Python Eğitimi

Eğitim Hakkında

Bu eğitim, Python programlamaya hızlı bir girişten başlayarak NumPy ve Pandas ile veri işleme, veri temizleme ve dönüştürme, özellik mühendisliği, denetimli/denetimsiz öğrenme algoritmaları, model değerlendirme, düzenlileştirme, boyut indirgeme, hiperparametre optimizasyonu ve modelin canlıya alınması adımlarını uçtan uca uygulamalı şekilde ele alır. Program; Anaconda/Jupyter kurulumları ve geliştirme ortamı ayarları, temel Python veri yapıları ve fonksiyonel beceriler, veri bilimi için kritik kütüphaneler (NumPy, Pandas) ve scikitlearn ekosistemi ile gerçek veri setleri üzerinde pratik projeler (sınıflandırma, regresyon, kümeleme, ensemble yöntemleri, XGBoost/Hyperopt) içerir. Ayrıca görselleştirme tarafında animasyonlu grafikler ile bulguların iletişimi vurgulanır.

Ön Koşul

Katılımcıların temel düzeyde algoritma ve programlama mantığına, Python sözdizimi ve temel veri yapıları konusunda giriş seviyesinde bilgiye sahip olmaları; ayrıca temel istatistik kavramlarına (ortalama, varyans, korelasyon) aşina olmaları beklenmektedir.

Eğitim İçeriği

Kazanımlar

• Geliştirme ortamlarını (Anaconda, Jupyter Notebook, VS Code/PyCharm) kurup yapılandırarak temel Python sözdizimi, veri tipleri ve fonksiyonel yapıları etkin şekilde kullanabileceksiniz.

• NumPy ile dizi oluşturma, indeksleme/dilimleme, vektörleştirme, broadcasting, toplu istatistiksel işlemler ve sıralama/maskeler üzerinde uzmanlaşabileceksiniz.

• Pandas ile Series/DataFrame üretip alt kümeler, mantıksal indeksleme, pivot/stack/unstack, grup bazlı dönüşümler ve birleştirme operasyonlarını uygulayabileceksiniz.

• Denetimli öğrenme (lojistik/lineer regresyon, karar ağacı, rastgele orman, KNN) ve denetimsiz öğrenme (KMeans, hiyerarşik, DBSCAN) algoritmalarını doğru problem-veri eşleşmesiyle uygulayabileceksiniz.

• Ensemble yaklaşımlar (Bagging, Boosting; AdaBoost, XGBoost) ile performansı artırabilecek, Ridge ve Lasso gibi düzenlileştirme teknikleriyle aşırı öğrenmeyi kontrol edebileceksiniz.

• Boyut indirgeme (PCA, LDA) teknikleriyle özellik uzayını sadeleştirip görselleştirebilecek, model seçimi için KFold, Grid/Randomized Search ve Bayesian optimizasyon (Hyperopt) yöntemlerini kullanabileceksiniz.

• Model değerlendirme metrikleri (accuracy, precision/recall, F1, ROC-AUC, RMSE/MAE) ve hata analizi ile güçlü bir doğrulama disiplini geliştirebileceksiniz.

Hedef Kitle

• Yazılım Geliştiriciler
• Veri Analistleri & Veri Bilimciler
• Makine Öğrenmesi Mühendisleri
• Data Mühendisleri
• BI / İş Analitiği Uzmanları
• Akademisyenler ve Araştırma Geliştirme 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.