Veri Mühendisliği ve Tahminsel İstatistik Eğitimi

Eğitim Hakkında

Veri bilimi ham verinin toplanması, temizlenmesi, analizi ve içgörüye dönüştürülmesi sürecidir. A çıklayıcı İstatistik (Descriptive) ise merkezi eğilim, dağılım ve veri yapısını özetler. Eğitimimiz, veri biliminin temellerinden başlayarak açıklayıcı, tahminsel ve kuralcı (prescriptive) istatistik yaklaşımlarını uygulamalı örneklerle ele alır. Katılımcılar; veri setlerini tanıma, özetleme, modelleme ve iş kararlarına dönüştürme süreçlerini endüstri standartlarında öğrenir ve uygulama becerisi kazanır.

Ön Koşul

Bu Eğitimin Herhangi Bir Ön Koşulu Yoktur.

Eğitim İçeriği

Veri Bilimine Giriş & İstatistiksel Yaklaşımlar

Amaç
Veri bilimi yaşam döngüsünü ve analitik türlerini iş bağlamına oturtmak.i
Yaşam Döngüsü ve Süreçler
Problem tanımı → hipotez → veri gereksinimi → toplama/entegrasyon → temizleme/özellik → analiz/modelleme → doğrulama → görselleştirme → karar/aksiyon → izleme.
CRISP-DM aşamaları ve iş birimleriyle etkileşim (stakeholder mapping, RACI)
Veri Kalitesi ve Yönetişim
Boyutlar: doğruluk, bütünlük, tutarlılık, tekillik, gecikme/güncellik.
Veri sözlüğü, şema yönetimi, veri soyu (lineage), kalite kuralları (expectations).
KVKK/GDPR, PII maskeleme/anonimleştirme; rol tabanlı erişim (RBAC)
Analitik Türleri ve Kullanım Senaryoları
Açıklayıcı: KPI takibi, anomali tespiti, kök neden analizi (RCA).
Tahminsel: talep/churn/satış/arıza; özelliğe dayalı segmentasyon.
Kuralcı: bütçe/kapasite/rota optimizasyonu; senaryo/duyarlılık analizi.
Ölçüm ve Deney Tasarımı
KPI/OKR hiyerarşisi; öncü–ardıl metrik ayrımı.
A/B, çok kollu bandit, sıralı test; örnek hacmi ve güç analizi.
Araç Ekosistemi (yüksek seviye)
Python (pandas, numpy, scipy, statsmodels), SQL, BI (Power BI/Tableau), not defterleri.
Uygulama
Mini EDA: veri tipleri, eksik değer, aykırı, özet istatistik; hızlı tek sayfa bulgu

Uygulamalı İstatistik – I

Özet ve Hedef
Açıklayıcı istatistik, dağılım analizi ve temel testler ile sağlam EDA.
Merkezi Eğilim ve Dağılım
Ortalama, medyan, mod; robust ölçüler (trimmean)
Varyans, σ, IQR, MAD; çarpıklık/basıklık; hataya duyarlılık
Dönüşümler ve Ölçekleme
Log/Box-Cox/Yeo-Johnson; standardizasyon vs. min–max; robust scaling.
Aykırı Değer Yönetimi
Z-skor, IQR, robust z; Grubbs testi; iş kararlarına etkisi
Örnekleme ve Örnek Hacmi
Basit/tabakalı/küme; örnek hacmi sezgisi, tasarım etkisi (design effect)
Temel Hipotez Testleri
Tek/çift örnek t-test, oran testleri; parametrik vs. non-parametrik (Mann–Whitney, Wilcoxon)
Güven aralığı yorumu; p-değeri tuzakları; etki büyüklüğü (Cohen’s d)
Görselleştirme
Histogram, KDE, kutu/violin; QQ-plot ile normalite kontrolü
Uygulama
Aykırı değerin regresyon eğimine etkisi; öncesi/sonrası karşılaştırma

Uygulamalı İstatistik – II

Özet ve Hedef
İlişki analizi, doğrusal regresyon, ANOVA ve ki-kare ile çıkarım
Korelasyon ve İlişkiler
Pearson/Spearman/Kendall; saçılım grafikleri; ısı haritası; kısmi korelasyon
Doğrusal Regresyon
Basit/çoklu; etkileşim terimleri; kategorik değişkenler (one-hot/target encoding)
Varsayımlar: doğrusallık, homoskedastisite (Breusch–Pagan/White), normallik, otokorelasyon (Durbin–Watson)
Çoklu doğrusal bağlantı: VIF ve çözüm stratejileri (özellik seçimi/PCA)
Model Değerlendirme
R², düzeltilmiş R², MSE/RMSE/MAE; çapraz doğrulama (k-fold, nested CV)
Zaman serisi ayrımı (TimeSeriesSplit) ve sızıntı (leakage) önleme
ANOVA ve Post-Hoc
Tek/iki yönlü ANOVA; Welch ANOVA; Tukey HSD; etki büyüklüğü (η², ω²)
Temel Hipotez Testleri
Tek/çift örnek t-test, oran testleri; parametrik vs. non-parametrik (Mann–Whitney, Wilcoxon)
Güven aralığı yorumu; p-değeri tuzakları; etki büyüklüğü (Cohen’s d)
Ki-Kare Testleri
Histogram, KDE, kutu/violin; QQ-plot ile normalite kontrolü
Raporlama
Artık (residual) analizi grafikleri; belirsizlik görselleştirme
Uygulama
Çoklu regresyonda özellik seçimi (forward/backward/stepwise) + CV ile karşılaştırma

Uygulamalı İstatistik – II (Gelişmiş)

Özet ve Hedef
Lojistik regresyon, dengesiz veri, çok değişkenli yöntemler, Bayes temelleri ve zaman serisine giriş
Lojistik Regresyon
Olasılık/odds/log-odds; karar eşiği seçimi; L1/L2/ElasticNet; kalibrasyon (Platt/Isotonic)
Sınıflandırma Metrikleri
OC–AUC vs. PR–AUC; F1/precision/recall; cost-sensitive karar; kaldırma eğrileri (lift/gain)
Dengesiz Veri
Sınıf ağırlığı, SMOTE/ADASYN/undersample; ayrık eşik ve iş maliyeti
Çok Değişkenli Analiz
PCA: varyans açıklama, bileşen yorumu, biplot; faktör analizi: döndürme (varimax/promax)
Kümeleme kısa dokunuş: K-means vs. hiyerarşik (yalnızca sezgi ve uyarılar)
Bayesçi Temeller
Öncel/ardıl; güven vs. inanç aralığı farkı; conjugate örnekler; küçük örneklem avantajı
Zaman Serisine Giriş
Durağanlık (ADF/KPSS), ACF/PACF, mevsimsellik/trend; fark alma ve temel ARIMA/ETS sezgisi
Model Güvenilirliği
Kalibrasyon eğrileri, Brier skoru; karar eğrisi analizi (DCA) sezgisi
Uygulama
Dengesiz churn verisinde eşik optimizasyonu: gelir maksimize eden eşik

Büyük Veri Teknolojileri ve Uygulamaları

Özet ve Hedef
Ölçeklenebilir veri işleme, dosya formatları, akış mimarileri ve Spark pratikleri
Hadoop ve Dosya Formatları
HDFS, YARN, MapReduce; Parquet/ORC/Avro; sıkıştırma ve kolonarlık avantajları
Apache Spark
Driver/executor, DAG, lazy evaluation; narrow vs. wide transformations
Performans: partitioning, cache/persist, broadcast join, skew mitigation
Spark SQL/DataFrame API; UDF/UDTF uyarıları; adaptif sorgu yürütme (AQE)
MLlib Kısa Giriş
Pipeline, özellik vektörizasyonu, standard scaler; grid/random search
NoSQL Ekosistemi
MongoDB (belge), Cassandra (geniş sütun), Redis (KV); şema tasarım desenleri, TTL/sekans
Gerçek Zamanlı Akış
Kafka: topic/partition/offset; consumer group; backpressure ve tam-semantikler
Structured Streaming: watermarking, windowed aggregation, exactly-once stratejileri
Mimari Örüntüler
Lambda vs. Kappa; Lakehouse (Delta/Iceberg/Hudi) ve ACID tablolar
Uygulama
10–50M satırlık clickstream üzerinde Spark EDA + join + window fonksiyonları

Veri Tabanı Yönetimi ve Büyük Veri

Özet ve Hedef
İlişkisel tasarım, sorgu performansı, dağıtık tutarlılık, ETL/ELT ve bulut DWH
Şema Tasarımı
3NF vs. denormalizasyon; boyutsal model: fact/dim, SCD (Type 1/2); surrogate key stratejileri
SQL Performansı
İndeksler: B-tree, hash, BRIN; metin ve JSON için GIN/GiST (PostgreSQL)
Sorgu planı/EXPLAIN; join sırası, filtre iteleme (predicate pushdown); window fonksiyonları
Tutarlılık ve Ölçek
CAP teoremi; ACID vs. BASE; çok-bölge replikasyon, okuma/yazma gecikmesi
SQL vs. NoSQL Tercihi
Erişim örüntüsü, gecikme/throughput, esneklik, şema evrimi, TCO değerlendirmesi
DWH/Lake/Lakehouse
Bronz–gümüş–altın katmanları; veri doğrulama (great expectations vb.); metadata/katalog
ETL/ELT ve Orkestrasyon
CDC (log-based), Airflow/Dagster; dbt ile modelleme ve testler; veri sürümleme
Bulut DWH Platformları
Redshift, BigQuery, Synapse: maliyet kontrolü (slot/credit/billing), güvenlik (KMS/CMK), yönetişim
Uygulama
OLTP → DWH modeline dönüşüm; günlük artımsal yükleme DAG taslağı

Veri Tabanı Yönetimi ve Büyük Veri 2

Özet ve Hedef
Bulgu → içgörü → eylem zincirini görsel anlatı ile güçlendirmek
Doğru Grafik Seçimi
İlişki/karşılaştırma/bileşim/dağılım/yoğunluk; küçük çokluklar; sparklines/bullet chart
Tasarım İlkeleri
Eksen/ölçek, boşluk kullanımı, tipografi; preattentive özellikler; açıklık ve etik görsel kullanım
Erişilebilirlik: renk körlüğü güvenli paletler; etiket/kontrast kuralları
Araç ve Üretime Geçiş
Power BI/Tableau prototip → veri kaynağı yönetimi → yayınlama → veri yenileme
Python: matplotlib/Plotly; tema/şablon tutarlılığı; yeniden üretilebilirlik
Dashboard Tasarımı
KPI hiyerarşisi, filtre/etkileşim, drill-down, uyarı/abonelik; kullanım izinleri
Anti-Paternler
Eksen manipülasyonu, cherry-picking, 3D/gradient yanılsamalar, cut-off tuzakları
Uygulama
“Tek sayfa yönetici özeti” çalışması: problem → metrik → bulgu → öneri

Kazanımlar

Ölçülebilir KPI’lar oluşturarak karar verme süreçlerinde öznelliği minimize etmeyi,

Regresyon ve sınıflandırma modelleriyle talep/satış/operasyon tahminlerinde doğruluk artışı sağlamayı,

Kaynak dağılımı, stok yönetimi ve süreç optimizasyonu için eylem önerileri sunmayı,

Analiz sonuçlarını grafiklerle ve anlatımla birleştirerek paydaş ikna gücünü artırmayı,

Python, R, SQL, Tableau, Power BI gibi yaygın teknolojilerde uygulamalı deneyimi hedefler.

Hedef Kitle

Veri Analistleri & Veri Bilimciler

İş Zekâsı (BI) Uzmanları

Yazılım Mühendisleri & Geliştiriciler

Dikey Uzmanlar (Finans, Sağlık, Pazarlama vb.

Ürün ve Proje Yöneticileri

Sertifika

Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınav/projelerin başarıyla tamamlanması durumunda, eğitimin sonunda dijital ve QR kod destekli “BT Akademi Başarı Sertifikası” verilmektedir.