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 ortamını (Anaconda, Jupyter Notebook, VS Code/PyCharm) kurup yapılandırmak; temel Python sözdizimi, veri tipleri ve fonksiyonel yapıları etkin kullanmak

NumPy ile dizi oluşturma, indeksleme/dilimleme, vektörleştirme, yayınlama (broadcasting), toplu istatistiksel işlemler ve sıralama/maskeler üzerinde uzmanlaşmak

Pandas ile Series/DataFrame üretmek; alt kümeler, mantıksal indeksleme, yeniden yapılandırma (pivot/stack/unstack), grupbazlı dönüşümler ve birleştirme operasyonlarını uygulamak

Veri temizleme ve dönüşüm (eksik/aykırı değerler, normalizasyon, kategorik değişkenlerin sayısallaştırılması) süreçlerini etkin yönetmek

Denetimli öğrenme (lojistik/lineer regresyon, karar ağacı, rastgele orman, KNN) ve denetimsiz öğrenme (KMeans, hiyerarşik, DBSCAN) algoritmalarını doğru problemveri eşleşmesiyle uygulamak

Ensemble yaklaşımlar (Bagging, Boosting; AdaBoost, XGBoost) ile performansı artırmak; düzenlileştirme (Ridge, Lasso) ile aşırı öğrenmeyi kontrol etmek

Boyut indirgeme (PCA, LDA) teknikleriyle özellik uzayını sadeleştirmek ve görselleştirmek; model seçimi için KFold, Grid/Randomized Search ve Bayesian optimizasyon (Hyperopt) kullanmak

Model değerlendirme metrikleri (accuracy, precision/recall, F1, ROCAUC, RMSE/MAE) ve hata analizi ile güçlü bir doğrulama disiplini geliştirmek

Modelin canlıya alınması akışını kavramak (paketleme, servisleştirme, sürüm/izleme temelleri) ve animasyonlu grafiklerle sonuç iletişimini güçlendirmek

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.