Module 1
Python for Data Science Fundamentals
- Python veri türleri ve veri yapıları
- Fonksiyonlar, döngüler, list comprehensions
- Dosya okuma/yazma (CSV, Excel, JSON)
- Jupyter Notebook / Google Colab kullanımı
Modüller & İçerik
Eğitim, 11 modülden oluşan uygulama ağırlıklı bir yapı sunar. Modüller; Python’un veri bilimi için temel kullanımından başlayarak NumPy ve Pandas ile veri manipülasyonu, veri görselleştirme ve keşifsel veri analizi (EDA) süreçlerini kapsar. Eğitim ilerledikçe makine öğrenmesine giriş, gözetimli ve gözetimsiz öğrenme modelleri, feature engineering ve model değerlendirme konuları ele alınır. Son aşamada ise geliştirilen modellerin deploy edilmesi ve gerçek hayat kullanım senaryoları üzerinde uygulamalar yapılır. Bu yapı sayesinde eğitim, katılımcılara veriyi analiz eden, modelleyen ve üretime taşıyabilen uçtan uca bir veri bilimi bakış açısı kazandırır.
Module 2
NumPy Fundamentals
- NumPy array yapısı
- Array indexing & slicing
- Matematiksel işlemler
- Broadcasting
- NumPy ile hızlı hesaplamalar
Module 3
Pandas ile Veri Analizi
- Series ve DataFrame yapısı
- CSV/Excel/JSON veri yükleme
- Veri temizleme (missing values, duplicate handling)
- Filtering, grouping, merging & joining
- Pivot table ve aggregation işlemleri
- Real-world use case: Banka kredi veri analizi
Module 4
Veri Görselleştirme (Matplotlib & Seaborn)
- Matplotlib temel grafikler
- Seaborn ile trend, dağılım, ilişki grafikleri
- Heatmap, boxplot, violinplot kullanımı
- Grafik özelleştirme: renk, başlık, stil
- Use case: Finans verisi ile zaman serisi grafiği
Module 5
Exploratory Data Analysis (EDA)
- Outlier tespiti
- Korelasyon analizi
- Dağılım analizleri
- Feature understanding & pattern discovery
- Use case: Müşteri segmentasyonu ön analizi
Module 6
Scikit-Learn Fundamentals
- Makine öğrenmesine giriş
- Train-test split mantığı
- Model seçimi
- Doğruluk metrikleri (accuracy, recall, precision, F1)
- Pipeline kavramı
Module 7
Supervised Learning Modelleri
- Linear Regression
- Logistic Regression
- Decision Tree & Random Forest
- KNN
- SVM
- Model tuning ve hyperparameter optimization
Module 8
Unsupervised Learning Modelleri
- K-Means clustering
- Hierarchical clustering
- Principal Component Analysis (PCA)
- Use case: Müşteri segmentasyonu
Module 9
Feature Engineering
- One-hot encoding
- Scaling (StandardScaler, MinMaxScaler)
- Polynomial features
- Imbalanced data handling
- Feature selection teknikleri
Module 10
Model Deployment Temelleri
- Pickle joblib ile model kaydetme
- REST API ile model deploy (Flask/FastAPI)
- Model versiyonlama
- Use case: Basit kredi skorlama API'si
Module 11
Gerçek Hayat Uygulamaları
- Finans uygulaması: kredi tahmini modeli
- Pazarlama uygulaması: churn analizi
- Sağlık uygulaması: hastalık risk tahmini
- Zaman serisi analizi
- Dashboard oluşturma (Streamlit)