Data Science Uzmanlığı Sertifika Programı

 

Programla ilgili detaylar, Kayıt ve daha fazla bilgi için:

Kayıtlar Mindset Institute tarafından yapılmaktadır.

 

https://www.mindset.com.tr/data-science-uzmanligi-sertifika-programi

Mindset Institute

info@mindset.com.tr

444 1 476

Program Başlama Tarihi: 27 Haziran 2020

Sonraki Dönemler: 

  1. 25 Temmuz 2020
  2. 22 Ağustos 2020
  3. 12 Eylül 2020

Koordinatör:

Prof. Dr. Alp ÜSTÜNDAĞ

Genel Bilgi 

 

Teknolojilerin topladığı ve depoladığı verilerin zenginliği, dünya genelinde organizasyonların ve toplumların dönüşüme yönelik avantajlardan yararlanmasını sağlıyor.

Data Science Uzmanlığı Sertifika Programı da geleceğin ihtiyaçlarına cevap verebileceğiniz, verileri analiz etmek için strateji geliştirme; verileri analiz için hazırlama; verileri keşfetme, görselleştirme; Python programlama dilini kullanarak verilerle birlikte modeller oluşturma, uygulama ve yazılımlara dağıtarak işlemenize imkan sağlayacak bir programdır.

Uygulamalı İstatistik, Veri Analitiği Temelleri, Makine Öğrenmesi ve Veri Madenciliği genel başlıkları altında büyük veri ve veri analitiği kavramları ile model seçimi ve modelleme temelleri ele alınmaktadır. 

Data Science Programının devam zorunluluğu %90'dır.

 
Genel Bilgi
Data Science Eğitimine Giriş
 
Data Science Temelleri
 

-Verinin Evrimi

-İlişkisel Veri Tabanları

-Veri Ambarı Yapıları

-Büyük Veriye Giriş Neden İhtiyaç Duyuldu Nasıl Oldu

-Cloud Computing

-Serverless Architecture

-Veri Zenginleştirme Süreçleri

-Veri Görselleştirme Süreçleri

-Big Data Tarafında Kullanılan Teknolojiler

-Cognitive Science Servisleri

 
Data Science Temelleri
 

-Veri Ambarı Mimarisi

-Data Lake Mimarisi

-Ürünler ve Çözümler

-Normalization & Denormalization

-Veriden Insighta Geçen Süreçteki Aşamalar

-SQL Yapısı

-Sorgulama Örnekleri

-Fazlandırmada Dikkat Edilmesi Gereken Adımlar

 
Keşifsel Veri Analizi ve Veri Ön İşleme
 

Veri analizinin temel adımları hakkında bilgi edinimi

- Veri Analizi Süreci

- Keşifsel Veri Analizi (Exploratory Data Analysis/EDA)

- EDA - Sayısal Teknik

- EDA - Grafik Tekniği

- Veri Analitiği Sonuç veya Tahminleri

- Veri Analizi İletişimi

- Çizim için Veri Tipleri

- Veri Türleri ve Çizim

 
İstatistiksel Analiz ve İş Uygulamaları 
 

Verileri saptama, keşfetme, analiz etme, iletme ve veri analizi süreci öğrenimi

- İstatistiğe Giriş

- İstatistiksel ve İstatistiksel Olmayan Analiz

- Başlıca İstatistik Kategorileri

- İstatistiksel Analiz Konuları

- Nüfus ve Örnekleme

- İstatistiksel Analiz Süreci

- Veri Dağıtımı

- Dağılım

- Histogram

- Test

- Korelasyon ve Çıkarımsal İstatistikler

 
Python Ortam Kurulumu ve Temelleri
 

Python ile paketleri ve ortamları yönetmek için Anaconda öğrenimi

- Anaconda

- Anaconda Python Dağıtımının Kurulumu

- Python ile Veri Türleri

- Temel Operatörler ve Fonksiyonlar

 
BeautifulSoup ile Web Scraping
 

HTML veya XML dosyalarını işlemek için BeautifulSoup kütüphanesi ile veri çalışmaları

- Web Scraping ve Ayrıştırma

- Tree Anlama ve Arama

- Gezinme seçenekleri

- Demo3 Tree Gezinme

- Tree Değiştirme

- Belgeyi Ayrıştırma ve Yazdırma

- Örnek Uygulama: Müşteri Segmentasyonu

 
Pandas ile Veri İşleme  
 

Yüksek performanslı, kullanımı kolay veri yapıları ve veri analizi araçları sağlayan Pandas kütüphanesi ile gruplama, filtreleme ve birleştirme metotları ile veri çalışmaları

- Pandas’a Giriş

- DataFrame'i Anlama

- Veri Demosunu Görüntüleme ve Seçme

- Kayıp Değerler

- Veri İşlemleri

- Dosya Okuma ve Yazma Desteği

- Pandas Sql Operasyonu

- Örnek Uygulama: Duygu Analizi

 
Matematiksel Hesaplama (NumPy)
 

Bilimsel hesaplamaları gerçekleştirmek için NumPy kütüphanesi ile veri çalışmaları

- Numpy'ye (Numerical Python) Giriş

- Etkinlik - Doğru Sıralama

- Demo 01-Ndarray Oluşturma ve Yazdırma

- Ndarray Sınıfı ve Nitelikleri

- Temel İşlemler

- Etkinlik-Dilimleme

- Kopyalama ve Görünümler

- Numpy'nin Matematiksel Fonksiyonları

- Örnek Uygulama: Müzik Öneri Sistemi

 
Bilimsel Hesaplama (SciPy)  
 

Numpy tabanlı SciPy kütüphanesi ile veri çalışmaları

- SciPy'ye Giriş

- SciPy Alt Paketi - Entegrasyon ve Optimizasyon

- Demo - Özdeğer ve Özvektörü Hesaplaması

- Örnek Uygulama: Otel Önerileri Sistemi 

 
Yapay Zeka ve Makine Öğrenmesi 
 

- Temel kavramların anlaşılması

- Yapay zeka ve makine öğrenmesi algoritmaları

- Algoritmaların gelişim süreci ve uygulamaları

- Makine öğrenimi modelleme metodolojisi ve algoritma seçimi

- Makine öğrenmesi algoritmalarının arasındaki farklılıklar

- Temel supervised/eğiticili makine öğrenmesi algoritmalarının çalışma prensipleri 

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)

 

 
Scikit-Learn ile Makine Öğrenmesi
 

Çıkarımsal istatistiklerin ve olasılıkların A / B testlerini analiz etme ve denetimli/denetimsiz öğrenme modelleri oluşturma gibi gerçek dünya senaryolarına nasıl uygulanacağını öğrenme

- Makine Öğrenmesi Yaklaşımı

- Nasıl Çalışır

- Denetimli (Supervised) Öğrenme Modeli Konuları

- Scikit-Bilgi

- Denetimli (Supervised) Öğrenme Modelleri - Doğrusal Regresyon

- Denetimli(Supervised) Öğrenme Modelleri - Lojistik Regresyon

- Denetimsiz (Unsupervised) Öğrenme Modelleri

- Pipeline

- Model Kalıcılık ve Değerlendirme

- Örnek Uygulama: Çalışanlar için Bilgisayarda Erişim Gereksinimleri Tespiti

 

 
Scikit Learn ile Doğal Dil İşleme
 

Temel NLP (Natural Language Processing) teknikleri ve basit makine öğrenme modelleri ile veri çalışmaları

- NLP  Genel Bakış

- NLP Uygulamaları

- NLP Kütüphaneleri-Scikit

- Ekstraksiyonla İlgili Hususlar

- Scikit Öğrenim Modeli Eğitim ve Sistem Araması

- Örnek Uygulama: Aynı Soruları Tanımlama Sistemi

 
Matplotlib Kullanarak Python'da Veri Görselleştirme
 

Karmaşık ve dağınık verileri düzenleyerek kolay anlaşılabilir ve yorumlanabilir yapabilmek için Matplotlib kütüphanesi ile genel komutlar ve grafik üzerinde özelleştirme çalışmaları

- Veri Görselleştirmeye Giriş

- Çizgi Özellikleri

- (x, y) Çizim ve Alt Grafikler

- Plan Türleri

- Örnek Uygulama: Akıllı Portföy Yönetimi

 
TensorFlow ile Python Entegrasyonu
 

Derin Öğrenme (Deep Learning) üzerine tasarlanan, hızlı sayısal hesaplama yapılmasını sağlayan TensorFlow kütüphanesi ile araştırma ve geliştirme yapılması

- Makine Öğrenmesine Giriş

- TensorFlow Lite'a Giriş

- Modelleri Kaydetme ve Yükleme

- Örnek Uygulama

- Evrişimli (Convolutional) Sinir Ağlarına Giriş

- Transfer Öğrenimi

 
 
PROGRAM HEDEFİ
 

Program süresince bir Data Scientist'in iş tanımı içinde geçen aşağıdaki 5 farklı yeteneğin geliştirilmesi amaçlanmıştır.

Capture, (data acquisition, data entry, signal reception, data extraction); 
Maintain (data warehousing, data cleansing, data staging, data processing, data architecture); 
Process (data mining, clustering/classification, data modeling, data summarization); 
Analyze (exploratory/confirmatory, predictive analysis, regression, text mining, qualitative analysis); 
Communicate (data reporting, data visualization, business intelligence, decision making)