İstatistik ve Örnekleme (Python)

Eğitim Hakkında

Python ile istatistik ve örnekleme

Eğitim, veri analizi için temel istatistik kavramlarını Python kodu ile birlikte öğretir: ortalama, medyan, varyans ve standart sapma, yüzdelik dilimler, normal, binom ve Poisson dağılımları, Merkezi Limit Teoremi simülasyonu, rastgele, tabakalı ve küme örnekleme, örnekleme yanlılığı, bootstrap, güven aralığı, t testi, ki-kare ve A/B testi yorumu.

Süre ve Format

2 Gün. Her gün dört modül; 1. gün Tanımlayıcı İstatistik ve Olasılık; 2. gün Örnekleme ve Çıkarımsal İstatistik. Her modül uygulamalı alıştırmalarla pekiştirilir.

Seviye

Orta Seviye — Tanımlayıcı istatistik, olasılık dağılımları, örnekleme ve hipotez testlerini Python ile uygulamalı işler.

Öğrenme Metodu

Her kavram numpy, pandas ve scipy.stats ile simülasyonla gösterilir; formüller önce veriyle denenir, sonra yorumlanır.

Neden Bu Eğitim?

🎯Sezgiyi koda dökün

Formülleri ezberlemek yerine simülasyonla sezgisel olarak anlarsınız.

🛠️Doğru örnekleme

Yanlı örneklemin sonuçları nasıl bozduğunu görerek daha güvenilir analiz yaparsınız.

📈Karar verme

p değeri ve güven aralığını doğru yorumlayarak A/B testi gibi kararları desteklersiniz.

Anahtar Konular

python istatistikörnekleme yöntemleriscipy statshipotez testigüven aralığıbootstrapnormal dağılımt testiveri analiziistatistik eğitimi

“İstatistik, belirsizlikle dürüstçe başa çıkma sanatıdır.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python bilgisi

Liste, sözlük, fonksiyon ve döngü kullanımını kapsayan temel Python bilgisi beklenir.

2

Analiz ortamı

Python 3.10+, Jupyter Notebook veya VS Code ile pandas, numpy, matplotlib paketleri kurulu olmalıdır.

3

Temel matematik

Ortalama, yüzde ve tablo okuma gibi ilk ve ortaöğretim düzeyi matematik yeterlidir.

4

Veri merakı

Excel veya benzeri bir tablo aracıyla çalışmış olmak kavramları oturtmayı kolaylaştırır.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı tanımlayıcı istatistik hesaplar ve temel olasılık dağılımlarını scipy ile kullanır.

Modül 1

Tanımlayıcı İstatistik

Ortalama, medyan, mod ve hangisinin ne zaman uygun olduğu
Varyans, standart sapma, aralık ve IQR
Yüzdelik dilimler (quantile) ve boxplot okuma
statistics, numpy ve pandas ile hesap farkları (ddof=0/1)
Ağırlıklı ortalama ve hareketli istatistikler
Dağılım şekli: simetri, çarpıklık ve aykırı değer etkisi

Modül 2

Olasılık ve Dağılımlar

Temel olasılık, koşullu olasılık ve Bayes teoremi
Normal, binom ve Poisson dağılımları (scipy.stats)
pdf, cdf, ppf fonksiyonlarıyla olasılık hesapları
Z-skoru ve standart normal tablo mantığı
Büyük Sayılar Yasası'nın simülasyonla gösterimi
Merkezi Limit Teoremi'nin numpy ile deneysel gösterimi

Modül 3

DataFrame ve Series Temelleri

Series ve DataFrame oluşturma: sözlükten, listeden, numpy dizisinden
index, columns, dtypes, shape ve values nitelikleri
head(), tail(), info(), describe() ile ilk keşif
Sütun seçimi df["a"], df[["a","b"]] ve nitelik erişimi farkı
Yeni sütun hesaplama ve vektörel işlemler
Index kavramı, set_index() ve reset_index()

Modül 4

Tek Değişkenli Analiz

Sayısal değişken: ortalama, medyan, çarpıklık (skew) ve basıklık (kurtosis)
Histogram, KDE ve boxplot ile dağılım okuma
Kategorik değişken: frekans tablosu ve çubuk grafik
Aykırı değer adayları ve IQR sınırları
Log dönüşümü ile çarpık dağılımı düzeltme
Normalliğe görsel bakış: Q-Q grafiği

Günün hedefiKatılımcı farklı örnekleme yöntemlerini uygular, güven aralığı ve hipotez testi yorumlar.

Modül 1

Örnekleme Yöntemleri

Anakütle ile örneklem ayrımı, parametre ve istatistik
Basit rastgele, sistematik, tabakalı ve küme örnekleme
df.sample(n, random_state) ve tabakalı örnekleme kodu
Örnekleme yanlılığı (selection bias) ve yaygın tuzaklar
Örnek büyüklüğü hesabı ve hata payı
Bootstrap ile yeniden örnekleme ve standart hata tahmini

Modül 2

Güven Aralığı ve Hipotez Testi

Güven aralığı yorumlama ve t dağılımı ile hesap
Boş ve alternatif hipotez, p değeri, alfa ve hata türleri
scipy.stats ile ttest_1samp, ttest_ind, ttest_rel
Ki-kare bağımsızlık testi ve ANOVA girişi
Çoklu karşılaştırma sorunu ve Bonferroni düzeltmesi
A/B testi örneği: dönüşüm oranı farkı ve yorumu

Modül 3

İki ve Çok Değişkenli Analiz

Korelasyon matrisi (Pearson, Spearman) ve heatmap
Scatter plot ve regresyon çizgisi (regplot)
Kategori başına sayısal dağılım: groupby ve boxplot
Çapraz tablo ve ki-kare ilişkisine giriş
Simpson paradoksu ve korelasyon-nedensellik ayrımı
Pairplot ile hızlı çok değişkenli keşif

Modül 4

Veri Görselleştirme

Matplotlib figure/axes yapısı ve plot() kısayolları
Çizgi, çubuk, dağılım (scatter) ve histogram seçimi
Seaborn ile boxplot, heatmap ve pairplot
Eksen etiketi, başlık, lejant ve renk paleti ayarları
Alt grafikler (subplots) ile çoklu panel
Grafiği PNG/SVG olarak kaydetme ve rapora ekleme

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Tanımlayıcı İstatistik

Merkezi eğilim ve yayılım ölçülerini doğru seçip yorumlayabilirsiniz

🔧

Olasılık Dağılımları

scipy.stats ile normal, binom ve Poisson olasılıklarını hesaplayabilirsiniz

📊

DataFrame Temelleri

Series ve DataFrame yapılarını kurup ilk keşif komutlarıyla veriyi tanıyabilirsiniz

🧩

Dağılım Analizi

Tek değişkenli dağılımları istatistik ve grafiklerle yorumlayabilirsiniz

🚀

Örnekleme

Farklı örnekleme yöntemlerini uygulayıp yanlılık risklerini değerlendirebilirsiniz

🔍

Hipotez Testleri

t testi, ki-kare ve güven aralığı ile istatistiksel karar verebilirsiniz

🛡️

İlişki Analizi

Korelasyon ve grup karşılaştırmalarıyla değişkenler arası ilişkileri değerlendirebilirsiniz

📌

Veri Görselleştirme

Matplotlib ve Seaborn ile amaca uygun, okunaklı grafikler hazırlayabilirsiniz

Kimler İçin Uygundur?

Veri analistleri
veri bilimine başlayanlar
istatistik kavramlarını kodla pekiştirmek isteyen profesyoneller

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Veri analistleri, veri bilimine başlayanlar ve istatistik kavramlarını kodla pekiştirmek isteyen profesyoneller.

Eğitim sonunda sertifika verilir mi?

Eğitimi tamamlayan katılımcılar Digital Vizyon Akademi Katılım ve Başarı Sertifikası almaya hak kazanır; sertifika DVA'nın kendi katılım ve başarı belgesidir.

Eğitim için hangi yazılımlar gereklidir?

Python 3.10 veya üzeri, bir kod editörü (VS Code ya da PyCharm) ve eğitimin konusuna göre listelenen paketler yeterlidir; kurulum adımları ilk oturumda birlikte kontrol edilir.

Matematik altyapısı ne kadar gerekli?

Lise düzeyi matematik yeterlidir; formüller kodla ve görselleştirmeyle adım adım açıklanır.

p değeri nasıl yorumlanıyor?

p değerinin ne olduğu ve ne olmadığı, çoklu karşılaştırma sorunuyla birlikte A/B testi örneğiyle işlenir.

Sertifikalandırma

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.

Örnek Sertifika

CORE STATISTICAL CONCEPTS: STATISTICS & SAMPLING WITH PYTHON EĞİTİMİ