Kursa veri biliminin ne olduğunu tanımlayarak başlayacağız. Veri bilimi iş akışını ve veri biliminin gerçek hayattaki sorunlara nasıl uygulandığını ele alacağız. Bölümü, veri bilimi alanındaki farklı rolleri öğrenerek bitireceğiz.

Veri bilimi nedir?

Data science everywhere!

Veri biliminin önemi

Veri bilimi uygulamaları

Günlük veri bilimi dozu

The science of smart assistants

Veri bilimi rolleri ve araçları

Doğru adayı seçme

Veri bilimcinin rolü

Veri Bilimine Giriş

Artık veri bilimi iş akışını anladığımıza göre ilk adıma daha yakından bakalım: veri toplama ve depolama. Burada yararlanabileceğiniz farklı veri kaynaklarını, bu verilerin neye benzediğini, toplandıktan sonra verilerin nasıl depolanacağını ve bir veri işlem hattının süreci nasıl otomatikleştirebileceğini öğreneceğiz.

Veri kaynakları

Talepler

Şirket Verileri

Açık veriler

Veri kaynaklarını sıralama

Asthma frequencies

Veri türleri

Seçenekler

Niceliksel Veriler

Niteliksel Veriler

Veri türlerini sınıflandırma

Net promoter score

Aktivite takip cihazı

Veri depolama ve alma

Bulut platformları

Querying a database

Veri Kümeleri

İlişkisel Veritabanı

Belge Veritabanı

Hangi tür veritabanı?

Veri İşlem Hatları

Veri işlem hattı özellikleri

Görevler

Çıkarma

Dönüştürme

Yükleme

Ayıklama, Dönüştürme, Yükleme

Veri Toplama ve Depolama

Veri hazırlığı çok önemlidir: Veri bilimcilerin işinin %80'i verileri temizlemek ve işlemektir. İşin yalnızca %20'si gerçekten analiz etmektir. Bu bölüm size verilerinizdeki sorunları nasıl tespit edeceğinizi, eksik değerleri ve aykırı değerleri nasıl ele alacağınızı gösterecektir. Daha sonra hem verilerinizi keşfetmek hem de bulgularınızı aktarmak için bir başka önemli araç olan görselleştirme hakkında bilgi edineceksiniz.

Veri hazırlığı

Gerçek orada bir yerde

Hazır mısınız?

Keşifsel Veri Analizi

Sayısal EDA

Visual EDA

Görselleştirme

Interactive dashboards

Improving a dashboard

Hazırlık, Keşif ve Görselleştirme

Bu son bölümde deney ve tahmin konularını tartışacağız! Deneylerle başlayacak olursak A/B testini ele alacağız ve gelecekteki olayları tahmin etmeyi öğreneceğimiz zaman serisi tahminine geçeceğiz. Son olarak makine öğrenmesini, gözetimli öğrenmeyi ve kümelemeyi inceleyerek bitireceğiz.

A/B Testi

A/B testi iş akışı oluşturma

İstatistiksel anlamlılık

Intermediate results

Zaman serisi tahmini

Zaman serisi verilerini sınıflandırma

Interpret a time series plot

Gözetimli makine öğrenmesi

Gözetimli öğrenme ne zaman kullanılır?

Features and labels

Model Değerlendirmesi

Kümeleme

Gözetimli ve gözetimsiz

Cluster size selection

Tebrikler!

Deney ve Tahmin

Course Glossary

Veri bilimi nedir, neden bu kadar popülerdir ve Harvard Business Review neden onu “21. yüzyılın en seksi işi” olarak selamlamıştır? Bu teknik olmayan eğitimde, tek bir satır kod yazmanıza gerek kalmadan bu hızlı büyüyen ve heyecan verici alan hakkında sormaya korktuğunuz her sorunun cevabını alacaksınız. Uygulamalı egzersizler sayesinde farklı veri bilimci rolleri, A/B testi, zaman serisi analizi ve makine öğrenmesi gibi temel konular ve veri bilimcilerin gerçek hayattaki verilerden nasıl bilgi ve içgörü elde ettikleri hakkında bilgi edineceksiniz. Siz yine de moda laflara aldanmayın. Öğrenmeye başlayın, son derece talep gören bu alanda beceriler kazanın ve neden veri biliminin herkes için olduğunu keşfedin!

Videolar, videoların sol alt köşesindeki "Transkripti göster" seçeneğine tıklayarak ulaşabileceğiniz canlı transkriptler içerir.

Ders sözlüğü, sağdaki kaynaklar bölümünde bulunabilir.

CPE kredisi almak için kursu tamamlamanız ve nitelikli değerlendirmede %70 puan almanız gerekir. Sağdaki CPE kredileri başlığına tıklayarak değerlendirmeye gidebilirsiniz.

Veri biliminin ne olduğunu, neden popüler olduğunu keşfedin ve uygulamalı alıştırmalarla öğrenin.

Veri Bilimini Anlamak

Veri bilimine kodlama gerektirmeyen bir giriş.

Veri Konularını Anlama

Veri işlem hattı özellikleri

Veri Bilimini Anlamak

Uygulamalı etkileşimli egzersiz