Bire bir mentorluk
Uzman bir data scientist ile eşleşin. Gerçek bir profesyonelle gelişiminizi takip edin.
Uygulayarak Öğrenin
Sektörün ihtiyacına göre güncel konulardan seçilmiş projeler geliştirin. Öğrendiklerinizi hemen uygulayarak bütün yönleriyle keşfedin.
Uzmanlaşma
Mindset'in güncel ve kapsamlı eğitim içeriği katılımcıları rekabetçi pazarlara hazırlar. Sizi farklı kılacak, disiplinlerarası beceri seti geliştirmenizi destekler. Bire bir mentor ve eğitmen desteği ile zorlandığınız her konuyu çözüme kavuşturarak ilerleyin.
Kariyer Koçluğu
Size özel atanan kariyer planlama uzmanı sizi yakından tanır, kariyer hedeflerinize uygun en doğru planlamayı yapar. Sizinle birebir çalışır. Ayrıca bir iş arama stratejisi oluşturmak, başvuru materyallerinizin tasarımı konusunda destekler.
EĞİTİM İÇERİĞİ

Genel Bilgi

Data Science Bootcamp ile sektör ihtiyaçlarında uzmanlaş, geleceğine yön ver. Uzman eğitmen ve mentorlerin rehberliğinde proje tabanlı eğitim modeli ile sektörün ihtiyaç duyduğu tüm kritik becerilere sahip ol.

Genel Bilgi
Python'a Giriş

Python Genel Bakış

Python'un Veri Bilimindeki Yeri
Neden bu kadar popüler?

Python Ortamının Kurulması

Python Kurulumu ve Geliştirme Ortamının Ayarlanması
Python IDE'lerine (Entegre Geliştirme Ortamları) Giriş

Python Temelleri

Python Sözdizimi ve Temel Yapıları

Temel Sözdizimi
Veri Tipleri
Değişkenler
Operatörler ve İfadeler
fstring

Kontrol Yapıları

Koşullu İfadeler (if, elif, else)
Döngüler (for, while) ve İterasyon Teknikleri

Fonksiyonlar ve Modüller

Fonksiyon Yazımı ve Kapsam Anlayışı
Modüllerin Kullanılması ve Oluşturulması

Veri Yapıları

List
Tuple
Set
Dictionary
Collections

Orta Seviye Python

Nesne Tabanlı Programlama

Sınıflar ve Nesneler
Kalıtım, Kapsülleme ve Polimorfizm

Hata ve İstisna Yönetimi

Try, Except Blokları

Dosya İşleme

Dosya Okuma ve Yazma
Farklı Dosya Formatları ile Çalışma (txt, csv, json)

NumPy'a Giriş

NumPy'a Genel Bakış

NumPy'nin Veri Bilimindeki Önemi
NumPy Kurulumu ve Ayarları

NumPy Dizileri ve Avantajları

NumPy Array ile Python Listelerini Karşılaştırma
NumPy Array Oluşturma, Dizi Özellikleri

 

 

NumPy ile Temel İşlemler

Dizi İşlemleri ve Manipülasyonlar

Temel Array İşlemleri: Toplama, Çıkarma, Çarpma
Reshape
Transpose
Flatten

İndeksleme ve Dilimleme

Basit İndeksleme ve Dilimleme Teknikleri
Boolean ve ileri İndeksleme

NumPy'da Veri Tiplerini Anlama

Veri Tipleri ve Array Tipleri
Tür Dönüşümü ve Atama

İleri NumPy Özellikleri

Broadcasting ve Vektörleştirme

Broadcasting ve Vektörleştirme Kavramları
Pratik Uygulamalar ve Örnekler

Matematiksel Fonksiyonlar ve Hesaplamalar

Evrensel Fonksiyonlar (ufunc)
Matematiksel ve İstatistiksel Fonksiyonlar

NumPy'da Lineer Cebir

Matris İşlemleri ve Lineer Denklemler
Özdeğerler, Özvektörler ve Matris Ayrıştırması

Gerçek Verilerle Çalışma

NumPy ile Veri Yükleme ve Kaydetme

Dosyalardan Veri Okuma
Broadcasting Dosyalara Kaydetme

Eksik Verilerle Başa Çıkma ve Temizlik

NaN ve Inf ile Başa Çıkma
NumPy ile Veri Temizleme Teknikleri

Pratik Örnekler ve Vaka Çalışmaları

NumPy Kullanarak Gerçek Dünya Veri Manipülasyonu

Performans Karşılaştırmaları ve Verimlilik İpuçları

 

 

 

 

Pandas'a Giriş

Pandas'a Genel Bakış

Pandas'ın Veri Bilimindeki Önemi

Pandas'ın Kurulumu ve Ayarlanması

Pandas Veri Yapıları

Seri ve DataFrame'leri Anlama

Seri ve DataFrame'ler Oluşturma ve Bunlarla Çalışma

Temel Veri İşleme

Veri İçe Aktarma ve Dışa Aktarma

Çeşitli Kaynaklardan Veri Okuma (CSV, Excel, SQL)

Farklı Formatlara Veri Dışa Aktarma

Veri İndeksleme ve Seçimi

Temel İndeksleme, Etiket Tabanlı ve Konum Tabanlı Seçim

İleri İndeksleme Teknikleri (loc, iloc)

Veri Temizleme ve Hazırlama

Eksik Verilerle Başa Çıkma

Veri Temizleme Fonksiyonları (fillna, dropna, replace)

Pandas ile Veri Manipülasyonu

Veri Dönüştürme ve Filtreleme

Fonksiyon Uygulama: map, apply, applymap
Koşullu Seçim ve Filtreleme

Gruplama ve Toplama

GroupBy Mekanikleri
Veri Toplama ve Özetleme

Veri Birleştirme ve Bağlama

Veri Ekleme ve Birleştirme
Merge ve Join İşlemleri

 

İleri Pandas Özellikleri

Pandas'ta Zaman Serisi Verileri

Zaman Serisi Temelleri
Yeniden Örnekleme, Kaydırma ve Pencereleme

Kategorik Veriler

Kategorik Verilerle Çalışma
Performans Yönleri ve En İyi Uygulamalar

Pivot Tablolar ve Çapraz Tabülasyon

Pivot Tablolar Oluşturma
Veri Analizi için Çapraz Tabülasyon

Büyük Veri Kümeleriyle Çalışma

Pandas'ta Büyük Veri Kümeleriyle Çalışma

Büyük Verilerle Çalışma Teknikleri
Bellek Optimizasyonu İpuçları

Pandas ile Veri Görselleştirme

Pandas ile Temel Çizim
Gelişmiş Görselleştirme için Matplotlib ve Seaborn ile Entegrasyon

Gerçek Dünya Uygulamaları

Pandas Kullanarak Vaka Çalışmaları

Gerçek Dünya Veri Manipülasyonu ve Analiz Örnekleri
Sektöre Özgü Uygulamalar

Matplotlib'e Giriş

Matplotlib Genel Bakış

Matplotlib kurulum

Çizim Çeşitleri

Line Plot
Plotting More Than One Graph in a Plot
Creating Legend
Changing Style of a Plot
Bar Plot
Pie Chart
Stack Plot
Line Plot with Area Filling
Histogram
Scatter Plot

İleri Matplotlib

Subplot mantığı

Veri Edinimi ve Çıkartma

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

UYGULAMA / PROJE:

Teknoloji Ticaret Sitelerinden Müşteri Geri Bildirim Analizi için Veri Çıkarma

Amaç: Teknolojik satış yapan işletme için çeşitli platformlardan müşteri geri bildirimlerini çeken ve analiz eden bir araç geliştirmek.

Detaylar

Veri Kaynakları: Amazon gibi çevrimiçi perakende platformları ve ürün inceleme siteleri.
Uygulama: Python NLTK, matplotlib ile görselleştirme.

VAKA ANALİZİ:

Müşteri verilerini çeken hazır programlar ile Python’da yazılan çekme kodunun karşılıklı analizi.

Veri Girişi

Manuel Veri Girişi Teknikleri

Verimli Veri Girişi için Araçlar
İnsan Hatasını En Aza İndirme Stratejileri

Otomatik Veri Girişi Çözümleri

Optik Karakter Tanıma (OCR)
Form ve Anket Otomasyon Araçları

Veri Doğrulama ve Kalite Kontrolü

Veri Doğruluğunu Sağlama Teknikleri
Veri Doğrulama Araçları

UYGULAMA / PROJE:

E-ticaret Kataloğu için Veri Girişi Otomasyonu

Amaç: E-ticaret platformu için katalog yönetimine odaklanarak otomatik bir veri giriş sistemi oluşturmak.

Detaylar

Veri Kaynakları: Üreticilerin siteleri ve elektronik ürün inceleme siteleri.

Uygulama: Dinamik içerikler için Python ile Selenium ve statik sayfalar için Beautiful Soup.

VAKA ANALİZİ:

Farklı sektörlerde kaydedilmesi istenilen verilerin otomatik kaydedilme süreçlerinin analizi ve karşılaştırmaları.

Veri Ambarı

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

UYGULAMA / PROJE:

E-ticaret Verileri Analitiği için Veri Ambarı Tasarımı

Amaç: E-ticaret verileri için satış ve müşteri davranışlarının analiz edileceği bir veri ambarı geliştirmek.

Detaylar

Veri Modelleri: Perakende verilerine uygun olan Star, Snowflake gibi şemaların kullanımı

Uygulama: SQL ile veri tabanının yönetimi.

VAKA ANALİZİ:

Farklı veri modellerinin performans karşılaştırmaları ve avantaj, dezavantaj analizi.

Veri Temizleme

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

UYGULAMA / PROJE:

E-ticaret Veri Sistemi İçin Veri Temizleme

Amaç: Pazarlama içgörüleri elde etmek için sosyal medya veri kümelerine veri temizleme süreci uygulamak.

Detaylar

Temizleme Stratejileri: Yapılandırılmamış sosyal medya verileri için standardizasyon ve düzeltme yöntemlerinin geliştirilmesi.

Uygulama: Python pandas kütüphanesi kullanılarak veri manipülasyonu.

VAKA ANALİZİ:

Python’da yazılmış bir veri temizleme pipeline’ının baştan sona incelenmesi.

Veri Hazırlama

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

UYGULAMA / PROJE:

E-ticaret Müşteri Trendlerini Analiz Etmek için Veri Hazırlama

Amaç: Tüketici elektroniği pazar trendlerini analiz etmek için verileri hazırlamak ve işlemek.

Detaylar

ETL Entegrasyonu: Teknik bloglar ve çeşitli web sitelerinden gelen veri akışlarını sisteme uygun şekilde dönüşümünün sağlanması.

Uygulama: Python ve Apache Spark.

VAKA ANALİZİ:

Otomatik veri hazırlama araçlarının analizi.

Veri İşleme

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

UYGULAMA / PROJE:

E-ticaret Müşteri Deneyimi Geliştirme için Veri İşleme

Amaç: Bir e-ticaret platformu için müşteri deneyimi içgörülerini geliştirecek bir veri işleme sistemi kurmak.

Detaylar

Veri İşleme Tipleri: Çeşitli veri türleri için hem toplu hem de akış işleme sistemlerinin kurulması.

Ölçeklenebilirlik: Kullanıcı davranışı verilerini işlemek için ölçeklenebilir çözümler üretmek.

VAKA ANALİZİ:

Farklı veri işleme yöntemlerinin E-ticaret verileri üzerindeki hız analizi.

Veri Madenciliği

Veri Madenciliğine Giriş

Veri Madenciliği Kavramları ve Evrimi
Veri Madenciliği ile Geleneksel İstatistiksel Yöntemler Arasındaki Farklar

Veri Madenciliği Teknikleri

Association Rule Mining
Sequential Pattern Mining
Anomaly Detection

Veri Madenciliği Süreçleri

CRISP-DM Framework
Ön İşleme ve Veri Hazırlama

Veri Madenciliği için Araçlar ve Yazılımlar

WEKA, RapidMiner Gibi Araçların Kullanımı
Veri Madenciliğinde Python ve R

Veri Madenciliğinde Vaka Çalışmaları

Gerçek Dünya Uygulamaları
Veri Madenciliğinde Etik Hususlar

UYGULAMA / PROJE:

IMDB Verileri Üzerinden Veri Madenciliği

Amaç: IMDB verilerinde paternler ve içgörüler ortaya çıkarmak için verimize veri madenciliği araçlarını uygulamak.

Detaylar

Veri Madenciliği Teknikleri: Association rule mining, sequential pattern mining ve anomaly detection araçlarının verimize uygulanması.

Araçlar: Python.

VAKA ANALİZİ:

Günümüzde hala, klasik veri madenciliğinin gelişmiş makine öğrenmesi modellerinden fazla kullanıldığı alanların tespit ve analizi.

Kümeleme ve Sınıflandırma

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)

Pratik Vaka Çalışmaları

Sektöre Özgü Uygulamalar
Gerçek Dünya Senaryolarındaki Zorluklar

UYGULAMA / PROJE:

IMDB Verileri Üzerinden İzleyici Segmentasyonu

Amaç: IMDB izleyici verileri üzerinden farklı izleyici gruplarının analizi için izleyici segmentlerinin oluşturulması.

Detaylar

Modelleme Teknikleri: K-means, Hierarchical Clustering gibi modeller.

Araçlar: Python.

VAKA ANALİZİ:

Farklı kümeleme tekniklerinin avantajlı ve dezavantajlı olduğu konuların analizi.

Veri Özetleme

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 ve R

Veri Özetlemede Vaka Çalışmaları

Farklı Sektör Bağlamlarında Özetleme 

UYGULAMA / PROJE:

IMDB Verileri ve Analizlerini Özetleme

Amaç: IMDB verilerinde yaptığımız analizleri özetleme sürecini oluşturmak.

Detaylar

Özetleme Teknikleri: Metin özetleme algoritmaları ve görsel/istatistiksel veri özetleme araçları.

Araçlar: Görsel özetler için Tableau veya Power BI; istatistiksel analiz için Python

VAKA ANALİZİ:

Tabluau üzerinde çalışan bir özetleme sisteminin baştan sona analizi.

Makine Öğrenmesi Temelleri

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 ve Doğrulayıcı Analiz

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

UYGULAMA / PROJE:

Emlak Sektörü Verilerinde Keşifsel Veri Analizi (EDA)

Amaç: Tüketici davranış kalıplarını ve ev fiyatlarının farklı değişkenlerle etkileşimini anlamak için keşifsel veri analizi yapmak.

Detaylar

EDA Teknikleri: Görselleştirme teknikleri ve betimsel istatistikleri kullanımı.

Araçlar: Python

VAKA ANALİZİ:

Model bazlı ve klasik istatistiksel yötemler kullanılarak yapılan EDA’ların karşılaştırılması.

Regresyon Analizi

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

UYGULAMA / PROJE:

Gayrimenkul Fiyatlandırması için Regresyon Analizi

Amaç: Gayrimenkul fiyatlarını tahmin etmek için regresyon analizi uygulamak.
Detaylar
Regresyon Tipleri: Lineer, lojistik ve polinom regresyon. İleri Teknikler: Çok değişkenli analiz ve doğrusal olmayan regresyon modelleri.
Araçlar: Python

VAKA ANALİZİ:

Regresyon için en çok kullanılan modellerden olan ağaç bazlı modellerin genelleme sorunlarının incelenmesi ve neden analizi.

Sınıflandırma Teknikleri

Sınıflandırma Temelleri

Sınıflandırma nedir?
Sınıflandırma Metrikleri (Accuracy, Precision, Recall, F1-Score)

Sınıflandırma Modellerinin Uygulanması

Logistic Regresyon
SVM
Ağaç Bazlı modeller
Yapay sinir ağlarıyla sınıflandırma

UYGULAMA / PROJE:

Sınıflandırma Teknikleri Kullanarak Müşteri Segmentasyonu

Amaç: Ev fiyat segmentasyonu tahmini için sınıflandırma teknikleri kullanmak.

Detaylar

Sınıflandırma Tipleri: Lineer, lojistik ve polinom regresyon.

İleri Teknikler: Lojistik regresyon, SVM, ağaç tabanlı modeller ve sinir ağlarını

Araçlar: Python

VAKA ANALİZİ:

Kümeleme ve sınıflandırma tekniklerinin karşılaştırması.

Modeli Canlıya Alma (Model Deployment)

Sanal Ortam Kurulumu

Local Env oluşturmak
Dependency management

Model Kullanımı

Pre-trained modelleri projemize dahil etmek
Modeli verimiz üzerinde özel olarak eğitmek (fine-tuning)

Git-Github

Commit
Comment
Branches
Merge
Pulling
Pushing

Projemiz İçin API Oluşturmak

API nedir?
Projemiz için API tasarımı
FastAPI

Docker ve Kubernetes

Docker nedir?
Docker container mantığı?
Projemiz için docker container oluşturmak
Kubernetes ve KubeFlow

UYGULAMA / PROJE:

Ev Fiyat Tahmini Web Uygulaması

Amaç: Ev Fiyat Tahmini Modelinin Web Üzerinde Çalışan Uygulamasının Geliştrilmesi
Detaylar
Teknolojiler: Python, Docker, FastAPI 

VAKA ANALİZİ:

Web üzerinden çalışan tahmin modelinin performans incelemesi.

Derin Öğrenmeye Giriş

Derin Öğrenme Temelleri

Evrensel fonksiyon yakınsaması olarak derin öğrenme

Her şey bir fonksiyon olarak düşünülebilir
Parametrik yakınsama
Gradient Descend

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

Görüntü İşleme Temelleri

Resimlerin bilgisayarda ifadesi: Grayscale, RGB
Resim filtreleme teknikleri: smoothing, sharpening, edge detection.
Resim dönüştürme teknikleri: Scaling, rotation, translation

Görüntü işlemede 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 Tranformers 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

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

UYGULAMA / PROJE:

YOLOv8 Kullanarak Trafik Analizi

Amaç: Belirlenen bölgelerde araç tespiti ve saatlere göre trafik analizi yapmak.
Detaylar
YOLOv8 Kullanımı: Verimizi YOLO modeline beslemek için hazırlamamız ve modelin canlıda hızlı çalıştığından emin olmamız gerekiyor..
Kullanılan Araçlar: Roboflow, YOLOv8 ve Python.

VAKA ANALİZİ:

Çalışan bir YOLOv8 modelinin performans ve yapabilirliklerinin incelenmesi.

Doğal Dil İşleme (NLP)

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 mantık
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

UYGULAMA / PROJE:

YOLOv8 ve Açık Kaynak Dil Modellerini Birleştirerek Multimodal Bir Model Oluşturmak

Amaç: Resim beslenebilen bir llm oluşturmak.
Detaylar
Modeller: Llama, Llava, YOLOv8

VAKA ANALİZİ:

Çalışan bir multimodal llm uygulamasının incelenmesi.

Veri Görselleştirme

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

UYGULAMA / PROJE:

E-ticaret Pazar Analizi için İleri Düzey Veri Görselleştirmesi

Amaç: Pazar eğilimlerini ve tüketici davranışlarını analiz etmek için ileri düzey veri görselleştirmeleri tasarlamak.

Detaylar

Görselleştirme Temelleri: Görsel algıyı ve veri temsilini anlamak; uygun görselleştirme türlerini seçme

Görselleştirme için Python: İleri düzey görselleştirmeler oluşturmak için Python kütüphaneleri (Matplotlib, Seaborn, Plotly) kullanmak.

Tableau Görselleştirmeleri: Tableau'da paneller ve görsel raporlar tasarlamak; Python betiklerini entegre etmek.

Anlatım ve Hikaye Anlatma: Etkili veri hikaye anlatımı ve etkileyici sunumlar için teknikler geliştirme

VAKA ANALİZİ:

Tableau gibi paket programlar ile programlama dilleri ile yapılan çizimlerin karşılaştırılması.

Veri Raporlaması

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 Çerçevelerine Genel Bakış (Flask,Django)

Veri Raporlamasında Vaka Çalışmaları

Başarılı Veri Raporlarının Analizi
Yaygın Hatalar ve En İyi Uygulamalar

UYGULAMA / PROJE:

E-ticaret Sitesi için Kapsamlı Veri Raporlaması

Amaç: Satışlar, müşteri demografikleri ve envanter yönetimini kapsayan bir satış zinciri için ayrıntılı bir veri raporlama sistemi geliştirmek.

Detaylar

Raporlama Temelleri: Raporların hedef kitlesini ve amacını anlamak; raporları etkili bir şekilde yapılandırmak ve yazmak.

Python Teknikleri: Rapor oluşturma için Pandas ve Matplotlib gibi Python kütüphanelerini kullanmak; Python'ı diğer raporlama araçlarıyla entegre etmek.

Etkileşimli Raporlama Araçları: Tableau'da dinamik paneller oluşturmak ve Python analizlerini entegre etmek.

VAKA ANALİZİ:

Veri raporlama süreçlerinde LLM (büyük dil modelleri) araçlarının yeri ve gelecek tahmini.

Genel Bilgi

Data Science Bootcamp ile sektör ihtiyaçlarında uzmanlaş, geleceğine yön ver. Uzman eğitmen ve mentorlerin rehberliğinde proje tabanlı eğitim modeli ile sektörün ihtiyaç duyduğu tüm kritik becerilere sahip ol.

Python'a Giriş

Python Genel Bakış

Python'un Veri Bilimindeki Yeri
Neden bu kadar popüler?

Python Ortamının Kurulması

Python Kurulumu ve Geliştirme Ortamının Ayarlanması
Python IDE'lerine (Entegre Geliştirme Ortamları) Giriş

Python Temelleri

Python Sözdizimi ve Temel Yapıları

Temel Sözdizimi
Veri Tipleri
Değişkenler
Operatörler ve İfadeler
fstring

Kontrol Yapıları

Koşullu İfadeler (if, elif, else)
Döngüler (for, while) ve İterasyon Teknikleri

Fonksiyonlar ve Modüller

Fonksiyon Yazımı ve Kapsam Anlayışı
Modüllerin Kullanılması ve Oluşturulması

Veri Yapıları

List
Tuple
Set
Dictionary
Collections

Orta Seviye Python

Nesne Tabanlı Programlama

Sınıflar ve Nesneler
Kalıtım, Kapsülleme ve Polimorfizm

Hata ve İstisna Yönetimi

Try, Except Blokları

Dosya İşleme

Dosya Okuma ve Yazma
Farklı Dosya Formatları ile Çalışma (txt, csv, json)

NumPy'a Giriş

NumPy'a Genel Bakış

NumPy'nin Veri Bilimindeki Önemi
NumPy Kurulumu ve Ayarları

NumPy Dizileri ve Avantajları

NumPy Array ile Python Listelerini Karşılaştırma
NumPy Array Oluşturma, Dizi Özellikleri

 

 

NumPy ile Temel İşlemler

Dizi İşlemleri ve Manipülasyonlar

Temel Array İşlemleri: Toplama, Çıkarma, Çarpma
Reshape
Transpose
Flatten

İndeksleme ve Dilimleme

Basit İndeksleme ve Dilimleme Teknikleri
Boolean ve ileri İndeksleme

NumPy'da Veri Tiplerini Anlama

Veri Tipleri ve Array Tipleri
Tür Dönüşümü ve Atama

İleri NumPy Özellikleri

Broadcasting ve Vektörleştirme

Broadcasting ve Vektörleştirme Kavramları
Pratik Uygulamalar ve Örnekler

Matematiksel Fonksiyonlar ve Hesaplamalar

Evrensel Fonksiyonlar (ufunc)
Matematiksel ve İstatistiksel Fonksiyonlar

NumPy'da Lineer Cebir

Matris İşlemleri ve Lineer Denklemler
Özdeğerler, Özvektörler ve Matris Ayrıştırması

Gerçek Verilerle Çalışma

NumPy ile Veri Yükleme ve Kaydetme

Dosyalardan Veri Okuma
Broadcasting Dosyalara Kaydetme

Eksik Verilerle Başa Çıkma ve Temizlik

NaN ve Inf ile Başa Çıkma
NumPy ile Veri Temizleme Teknikleri

Pratik Örnekler ve Vaka Çalışmaları

NumPy Kullanarak Gerçek Dünya Veri Manipülasyonu

Performans Karşılaştırmaları ve Verimlilik İpuçları

 

 

 

 

Pandas'a Giriş

Pandas'a Genel Bakış

Pandas'ın Veri Bilimindeki Önemi

Pandas'ın Kurulumu ve Ayarlanması

Pandas Veri Yapıları

Seri ve DataFrame'leri Anlama

Seri ve DataFrame'ler Oluşturma ve Bunlarla Çalışma

Temel Veri İşleme

Veri İçe Aktarma ve Dışa Aktarma

Çeşitli Kaynaklardan Veri Okuma (CSV, Excel, SQL)

Farklı Formatlara Veri Dışa Aktarma

Veri İndeksleme ve Seçimi

Temel İndeksleme, Etiket Tabanlı ve Konum Tabanlı Seçim

İleri İndeksleme Teknikleri (loc, iloc)

Veri Temizleme ve Hazırlama

Eksik Verilerle Başa Çıkma

Veri Temizleme Fonksiyonları (fillna, dropna, replace)

Pandas ile Veri Manipülasyonu

Veri Dönüştürme ve Filtreleme

Fonksiyon Uygulama: map, apply, applymap
Koşullu Seçim ve Filtreleme

Gruplama ve Toplama

GroupBy Mekanikleri
Veri Toplama ve Özetleme

Veri Birleştirme ve Bağlama

Veri Ekleme ve Birleştirme
Merge ve Join İşlemleri

 

İleri Pandas Özellikleri

Pandas'ta Zaman Serisi Verileri

Zaman Serisi Temelleri
Yeniden Örnekleme, Kaydırma ve Pencereleme

Kategorik Veriler

Kategorik Verilerle Çalışma
Performans Yönleri ve En İyi Uygulamalar

Pivot Tablolar ve Çapraz Tabülasyon

Pivot Tablolar Oluşturma
Veri Analizi için Çapraz Tabülasyon

Büyük Veri Kümeleriyle Çalışma

Pandas'ta Büyük Veri Kümeleriyle Çalışma

Büyük Verilerle Çalışma Teknikleri
Bellek Optimizasyonu İpuçları

Pandas ile Veri Görselleştirme

Pandas ile Temel Çizim
Gelişmiş Görselleştirme için Matplotlib ve Seaborn ile Entegrasyon

Gerçek Dünya Uygulamaları

Pandas Kullanarak Vaka Çalışmaları

Gerçek Dünya Veri Manipülasyonu ve Analiz Örnekleri
Sektöre Özgü Uygulamalar

Matplotlib'e Giriş

Matplotlib Genel Bakış

Matplotlib kurulum

Çizim Çeşitleri

Line Plot
Plotting More Than One Graph in a Plot
Creating Legend
Changing Style of a Plot
Bar Plot
Pie Chart
Stack Plot
Line Plot with Area Filling
Histogram
Scatter Plot

İleri Matplotlib

Subplot mantığı

Veri Edinimi ve Çıkartma

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

UYGULAMA / PROJE:

Teknoloji Ticaret Sitelerinden Müşteri Geri Bildirim Analizi için Veri Çıkarma

Amaç: Teknolojik satış yapan işletme için çeşitli platformlardan müşteri geri bildirimlerini çeken ve analiz eden bir araç geliştirmek.

Detaylar

Veri Kaynakları: Amazon gibi çevrimiçi perakende platformları ve ürün inceleme siteleri.
Uygulama: Python NLTK, matplotlib ile görselleştirme.

VAKA ANALİZİ:

Müşteri verilerini çeken hazır programlar ile Python’da yazılan çekme kodunun karşılıklı analizi.

Veri Girişi

Manuel Veri Girişi Teknikleri

Verimli Veri Girişi için Araçlar
İnsan Hatasını En Aza İndirme Stratejileri

Otomatik Veri Girişi Çözümleri

Optik Karakter Tanıma (OCR)
Form ve Anket Otomasyon Araçları

Veri Doğrulama ve Kalite Kontrolü

Veri Doğruluğunu Sağlama Teknikleri
Veri Doğrulama Araçları

UYGULAMA / PROJE:

E-ticaret Kataloğu için Veri Girişi Otomasyonu

Amaç: E-ticaret platformu için katalog yönetimine odaklanarak otomatik bir veri giriş sistemi oluşturmak.

Detaylar

Veri Kaynakları: Üreticilerin siteleri ve elektronik ürün inceleme siteleri.

Uygulama: Dinamik içerikler için Python ile Selenium ve statik sayfalar için Beautiful Soup.

VAKA ANALİZİ:

Farklı sektörlerde kaydedilmesi istenilen verilerin otomatik kaydedilme süreçlerinin analizi ve karşılaştırmaları.

Veri Ambarı

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

UYGULAMA / PROJE:

E-ticaret Verileri Analitiği için Veri Ambarı Tasarımı

Amaç: E-ticaret verileri için satış ve müşteri davranışlarının analiz edileceği bir veri ambarı geliştirmek.

Detaylar

Veri Modelleri: Perakende verilerine uygun olan Star, Snowflake gibi şemaların kullanımı

Uygulama: SQL ile veri tabanının yönetimi.

VAKA ANALİZİ:

Farklı veri modellerinin performans karşılaştırmaları ve avantaj, dezavantaj analizi.

Veri Temizleme

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

UYGULAMA / PROJE:

E-ticaret Veri Sistemi İçin Veri Temizleme

Amaç: Pazarlama içgörüleri elde etmek için sosyal medya veri kümelerine veri temizleme süreci uygulamak.

Detaylar

Temizleme Stratejileri: Yapılandırılmamış sosyal medya verileri için standardizasyon ve düzeltme yöntemlerinin geliştirilmesi.

Uygulama: Python pandas kütüphanesi kullanılarak veri manipülasyonu.

VAKA ANALİZİ:

Python’da yazılmış bir veri temizleme pipeline’ının baştan sona incelenmesi.

Veri Hazırlama

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

UYGULAMA / PROJE:

E-ticaret Müşteri Trendlerini Analiz Etmek için Veri Hazırlama

Amaç: Tüketici elektroniği pazar trendlerini analiz etmek için verileri hazırlamak ve işlemek.

Detaylar

ETL Entegrasyonu: Teknik bloglar ve çeşitli web sitelerinden gelen veri akışlarını sisteme uygun şekilde dönüşümünün sağlanması.

Uygulama: Python ve Apache Spark.

VAKA ANALİZİ:

Otomatik veri hazırlama araçlarının analizi.

Veri İşleme

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

UYGULAMA / PROJE:

E-ticaret Müşteri Deneyimi Geliştirme için Veri İşleme

Amaç: Bir e-ticaret platformu için müşteri deneyimi içgörülerini geliştirecek bir veri işleme sistemi kurmak.

Detaylar

Veri İşleme Tipleri: Çeşitli veri türleri için hem toplu hem de akış işleme sistemlerinin kurulması.

Ölçeklenebilirlik: Kullanıcı davranışı verilerini işlemek için ölçeklenebilir çözümler üretmek.

VAKA ANALİZİ:

Farklı veri işleme yöntemlerinin E-ticaret verileri üzerindeki hız analizi.

Veri Madenciliği

Veri Madenciliğine Giriş

Veri Madenciliği Kavramları ve Evrimi
Veri Madenciliği ile Geleneksel İstatistiksel Yöntemler Arasındaki Farklar

Veri Madenciliği Teknikleri

Association Rule Mining
Sequential Pattern Mining
Anomaly Detection

Veri Madenciliği Süreçleri

CRISP-DM Framework
Ön İşleme ve Veri Hazırlama

Veri Madenciliği için Araçlar ve Yazılımlar

WEKA, RapidMiner Gibi Araçların Kullanımı
Veri Madenciliğinde Python ve R

Veri Madenciliğinde Vaka Çalışmaları

Gerçek Dünya Uygulamaları
Veri Madenciliğinde Etik Hususlar

UYGULAMA / PROJE:

IMDB Verileri Üzerinden Veri Madenciliği

Amaç: IMDB verilerinde paternler ve içgörüler ortaya çıkarmak için verimize veri madenciliği araçlarını uygulamak.

Detaylar

Veri Madenciliği Teknikleri: Association rule mining, sequential pattern mining ve anomaly detection araçlarının verimize uygulanması.

Araçlar: Python.

VAKA ANALİZİ:

Günümüzde hala, klasik veri madenciliğinin gelişmiş makine öğrenmesi modellerinden fazla kullanıldığı alanların tespit ve analizi.

Kümeleme ve Sınıflandırma

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)

Pratik Vaka Çalışmaları

Sektöre Özgü Uygulamalar
Gerçek Dünya Senaryolarındaki Zorluklar

UYGULAMA / PROJE:

IMDB Verileri Üzerinden İzleyici Segmentasyonu

Amaç: IMDB izleyici verileri üzerinden farklı izleyici gruplarının analizi için izleyici segmentlerinin oluşturulması.

Detaylar

Modelleme Teknikleri: K-means, Hierarchical Clustering gibi modeller.

Araçlar: Python.

VAKA ANALİZİ:

Farklı kümeleme tekniklerinin avantajlı ve dezavantajlı olduğu konuların analizi.

Veri Özetleme

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 ve R

Veri Özetlemede Vaka Çalışmaları

Farklı Sektör Bağlamlarında Özetleme 

UYGULAMA / PROJE:

IMDB Verileri ve Analizlerini Özetleme

Amaç: IMDB verilerinde yaptığımız analizleri özetleme sürecini oluşturmak.

Detaylar

Özetleme Teknikleri: Metin özetleme algoritmaları ve görsel/istatistiksel veri özetleme araçları.

Araçlar: Görsel özetler için Tableau veya Power BI; istatistiksel analiz için Python

VAKA ANALİZİ:

Tabluau üzerinde çalışan bir özetleme sisteminin baştan sona analizi.

Makine Öğrenmesi Temelleri

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 ve Doğrulayıcı Analiz

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

UYGULAMA / PROJE:

Emlak Sektörü Verilerinde Keşifsel Veri Analizi (EDA)

Amaç: Tüketici davranış kalıplarını ve ev fiyatlarının farklı değişkenlerle etkileşimini anlamak için keşifsel veri analizi yapmak.

Detaylar

EDA Teknikleri: Görselleştirme teknikleri ve betimsel istatistikleri kullanımı.

Araçlar: Python

VAKA ANALİZİ:

Model bazlı ve klasik istatistiksel yötemler kullanılarak yapılan EDA’ların karşılaştırılması.

Regresyon Analizi

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

UYGULAMA / PROJE:

Gayrimenkul Fiyatlandırması için Regresyon Analizi

Amaç: Gayrimenkul fiyatlarını tahmin etmek için regresyon analizi uygulamak.
Detaylar
Regresyon Tipleri: Lineer, lojistik ve polinom regresyon. İleri Teknikler: Çok değişkenli analiz ve doğrusal olmayan regresyon modelleri.
Araçlar: Python

VAKA ANALİZİ:

Regresyon için en çok kullanılan modellerden olan ağaç bazlı modellerin genelleme sorunlarının incelenmesi ve neden analizi.

Sınıflandırma Teknikleri

Sınıflandırma Temelleri

Sınıflandırma nedir?
Sınıflandırma Metrikleri (Accuracy, Precision, Recall, F1-Score)

Sınıflandırma Modellerinin Uygulanması

Logistic Regresyon
SVM
Ağaç Bazlı modeller
Yapay sinir ağlarıyla sınıflandırma

UYGULAMA / PROJE:

Sınıflandırma Teknikleri Kullanarak Müşteri Segmentasyonu

Amaç: Ev fiyat segmentasyonu tahmini için sınıflandırma teknikleri kullanmak.

Detaylar

Sınıflandırma Tipleri: Lineer, lojistik ve polinom regresyon.

İleri Teknikler: Lojistik regresyon, SVM, ağaç tabanlı modeller ve sinir ağlarını

Araçlar: Python

VAKA ANALİZİ:

Kümeleme ve sınıflandırma tekniklerinin karşılaştırması.

Modeli Canlıya Alma (Model Deployment)

Sanal Ortam Kurulumu

Local Env oluşturmak
Dependency management

Model Kullanımı

Pre-trained modelleri projemize dahil etmek
Modeli verimiz üzerinde özel olarak eğitmek (fine-tuning)

Git-Github

Commit
Comment
Branches
Merge
Pulling
Pushing

Projemiz İçin API Oluşturmak

API nedir?
Projemiz için API tasarımı
FastAPI

Docker ve Kubernetes

Docker nedir?
Docker container mantığı?
Projemiz için docker container oluşturmak
Kubernetes ve KubeFlow

UYGULAMA / PROJE:

Ev Fiyat Tahmini Web Uygulaması

Amaç: Ev Fiyat Tahmini Modelinin Web Üzerinde Çalışan Uygulamasının Geliştrilmesi
Detaylar
Teknolojiler: Python, Docker, FastAPI 

VAKA ANALİZİ:

Web üzerinden çalışan tahmin modelinin performans incelemesi.

Derin Öğrenmeye Giriş

Derin Öğrenme Temelleri

Evrensel fonksiyon yakınsaması olarak derin öğrenme

Her şey bir fonksiyon olarak düşünülebilir
Parametrik yakınsama
Gradient Descend

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

Görüntü İşleme Temelleri

Resimlerin bilgisayarda ifadesi: Grayscale, RGB
Resim filtreleme teknikleri: smoothing, sharpening, edge detection.
Resim dönüştürme teknikleri: Scaling, rotation, translation

Görüntü işlemede 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 Tranformers 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

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

UYGULAMA / PROJE:

YOLOv8 Kullanarak Trafik Analizi

Amaç: Belirlenen bölgelerde araç tespiti ve saatlere göre trafik analizi yapmak.
Detaylar
YOLOv8 Kullanımı: Verimizi YOLO modeline beslemek için hazırlamamız ve modelin canlıda hızlı çalıştığından emin olmamız gerekiyor..
Kullanılan Araçlar: Roboflow, YOLOv8 ve Python.

VAKA ANALİZİ:

Çalışan bir YOLOv8 modelinin performans ve yapabilirliklerinin incelenmesi.

Doğal Dil İşleme (NLP)

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 mantık
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

UYGULAMA / PROJE:

YOLOv8 ve Açık Kaynak Dil Modellerini Birleştirerek Multimodal Bir Model Oluşturmak

Amaç: Resim beslenebilen bir llm oluşturmak.
Detaylar
Modeller: Llama, Llava, YOLOv8

VAKA ANALİZİ:

Çalışan bir multimodal llm uygulamasının incelenmesi.

Veri Görselleştirme

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

UYGULAMA / PROJE:

E-ticaret Pazar Analizi için İleri Düzey Veri Görselleştirmesi

Amaç: Pazar eğilimlerini ve tüketici davranışlarını analiz etmek için ileri düzey veri görselleştirmeleri tasarlamak.

Detaylar

Görselleştirme Temelleri: Görsel algıyı ve veri temsilini anlamak; uygun görselleştirme türlerini seçme

Görselleştirme için Python: İleri düzey görselleştirmeler oluşturmak için Python kütüphaneleri (Matplotlib, Seaborn, Plotly) kullanmak.

Tableau Görselleştirmeleri: Tableau'da paneller ve görsel raporlar tasarlamak; Python betiklerini entegre etmek.

Anlatım ve Hikaye Anlatma: Etkili veri hikaye anlatımı ve etkileyici sunumlar için teknikler geliştirme

VAKA ANALİZİ:

Tableau gibi paket programlar ile programlama dilleri ile yapılan çizimlerin karşılaştırılması.

Veri Raporlaması

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 Çerçevelerine Genel Bakış (Flask,Django)

Veri Raporlamasında Vaka Çalışmaları

Başarılı Veri Raporlarının Analizi
Yaygın Hatalar ve En İyi Uygulamalar

UYGULAMA / PROJE:

E-ticaret Sitesi için Kapsamlı Veri Raporlaması

Amaç: Satışlar, müşteri demografikleri ve envanter yönetimini kapsayan bir satış zinciri için ayrıntılı bir veri raporlama sistemi geliştirmek.

Detaylar

Raporlama Temelleri: Raporların hedef kitlesini ve amacını anlamak; raporları etkili bir şekilde yapılandırmak ve yazmak.

Python Teknikleri: Rapor oluşturma için Pandas ve Matplotlib gibi Python kütüphanelerini kullanmak; Python'ı diğer raporlama araçlarıyla entegre etmek.

Etkileşimli Raporlama Araçları: Tableau'da dinamik paneller oluşturmak ve Python analizlerini entegre etmek.

VAKA ANALİZİ:

Veri raporlama süreçlerinde LLM (büyük dil modelleri) araçlarının yeri ve gelecek tahmini.

Uygulamalı ve Proje Tabanlı eğitim modeli.Kariyer desteği ile eğitime devam ederken işe başlayın.
Bootcamp programlarımızda sektörün güncel ihtiyaçlarına uygun deneyim kazanın.

Öğrenirken ve uygularken güçlü bir portfolyo hazırlayın, kariyer yolculuğunuza erken başlayın.

Portfolyonuzu, uçtan uca kapsamlı projelerle donatarak, sektördeki görünürlüğünüzü inşa edin. Türkiye'nin en iyi şirketlerinde yer bulmak için bir kariyer planı oluşturun.

İşbirliğine dayalı öğrenme modeli ve akran öğrenmesi ile sınıf içi etkileşimi yoğun takım çalışmasına teşvik eden bir öğrenme ortamı ile emin adımlarla ilerleyin.

Sınıf içerisinde yaptığım projeler ile pratik becerilerim arttı. Artık araçları çok hızlı kullanabiliyor ve makul çözümler üretebiliyorum. Tam zamanlı bir işe girmemi sağladığı için Mindset'e minnettarım.

Begüm Yılmaz

Mindset Bootcamp Mezunu

SIKÇA SORULAN SORULAR
SIKÇA SORULAN SORULAR
Bootcamp nedir ?

Kapsamlı ve yoğun eğitim programlarıdır. Özellikle teknoloji, yazılım geliştirme, dijital pazarlama ve diğer teknik becerileri uygulayarak hızla öğrenmek isteyenler için uygundur. Öğrenim deneyimi çok farklı boyutlarda ve kuşatarak gerçekleştiği için yapıcı ve etkili bir öğrenim ortamı sunar. Yaparak ve yaşayarak öğrenim bir aradadır. Aynı hedefte ve amaçta katılımcılar beraber yol kat ederken akran öğrenmesi ile konular pekiştirilir. Eğitim sonucunda katılımcılar, güçlü ve zengin bir portfolyo elde ederler. Böylece, kariyer yolculuklarında çok daha hızlı ilerleyebilir, iş görüşmelerinde bir adım önde başlar.

Bootcamp'ler kimlere yöneliktir?

Bootcamp'ler genellikle kariyer değiştirmek isteyenler, yeni beceriler kazanmak isteyenler, mezuniyet sonrası iş arayanlar veya belirli bir beceriyi hızla öğrenmek isteyenler için uygundur.

Programın hedefi nedir?

Data Science Bootcamp, veri bilimi alanında eğitim almak isteyen kişilere yönelik yoğun bir eğitim programıdır. Bu bootcamp, SQL programlaması, büyük veri depolama, NoSQL veritabanları, veri analizi, makine öğrenimi ve veri madenciliği gibi veri bilimi konularını kapsar.

Program kimler için uygundur, katılım şartları nelerdir?

Yazılım alanında ilerlemek isteyen, ilgili alanda iş arayan veya ilgili alanda kendini geliştirmek ve kariyerine yatırım yapmak isteyen herkes başvurabilir.

Bootcamp sonrası ne tür kariyer fırsatlarına sahip olunabilir?

Data Science Bootcamp'ı tamamladıktan sonra, veri bilimi uzmanı, veri analisti, veri mühendisi, veri bilimcisi ve benzeri pozisyonlarda çalışabilirsiniz. Ayrıca büyük veri projelerini yönetmek veya veri analitiği çözümleri geliştirmek için becerilerinizi kullanabilirsiniz.

Eğitim materyalleri neleri içerir?

Eğitim materyalleri video dersler, yazılı dokümantasyonlar, örnek projeler ve ödevler içerir. Katılımcılar, teorik bilgileri pratik uygulamalarla pekiştirebilirler.

Eğitim sonunda sertifika verilecek mi?

Bootcamp programını başarıyla tamamladığınızda, Data Science sertifikası alacaksınız.

Eğitim kurumumuza özel olarak planlanabilir mi ?

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. 

KURUMSAL BAŞVURU
Bu eğitimi kurumsal olarak planla ve uygula Mindset Institute kalitesi ve denetimi altında takımın veya şirketin için eğitim planla. Yeni beceriler kazanmanıza, çalışanlarınızın gelişimini yönetmenize ve işgücünüzü eğitmenize nasıl yardımcı olabiliriz?
Geniş Kapsamlı ve Yoğun Uygulamalı, Proje Tabanlı Öğrenme Modeli
Gerçek Projeler ve Zengin Portfolyo
Eğitim sonunda sektörün ihtiyacına yönelik gerçek projeler dolu zengin bir portfolyo ile eğitimi tamamlamış olacaksın.
Yüksek İstihdam Oranı
Programı tamamlayan katılımcılarımızın %95'i mezuniyetini takip eden 180 gün içinde işe giriyor. Sizde kariyerinize bir adım önde başlayın.
Sektör Odaklı Uygulama Deneyimi
Bootcamp sürecince alanında öncü şirketlerin verileri ile gerçek problemler üzerine çalışacak proje geliştirerek öğreneceksin.
Deneyimli Uzman Eğitmenler
Sektör tecrübesi olan, güncel projelerde görev almış, en iyi eğitim yaklaşımları ile donatılan isimlerden öğrenin.
Dünyanın her yerinde geçerli ve güvenilir Sertifika
Proje ve sınavlarda elde edeceğiniz başarı sonucunda dünyanın her yerde geçerli sertifikanıza sahip olun.
Güncel Program
Eğitim programımız hem ilgili koordinatörlerimiz hem de eğitmenlerimiz tarafından sürekli güncelenir. Piyasa ihtiyaçlarına göre planlanmış içerik ve örneklerle eğitim alın.
KAYIT ve ÖDEME

DETAYLI BİLGİ İSTE

Şimdi kendin veya şirketin için eğitim planla

Fiyat, ödeme koşulları, eğitim konularının detaylı bilgisi için form doldurun

*
*
*
*
*