İş Analistleri için Python ve İş Süreçlerinde Kullanımı Eğitimi
İş Analistleri için Python ve İş Süreçlerinde Kullanımı Eğitimi
Eğitim Hakkında
Bu eğitim, Python programlama temellerinden başlayarak veri temizleme, ön işleme, keşifsel veri analizi (EDA), istatistik, veri görselleştirme, özellik mühendisliği ve model hazırlığı gibi veri biliminin temel yapı taşlarını uçtan uca öğretmeyi hedeflemektedir. Katılımcılar, gerçek veri setleriyle uygulamalar yaparak hem Python yetkinliklerini hem de analitik problem çözme becerilerini geliştireceklerdir. Eğitim, modern veri bilimi araçlarını, iyi uygulama standartlarını ve endüstride kullanılan pratik teknikleri içeren uygulamalı bir yapı sunmaktadır.
Ön Koşul
Bu eğitim için temel düzeyde bilgisayar kullanımı ve matematiksel düşünme becerisine sahip olmak yeterlidir.
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 Ifelse, switchcase 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 ZSkor (MAD) kullanımı o BoxCox / YeoJohnson 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 OneHot: OneHotEncoder(sparse_output=True) o Target / Frequency encoding (rare categories)
- Veri Hazırlık Pipeline’ı o ColumnTransformer ile paralel numericcategoric 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 (KPIdrivermetric) 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 (gitlfs)
- Betimleyici Ölçüler o Çarpıklık & basıklık yorumlanması (right/left skew) o Range, IQR, CV – değişkenlik göstergeleri
- Dağılım Aileleri o Normal varsayım testi: ShapiroWilk, KolmogorovSmirnov 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 ttest (bağımlı/bağımsız), Welch düzeltmesi o MannWhitneyU, KruskalWallis – medyan kıyasları o ANOVA → Posthoc (Tukey HSD)
- Regresyon Diagnostikleri (Statsmodels) o qqplot, VIF, DurbinWatson, BreuschPagan 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, sliderbased 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 CSuite 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, BorderlineSMOTE, 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
Kazanımlar
Python programlama temellerini öğrenmek
Veri yapıları, fonksiyonlar ve modüler programlamayı uygulamak
Veri temizleme ve ön işleme süreçlerini uçtan uca gerçekleştirmek
Eksik veri, aykırı değer ve dönüşüm tekniklerini uygulamak
Keşifsel veri analizi yapmak ve analitik içgörüler üretmek
İstatistiksel testler ve dağılım analizleri gerçekleştirmek
Matplotlib, Seaborn ve Plotly ile etkili veri görselleştirmeleri oluşturmak
Pipeline, encoder ve scaler yapılarıyla veri hazırlama süreçlerini otomatikleştirmek
Özellik mühendisliği yapmak ve analitik modeller için uygun veri seti hazırlamak
İleri veri analizi raporları üretmek ve bulguları iş birimlerine sunmak
Hedef Kitle
Yeni başlayan ve orta düzey Veri Analistleri / Veri Bilimi Adayları
Veri hazırlığı ve analiz süreçlerinde görev alan Operasyon, Pazarlama, Finans Analistleri
Yeni başlayan Python Geliştiriciler / Yazılım Geliştiriciler
Tüm kıdemlerde BI Uzmanları / Veri Mühendisleri
Orta düzey Makine Öğrenimi Uzmanları / Model Geliştirme Ekipleri
Yeni başlayan ve orta düzey İstatistik Uzmanları / Araştırma Analistleri
Veri odaklı çalışmak isteyen BT Uzmanları / Dijital Dönüşüm Ekipleri
Orta ve kıdemli düzey İş Analistleri / Raporlama Uzmanları
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.
İlgili Kurslar
SEKTÖRÜN GÜVENDİĞİ ÇÖZÜM ORTAĞI
BT Akademi'yi tercih eden 4.000'den fazla kurum yanılmıyor.
