Data Science Bootcamp Mindset Sertifikalı

Teknolojilerin topladığı ve depoladığı verilerin zenginliği, dünya genelinde organizasyonların ve toplumların dönüşüme yönelik avantajlardan yararlanmasını sağlıyor.

Data Science Bootcamp Programı da geleceğin ihtiyaçlarına cevap verebileceğiniz, verileri analiz etmek için strateji geliştirme; verileri analiz için hazırlama; verileri keşfetme, görselleştirme; Python programlama dilini kullanarak verilerle birlikte modeller oluşturma, uygulama ve yazılımlara dağıtarak işlemenize imkan sağlayacak bir programdır.

String, Integer, Float, Complex

Değişken tanımlama ve türleri yönetmek

List yapısı

Aylık yol masrafı hesaplama uygulaması

       Uygulama:

       Basit bir hesap makinesi uygulaması

Dallanma/if/elseif/else

break ve continue Kullanımı

For ve while döngüleri

Karakter dizilerinin içeriğini karşılaştırma uygulaması

      Uygulama:

      Karakter dizisindeki karakterleri sayma uygulaması

Liste, Stacks, Queues, Tuples ve Sequences

Kümeler (Sets)

Sözlük (Dictionary)

       Uygulama:

       Basit bir telefon rehberi oluşturma uygulaması

Argümanlar ve Formal Parametreler

Global Değişkenler, Yerel (Local) Değişkenler

Fonksiyonlara Parametre Aktarımı

Fonksiyonlardan Değer Döndürme

       Uygulama:

       Belli bir aralıkta rastgele sayılar üretme uygulaması

Dosya Açma, okuma, yazma

Binary Dosyalar

Dosyaların içeriğini karşılaştırma uygulaması

       Uygulama:

       Dosyaların içindeki karakterleri sayma uygulaması

Temel Hata Kontrolü

İstisnaların Yakalanması

try/except ve finally kullanımı

         Uygulama:

         Yazma izni olmayan bir dosyaya yazma ve hata kontrolü uygulaması

İsim Uzayları (NameSpaces)

imports Kullanımı

Modülleri devreye alma

        Uygulama:

        Basit bir sözlük modülü tanımlama ve üzerinde işlemler yapma uygulaması

Python’da bir sınıf nasıl tanımlanır?

Instance Metotları

Initializers Sınıf Metotları

static Metotlar

Miras Alma (Inheritance), Çoklu Miras Alma

        Uygulama:

        Bir iş yerinde işe alınan kişilerin kayıtlarını tutma uygulaması

Veri Edinimine Giriş

Veri Biliminde Veri Ediniminin önemi
Karar Alma Sürecinde Verinin Rolü

Veri Kaynakları

Veritabanları ve Veri Ambarları
API'lar ve Çevrimiçi Veri Depoları
Web Kazıma Temelleri
IoT Cihazları ve Algılayıcılar
Kamu ve Özel Anketler

Otomatik Veri Toplama

Otomasyon için Araçlar (Python Scriptleri, R Scriptleri)

Veri Toplama İşlerinin Planlanması ve Yönetimi

Veri Ediniminde İyi Uygulamalar ve Etik

Gizlilik Endişeleri ve Veri Hassasiyeti
Veri Toplamanın Hukuki Boyutları

Veri Çıkarma Teknikleri

CSV
Excel
JSON ve XML: Ayrıştırma ve Çıkarma
Veritabanı Çıkarması: SQL Sorguları

Web Kazıma

HTML ve Web Yapısını Anlama
Web Kazımada Kullanılan Araçlar ve Kütüphaneler (BeautifulSoup, Selenium)
Dinamik İçerik ve JavaScript ile Yüklenen Verilerle Başa Çıkma
Web Kazımada Etik Hususlar

API Tabanlı Veri Çıkarma

RESTful API'larla Çalışma
Kimlik Doğrulama ve API Limitleri
API Yanıtlarının Ayrıştırılması

İleri Düzey Veri Çıkarma Konuları

Veri Çıkarmada Regular Expressions
Yapılandırılmamış Kaynaklardan Veri Çıkarma
Multimedya Kaynaklarından (Görüntüler, Videolar) Veri Çıkarma

Veri Ambarının Temelleri

Veri Ambarı Kavramı ve Evrimi
Veri Ambarları ile Veritabanları Arasındaki Farklar

Tasarım ve Modelleme

Veri Modelleme İlkeleri
Star, Snowflake ve Galaxy Şemalarını Keşfetme
Boyutlu Veri Modelleri Tasarlama
Veri Normalizasyonu
Birinci Normal Form
İkinci Normal Form
Üçüncü Normal Form
Yüksek Mertebeli Normaller

ETL Süreçleri

Detaylı ETL Pipeline Tasarımı
ETL Araçları ve Teknikleri
Veri Entegrasyonu ve Dönüşüm Stratejileri

Uygulama Stratejileri

Yerinde vs. Bulut Tabanlı Çözümler
Farklı Ambarlama Çözümlerinin Vaka Çalışmaları

Ambar Yönetimi

Performans Optimizasyonu
Güvenlik, Yedekleme ve Felaket Kurtarma
Veri Ambarı Yönetimi

Veri Kalitesini Değerlendirme

Sorunları Tespit Edip Tanımlama
Veri Profillendirme Araçları ve Teknikleri

Temizleme Stratejileri

Yaygın Görülen Veri Kalite Sorunları ve Çözümleri
Veri Standardizasyonu Uygulamaları

Veri Temizleme Otomasyonu

Otomatik Temizleme Akışları Tasarlama
Veri Temizleme Araçlarının Kullanımı

Veri Hazırlama Temelleri

Versiyon Yönetimi
Veri Yaşam Döngüsü Kontrolü

ETL ve Hazırlama Entegrasyonu

Veri Akışını Optimize Etme

Hazırlama Teknolojileri ve Araçları

Karşılaştırmalı Analiz ve Seçim
Pratik Uygulamalar ve Vaka Çalışmaları

Büyük Veri için Veri Hazırlama

Büyük Veri Teknolojilerinde Veri Hazırlama Süreci

Veri İşleme Temelleri

Farklı İşleme Türlerini Anlama
Veri İşleme Yaşam Döngüsü

Veri İşleme Teknolojileri

Toplu ve Akış İşleme Çerçeveleri

Optimizasyon Stratejileri

Veri İşlemede Verimlilik
Büyük Ölçekli Verileri İşleme Teknikleri

Gelişmiş İşleme Kavramları

Makine Öğrenimi Kullanarak İşleme
Olaya Dayalı ve Gerçek Zamanlı İşleme Teknikleri

Kümeleme ve Sınıflandırmanın Temelleri

Kümeleme Türleri: K-means, Hierarchical, DBSCAN
Sınıflandırma Tekniklerine Genel Bakış

Kümeleme Algoritmalarının Uygulanması

Popüler Kümeleme Teknikleriyle Pratik Uygulama
Kümeleme Performansının Değerlendirilmesi

Sınıflandırma Teknikleri ve Uygulamaları

Karar Ağaçları, Rastgele Ormanlar, SVM
Sınıflandırmada Sinir Ağları ve Derin Öğrenme

Kümeleme ve Sınıflandırmada İleri Konular

Ansambl Yöntemler
Boyut Azaltma Teknikleri (PCA, t-SNE)

Veri Özetlemenin Anlaşılması

Veri Karmaşıklığını Azaltma Teknikleri
İş Zekası ve Raporlamada Önemi

Otomatik Özetleme Teknikleri

Metin Özetleme Algoritmaları
Görsel ve İstatistiksel Veri Özetleri

Veri Özetlemenin Uygulanması

Veri Özetleme Araçları (Tableau, Power BI)
Python

Veri Özetlemede Vaka Çalışmaları

Farklı Sektör Bağlamlarında Özetleme

Makine Öğrenmesi Nedir?

Hangi Durumlarda Başvurulur?
Klasik Programlamadan Farkları

Makine Öğrenmesi Çeşitleri

Denetimli, Denetimsiz ve Pekiştirmeli Öğrenme
Regresyon, Sınıflandırma ve Kümeleme Nedir?

Veriyi Bölmek

Train-validation-test split
Gerçek Hayata Uygun Veri Bölme Teknikleri

Error Kavramı

Regresyon için Error
Sınıflandırma için Error
Yanlı ve Yanlı Olmayan Error

Keşfedici Veri Analizine (EDA) Giriş

EDA'nın İlkeleri ve Amaçları
EDA için Araçlar ve Teknikler (R, Python, Tableau)

EDA Teknikleri

Görselleştirme Teknikleri
Tanımlayıcı İstatistikler ve Veri Profilleme

Doğrulayıcı Veri Analizi (CDA)

Hipotez Testi ve İstatistiksel Çıkarım
Keşfedici Analiz ile Karşılaştırma

EDA ve CDA'da Vaka Çalışmaları

Gerçek Dünya Uygulamaları
Araştırmada EDA ve CDA'nın Dengelenmesi

Regresyon Analizinin Temelleri

Regresyon Türleri: Lineer, Lojistik, Polinom
Regresyon Modellerinin Varsayımları ve Yorumlanması

Regresyon Modellerinin Uygulanması

Python Regresyon Analizi
Model Performansının Değerlendirilmesi

Gelişmiş Regresyon Teknikleri

Çok Değişkenli Regresyon Analizi
Doğrusal Olmayan ve Ridge/Lasso Regresyon
Yapay Sinir Ağlarıyla Regresyon

Regresyonun Gerçek Dünya Uygulamaları

Farklı Sektörlerde Vaka Çalışmaları
Regresyon Analizindeki Zorluklar ve Çözümler

Sınıflandırma Temelleri

Sınıflandırma Nedir?
Sınıflandırma Metrikleri (Accuracy, Precision, Recall, F1-Score)

Sınıflandırma Modellerinin Uygulanması

Logistic Regresyon
SVM
Ağaç Bazlı Modeller
Yapay Sinir Ağlarıyla Sınıflandırma

Derin Öğrenme Temelleri

Evrensel Fonksiyon Yakınsaması Olarak Derin Öğrenme
Her Şey Bir Fonksiyon Olarak Düşünülebilir
Parametrik Yakınsama
Gradient Descent

Derin Öğrenme Kavramları

Batch
Epoch
Learning Rate
Linear Olmayan Fonksiyonlar

Derin Öğrenme Uygulamaları

NN Yapısı ile Regreson
NN ile Sınıflandırma

Derin Öğrenme Kavramları

Neden Verimizi Normalize Ederiz? Verimizi Aynı Uzaya Çekmek
Regularization
Loss Function vs Metric
Residual Block
Batch Normalization
Transfer Learning
Fine-tuning

Görüntü İşleme Temelleri

Resimlerin Bilgisayarda İfadesi: Grayscale, RGB
Resim Filtreleme Teknikleri: Smoothing, Sharpening, Edge Detection
Resim Dönüştürme Teknikleri: Scaling, Rotation, Translation
Görüntü İşlemede Veri Çoklama Teknikleri

Convolutional Neural Network (CNN)

Öğrenilebilir Filtre Mantığı
Çok Boyutlu Filtreler
Özellik Çıkarıcı Olarak Filtreler
Pooling, Stride, and Padding Kavramları
CNN’lerde Transfer Learning

Vision Transformers (ViT)

Attention Mekanizması
Vision Transformers Mimarisi
CNN ile Karşılaştırma

YOLO ile Object Detection

Model Mimarisi
Modeli için Veri Hazırlama
YOLO Fine-tuning
YOLO vs Faster R-CNN
YOLOv8 ile Resimlerde Object Detection
YOLOv8 ile Videolarda Object Detection
Obje Takibi
Duruş Tahmini

NLP Temelleri

NLP Nedir?
Tokenization
Lemmatization
Name Entity Recognition
Word2Vec
GloVe
Seq2Seq Yapısı

Sınıflandırma

Yazı Sınıflandırması Temelleri
Hangi Metrikler Kullanılabilir?
Word Embeddings
Konu Modelleme

RNN-LSTM

RNN Yapısı
Vanishing Gradient
LSTM Mantığı
RNN ve LSTM ile Özetleme ve Sınıflandırma

Transformers

Transformers Yapısı
Paralelleştirilebilir Mimari
NLP Problemlerinde Transformers Yapısının Kullanılması
Huggingface Transformers

Büyük Dil Modelleri (LLM)

LLM Temelleri
Kapalı vs Açık Kaynak Dil Modelleri
API ile Dil Modellerine Bağlanmak
Açık Kaynak Dil Modellerini Kendi Verimiz Üzerinde Eğitmek

Veri Görselleştirmenin Temelleri

Görsel Algı ve Veri Temsili
Uygun Görselleştirme Türlerini Seçme

Python ile Veri Görselleştirme

Python Kütüphaneleri Kullanımı (Matplotlib, Seaborn, Plotly)
Python ile İleri Düzey Görselleştirmeler Oluşturma

Tableau ile Veri Görselleştirme

Tableau'da Paneller ve Görsel Raporlar Tasarlama
Python Betiklerini Tableau ile Entegre Etme

Anlatı ve Hikaye Anlatımı

Etkili Veri Hikayesi Anlatım Teknikleri
Etkileyici Sunumlar Oluşturma

Veri Raporlamasının Temelleri

Hedef Kitle ve Amacı Anlama
Etkili Raporlar Yazma ve Yapılandırma

Python ile Veri Raporlama Teknikleri

Python Kütüphaneleri Kullanarak (Pandas, Matplotlib) Rapor Oluşturma
Python'ı Raporlama Araçlarıyla Entegre Etme

Etkileşimli Raporlama Araçları

Tableau'da Dinamik Paneller Oluşturma
Python Analizlerini Tableau Raporlarına Entegre Etme

Web Tabanlı Raporlama

Raporlama için Python Web framework'lerine Genel Bakış (Flask, Django)

Veri Raporlamasında Vaka Çalışmaları

Başarılı Veri Raporlarının Analizi
Yaygın Hatalar ve En İyi Uygulamalar