​Bu eğitim, özellikle aktif olarak veri bilimi yöntemlerini kullanmak isteyen kişiler için öncelikle teorik zemini ve programlama temellerini sağlayan, sonraki aşamada ise kodlama ile daha derinlemesine, veri odaklı problemlerin olası çözüm yollarına odaklanan bir yaklaşıma sahiptir. Eğitim, yedi modülden oluşmaktadır. Grubun ihtiyaçlarına göre tüm eğitim paketi ya da modüler bazlı alınabilir.​

​

Modül 1: Veri Bilimine Giriş ve Temel Kavramlar

• İçerik: Veri biliminin tanımı, önemi ve uygulama alanları. Veri bilimcinin rolü, veri bilimi süreci (veri toplama, veri temizleme, veri analizi, modelleme, değerlendirme).

• Amaç: Katılımcılara veri biliminin temel kavramlarını ve veri bilimi projelerinin nasıl yönetileceğini öğretmek.

• Uygulama: Veri bilimi projelerinin yaşam döngüsü ve örnek uygulamalar üzerinden tartışmalar2.

Modül 2: Veri Analizi ve Veri Temizleme Teknikleri

• İçerik: Veri türleri, veri analizi yöntemleri ve veri temizleme teknikleri. Eksik veri analizi, aykırı değerlerin tespiti ve veri normalizasyonu gibi temel işlemler.

• Amaç: Katılımcılara veri analizi ve temizleme sürecinde kullanılan teknik ve yöntemleri öğretmek.

• Uygulama: Python ve R gibi dillerle veri temizleme ve ön işleme çalışmaları.

Modül 3: İstatistik ve Olasılık Teorisi Temelleri

• İçerik: Veri bilimi için gerekli olan temel istatistiksel kavramlar; olasılık teorisi, hipotez testleri, regresyon analizi, korelasyon ve dağılım ölçüleri.

• Amaç: Katılımcıların veri analizi ve modelleme aşamalarında kullanacakları istatistiksel kavramları anlamalarını sağlamak.

• Uygulama: İstatistiksel analizler ve Python/R ile pratik uygulamalar.

Modül 4: Veri Görselleştirme ve Keşifsel Veri Analizi (EDA)

• İçerik: Veri görselleştirme teknikleri, veri görselleştirme araçları (Matplotlib, Seaborn, Plotly vb.), keşifsel veri analizi (EDA) ve öngörülebilir modeller için veri hazırlama.

• Amaç: Katılımcılara veri görselleştirme ve EDA tekniklerini öğretmek ve veriyi daha iyi anlamalarını sağlamak.

• Uygulama: Veri setleri üzerinde keşifsel veri analizi ve çeşitli görselleştirmeler.

⁠Modül 5: Makine Öğrenimi Temelleri

• İçerik: Makine öğrenimi türleri (denetimli, denetimsiz, pekiştirmeli öğrenme), temel algoritmalar (lineer regresyon, lojistik regresyon, karar ağaçları, k-en yakın komşu, k-means, vb.) ve model değerlendirme metrikleri.

• Amaç: Katılımcılara makine öğreniminin temel kavramlarını ve yaygın algoritmalarını öğretmek.

• Uygulama: Python ve R kullanarak basit makine öğrenimi modelleri oluşturma ve değerlendirme.

Modül 6: Derin Öğrenme ve İleri Seviye Makine Öğrenimi Teknikleri

• İçerik: Derin öğrenme kavramları, sinir ağları, evrişimli sinir ağları (CNN), tekrarlayan sinir ağları (RNN), model düzenleme teknikleri ve hiperparametre optimizasyonu.

• Amaç: Katılımcılara ileri seviye makine öğrenimi ve derin öğrenme tekniklerini tanıtmak ve uygulama yapabilmelerini sağlamak.

• Uygulama: TensorFlow ve Keras gibi kütüphanelerle derin öğrenme modelleri geliştirme ve performans değerlendirme.

Modül 7: Uygulamalı Proje Çalışması ve Model Geliştirme

• İçerik: Katılımcıların tüm modüllerde edindikleri bilgileri kullanarak bir veri bilimi projesi geliştirmeleri. Gerçek dünyadan alınan veri setleri üzerinde problem tanımlama, veri hazırlama, model oluşturma, değerlendirme ve sunum yapma.

• Amaç: Katılımcıların öğrendiklerini pratikte uygulayarak, bir veri bilimi projesinin başlangıcından sonuna kadar tüm adımlarını deneyimlemeleri.

• Uygulama: Grup çalışmaları, bireysel projeler, mentörlük seansları ve geri bildirim oturumları.