Doğru örneklemle anakütleyi güvenle temsil et
Olasılıklı (basit rastgele, sistematik, tabakalı, küme) ve olasılıksız örnekleme yöntemleri ile örneklem büyüklüğü, güven düzeyi, hata payı ve önyargı yönetimini uygulamalı öğreten temel seviye eğitim.
Olasılıklı/olasılıksız örnekleme, örneklem büyüklüğü ve hata
Bu eğitim, bir anakütleyi (popülasyon) güvenilir biçimde temsil eden örneklem seçme yöntemlerini uygulamalı olarak öğretir. Olasılıklı yöntemler olarak basit rastgele (SRS), sistematik, tabakalı (stratified) ve küme (cluster) örnekleme; olasılıksız yöntemler olarak kolayda, kota ve kartopu örnekleme incelenir. Örnekleme çerçevesi, örneklem büyüklüğü hesabı, güven düzeyi ve hata payı (margin of error), örnekleme ve örnekleme dışı hata, seçim önyargısı ele alınır. Katılımcılar araştırma hedefine uygun bir örnekleme tasarımı kurup örneklem büyüklüğünü hesaplayabilir ve temsil gücünü değerlendirebilir.
2 Gün. Her gün dört modül; katılımcılar örnekleme kavramından yöntem seçimi ve büyüklük hesabına kadar ilerler.
Temel Seviye — Olasılıklı ve olasılıksız örnekleme yöntemleri, örneklem büyüklüğü ve örnekleme hatasının uygulamalı ele alınması.
Katılımcılar gerçek senaryolar üzerinde örnekleme planı kurar ve örneklem büyüklüğü/hata payı hesaplarını uygulamalı yapar.
Doğru örneklemle anakütle hakkında güvenilir çıkarım yaparsınız.
Herkese ulaşmadan, az maliyetle temsili sonuç elde edersiniz.
Örneklem büyüklüğü ve hata payını hesaplayarak kesinliği yönetirsiniz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Yüzde, oran ve ortalama kavramlarına aşinalık yeterlidir.
Anakütle ve değişken fikrine aşinalık öğrenmeyi kolaylaştırır.
Excel/Sheets veya basit bir hesaplayıcıya erişim faydalıdır.
Üzerinde çalışılacak araştırma senaryoları sağlanır.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Olasılıklı ve olasılıksız örnekleme yöntemlerini ayırt edersiniz.
SRS ve sistematik örneklemeyi doğru uygularsınız.
Tabakalı ve küme örneklemeyi senaryoya göre seçersiniz.
Güven düzeyi ve hata payıyla örneklem büyüklüğü hesaplarsınız.
Örnekleme ve örnekleme dışı hatayı ayırt edersiniz.
Seçim ve yanıt önyargılarını tanıyıp azaltırsınız.
Örneklemin anakütleyi temsil gücünü değerlendirirsiniz.
Araştırma hedefine uygun bir örnekleme planı kurarsınız.
Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.
Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.
Analitik ve modelleme giriş eğitimi: CRISP-DM, veri hazırlama, özellik mühendisliği, regresyon/sınıflandırma/kümeleme, metrikler ve çapraz doğrulama. Python ile
Detayları Gör →
Karar odaklı veri analizi ve görselleştirme eğitimi: metrik seçimi, görsel algı ilkeleri, grafik-mesaj eşlemesi, gösterge panosu ve veri hikâyesi anlatımı.
Detayları Gör →
Veri etiği eğitimi: mahremiyet, anonimleştirme, bilgilendirilmiş rıza, algoritmik yanlılık, adillik ölçütleri, açıklanabilirlik ve sorumlu veri/AI yönetişimi.
Detayları Gör →
Veri kataloğu eğitimi: metadata türleri, veri sözlüğü, iş sözlüğü, veri soyağacı (lineage), sınıflandırma, arama/keşif ve veri sahipliği/yönetişim.
Detayları Gör →
Veri krizi yönetimi eğitimi: ihlal müdahale planı, tespit/kapsama, KVKK 72 saat bildirim, kriz iletişimi, yedekten kurtarma ve olay sonrası postmortem.
Detayları Gör →