• Analitik Spektrum: Büyük veri ve iş analitiği; açıklayıcı, tahminsel, kuralcı ve otonom (Agentic AI) analitik yaklaşımları
• Modelleme Yaklaşımları: Deterministik/stokastik, doğrusal/doğrusal olmayan modelleme; yapay zeka, makine öğrenmesi ve derin öğrenme ilişkisi
• Analitik Yöntemler: Sınıflama, kümeleme, birliktelik analizleri ve optimizasyon yaklaşımı
• Yeni Paradigmalar: AI-driven karar destek sistemleri ve RaaS (Results-as-a-Service) paradigması
• AI Platformları: Güncel no-code/low-code AI platformlarının (Dataiku, Vertex AI, Microsoft Fabric, AWS SageMaker) tanıtımı
• Dikey Uygulamalar: Tedarik zinciri analitiği, müşteri analitiği, finans ve risk analitiği
• Yönetişim: Model yaşam döngüsü, MLOps ve LLMOps süreçlerine stratejik bakış

• Veri Tanımlama: Tanımsal istatistik ve olasılık dağılımları
• Çıkarımsal İstatistik: Parametre tahminleri ve hipotez testleri
• Karşılaştırmalı Analiz: ANOVA
• Pratik: R ile temel istatistiksel modelleme uygulamaları

• Programlama Temelleri: R programlama dili,Veri türleri ve yapıları
• Keşifçi Analiz: R ile betimsel veri analizi ve EDA
• Görselleştirme: ggplot2 ile iş odaklı veri görselleştirme teknikleri

• Modelleme: R üzerinde modelleme ve algoritma analizi

• Core Python: Python geliştirme ortamı, temel veri yapıları ve fonksiyonlar
• Veri Manipülasyonu: Numpy ile bilimsel hesaplamalar, Pandas ile veri analizi
• Görselleştirme: Matplotlib ile veri görselleştirme
• Makine Öğrenmesi: Scikit-learn ile temel ML uygulamaları
• LLM Entegrasyonu: OpenAI/Claude API entegrasyonu ve prompt engineering temelleri
• RAG Temelleri: Retrieval Augmented Generation temel uygulaması
• Agentic AI: LangGraph ile agentic AI iş akışları tasarımı (state management, döngüsel akışlar, tool calling)

• Regresyon Yöntemleri: Basit, çoklu ve lojistik regresyon analizi
• İstatistiksel Yöntemler: Faktör analizi ve diskriminant analizi
• Keşifsel Yöntemler: Kümeleme analizi
• Algoritmik Yöntemler: Karar ağaçları ve neural network temelleri
• Metodoloji: R ile uçtan uca veri madenciliği projeleri

• Temel Kavramlar: Yapay zeka ve makine öğrenmesinin gelişim süreci; modelleme metodolojisi ve algoritma seçimi
• Supervised Learning Algoritmaları ve R Uygulamaları
  • Uzaklık temelli yöntemler (K-Nearest-Neighbor)
  • Karar ağacı algoritmaları (Decision Tree)
  • Olasılık temelli yöntemler (Naïve Bayes)
  • Support Vector Machines (SVM)
  • Yapay sinir ağları (Artificial Neural Networks)
• Derin Öğrenmeye Giriş: CNN, RNN ve Transformer mimarilerine kavramsal bakış
• Modern AI Kavramları: Transfer learning, foundation modeller ve generative AI

• İlişkisel Veritabanları: RDBMS temelleri, SQL kodlama ve örnek uygulamalar
• NoSQL Dünyası: Key-Value, Wide Column, Document ve Graph veritabanları
• AI Altyapısı: Vector database kavramı (embedding ve RAG altyapısı)
• Modern Mimari: Lakehouse yaklaşımı — data warehouse ve data lake birleşimi
• Pratik: Popüler NoSQL veritabanları üzerinde kodlama örnekleri

• Büyük Veri Ekosistemi: Büyük veri kavramı, platformların gelişim süreci ve çözüm yaklaşımları
• Klasik Altyapı: Hadoop HDFS ve MapReduce; Apache Spark ve AWS platformları
• Bulut ve Servis Modelleri: Servis-olarak-Hadoop ve servis-olarak-Bulut çözümleri
• Modern Veri Platformları: Databricks, Snowflake ve lakehouse uygulamaları
• Gerçek Zamanlı İşleme: Streaming mimarisi ve Kafka kavramı
• Modern Data Stack: dbt ve veri dönüşüm araçları
• Uygulamalar: Güncel büyük veri uygulamalarının gösterilmesi ve tartışılması

• Web Analitiği Temelleri: Web yayıncılığı, web/mobil veri yapıları ve analitik yaklaşımları (log dosyası analizi, sayfa etiketleme)
• Modern İzleme: GA4 kurulumu, etkinlik (event) takibi ve raporlama
• Dönüşüm: Dönüşüm optimizasyonu tanımı ve raporları
• Sosyal Medya: Sosyal medya veri madenciliği ve sentiment analizi

• Zaman Serileri: Durağanlık analizi; tek ve çok değişkenli zaman serileriyle tahmin ve öngörü
• Oynaklık Modellemesi: Tarihsel (GARCH), gerçekleşen ve zımni oynaklık
• Gelişmiş Tahmin: Finansal verilerde LSTM ve XGBoost uygulamaları
• Alternatif Veri: NLP ile sentiment analizi ve finansal karar desteği
• Risk Yönetimi: Riske maruz değer (VaR) ve portföy optimizasyonu

• Talep Yönetimi: Talep tahmini yöntemleri
• Stok Optimizasyonu: Envanter planlama ve optimizasyonu
• Lojistik: Rota planlama ve optimizasyonu
• Ağ Tasarımı: Tedarik zincirinde ağ optimizasyonu ve risk yönetimi

Programın tüm modüllerinin birleştiği capstone modüldür.

• Pazarlama Metrikleri: Geleneksel ve müşteri değer tabanlı metrikler; müşteri ömür boyu değeri (CLV) ve churn analizi
• Segmentasyon: RFM analizleri ve veri tabanlı müşteri segmentasyonu
• Kampanya Yönetimi: Birliktelik analizleri, A/B testing ve deneysel tasarım
• Capstone Proje — Multi-Agent Sistemi: LangGraph ile müşteri verilerini analiz eden, segmentasyon yapan, churn riski tespit eden, kişiselleştirilmiş kampanya içeriği üreten ve otonom kampanya kurgulayan çoklu ajan (multi-agent) sistemi geliştirilmesi
• Prototipleme: Streamlit ile capstone projenin arayüz geliştirmesi ve deploy edilmesi

Eğitmenler:

Programla ilgili detaylar, Kayıt ve daha fazla bilgi için:

İTÜ Sürekli Eğitim Merkezi (SEM)
itusem@itu.edu.tr
(0212) 2510809