1. Data Science ve Machine Learning'e Giriş
Bu bölüm Data Science çalışmalarının temel yapısını ve Machine Learning'in bu yapı içerisindeki rolünü ele alır.
Konular:
- Data Scientist'in rolü
- Data Science için gerekli beceriler
- Data Science'ın yaygın kullanım alanları
- Sektörel kullanım örnekleri
- CRISP-DM metodolojisi
- Data Science proje yaşam döngüsü
- Data Science ile çözülebilecek problem türleri
- Uygun proje ve kullanım senaryolarının belirlenmesi
- Data Science projesinde başarı kriterleri
- Proje başarısının değerlendirilmesi
Katılımcılar teknik model geliştirmeye başlamadan önce doğru problemin seçilmesi ve başarının nasıl ölçüleceği konusunda temel bir yaklaşım geliştirir.
2. Data Science için Python
Bu bölüm Python ekosisteminin Data Science çalışmalarında nasıl kullanıldığını ele alır.
Konular:
- Data Science projelerinde notebook kullanımı
- Python ile dataset manipulation
- Data Science kütüphaneleri
- NumPy ve Pandas kullanımı
- Virtual environments
- Veri analizi workflow'ları
- Python ile data visualisation
Katılımcılar verileri analiz ve modelleme için hazırlarken kullanılan temel Python çalışma ortamlarını ve araçlarını uygular.
3. Python ile Descriptive ve Inferential Statistics
Bu bölüm istatistiğin Data Science projelerindeki rolüne odaklanır.
Konular:
- Descriptive statistics
- Inferential statistics
- Measures of central tendency
- Variation
- Correlation
- Data distributions
- Hypothesis testing
- Statistical significance
- Statistical visualisations
- Exploratory Data Analysis
Katılımcılar verinin temel özelliklerini anlamak ve gözlenen ilişkilerin anlamlılığını değerlendirmek için istatistiksel yöntemlerden yararlanır.
4. Analiz için Veri Ön İşleme
Machine Learning modellerinin başarısı büyük ölçüde kullanılan verinin kalitesine bağlıdır. Bu bölüm model geliştirme öncesindeki data preprocessing süreçlerini kapsar.
Konular:
- Duplicate data
- Missing values
- Outliers
- Data cleaning
- Feature scaling
- Categorical data encoding
- Feature selection
- Training datasets
- Testing datasets
- Validation datasets
- Feature engineering
Katılımcılar ham veriyi analiz ve Machine Learning için daha uygun hâle getiren yöntemleri uygular.
5. Supervised Learning: Regression
Bu bölüm sayısal sonuçların tahmin edilmesinde kullanılan regression yöntemlerine odaklanır.
Konular:
- Machine Learning içerisinde regression
- Simple Linear Regression
- Multiple Linear Regression
- Non-linear regression yaklaşımları
- Regression model development
- Model performance
- Regression modellerinin değerlendirilmesi
- Farklı regression modellerinin karşılaştırılması
Katılımcılar Python kullanarak regression modelleri oluşturur ve performanslarını değerlendirir.
6. Supervised Learning: Classification
Bu bölüm kategorik sonuçların tahmin edilmesinde kullanılan classification yöntemlerini kapsar.
Konular:
- Machine Learning içerisinde classification
- Logistic Regression
- Multiple Logistic Regression
- Decision Trees
- Random Forest
- Classification model development
- Model evaluation
- Classification modellerinin karşılaştırılması
Katılımcılar farklı classification algoritmalarını uygulayarak hangi yaklaşımın belirli bir problem için daha uygun olduğunu değerlendirmeyi öğrenir.
7. Model Selection ve Evaluation
Bu bölüm oluşturulan Machine Learning modelleri arasından uygun modelin seçilmesine odaklanır.
Konular:
- Regression modellerinin karşılaştırılması
- Classification modellerinin karşılaştırılması
- Model performance değerlendirmesi
- Test ve validation yaklaşımları
- Baseline oluşturma
- Model behaviour değerlendirmesi
- “How good is good enough?” yaklaşımı
Katılımcılar yalnızca yüksek performans gösteren modeli seçmek yerine, modelin kullanım amacına göre yeterliliğini değerlendirmeyi öğrenir.
8. Unsupervised Learning
Bu bölüm etiketlenmiş hedef değişken bulunmayan veri setleri üzerinde kullanılan Machine Learning yöntemlerini ele alır.
Konular:
- Unsupervised Learning kavramı
- Clustering
- K-Means clustering
- Cluster değerlendirme
- Dimensionality reduction
- Dimensionality reduction tekniklerinin uygulanması
- Sonuçların değerlendirilmesi
Katılımcılar verideki doğal grupları ve yapıları ortaya çıkarmak için unsupervised learning yöntemlerini kullanır.
9. Data Scientist'ler için Etik
Bu bölüm Data Science, Machine Learning ve AI projelerindeki etik, yasal ve profesyonel sorumluluklara odaklanır.
Konular:
- Data Scientists için ilgili mevzuat ve standartlar
- Legal considerations
- Ethical considerations
- Moral considerations
- Data handling ethics
- Veri kullanımı ve sorumluluk
- Machine Learning'de etik riskler
- Deep Learning ve AI kullanımında etik konular
- Çalışanların bilmesi gereken ilgili yasal gereksinimler
Katılımcılar teknik olarak mümkün olan bir uygulamanın aynı zamanda yasal, etik ve sorumlu olup olmadığını değerlendirme perspektifi kazanır.
10. Modellerin ve İçgörülerin Deployment'ı
Bu bölüm geliştirilen analitik ve Machine Learning modellerinin gerçek kullanım ortamlarına taşınmasını ele alır.
Konular:
- Analytical model deployment
- Deployment strategy seçimi
- Farklı deployment yöntemlerinin değerlendirilmesi
- Model failure riskleri
- Model başarısızlıklarını önlemeye yönelik kontroller
- Python ile Machine Learning model deployment
- Production model monitoring
- Model monitoring metrics
- Model performansının zaman içerisinde takip edilmesi
Amaç, model geliştirmeyi yalnızca notebook içerisinde kalan bir çalışma olmaktan çıkarıp gerçek iş süreçlerine entegre edilebilecek bir çözüm hâline getirmektir.
11. Sonraki Adımlar
Eğitimin son bölümünde katılımcıların Data Science ve AI alanındaki gelişimlerini nasıl sürdürebilecekleri değerlendirilir.
Konular:
- Modern AI içerisinde Deep Learning'in rolü
- İleri seviye istatistik
- Time Series ve Forecasting
- Data Science için matematik ve istatistik
- Big Data Analytics
- Python ve Spark
- Generative AI
- Deep Learning
- Data Science alanındaki profesyonel sertifikasyonlar
- Profesyonel üyelikler ve kariyer gelişimi
