Eğitim Hakkında
Bu eğitim, iş analistlerinin karar alma süreçlerinde Python programlama dilinden ve veri bilimi araçlarından nasıl etkin faydalanabileceklerini öğretmeyi amaçlar. Temel düzeyde Python bilgisiyle başlayan program, katılımcılara veri analizi, raporlama, süreç otomasyonu ve iş zekâsı uygulamaları konusunda uygulamalı beceriler kazandırır.
Eğitim sonunda katılımcılar, iş süreçlerini veriyle yorumlayabilen, süreçlerdeki darboğazları analiz edebilen ve Python ile otomasyon çözümleri geliştirebilen birer analist haline gelirler.
İş Analistleri için Python ve İş Süreçlerinde Kullanımı Eğitimi; kodlama bilmeyen bireylerin yazılım dünyasına adım atmasını sağlarken, aynı zamanda veri okuryazarlığını artırarak, veri ile çalışan herkesin analitik düşünebilmesini sağlar.
NumPy, Pandas, Matplotlib, Seaborn gibi kütüphanelerle yapılan uygulamalar, gerçek veri setleri üzerinden pratik bilgi edinme imkânı sunar.
Kimler İçindir?
- İş analistleri ve analist adayları
- Veri ile çalışan süreç yöneticileri
- Excel ile çalışan fakat veri analizinde daha fazlasını isteyen profesyoneller
- Python öğrenerek veriyle karar vermek isteyen bireyler
- İK, Finans, Operasyon ve Satış ekipleri
- Veriye dayalı rapor hazırlamak isteyen herkes
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.
Eğitim İçeriği
- Eğitimin Tanıtımı ve Hedefler
o Eğitim içeriğinin kapsamı, amaçları ve öğrenme çıktılarının belirlenmesi
o Katılımcı profili, sektör örnekleri ve uygulama alanlarının tartışılması
o Eğitim metodolojisinin (teorik dersler, interaktif atölyeler, vaka çalışmaları, proje uygulamaları) açıklanması - Python’ın Tarihçesi ve Evrimi
o Python’un gelişim süreci, sürüm farkları (Python 2 vs Python 3)
o Python felsefesi ve “Zen of Python” - Temel Programlama Kavramları
o Veri, değişkenler, operatörler, ifadeler ve kontrol yapıları
o Temiz kod prensipleri ve PEP 8 standartları
- Temel Sözdizimi ve Veri Tipleri
o Sayılar, string’ler, boolean değerler ve temel veri tipleri
o Değişken atama, tip dönüşümleri ve basit ifadeler - Kontrol Yapıları ve Döngüler
o If‑else, switch‑case benzeri yapılar, mantıksal operatörler
o For ve while döngüleri, break, continue, pass kullanımları - Fonksiyonlar
o Fonksiyon tanımlama, argümanlar, geri dönüş değerleri
o Lambda fonksiyonları, map, filter, reduce ve list comprehension
- Listeler, Tuple’lar, Set’ler ve Sözlükler
o Her veri yapısının oluşturulması, erişim yöntemleri ve temel işlemleri
o Liste metotları, slicing, indeksleme, ekleme ve silme işlemleri - Koleksiyonlar ve İleri Kullanımlar
o collections modülü: Counter, defaultdict, namedtuple, deque
o Veri yapılarının performans analizi ve kullanım senaryoları
- Modüller ve Paketler
o Modül oluşturma, import etme, paket yapısı ve init.py dosyaları
o Python Standard Library ve popüler kütüphanelerin kullanımı - Fonksiyonel Programlama Yaklaşımları
o Yüksek mertebeden fonksiyonlar, dekoratörler ve closure kavramları
o Generator’lar, iterator’lar ve context managers (with, yield) - Kod Organizasyonu ve Refactoring
o Kodun yeniden yapılandırılması, modülerlik, yeniden kullanılabilirlik
o Hata ayıklama, performans optimizasyonu ve kod standartları
- Eksik Veri Analizi
o isna() ısı haritası, missingness patterns (NMAR vs MAR)
o Sütun türüne göre doldurma: sayısal (medyan/KNN), kategorik (mode)
o sklearn.impute – IterativeImputer, KNNImputer örnekleri - Aykırı Değer Tespiti
o Robust Z‑Skor (MAD) kullanımı
o Box‑Cox / Yeo‑Johnson dönüştürmeleri
o Visual outlier check: violin + swarm kombinasyonu - Metin ve Tarih Dönüşümleri
o Regex ile karma sütun bölme, çoklu capture group
o pd.to_datetime: takvim dışı tarih hataları, lokalizasyon (tz)
o Zaman damgası farkı (timedelta) ile yaş, SLA hesabı - Ölçeklendirme & Encoding
o StandardScaler, MinMaxScaler, RobustScaler kıyas
o Seyrek matrislerde One‑Hot: OneHotEncoder(sparse_output=True)
o Target / Frequency encoding (rare categories) - Veri Hazırlık Pipeline’ı
o ColumnTransformer ile paralel numeric‑categoric akış
o Feature/target split → preprocessörü pickle ile saklama
o İşlem adımlarını YAML konfigürasyonuna taşımak
- Hızlı Özet & Kalite Kontrol
o df.describe(include='all'), df.info(memory_usage='deep')
o Duplicate record analizi, unique set cardinality - Dağılım & Korelasyon Görselleştirme
o PairGrid ile kategorik hedefe göre renk kodlama
o Korelasyon ısı haritasında maskeleme & anotasyon - Hipotez Formülasyonu
o İş sorusunu analitik hipoteze dönüştürme şablonu (KPI‑driver‑metric)
o Etkileşim terimi tahmini, potansiyel confounder listesi - Gruplama & Segmentasyon
o groupby → agg ile kompleks sözlük (mean, median, pct95)
o Weighted average, custom aggregation (lambda)
o transform vs apply performansı - Çok Boyutlu Özetleme
o Pivot Table ve pd.crosstab – satış kanalı × ürün kategorisi × bölge
o Stack/unstack, melt – tidy data ilkeleri - Otomatik EDA Raporları
o Pandas Profiling metadatası; Sweetviz karşılaştırmalı rapor
o HTML raporu versiyon kontrolüne dahil etme (git‑lfs)
- Betimleyici Ölçüler
o Çarpıklık & basıklık yorumlanması (right/left skew)
o Range, IQR, CV – değişkenlik göstergeleri - Dağılım Aileleri
o Normal varsayım testi: Shapiro‑Wilk, Kolmogorov‑Smirnov
o Discrete vs continuous dağılımlar – iş sürecinde kullanım (Poisson: çağrı merkezi) - Örnekleme Teorisi
o Basit rasgele, orantısal, küme örnekleme iş analizi örnekleri
o Sampling error, margin of error hesaplama - Parametrik / Parametrik Olmayan Testler
o t‑test (bağımlı/bağımsız), Welch düzeltmesi
o Mann‑Whitney‑U, Kruskal‑Wallis – medyan kıyasları
o ANOVA → Posthoc (Tukey HSD) - Regresyon Diagnostikleri (Statsmodels)
o qqplot, VIF, Durbin‑Watson, Breusch‑Pagan
o Artık (residual) analizi ile model iyileştirme
- Matplotlib Çekirdeği
o Figure > Axes > Artist yapısı, Axis Spine özelleştirme
o İkincil eksen, paylaşılan eksenli çoklu grafik (subplots)
o Annotasyon ve callout kutuları - Seaborn Gelişmiş Grafikler
o Statistiksel ilişki çizimleri: regplot, residplot, lmplot
o Dağılım haritaları: kdeplot 2D, rugplot - Plotly ile Etkileşim
o Hovertemplate, slider‑based time series
o GraphObjects custom layout (grid, domain) - Mini Dashboard Geliştirme
o Dash: callback zinciri, dcc.Interval ile otomatik güncelleme
o Streamlit: st.sidebar, st.session_state (filtre tutarlılığı) - Storytelling & Veri Sunumu
o C‑Suite raporu için 3 grafik kuralı
o Renk körü dostu palet, kültürel renk kodu uyumu
- Değişken Tipolojisi
o Sürekli, sıralı, nominal, binary alan stratejileri
o Dummy trap önleme – referans kategori seçimi - Zaman Serisi Özellikleri
o Lag, lead, rolling mean/std, expanding window
o Datetime dekompozisyonu (yıl, çeyrek, hafta, tatil göstergesi) - Pipeline Otomasyonu (sklearn.pipeline)
o Sequential vs FeatureUnion (ColumnTransformer)
o Özel FunctionTransformer ile domain kuralı ekleme - Dengesiz Veri Teknikleri
o Random oversample & undersample kıyas
o SMOTE, Borderline‑SMOTE, ADASYN – avantaj / risk
o Class_weight ayarı ve threshold optimizasyonu - Veri Bölme Stratejileri
o Veri sızıntısı (data leakage) örnekleri ve önleme
o Zaman temelli split (TimeSeriesSplit)
o Nested CV ile hiperparametre seçiminin adil yapılması
Neden Bu Eğitimi Almalısınız ?
- Veri ile Karar Verme Becerisi: Verilerden anlam çıkararak iş süreçlerinde stratejik kararlar almanızı sağlar.
- Otomasyon ile Verimlilik: Tekrarlayan iş yüklerini azaltarak raporlamaları hızlandırır.
- Analitik Düşünme Yetisi: Python ile veri üzerinde sorgulama ve analiz kabiliyeti kazandırır.
- Görselleştirme ve Raporlama: Verilerin etkili bir şekilde sunulmasını sağlar.
- İş Süreçlerine Uyarlanabilirlik: Tüm departmanlarda uygulanabilir analiz yetkinliği kazandırır.
Önemli Notlar
Program ücretlerine KDV dahil değildir.
Paylaş: