Yapay Zeka (AI) ile Veri Analizi ve Veri Bilimine Giriş Eğitimi
Yapay Zeka (AI) ile Veri Analizi ve Veri Bilimine Giriş Eğitimi
Eğitim Hakkında
Yapay Zeka (AI) ile Veri Analizi ve Veri Bilimine Giriş Eğitimi, programlama deneyimi olmayan katılımcıları Python ile veri analizi ve makine öğrenmesi konusunda uygulamalı olarak yetkin hale getirir. Eğitim, veri odaklı düşünme ve Python temelleriyle başlar; NumPy, Pandas, Matplotlib ve Seaborn ile veri analizi, veri temizleme ve özellik çıkarımıyla devam eder, scikit-learn ile regresyon, sınıflandırma ve kümeleme modelleriyle ilerler. Yapay zeka asistanları kod üretme, hata ayıklama ve sonuç yorumlama amacıyla aktif olarak kullanılır. Eğitim, finans, e-ticaret, perakende ve güvenlik sektörlerinden gerçek veri setleriyle yürütülen 6 saatlik bir proje çalışmasıyla tamamlanır.
Ön Koşul
Bu eğitimin herhangi bir ön koşulu yoktur.
Eğitim İçeriği
- Veri analitiği nedir? Tanımlayıcı, teşhis edici, tahminsel ve yönlendirici analitik
- Veri odaklı düşünme: iş sorusu → veri sorusu → analiz → karar döngüsü
- Veri türleri: sayısal, kategorik, tarih; yapısal ve yapısal olmayan veri
- Temel istatistik: ortalama, medyan, mod, standart sapma, çeyrekler, dağılım ve korelasyon
- Korelasyon ve nedensellik farkı; veri analitiğinde sık yapılan yorum hataları
- Yapay zeka, makine öğrenmesi ve veri analitiği kavramlarının ilişkisi
- Uygulama: Sektörel iş senaryolarını veri sorularına dönüştürme ve hazır bir veri seti üzerinde temel istatistikleri yorumlama
- Anaconda Navigator ve Jupyter Notebook arayüzü: kod ve markdown hücreleri, kernel yönetimi, kısayollar
- Değişkenler, veri tipleri ve tip dönüşümleri; string işlemleri
- Veri yapıları: list, tuple, dictionary ve set
- Koşullu ifadeler (if / elif / else) ve döngüler (for, while)
- Fonksiyon tanımlama, parametreler ve geri dönüş değerleri
- Kütüphane kavramı ve import kullanımı
- Kullanılan araçlar: Jupyter Notebook, Python 3
- Uygulama: Basit bir satış listesi üzerinde döngü ve fonksiyonlarla toplam, ortalama ve filtreleme işlemleri yapma
- NumPy dizileri (array), vektörel işlemler ve temel istatistik fonksiyonları
- Pandas Series ve DataFrame yapıları; CSV ve Excel dosyalarından veri okuma
- Veriyi tanıma: head, info, describe, shape, value_counts
- Satır ve sütun seçimi (loc / iloc), koşullu filtreleme ve sıralama
- groupby ile gruplama ve özetleme; pivot_table ile çapraz tablolar
- merge ve concat ile veri setlerini birleştirme; apply ve lambda ile dönüşümler
- Tarih verileriyle çalışma: to_datetime ve .dt erişimcisi
- Kullanılan araçlar: numpy, pandas
- Uygulama: Perakende satış veri seti üzerinde mağaza, kategori ve dönem bazlı satış özetleri çıkarma
- Matplotlib ile çizgi, sütun, histogram ve dağılım (scatter) grafikleri; grafik biçimlendirme
- Seaborn ile istatistiksel görselleştirme: histplot, boxplot, countplot, heatmap, pairplot
- Doğru grafik türünü seçme: dağılım, karşılaştırma, ilişki ve trend
- EDA akışı: tek değişkenli, iki değişkenli ve çok değişkenli analiz
- Korelasyon matrisi ile değişkenler arası ilişkileri inceleme
- EDA bulgularını iş içgörüsüne dönüştürme ve raporlama
- Kullanılan araçlar: matplotlib, seaborn, pandas
- Uygulama: E-ticaret veri seti üzerinde uçtan uca EDA yaparak satış ve müşteri davranışına ilişkin 5 temel içgörü çıkarma
- Eksik değer tespiti ve işleme: silme, ortalama / medyan / mod ile doldurma
- Tekrarlayan kayıtlar, hatalı veri tipleri ve tutarsız metin değerlerini düzeltme
- Aykırı değer tespiti: boxplot ve IQR yöntemi; silme ve sınırlama (clip) kararları
- Kategorik verilerin dönüştürülmesi: One-Hot Encoding (get_dummies, OneHotEncoder) ve sıralı kodlama
- Ölçekleme: StandardScaler ve MinMaxScaler; hangi modelde ölçekleme gerekir?
- Veri temizleme kontrol listesi ile sistematik çalışma
- Kullanılan araçlar: pandas, sklearn.preprocessing
- Uygulama: Kirli bir e-ticaret veri setini kontrol listesiyle temizleyip modele hazır hale getirme
- Özellik çıkarımı nedir ve model başarısına etkisi
- Tarihten özellik türetme: ay, gün, haftanın günü, hafta sonu, sezon
- Sayısal verileri gruplama (binning): cut ve qcut
- Oran, fark ve etkileşim değişkenleri oluşturma
- RFM analizi (Recency, Frequency, Monetary) ile müşteri değişkenleri üretme
- Kullanılan araçlar: pandas, numpy
- Uygulama: Online perakende işlem verisinden müşteri bazlı RFM tablosu oluşturma
- Makine öğrenmesi nedir? Denetimli ve denetimsiz öğrenme; regresyon, sınıflandırma ve kümeleme problemleri
- Eğitim ve test verisi ayrımı (train_test_split); overfitting ve underfitting kavramları
- scikit-learn çalışma kalıbı: model oluştur → fit → predict → değerlendir
- Doğrusal ve çoklu doğrusal regresyon (LinearRegression); katsayıların yorumlanması
- Regresyon metrikleri: MAE, RMSE ve R²
- Kullanılan araçlar: sklearn.model_selection, sklearn.linear_model, sklearn.metrics
- Uygulama: Perakende verisiyle satış tutarı tahmin modeli kurma ve model performansını yorumlama
- Sınıflandırma problemi ve kullanım alanları: kredi onayı, müşteri kaybı, sahtecilik tespiti
- Lojistik regresyon (LogisticRegression) ve olasılık tahmini
- Karar ağaçları (DecisionTreeClassifier): ağaç yapısı ve derinlik kontrolü
- Random Forest (RandomForestClassifier) ve özellik önem düzeyleri (feature importance)
- Değerlendirme: confusion matrix, accuracy, precision, recall, F1-score ve classification_report
- Dengesiz veri problemi ve SMOTE ile yeniden örnekleme
- Kullanılan araçlar: sklearn.linear_model, sklearn.tree, sklearn.ensemble, sklearn.metrics, imblearn
- Uygulama: Banka pazarlama veri setinde müşteri yanıt tahmini; kredi kartı işlemlerinde sahtecilik tespiti modeli kurma
- Denetimsiz öğrenme ve kümeleme kavramı; segmentasyon kullanım alanları
- K-Means algoritmasının çalışma mantığı
- Optimum küme sayısının belirlenmesi: Elbow yöntemi ve Silhouette skoru
- Küme profillerinin çıkarılması ve iş diline çevrilmesi
- Kullanılan araçlar: sklearn.cluster, sklearn.preprocessing, sklearn.metrics
- Uygulama: RFM tablosu üzerinde K-Means ile müşteri segmentasyonu yapma ve segmentleri yorumlama
- Veri analitiğinde yapay zeka asistanlarının rolü: Claude, ChatGPT ve Microsoft Copilot
- Veri analizi için prompt kalıpları: veri setini tanıtma, analiz isteme, kod üretme
- Yapay zeka ile hata ayıklama ve kod iyileştirme
- Model çıktılarını ve grafikleri yapay zekaya yorumlatma; sonuç raporu yazdırma
- Yapay zeka çıktısını doğrulama: halüsinasyon riski, veri gizliliği ve kurumsal kullanım kuralları
- Kullanılan araçlar: Claude / ChatGPT / Microsoft Copilot, Jupyter Notebook
- Uygulama: Yeni bir veri setinin analizini yapay zeka desteğiyle uçtan uca yürütme ve sonuçları manuel analizle karşılaştırma
- Finans, e-ticaret, perakende veya güvenlik sektörlerinden gerçek bir veri setiyle grup projesi
- İş problemini tanımlama ve veri sorusuna dönüştürme
- Veri temizleme ve ön işleme
- Keşifsel veri analizi ve görselleştirme
- Özellik çıkarımı
- Uygun modelin kurulması (regresyon, sınıflandırma veya kümeleme) ve değerlendirilmesi
- Bulguların yapay zeka desteğiyle raporlanması ve sunulması
- Proje sunumları, soru-cevap ve genel değerlendirme
Kazanımlar
- İş problemlerini veri sorularına dönüştürüp temel istatistiksel kavramları yorumlayabileceksiniz.
- Python temel yapılarını kullanarak Jupyter Notebook üzerinde kod yazabileceksiniz.
- NumPy ve Pandas ile veriyi okuyup filtreleyebilecek, gruplayabilecek ve birleştirebileceksiniz.
- Matplotlib ve Seaborn ile keşifsel veri analizi (EDA) yapıp bulgularınızı görselleştirebileceksiniz.
- Eksik değer, aykırı değer ve kategorik verileri işleyerek veriyi modele hazır hale getirebileceksiniz.
- Tarih, oran ve RFM gibi yöntemlerle modele değer katan yeni özellikler türetebileceksiniz.
- scikit-learn ile regresyon, sınıflandırma ve kümeleme modelleri kurabileceksiniz.
- Model performansını MAE, RMSE, R², F1-score ve Silhouette gibi metriklerle değerlendirebileceksiniz.
- Yapay zeka asistanlarını kod üretme, hata ayıklama ve sonuç yorumlama için etkin kullanabileceksiniz.
- Yapay zeka çıktılarını doğrulayıp veri gizliliği kurallarına uygun şekilde kullanabileceksiniz.
- Gerçek bir sektör veri setiyle uçtan uca veri analitiği projesi geliştirip sunabileceksiniz.
Hedef Kitle
- Raporlama ve BI ekipleri
- Pazarlama, e-ticaret ve perakende profesyonelleri
- Finans, risk ve güvenlik uzmanları
- Veri analistleri ve iş analistleri
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.
