Açıklama
Eğitmen: Öğretim Görevlisi Özge Demir
Ders Dili: Türkçe Ders Seviyesi: Temel – Orta Düzey
Programın Amacı Bu programın amacı; katılımcılara veri biliminin temel kavramlarını öğretmek ve veri analizi süreçlerini uygulamalı olarak kazandırmaktır. Eğitim kapsamında katılımcıların, farklı veri kaynaklarından elde edilen veriler üzerinden anlamlı, güvenilir ve yorumlanabilir çıktılar üretebilme yetkinliği kazanmaları hedeflenmektedir. Python programlama dili ve açık kaynaklı araçlar kullanılarak yürütülen bu süreç; veri toplama, temizleme, keşifsel veri analizi, görselleştirme ve makine öğrenmesine giriş adımlarını bütüncül bir yaklaşımla ele alarak, veri temelli karar verme becerilerinizi geliştirmeyi amaçlar.
Hedef Kitle ve Katılım Koşulları Bu eğitim programı; lisans ve lisansüstü öğrenciler, üniversitelerde görev yapan akademik personel, kamu ve özel sektörde çalışan uzman, analist ve idari personel ile veri bilimi alanına giriş yapmak isteyen bireyler için tasarlanmıştır.
Program Süresi ve Kontenjan Eğitim süresi 3 ay 108 saat olarak planlanmış olup, maksimum interaktif katılım sağlamak amacıyla kontenjan en az 15, en çok 30 kişi ile sınırlandırılmıştır.
Beklenen Kazanımlar
Programı başarıyla tamamlayan katılımcıların;
-
Veri bilimi yaşam döngüsünü (veri toplama, hazırlama, analiz, modelleme ve yorumlama) bütüncül olarak açıklayabilmeleri,
-
Python programlama dilini veri analizi amacıyla temel–orta düzeyde kullanabilmeleri,
-
Eksik veri, aykırı değer ve veri dönüşümü gibi temizleme ve ön işleme tekniklerini uygulayabilmeleri,
-
Keşifsel Veri Analizi (EDA) yöntemleriyle verideki örüntüleri ortaya koyabilmeleri,
-
Makine öğrenmesine giriş düzeyinde regresyon ve sınıflandırma modellerinin mantığını kavrayıp, basit modeller kurabilmeleri,
-
Gerçek veri setleri üzerinde uçtan uca veri analizi ve raporlama çalışması gerçekleştirebilmeleri beklenmektedir.
Ders İçeriği (Modüler Yapı)
-
Veri Bilimi ve Python Temelleri: Veri bilimi yaşam döngüsü, Python sözdizimi, veri yapıları ve temel programlama mantığı.
-
Veri Analizi ve Ön İşleme: CSV/Excel okuma, veri çerçeveleri, veri temizleme, eksik veri analizi ve dönüşüm işlemleri.
-
Keşifsel Analiz ve İstatistiksel Temeller: Tanımlayıcı istatistikler, veri dağılımları, değişken ilişkileri ve temel hipotez testi mantığı.
-
Veri Görselleştirme ve Yorumlama: Grafik türleri, veri hikâyeleştirme, analitik raporlama ve bulguların teknik doğrulukla yorumlanması.
-
Makine Öğrenmesine Giriş: Makine öğrenmesi türleri, regresyon, sınıflandırma, basit model kurma ve overfitting (aşırı öğrenme) kavramı.
-
Proje Geliştirme: Gerçek veri seti seçimi, uçtan uca analiz, proje çalışması ve sunum değerlendirmeleri.
Kaynaklar, Materyaller ve Donanım Gereksinimleri Eğitimde; G. James ve ark. tarafından yazılan “An Introduction to Statistical Learning” ve W. McKinney’nin “Python for Data Analysis” kitapları temel kaynak olarak kullanılacaktır. Uygulamalar için Python (güncel sürüm) ve Jupyter Notebook/JupyterLab ortamları gereklidir. (Katılımcıların yanlarında getirmesi gereken donanım özellikleri eklenecektir.)
Değerlendirme Kriterleri
Sertifika hak edişi için aşağıdaki metriklerde başarı sağlanması gerekmektedir:
-
Derse Katılım: %60
-
Uygulama/Ödev Başarısı: %20
-
Sınav/Proje Başarısı: %20
