Bu eğitimin temel amacı, katılımcılara Python programlama dilini kullanarak veri analizi ve makine öğrenmesi projelerini uçtan uca gerçekleştirebilme yetkinliği kazandırmaktır. Eğitim, temel Python becerilerinden başlayarak, Numpy ve Pandas gibi kütüphanelerle veri manipülasyonu, temizleme ve ön hazırlık adımlarını öğretir. Ardından, Matplotlib ile veriyi görselleştirerek anlamlı içgörüler çıkarma becerisi kazandırır. Eğitimin ilerleyen aşamalarında ise temel istatistiksel kavramlar ışığında regresyon (tahmin), sınıflandırma ve kümeleme gibi temel makine öğrenmesi modellerinin teorik altyapısı anlatılır ve bu modellerin scikit-learn kütüphanesi ile Python'da nasıl uygulanacağı gösterilir. Nihai hedef, katılımcıların ham veriden başlayarak bir model oluşturma, bu modelin çıktılarını yorumlama ve performansını doğru metriklerle değerlendirme becerisine sahip olmalarını sağlamaktır.
• Veri Yapıları Çalışmak
•Şart Yapılarıyla Çalışmak
• Döngülerle Çalışmak
• Fonksiyonlarla Çalışmak
•Dosyadan Veri Okuma ve Yazma İşlemleri
•Modüller
•Hata Yönetimi
•Etkin IDE Kullanımı ve Kod Kalitesi
• Numpy Temelleri
•Numpy’da Diziler
•Temel Operasyonlar
• Indexleme ve Parçalama
• Dizi Birleştirme
• Pandas’ta Seriler
•DataFrame
•Indexing&& Slicing&& Transforming
•Filtering and Quering
• Groupby&& Drop ve Axis Kullanımı
•Missing Dataların Yönetimi
• Dropna and Filina
• Datanın Okunması
•Data Cleaning İşlemleri
•Data Normalization
• Veri görselleştirmede dikkat edilmesi gerekenler
• Matplotlib kütüphanesi ile görsel analiz
•Grafiklere nitelik ekleme
• Normal dağılım
•Binom Dağılımı
•Bernoulli Dağılımı ve Uygulama
•Standart Sapma
• Güven Aralıklarının Belirlenmesi
•Hata Tipleri
•Simple Linear Regression ve Python ile Uygulaması
• Multiple Linear Regression
•Polynomial Regression
•Support Vector Regression ve Python ile Uygulaması
•Değerlendirme ve Metotların Karşılaştırılması
•Logistic Regression ve Python ile Uygulaması
•Confusion Matrix (Karmaşıklık Matrisi)
•Karar Ağaçlarının Çalışma Mantığı
•Decision Tree ile Sınıflandırma ve Python ile Uygulanması
•K-Means Kümeleme
• Apriori Algoritmasıyla Kümeleme
• Discriminant Analysis
• Principal Component Analysis(PCA)
•Linear Discriminant Analysis(LDA)
•LDA nın Python ile Kodlanması