1. Data Science Temelleri (6 saat)

• Veri Bilimi Nedir: Veri kavramı, verinin yapısal hale gelmesi ve büyük veri süreci
• Veri Mimarisi: Veri ambarı, veri havuzu (gölü) ve lakehouse yaklaşımları
• Bulut ve Altyapı: Bulut bilişim sistemleri, saklama yöntemleri ve ETL paket tasarımları
• Modern Veri Platformları: Databricks, Snowflake, vector database kavramı
• AI Platformları: Dataiku, Vertex AI, Microsoft Fabric, AWS SageMaker tanıtımı
• Veri Görselleştirme: Raporlama sistemleri, self servis yapılar ve cognitive servisler
• Yönetişim: Model yaşam döngüsü, MLOps ve LLMOps kavramlarına giriş

2. Bilimsel Hesaplama ve Veri Yapıları (6 saat)

• Dizi Yapıları: Çok boyutlu dizi oluşturma, veri tipleri ve indeksleme (Numpy)
• Hesaplamalar: Matematiksel, istatistiksel ve vektörel işlemler
• Mantıksal İşlemler: Kıyaslama, maskeleme ve Boole mantık
• Lineer Cebir: Matris operasyonları ve uygulamaları
• Performans: Vektörizasyon ve hesaplama optimizasyonu
• Pratik: Gerçek dünya problemleri üzerinde bilimsel hesaplama uygulamaları

3. Veri Analizi ve Keşifçi Veri Analizi (6 saat)

• Veri Yapıları: Seri ve DataFrame kavramları, veri okuma/yazma (Pandas)
• Veri Erişimi: İndeksleme, seçme, filtreleme ve fonksiyon uygulama
• Betimleyici İstatistik: Temel istatistiksel özetler ve eksik veri yönetimi
• Keşifçi Analiz: Veri dağılımları, korelasyonlar ve örüntü tespiti
• Case Study: Gerçek veri setleri üzerinde EDA uygulamaları

4. Veri Dönüşümü ve Entegrasyonu (6 saat)

• Veri Birleştirme: Merge, join ve concatenation teknikleri (Pandas)
• Gruplandırma ve Özetleme: Aggregation, GroupBy ve pivot tablolar
• Zaman Serileri: Zaman serisi veri yapıları, saat dilimi yönetimi ve resampling
• Veri Yeniden Şekillendirme: Pivot, melt, stack/unstack ve hiyerarşik indeksleme
• Veri Kalitesi: Veri temizleme, dönüştürme ve zenginleştirme süreçleri
• Case Study: Gerçek veri setleri üzerinde veri entegrasyonu uygulamaları

5. Büyük Veri Teknolojileri ve Uygulamaları (6 saat)

• 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
• Uygulamalar: Güncel büyük veri uygulamalarının gösterilmesi ve tartışılması

6. Veritabanı Yönetimi ve Büyük Veri (6 saat)

• 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

7. Veri Görselleştirme ve Uygulama Geliştirme (6 saat)

• Temel Görselleştirme: Grafik temelleri — çizgi, saçılım, histogram, sütun (Matplotlib)
• İnteraktif Görselleştirme: Interaktif figür oluşturma (Plotly)
• Dashboard: Veri dashboard'u geliştirme (Streamlit)
• Uygulama Tasarımı: Uygulama bileşenleri (input, slider, selectbox, file upload) ve layout yönetimi
• Deployment: Uygulamanın deploy edilmesi
• Pratik: Gerçek veri seti üzerinde interaktif dashboard geliştirme

8. Makine Öğrenmesi I (6 saat)

• Temel Kavramlar: Makine öğrenmesi yaklaşımı ve model türleri
• Veri Hazırlık: Ölçekleme, encoding, eksik veri yönetimi ve veri dönüştürme
• Denetimli Öğrenme: Doğrusal regresyon, lojistik regresyon, KNN, Naive Bayes, SVM ve karar ağaçları (Scikit-learn)
• Denetimsiz Öğrenme: K-Means, DBSCAN kümeleme; PCA ile boyut indirgeme
• Pipeline: ML pipeline yapısı ve veri ön işleme entegrasyonu
• Pratik: Gerçek veri seti üzerinde uçtan uca sınıflandırma uygulaması

9. Makine Öğrenmesi II (6 saat)

• Değişken Mühendisliği: Feature importance, değişken seçme yöntemleri (correlation, ANOVA, Chi-Square, forward/backward selection)
• Model Değerlendirme: Cross-validation, confusion matrix, ROC-AUC ve metrik seçimi
• Hiperparametre Optimizasyonu: Grid search, random search ve overfitting yönetimi
• Ensemble Yöntemler: Random Forest, Gradient Boosting ve XGBoost
• MLOps Temelleri: Model versiyonlama (MLflow), API ile model servis etme (FastAPI), model monitoring kavramı
• Pratik: Model seçimi, değerlendirme ve deployment uygulaması

10. Derin Öğrenme (6 saat)

• Yapay Sinir Ağları: Temel ANN mimarisi, aktivasyon fonksiyonları ve backpropagation
• CNN: Konvolüsyonel sinir ağları ve görüntü işleme uygulamaları
• RNN: Tekrarlayan sinir ağları ve sekans modelleme
• Transformer: Transformer mimarisi ve attention mekanizması
• Modern AI Kavramları: Transfer learning, fine-tuning ve foundation modeller
• Pratik: Keras/PyTorch ile derin öğrenme uygulaması

11. Pekiştirmeli Öğrenme (6 saat)

• Temel Kavramlar: Durum, aksiyon, ödül ve politika kavramları
• Teorik Altyapı: Markov karar süreçleri, değer fonksiyonları ve Bellman denklemleri
• Klasik Algoritmalar: Epsilon-Greedy ve Q-Learning algoritmaları
• Derin Pekiştirmeli Öğrenme: DQN teknikleri
• Pratik: Simülasyon ortamında pekiştirmeli öğrenme uygulaması

12. NLP ve Zaman Serisi Analizi (6 saat)

• Metin Ön İşleme: Tokenization, stemming, lemmatization ve stop word yönetimi
• Metin Temsili: TF-IDF, word embeddings (Word2Vec, GloVe) ve sentence embeddings
• NLP Uygulamaları: Sentiment analizi ve metin sınıflandırma
• Zaman Serisi Tahmin: ARIMA modelleri ve Prophet ile forecasting
• DL ile Tahmin: LSTM ve Transformer tabanlı zaman serisi tahmini
• Pratik: Gerçek veri setleri üzerinde NLP ve zaman serisi uygulamaları

13. Agentic AI ve LLM Uygulamaları (6 saat)

• LLM Kavramları: Büyük dil modellerinin çalışma prensipleri ve prompt engineering stratejileri
• RAG Mimarisi: Retrieval-Augmented Generation, embedding modelleri ve vector database kullanımı
• Ajan Tasarımı: Agentic AI iş akışları tasarımı — state management, döngüsel akışlar, tool calling (LangGraph)
• Multi-Agent Sistemler: Çoklu ajan mimarisi tasarım prensipleri ve orkestrasyon
• Pratik: Temel ajan prototipi geliştirme

14. Proje Uygulama Workshopu (12 saat)

Programın tüm modüllerinin birleştiği capstone modüdüdür.

• Problem Tanımlama: Veri seti üzerinde iş probleminin belirlenmesi
• Veri Hazırlık: Veri ayıklama, kalite kontrolü, aykırı değer ve normallik testleri
• Modelleme: Uygun algoritma seçimi, model eğitimi ve değerlendirmesi
• LLM API Entegrasyonu: OpenAI/Claude API bağlantısı ve proje kapsamında LLM kullanımı
• Agentic AI Entegrasyonu: LangGraph ile modelleme sürecini destekleyen multi-agent sistemi geliştirme
• Prototipleme: Streamlit ile projenin arayüz geliştirmesi ve deploy edilmesi
• Sunum: Proje sonuçlarının sunulması ve tartışılması