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?

Veri bilimi her yerde!

Veri biliminin önemi

Veri bilimi uygulamaları

Günlük veri bilimi dozu

Akıllı asistanlar bilimi

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

Veri kaynaklarını sıralama

Astım görülme sıklıkları

Veri türleri

Veri türlerini sınıflandırma

Net tavsiye skoru

Aktivite takip cihazı

Veri depolama ve alma

Bulut platformları

Veritabanı sorgulama

Hangi tür veritabanı?

Veri İşlem Hatları

Veri işlem hattı özellikleri

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

Görevler

Yanlış

Doğru

Hazır mısınız?

Keşifsel Veri Analizi

Sayısal Keşifsel Veri Analizi

Görsel Keşifsel Veri Analizi

Görselleştirme

İnteraktif gösterge tabloları

Gösterge tablosunu iyileştirme

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

Ara sonuçlar

Zaman serisi tahmini

Zaman serisi verilerini sınıflandırma

Zaman serisi grafiğini yorumlama

Gözetimli makine öğrenmesi

Gözetimli öğrenme ne zaman kullanılır?

Özellikler ve etiketler

Model Değerlendirmesi

Kümeleme

Gözetimli ve gözetimsiz

Küme boyutu seçimi

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!

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

Veri Bilimini Anlamak

Veri Konularını Anlama

Veriler genellikle analize hazır halde gelir.

Düzenli veriler, özelliklerin satırlar ve gözlemlerin sütunlar halinde olması anlamına gelir.

Ülke adları her zaman kısaltılmalıdır.

Hazırlanmamış veriler hatalara, yanlı algoritmalara ve yanlış sonuçlara yol açabilir.

Yinelenenlerin kaldırılması, veri türlerinin doğrulanması, eksik değerlerin ele alınması, değerlerin aynı ölçüm sistemini kullanmasının sağlanması veri hazırlığının bir parçasıdır.

Eksik değerler yanıltıcıdır ancak bunlarla başa çıkmanın birkaç yolu vardır.

Hazır mısınız?

Veri Bilimini Anlamak

Uygulamalı interaktif egzersiz