Applied Python for Data Science and Engineering Eğitimi

"Applied Python for Data Science and Engineering" – Analitik, Bilimsel ve Matematik Hesaplama için Uygulamalı Python Temelleri 

Sınırlı pratik programlama geçmişine veya deneyimine sahip BT çalışanları ve mühendisler için tasarlanan Veri Bilimi ve Mühendisliği için Uygulamalı Python, Python'u bilimsel ve matematiksel hesaplama için kullanmaya başlamanızı sağlayan uygulamalı giriş düzeyinde bir eğitimdir. Uygulamalı bir öğrenme ortamında çalışarak, temel Python komut dosyası yazma becerileri ve kavramlarının yanı sıra dizilerden istatistiklere ve sonuçların grafiğine kadar verilerle çalışmaya yönelik en önemli Python modüllerini öğreneceksiniz.

Uzman eğitmenimizin rehberliğindeki eğitim boyunca, veriye dayalı kararlar vermenizi ve kuruluşunuz içindeki operasyonel verimliliği artırmanızı sağlayacak güçlü bir becerileri kazanacaksınız. Bu eğitimde, Pandas ile veri manipülasyonunu, Matplotlib kullanarak gelişmiş veri görselleştirmeyi ve NumPy ile sayısal analizi keşfedeceksiniz. Ayrıca hata ve istisna yönetimi, modüler programlama teknikleri ve otomatik iş akışı geliştirme için en iyi uygulamaları inceleyerek sizi veri odaklı projelerinizin hem etkinliğini hem de verimliliğini artıracak becerilerle donatacaksınız.

"Applied Python for Data Science and Engineering" eğitimine katılmak için komut satırıyla rahatça çalışmanın yanı sıra, temel komut dosyası yazma becerilerine aşina olmanız da önerilir.

Eğitime Kimler Katılmalı?

Bu giriş düzeyindeki eğitim, Python'a yeni başlayan, veri bilimiyle ilgilenen veya mühendislik geçmişine sahip teknik profesyoneller için tasarlanmıştır.

Aşağıdaki roller bu eğitime katılabilir:

• Veri analistleri
• Geliştiriciler
• Mühendisler
• Veri analitiği görevleri için Python'u kullanmakla görevlendirilen herkes.

Uzman ekibimizin rehberliğinde uygulamalı bir öğrenme ortamında çalışma fırsatı bulacak olan katılımcılarımız aşağıdaki konu başlıklarını öğrenecek ve keşfedecek:

• Temel Python Yeterliliği: Eğitimin sonunda katılımcılar, Python'un değişkenler, veri türleri ve akış kontrolü gibi temel öğelerini sıkı bir şekilde kavrayacak ve onlara güvenle komut dosyaları yazma ve basit programlar oluşturma gücü verecek.
• Analitik Problem Çözme: NumPy ve SciPy gibi kütüphaneleri kullanan katılımcılar, karmaşık matematiksel işlemleri ve istatistiksel analizleri gerçekleştirme yeteneğini geliştirecek ve veri modelleme veya optimizasyon problemleri gibi görevlere yönelik analitik yeteneklerini önemli ölçüde artıracaktır.
• Veri Manipülasyonu Ustalığı: Bu eğitimin sonunda katılımcılar, veri kümelerini temizlemek, dönüştürmek ve analiz etmek için Pandas kullanma konusunda yetkin hale gelecek ve böylece veriye dayalı kararları etkili bir şekilde almalarına olanak tanıyacak.
• Otomatik İş Akışı Geliştirme: Katılımcılar, Python'un Standart Kütüphanesini kullanarak otomatik komut dosyaları oluşturma, tekrarlanan görevleri optimize etme ve böylece kuruluşlarındaki operasyonel verimliliği artırma becerisini kazanacaklar.
• Gelişmiş Veri Görselleştirme: Eğitim sona erdikten sonra katılımcılar, verilerin karmaşık görsel temsillerini oluşturmak, daha net ve daha etkili raporlama ve sunumları kolaylaştırmak için Matplotlib ve diğer Python kitaplıklarını kullanabilecek donanıma sahip olacaklardır.
• Hataya Dayanıklı Kodlama: Katılımcılar, güçlü hata ve istisna işleme tekniklerini uygulamaya yönelik en iyi uygulamaları öğrenerek daha istikrarlı ve güvenli Python uygulamalarının oluşturulmasını sağlayacak.
• Modüler Programlama Yeterliliği: Python işlevleri, modülleri ve paketlerinde uzmanlaşan öğrenciler, ölçeklenebilirlik ve işbirlikçi programlama projeleri için temel bir beceri olan modüler ve sürdürülebilir kod geliştirmede ustalaşacaklardır.

1. Python Ortamını Öğrenmeyi Başlarken

• Python'u Başlatmak
• Tercümanı kullanma
• Python betiğini çalıştırma
• Düzenleyiciler ve IDE'ler

2. Değişkenler ve Değerler

• Değişkenleri kullanma
• Yerleşik işlevler
• Dize verileri
• Sayısal veriler
• Türleri dönüştürme

3. Temel input ve output

• Ekrana yazma
• Dize biçimlendirmesi
• Komut satırı argümanları
• Klavyeyi okumak

4. Akış Kontrolü

• Akış kontrolü hakkında
• if ifadesi
• İlişkisel ve Boole değerleri
• döngüler sırasında
• Döngülerden çıkış

5. Dizi (Array) türleri

• Genel olarak dizi türleri
• Listeler ve liste yöntemleri
• Tuple'lar
• İndeksleme ve dilimleme
• Bir dizi boyunca yineleme
• Sıra işlevleri, anahtar sözcükler ve işleçler
• Anlamaları ve oluşturucuları listeleyin

6. Dosyalarla çalışma

• Dosya I/O'a genel bakış
• Bir metin dosyasını açma
• Bir metin dosyasını okuma
• Bir metin dosyasına yazma

7. Sözlükler ve Kümeler

• Sözlükler hakkında
• Sözlükler oluşturma
• Değerleri alma
• Bir sözlükte yineleme
• Setler hakkında
• Set oluşturma
• Setlerle çalışma

8. İşlevler, modüller ve paketler

• Dönen değerler
• Fonksiyon parametresi türleri
• Değişken kapsam
• Belgelendirmeyle ilgili en iyi uygulamalar
• Modül oluşturma ve içe aktarma
• Modülleri paketler halinde düzenleme

9. Sanal Ortamlar

• Neden sanal ortamlara ihtiyacımız var?
• Bir ortam yaratmak
• Etkinleştirme ve devre dışı bırakma
• Bir ortamı kopyalama
• Ortamlara yönelik araçlar

10. İstisna yönetimi ve günlüğe kaydetme

• İstisnalar hakkında
• try/catch/else/finally kullanımı
• Birden çok istisnayı işleme
• Günlüğe kaydetme kurulumu
• Temel günlük kaydı

11. Python Sınıflarına Giriş

• Sınıfları tanımlama
• İnşaatçılar
• Örnek yöntemleri ve veriler
• Nitelikler
• Miras
• Çoklu kalıtım

12. Excel elektronik tabloları

• openpyxl modülü
• Mevcut bir e-tabloyu okuma
• Sıfırdan bir elektronik tablo oluşturma
• Mevcut bir e-tabloyu değiştirme

13. Verileri Serileştirme

• ElementTree'yi kullanma
• Yeni bir XML belgesi oluşturma
• XML ayrıştırılıyor
• Etiketlere ve XPath'a göre bulma
• JSON'u Python'a ayrıştırma
• Python'u JSON'a ayrıştırma
• CSV'yle çalışma

14. iPython ve Jupyterlab

• iPython özellikleri ve iPython "sihirli" komutları
• iPython yapılandırması
• Jupyter not defterleri oluşturma
• Jupyterlab ile not defterlerini yönetme

15. NumPy'ye Giriş

• NumPy'ın temelleri
• Diziler oluşturma
• İndeksleme ve dilimleme
• Çok sayıda set
• Verileri dönüştürme
• SciPy'a genel bakış

16. Pandas'a Giriş

• Pandas'a genel bakış
• Seriler ve Veri Çerçeveleri
• Veri okuma ve yazma
• Veri özetleri
• Veri hizalama ve yeniden şekillendirme
• Seçme ve indeksleme
• Veri kümelerini birleştirme ve birleştirme
• Verilerin grafiğini çizme

17. Matplotlib

• Temel bir arsa oluşturma
• Yaygın olarak kullanılan araziler
• Özel veri görselleştirme
• Gelişmiş kullanım
• Görüntüleri dışa aktarma

İsteğe Bağlı Konular veya Beşinci Gün:

1. Veri Analizi için Python ile Yapay Zekaya Giriş

• AI Kitaplıklarına Genel Bakış
• Ortamınızı Ayarlama:
• Yapay Zeka Modellerini Anlamak
• İlk Modelinizi Oluşturmak
• Model Performansını Değerlendirme

2. Python'da Pratik Yapay Zeka Projeleri

• Yapay zeka uygulamaları için bir Python projesi oluşturun.
• Veri İşleme
• Model Geliştirme
• Yapay zeka modelinizin etkinliğini test edin ve doğrulayın.
• Modelinizi Uygulama

3. Veri Biliminde Kayıt Analizi için GPT Araçlarını Kullanma

• GPT'ye giriş
• GPT Araçlarını Kurma
• Metin Verilerini Analiz Etme
• İçgörü Oluşturma
• Pratik Uygulamalar