Data Science with SQL Server and R Eğitimi

Bu eğitim; R dili, istatistik, veri madenciliği ve makine öğrenmesi kavramlarını tanıtarak, SQL Server ve Microsoft BI (İş Zekası) araçları ile veri bilimi uygulamalarını öğretir.

R, istatistiksel analiz, veri madenciliği ve makine öğrenmesi için en popüler programlama dili ve ortamdır. SQL Server, Power BI ve Azure ML içerisinde çalışan yönetilen ve ölçeklenebilir bir sürümü vardır.

Ana odak R dili olsa da, eğitimde ayrıca MS BI araçlarıyla veri bilimi uygulamaları için kullanılan Python, T-SQL, Power BI, Azure ML ve Excel gibi teknolojiler de gösterilir.
Laboratuvar uygulamaları R odaklıdır; demolar ise diğer dillerle yapılır.

Neden Bu Eğitim?

• R ve Python karşılaştırması

• Gözetimsiz öğrenme (unsupervised learning) yöntemlerine giriş

• Matris işlemleri

• Değişkenler arası ilişkileri görselleştirme

• Analitik görevler için veri hazırlama

• Gözetimli öğrenme yöntemlerine giriş

• Katılımcılar veri analizi konusunda temel bilgiye sahip olmalı

• SQL Server araçlarına aşinalık beklenmektedir

Bu eğitim sonunda aşağıdaki konularda bilgi ve beceri kazanmış olacaksınız:

• R dilini sıfırdan öğrenme

• R Engine ve RStudio IDE kullanarak temel programlama

• Veri bilimi projelerinin tüm yaşam döngüsünü anlama

• Veri ön izleme ve hazırlama teknikleri

• Değişken ilişkilerini analiz etme (istatistiksel yöntemlerle)

• R kodunu SQL Server, Azure ML ve Power BI içinde kullanma

• Python dilini demolarla farklı araçlarda kullanma

Modül 1: Veri Bilimi ve R’ye Giriş

• İstatistik, veri madenciliği ve makine öğrenmesi nedir?

• Veri bilimi projeleri ve yaşam döngüsü

• R’ye giriş, R araçları ve veri yapıları

• Lab 1

Modül 2: Python’a Giriş

• Temel sözdizimi ve nesneler

• NumPy ve Pandas ile veri işleme

• Matplotlib ve Seaborn ile görselleştirme

• Scikit-Learn ile veri bilimi

• Lab 2: R ve Python karşılaştırması

Modül 3: Veri Önizleme

• Veri setleri, değişken türleri

• Sayısal ve kategorik değişkenlerin istatistikleri

• Grafikler, örnekleme ve güven aralığı

• Lab 2

Modül 4: Veri Hazırlama

• Türetilmiş değişkenler

• Eksik veriler ve aykırı değerler

• Düzleştirme ve normalizasyon

• Zaman serileri, eğitim ve test veri kümeleri

• Lab 3

Modül 5: Değişken İlişkileri ve Görselleştirme

• Kovaryans ve korelasyon

• Çapraz tablolar ve ki-kare testi

• T-testi, varyans analizi (ANOVA)

• Bayes çıkarımı, doğrusal modeller

• Lab 4

Modül 6: Özellik Seçimi ve Matris İşlemleri

• Doğrusal modellerde özellik seçimi

• Temel matris cebiri

• Temel bileşen analizi (PCA)

• Açımlayıcı faktör analizi

• Lab 5

Modül 7: Gözetimsiz Öğrenme

• Hiyerarşik kümeleme

• K-means kümeleme

• İlişki kuralları

• Lab 6

Modül 8: Gözetimli Öğrenme

• Yapay sinir ağları

• Lojistik regresyon

• Karar ve regresyon ağaçları

• Rastgele ormanlar

• Gradient Boosting

• K-en yakın komşu

• Lab 7

Modül 9: Modern Konular

• Destek vektör makineleri

• Zaman serileri

• Metin madenciliği

• Derin öğrenme

• Takviyeli öğrenme

• Lab 8

Modül 10: SQL Server ve MS BI İçerisinde R Kullanımı

• ML Services (In-Database) yapısı

• SQL Server’da dış betik çalıştırma

• Model kaydetme ve yerel tahmin çalıştırma

• Azure ML ve Power BI’da R kullanımı

• Lab 9