Next Level Python for Data Science Turkmenistan Eğitimi

Veri analizi, görselleştirme ve büyük veri işlemeye yönelik gelişmiş Python becerilerini öğrenin. 

"Next Level Python for Data Science" eğitimi, veri bilimcilerin Büyük Veri (Big Data) kullanarak keşfedici veri analizi, karmaşık görselleştirmeler ve büyük ölçekli dağıtılmış işleme gerçekleştirmeleri için Python'u kullanmayı derinlemesine analiz ediyor. Bu eğitimde NumPy, Pandas, SciPy, SciKit-Learn gibi temel matematik ve istatistik kütüphanelerinin yanı sıra TensorFlow ve Spark gibi çerçeveler (frameworkler) hakkında bilgi edineceksiniz. Ayrıca bu eğitim; Matplotlib, PIL ve Seaborn gibi görselleştirme araçlarını da kapsıyor. 

"Next Level Python for Data Science" eğitimine katılmadan önce aşağıdakilere sahip olmanız gerekmektedir:

• Sağlam bir veri analitiği ve veri bilimi geçmişi
• Python deneyimi

"Next Level Python for Data Science" eğitiminde konular derinlemesine ele alınmaktadır ve yukarıdaki önkoşullu eğitimlerden birini almış veya pratik uygulamalı deneyime sahip deneyimli katılımcılara yöneliktir.

Kimler Katılmalı?

Temel Python ve veri bilimi konusunda deneyimli:

• Veri Bilimcileri, 
• Veri Mühendisleri,
• Yazılım Mühendisleri.

İlgi çekici, uygulamalı bir öğrenme ortamına katılarak aşağıdaki konu başlıklarını öğreneceksiniz:

• Veri Bilimi bağlamında Python ile nasıl çalışılır?
• NumPy, Pandas ve MatPlotLib nasıl kullanılır?
• PIL ile görseller nasıl oluşturulur ve işlenir?
• Seaborn ile görselleştirme nasıl yapılır?
• SciPy ve SciKit Learn'ün temel özellikleri
• DataFrames kullanarak Spark ile nasıl etkileşim kurulur?
• SparkSQL, MLlib ve Büyük Veri akışını kullanma

"Next Level Python for Data Science" eğitimi ilgi çekici talimatlar, demolar, grup tartışmaları, laboratuvarlar ve proje çalışmaları ile %50 uygulamalı laboratuvarlar, %50 konu olacak şekilde gerçekleşmektedir.

Python İncelemesi

• Python Dili
• Temel Sözdizimi
• Listeler, Kümeler, Sözlükler ve Anlamlar
• Fonksiyonlar
• Konular, Modüller ve içe aktarmalar
• İstisnalar

iPython

• iPython'un temelleri
• Terminal ve GUI kabukları
• Not defterleri oluşturma ve kullanma
• Not defterlerini kaydetme ve yükleme
• Özel veri görselleştirme
• Web Defterleri (Jupyter)

NumPy

• NumPy'ın temelleri
• Diziler oluşturma
• İndeksleme ve dilimleme
• Çok sayıda set
• Verileri dönüştürme
• Gelişmiş püf noktaları

SciPy

• SciPy ne yapabilir?
• En kullanışlı işlevler
• Eğri uydurma
• Modelleme
• Veri görselleştirme
• İstatistikler

SciPy alt paketleri

• Kümeleme
• Fiziksel ve Matematiksel Sabitler
• FFT'ler
• İntegral ve diferansiyel çözücüler
• Enterpolasyon ve yumuşatma
• Input ve Output
• Doğrusal Cebir
• Görüntü İşleme
• Mesafe Regresyon
• Kök bulma
• Sinyal İşleme
• Seyrek Matrisler
• Uzamsal veriler ve algoritmalar
• İstatistiksel dağılımlar ve işlevler
• C/C++ Entegrasyonu

Pandas

• Pandas's genel bakış
• Veri çerçeveleri
• Veri okuma ve yazma
• Veri hizalama ve yeniden şekillendirme
• Süslü indeksleme ve dilimleme
• Veri kümelerini birleştirme ve birleştirme

Matplotlib

• Temel bir plot oluşturma
• Yaygın olarak kullanılan plotlar
• Özel veri görselleştirme
• Gelişmiş kullanım
• Görüntüleri dışa aktarma

Python Görüntüleme Kütüphanesi (PIL)

• PIL'e genel bakış
• Çekirdek görüntü kitaplığı
• Görüntü işleme
• Görüntülenen imajlar

Seaborn

• Seaborn'a genel bakış
• İki değişkenli ve tek değişkenli grafikler
• Doğrusal Regresyonları Görselleştirme
• Veri Matrislerini Görselleştirme
• Zaman Serisi verileriyle çalışma

SciKit-Learn Makine Öğreniminin Temelleri

• SciKit'e genel bakış
• SciKit-Learn'e genel bakış
• Algoritmalara Genel Bakış
• Sınıflandırma, Regresyon, Kümeleme ve Boyut Azaltma
• SciKit Demosu

TensorFlow'a Genel Bakış

• TensorFlow'a genel bakış
• Keras
• TensorFlow'a Başlarken

PySpark'a Genel Bakış

• Python ve Spark
• SciKit-Learn vs. Spark MLlib
• Geniş Ölçekte Python
• PySpark Demosu

RDD'ler ve DataFrame'ler

• DataFrames ve Esnek Dağıtılmış Veri Kümeleri (RDD'ler)
• Bölümler
• DataFrame'e değişkenler ekleme
• DataFrame Türleri
• DataFrame İşlemleri
• Bağımlı ve Bağımsız değişkenler
• DataFrames ile Haritala/Küçült

Spark SQL

• Spark SQL'e Genel Bakış
• Veri depoları: HDFS, Cassandra, HBase, Hive ve S3
• Tablo Tanımları
• Sorgular

Spark MLib

• MLib'e genel bakış
• MLib Algoritmalarına Genel Bakış
• Sınıflandırma Algoritmaları
• Regresyon Algoritmaları
• Karar Ağaçları ve ormanlar
• ALS ile öneri
• Kümeleme Algoritmaları
• Makine Öğrenimi İşlem Hatları
• Doğrusal Cebir (SVD, PCA)
• MLib'deki istatistikler

Spark Akışı

• Akışa genel bakış
• Spark SQL, MLlib ve Streaming'i entegre etme