Eğitimler
Eğitim takvimi Workshop Takvimi
işbirliğiyle

işbirliğiyle

Data Science Bootcamp Yeni Dönem - Mindset
Sertifikalı
Bu program süresince elde edeceğiniz alan bilgisiyle kariyeriniz ve çalıştığınız kurumda fark yaratacaksınız.
EĞİTİM DETAYLARI
Kalan Kontenjan 17 / 30
26 EKİM 2024
Cmt 14:00 / 17:00
Sal 19.00 / 22.00
6 Ay
Online Eğitim

Uzaktan Eğitim

Canlı Sınıf

KAYIT VE ÖDEME DETAYLARI
Fiyat, ödeme koşulları, eğitim konularının detaylı bilgisi için form doldurun

Tüm sorularınız için : 444 1 476 veya info@mindset.com.tr

DÖNEM
TARİH
GÜNLER
SÜRE
KONTENJAN
NAKİT FİYATI
KREDİ KARTI
Yeni Dönem - Mindset
Sertifikalı
26.10.2024
Cmt 14:00 / 17:00
Sal 19.00 / 22.00
6 Ay
30 / 17

Fiyatı görmek için form doldurun

Yeni Dönem - Boğaziçi
Üniversitesi Sertifikalı
26.10.2024
Cmt 14:00 / 17:00
Sal 19.00 / 22.00
6 Ay
30 / 12

Fiyatı görmek için form doldurun

Yeni Dönem - Mindset
Sertifikalı
27.10.2024
Pzr 14:00 / 17:00
Çarş 19.00 / 22.00
6 Ay
30 / 16

Fiyatı görmek için form doldurun

Yeni Dönem - Boğaziçi
Üniversitesi Sertifikalı
27.10.2024
Pzr 14:00 / 17:00
Çarş 19.00 / 22.00
6 Ay
30 / 11

Fiyatı görmek için form doldurun

Yeni Dönem - Mindset
Sertifikalı (Örgün)
11.11.2024
Pzt & Çar 14.00 / 17.00
6 Ay
30 / 5

Fiyatı görmek için form doldurun

Data Science Bootcamp Yeni Dönem - Mindset
Sertifikalı

444 1 476
EĞİTİM İÇERİĞİ

Genel Bilgi

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.

 

 

Genel Bilgi
Python'a Giriş
Python komut satırı ve IDE kullanımı
Türler ve Değişkenler

String, Integer, Float, Complex

Değişken tanımlama ve türleri yönetmek

List yapısı

Aylık yol masrafı hesaplama uygulaması

 

       Uygulama:

       Basit bir hesap makinesi uygulaması

Temel İfadeler

Dallanma/if/elseif/else

break ve continue Kullanımı

For ve while döngüleri

Karakter dizilerinin içeriğini karşılaştırma uygulaması

 

      Uygulama:

      Karakter dizisindeki karakterleri sayma uygulaması

Veri Yapıları

Liste, Stacks, Queues, Tuples ve Sequences

Kümeler (Sets)

Sözlük (Dictionary)

 

       Uygulama:

       Basit bir telefon rehberi oluşturma uygulaması

Fonksiyonlar

Argümanlar ve Formal Parametreler

Global Değişkenler, Yerel (Local) Değişkenler

Fonksiyonlara Parametre Aktarımı

Fonksiyonlardan Değer Döndürme

 

       Uygulama:

       Belli bir aralıkta rastgele sayılar üretme uygulaması

Dosyalar ile Çalışmak

Dosya Açma, okuma, yazma

Binary Dosyalar

Dosyaların içeriğini karşılaştırma uygulaması

 

       Uygulama:

       Dosyaların içindeki karakterleri sayma uygulaması

Exceptions (İstisnalar)

Temel Hata Kontrolü

İstisnaların Yakalanması

try/except ve finally kullanımı

 

         Uygulama:

         Yazma izni olmayan bir dosyaya yazma ve hata kontrolü uygulaması

Modüller ve Paketler

İsim Uzayları (NameSpaces)

imports Kullanımı

Modülleri devreye alma

 

        Uygulama:

        Basit bir sözlük modülü tanımlama ve üzerinde işlemler yapma uygulaması

Sınıflar

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 Edinimi ve Çıkartma - 1

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

 

Veri Edinimi ve Çıkartma - 2

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 Ambarı

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 Temizleme

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

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

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 Sınıflandırma

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 Özetleme

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 Temelleri

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 ve Doğrulayıcı Analiz

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 Analizi

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 Teknikleri

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 Öğrenmeye Giriş

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

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

Doğal Dil İşleme (NLP)

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 Görselleştirme

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 Raporlaması

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

Büyük Veri Temelleri

Büyük Veri Kavramı ve Özellikleri

Büyük Veri Nedir?
Büyük Verinin 5V’si (Volume, Velocity, Variety, Veracity, Value)

Büyük Veri Mimarileri ve Ekosistemi

Büyük Veri Mimarileri
Hadoop Ekosistemi ve Bileşenleri

Apache Spark

Apache Spark Nedir?

Apache Spark'ın Tanımı ve Tarihçesi
Spark'ın Kullanım Alanları ve Avantajları

Spark Mimarisi

Spark Mimarisi ve Bileşenleri
Spark Cluster ve Çalışma Prensipleri

RDD Temelleri

RDD'nin Yapısı ve Özellikleri
RDD Yaratma ve Dönüşüm İşlemleri (Transformations and Actions)

DataFrame ve Dataset

DataFrame Nedir ve Neden Kullanılır?
Dataset API'si ile Çalışma
DataFrame ve RDD Arasındaki Farklar

Spark SQL

Spark SQL ile Veri İşleme
DataFrame API ve SQL Sorguları

Spark MLib ile Makine Öğrenimi

Spark MLib Nedir?
Temel Makine Öğrenimi Algoritmaları

Gerçek Zamanlı Veri İşleme

Spark Streaming'in Temelleri
DStream Kavramı

Spark Streaming Uygulamaları

Spark Streaming ile Gerçek Zamanlı Veri İşleme Örnekleri
Spark Streaming API'si Kullanımı

Apache Kafka - 1

Apache Kafka Nedir?

Apache Kafka'ya giriş
Kafka'nın Kullanım Alanları

Kafka Mimarisi

Kafka Mimarisi ve Bileşenleri (Broker, Topic, Partition, Producer, Consumer)
Kafka Cluster ve Çalışma Prensipleri

Kafka Kurulumu

Kafka'nın Kurulumu ve Konfigürasyonu
Zookeeper Kurulumu ve Rolü

Producer API

Producer API Temelleri
Veri Gönderme ve Üretici Konfigürasyonu

Consumer API

Consumer API Temelleri
Veri Okuma ve consumer Konfigürasyonu

 

Apache Kafka - 2

Kafka Producer ve Consumer Uygulamaları

Basit Üretici ve Tüketici Uygulamaları
Gelişmiş producer ve consumer Kullanımı

Kafka Connect

Kafka Connect Nedir?
Veri Kaynakları ve Hedefleri ile Entegrasyon
Temel ve Gelişmiş Kafka Connect Uygulamaları

Kafka Streams

Kafka Streams Nedir?
Stream Processing ve State Management
Kafka Streams ile Gerçek Zamanlı Veri İşleme Örnekleri

Genel Bilgi

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.

 

 

Python'a Giriş
Python komut satırı ve IDE kullanımı
Türler ve Değişkenler

String, Integer, Float, Complex

Değişken tanımlama ve türleri yönetmek

List yapısı

Aylık yol masrafı hesaplama uygulaması

 

       Uygulama:

       Basit bir hesap makinesi uygulaması

Temel İfadeler

Dallanma/if/elseif/else

break ve continue Kullanımı

For ve while döngüleri

Karakter dizilerinin içeriğini karşılaştırma uygulaması

 

      Uygulama:

      Karakter dizisindeki karakterleri sayma uygulaması

Veri Yapıları

Liste, Stacks, Queues, Tuples ve Sequences

Kümeler (Sets)

Sözlük (Dictionary)

 

       Uygulama:

       Basit bir telefon rehberi oluşturma uygulaması

Fonksiyonlar

Argümanlar ve Formal Parametreler

Global Değişkenler, Yerel (Local) Değişkenler

Fonksiyonlara Parametre Aktarımı

Fonksiyonlardan Değer Döndürme

 

       Uygulama:

       Belli bir aralıkta rastgele sayılar üretme uygulaması

Dosyalar ile Çalışmak

Dosya Açma, okuma, yazma

Binary Dosyalar

Dosyaların içeriğini karşılaştırma uygulaması

 

       Uygulama:

       Dosyaların içindeki karakterleri sayma uygulaması

Exceptions (İstisnalar)

Temel Hata Kontrolü

İstisnaların Yakalanması

try/except ve finally kullanımı

 

         Uygulama:

         Yazma izni olmayan bir dosyaya yazma ve hata kontrolü uygulaması

Modüller ve Paketler

İsim Uzayları (NameSpaces)

imports Kullanımı

Modülleri devreye alma

 

        Uygulama:

        Basit bir sözlük modülü tanımlama ve üzerinde işlemler yapma uygulaması

Sınıflar

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 Edinimi ve Çıkartma - 1

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

 

Veri Edinimi ve Çıkartma - 2

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 Ambarı

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 Temizleme

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

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

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 Sınıflandırma

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 Özetleme

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 Temelleri

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 ve Doğrulayıcı Analiz

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 Analizi

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 Teknikleri

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 Öğrenmeye Giriş

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

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

Doğal Dil İşleme (NLP)

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 Görselleştirme

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 Raporlaması

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

Büyük Veri Temelleri

Büyük Veri Kavramı ve Özellikleri

Büyük Veri Nedir?
Büyük Verinin 5V’si (Volume, Velocity, Variety, Veracity, Value)

Büyük Veri Mimarileri ve Ekosistemi

Büyük Veri Mimarileri
Hadoop Ekosistemi ve Bileşenleri

Apache Spark

Apache Spark Nedir?

Apache Spark'ın Tanımı ve Tarihçesi
Spark'ın Kullanım Alanları ve Avantajları

Spark Mimarisi

Spark Mimarisi ve Bileşenleri
Spark Cluster ve Çalışma Prensipleri

RDD Temelleri

RDD'nin Yapısı ve Özellikleri
RDD Yaratma ve Dönüşüm İşlemleri (Transformations and Actions)

DataFrame ve Dataset

DataFrame Nedir ve Neden Kullanılır?
Dataset API'si ile Çalışma
DataFrame ve RDD Arasındaki Farklar

Spark SQL

Spark SQL ile Veri İşleme
DataFrame API ve SQL Sorguları

Spark MLib ile Makine Öğrenimi

Spark MLib Nedir?
Temel Makine Öğrenimi Algoritmaları

Gerçek Zamanlı Veri İşleme

Spark Streaming'in Temelleri
DStream Kavramı

Spark Streaming Uygulamaları

Spark Streaming ile Gerçek Zamanlı Veri İşleme Örnekleri
Spark Streaming API'si Kullanımı

Apache Kafka - 1

Apache Kafka Nedir?

Apache Kafka'ya giriş
Kafka'nın Kullanım Alanları

Kafka Mimarisi

Kafka Mimarisi ve Bileşenleri (Broker, Topic, Partition, Producer, Consumer)
Kafka Cluster ve Çalışma Prensipleri

Kafka Kurulumu

Kafka'nın Kurulumu ve Konfigürasyonu
Zookeeper Kurulumu ve Rolü

Producer API

Producer API Temelleri
Veri Gönderme ve Üretici Konfigürasyonu

Consumer API

Consumer API Temelleri
Veri Okuma ve consumer Konfigürasyonu

 

Apache Kafka - 2

Kafka Producer ve Consumer Uygulamaları

Basit Üretici ve Tüketici Uygulamaları
Gelişmiş producer ve consumer Kullanımı

Kafka Connect

Kafka Connect Nedir?
Veri Kaynakları ve Hedefleri ile Entegrasyon
Temel ve Gelişmiş Kafka Connect Uygulamaları

Kafka Streams

Kafka Streams Nedir?
Stream Processing ve State Management
Kafka Streams ile Gerçek Zamanlı Veri İşleme Örnekleri

KARİYER OLANAKLARI

KARİYER OLANAKLARI

Program Mezunları Eğitim Sonunda Hangi İşlere Başvurabilirler?

 

Program mezunları aşağıda belirtilen pozisyonlar için gerekli olan yetkinlikleri kazanmış olacaklardır.

1.Veri Ambarı Uzmanı/ Datawarehouse Specialist

2.İş Zekası Danışmanı/Uzmanı

3.Veri Bilimci/Data Scientist

4.Yazılım Analisti/ Test Uzmanı

5. Veri Mimarı/ Data Architect

6.Makine Öğrenmesi Mühendisi/ Machine Learning Engineer

7.Infrastructure Architect/ IT Altyapı Çözüm Uzmanı 

SIKÇA SORULAN SORULAR
SIKÇA SORULAN SORULAR
Data Science eğitimi neden tercih edilmeli?

Data Science, içinde birçok uzmanlık gerektiren disiplini barındırmaktadır. Önde gelen global şirketler, data yönetimi ile ilgili farklı yeteneklere sahip uzmanlarla çalışıyor.

Veri yönetimi konusu şirketlerin pazarlama, müşteri deneyimi, iş geliştirme, yazılım geliştirme, iş zekası ve diğer faaliyetlerinde önemli rol oynuyor.

Hem Türkiye'de hem de global çapta uzman açığı sürekli artmakta. Gartner tarafından açıklanan birçok raporda Data Science kavramının AI ve Big Data kavramlarıyla beraber sürekli yükselen bir trend izlediğini görüyoruz. Bu da geleceğin profesyonel dünyasında yer almak için doğru bir yolda olduğunuzu gösteriyor.

 

Data Scientist hangi işleri yapar ?

Yapılandırılmamış ve yapılandırılmış verilerle ilgilenen Data Scientist, veri temizleme, hazırlama ve analiz ile ilgili her şeyi içeren görevleri yerine getirmek ve takip etmekle ilgilidir.

Veri Bilimi, istatistik, matematik, programlama, problem çözme, verileri ustaca bir şekilde yakalama, olaylara farklı şekilde bakabilme ve verileri temizleme, hazırlama ve hizalama işlerini bir fiil yürütür.

Basit bir ifadeyle, verilerden içgörü ve bilgi elde etmeye çalışan kişidir.

Programın hedefi nedir ?

Program süresince bir Data Scientist'in iş tanımı içinde geçen aşağıdaki 5 farklı yeteneğin geliştirilmesi amaçlanmıştır.

Capture, (data acquisition, data entry, signal reception, data extraction);
Maintain (data warehousing, data cleansing, data staging, data processing, data architecture);
Process (data mining, clustering/classification, data modeling, data summarization);
Analyze (exploratory/confirmatory, predictive analysis, regression, text mining, qualitative analysis);
Communicate (data reporting, data visualization, business intelligence, decision making)

Öğreneceğim bilgiler ve uygulamalar yurtdışında kariyer olanağı sağlar mı ?

Programda öğreneceğiniz bilgiler ve gerçekleştireceğiniz uygulamalar Data Science alanında global standartlardadır. Dev teknoloji şirketlerinin kullandıkları programlama dilleri ve teknik uygulamalar dikkate alınarak gerçekleştirilen bu programda elde edeceğiniz bilgiler size ülkemiz dışındaki iş fırsatlarını da değerlendirebilme imkanı sunacaktır. 

 

Programda uygulama ve proje yapılıyor mu?

Eğitimin tamamı uygulamalıdır. Her eğitim konusunda bazı temel kavramların paylaşılmasından sonra katılımcılara verilecek yönlendirmelerle uygulama aşamasına geçilecektir. 

Program sonunda eğitim çıktısının değerlendirilmesi amaçlı proje uygulaması yapılacaktır. Gerçekleştirdiğiniz proje değerlendirilerek, sertifikalandırılacaktır. 

Döküman paylaşımı yapılacak mı ?

Eğitiminizin başladığı hafta itibariyle ilgili materyal paylaşımları gerçekleştirilecektir. 

Hangi model bilgisayar kullanmak gerekir ?

Programa şahsi bilgisayarınızla katılmanız gerekmektedir. Eğitim saatleri dışında da yapmanız gereken uygulamalar konusunda yönlendirmeler yapılacaktır. Bilgisayar modeli zorunluluğu yoktur.

Eğitim sonunda sertifika verilecek mi ?

Programda %70 devam koşulu bulunmaktadır. Devam zorunluluğunu yerine getiren katılımcılar sertifika almaya hak kazanacaktır.

Eğitim sonunda gerçekleştirilen proje çalışmasında başarılı sayılan katılımcılar Mindset Institute onaylı Uzmanlık Sertifikası almaya hak kazanacaktır.

Proje çalışmasına katılmayan veya proje çalışmasından başarılı sayılmayan katılımcılar Mindset Institute onaylı Katılım Sertifikası almaya hak kazanacaktır.

Ödeme ve kayıt koşulları nelerdir ?

Kayıt işlemlerinizi online sistem üzerinden tamamlayabilirsiniz. Online ödeme sistemi 7/24 hizmet vermektedir.

Üyelik oluşturarak giriş yaptıktan sonra farklı ödeme seçeneklerinden sizin için en uygun olanı seçebilir ve satın alma işleminizi tamamlayabilirsiniz.

Satın alma işlemini tamamladığınızda kaydınız gerçekleşir ve tarafınıza gerekli evraklarla ilgili bilgilendirme maili gönderilir. 

Eğitim kurumumuza özel olarak planlanabilir mi ?

Eğitim programı, kurumların farklı ihtiyaçları ve gelişim hedefleri doğrultusunda yeniden tasarlanarak uygulanabilmektedir.

Kurumunuza yönelik talebi iletmek için aşağıda yer alan kurumsal eğitim başvurusu formunu doldurabilir, sizin için en uygun teklifi alabilirsiniz. 

KURUMSAL BAŞVURU
Bu eğitimi kurumsal olarak planla ve uygula Mindset Institute kalitesi ve denetimi altında takımın veya şirketin için eğitim planla. Yeni beceriler kazanmanıza, çalışanlarınızın gelişimini yönetmenize ve işgücünüzü eğitmenize nasıl yardımcı olabiliriz?
SONRAKİ DÖNEMLER

SONRAKİ DÖNEMLER

Eğitim bütçenizi ve diğer detayları düzenlemek için diğer dönemlerin bilgisine ihtiyaç duyabileceğinizi düşündüğümüzden dolayı bu bilgileri sizinle paylaşıyoruz. Aşağıda sonraki dönemlerin başlangıç tarihlerini görebilirisiniz.
Yeni Dönem - Mindset
Sertifikalı
26 EKİM 2024
Data Science Bootcamp
Kontenjan : 30 / 17
Yeni Dönem - Boğaziçi
Üniversitesi Sertifikalı
26 EKİM 2024
Data Science Bootcamp
Kontenjan : 30 / 12
Yeni Dönem - Mindset
Sertifikalı
27 EKİM 2024
Data Science Bootcamp
Kontenjan : 30 / 16
Yeni Dönem - Boğaziçi
Üniversitesi Sertifikalı
27 EKİM 2024
Data Science Bootcamp
Kontenjan : 30 / 11
Yeni Dönem - Mindset
Sertifikalı (Örgün)
11 KASIM 2024
Data Science Bootcamp
Kontenjan : 30 / 5
KAYIT ve ÖDEME

DETAYLI BİLGİ İSTE

Şimdi kendin veya şirketin için eğitim planla

Fiyat, ödeme koşulları, eğitim konularının detaylı bilgisi için form doldurun

*
*
*
*
*