DATA ANALYTICS USING PYTHON AND SQL CERTIFICATE PROGRAM EĞİTİMİ

Python ve SQL ile veri analisti olun

SQL sorguları, pandas ile temizleme ve analiz, istatistik, görselleştirme, KPI ve RFM analizi, kapsam projesi

Python ve SQL ile veri analitiği programı: SQL, pandas, EDA, istatistik, görselleştirme, KPI, kohort ve RFM analizi ile kapsam projesi. DVA Katılım ve Başarı Sertifikası verilir.

4 gün Orta Seviye Online / Yüz Yüze / Hibrit Sertifikalı

Eğitim Hakkında

Python ve SQL ile uçtan uca veri analitiği

Program, veri analitiğinin tüm halkalarını Python ve SQL ile işler: SELECT, JOIN, GROUP BY, pencere fonksiyonları ve CTE; pandas ile okuma, temizleme, groupby ve merge; EDA, istatistik ve hipotez testi; Matplotlib ve Seaborn ile görselleştirme; Python-SQL entegrasyonu, KPI tanımı, kohort ve RFM analizi ile sunumla biten bir kapsam projesi.

Süre ve Format

4 Gün. Her gün dört modül; 1. gün Analitik Süreç ve SQL; 2. gün Pandas ile Temizleme ve Analiz; 3. gün İstatistik ve Görselleştirme; 4. gün Kapsam Projesi ve Sunum. Her modül uygulamalı alıştırmalarla pekiştirilir.

Seviye

Orta Seviye — Python, pandas ve SQL ile uçtan uca veri analitiği sürecini sertifika programı kapsamında işler.

Öğrenme Metodu

Her gün SQL ve Python bir arada kullanılır; program, gerçekçi bir satış veri seti üzerinde yürütülen ve sunumla tamamlanan kapsam projesiyle biter.

Neden Bu Eğitim?

🎯İki temel beceri

SQL ve Python'u birlikte kullanarak veriyi kaynağında çekip analiz edersiniz.

🛠️Portföy projesi

Programı bitirdiğinizde özgeçmişinize ekleyebileceğiniz uçtan uca bir analiz projeniz olur.

📈İş odaklı bakış

KPI, kohort ve RFM ile veriyi iş kararlarına dönüştürürsünüz.

Anahtar Konular

veri analitiği python sqlveri analisti eğitimipandassql joinpencere fonksiyonlarırfm analizipython veri analiziedakohort analiziveri analitiği sertifika
“Veri analisti, rakamın arkasındaki hikâyeyi bulandır.”

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 analitik yaşam döngüsünü kavrar ve SQL ile analiz sorguları yazar.
Modül 1
Veri Analitiği Süreci
  • CRISP-DM benzeri analiz yaşam döngüsü ve soru tanımlama
  • Python ortamı: venv, Jupyter, pandas, numpy ve SQL bağlantısı
  • Veri kaynakları: CSV, API, veritabanı ve veri ambarı
  • Veri kalitesi kontrol listesi
  • Bulguların hikâyeleştirilmesi ve paydaş sunumu
  • Tekrar üretilebilirlik: sürüm kontrolü ve notebook disiplini
Modül 2
SQL ile Veri Çekme
  • SELECT, WHERE, ORDER BY, LIMIT ve NULL davranışı
  • GROUP BY, HAVING ve toplama fonksiyonları
  • INNER, LEFT JOIN ve alt sorgular
  • Pencere fonksiyonları: ROW_NUMBER, RANK, SUM() OVER
  • CTE (WITH) ile okunabilir çok adımlı sorgu
  • Python'dan sqlite3 / SQLAlchemy ile sorgu çalıştırma ve parametreli sorgu
Modül 3
Veri Okuma: CSV, Excel ve JSON
  • pd.read_csv parametreleri: sep, encoding, usecols, dtype, parse_dates, nrows
  • Büyük dosyalarda chunksize ile parça parça okuma
  • pd.read_excel ile sayfa seçimi, header satırı ve openpyxl motoru
  • pd.read_json ve json_normalize ile iç içe JSON düzleştirme
  • pd.read_sql ile veritabanından sorgu sonucu okuma
  • Türkçe karakter ve ondalık ayıracı sorunları: encoding="utf-8-sig", decimal=","
Modül 4
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()
Günün hedefiKatılımcı pandas ile veriyi temizler, gruplar ve birleştirir.
Modül 1
Veri Temizleme
  • Eksik değerler: fillna, dropna, interpolate ve ffill
  • astype ile tip dönüşümü, pd.to_numeric(errors="coerce") ve pd.to_datetime
  • str.strip, replace, lower ile metin temizliği
  • Aykırı değer tespiti: IQR ve z-skoru yöntemleri
  • rename, drop ve sütun sırası düzenleme
  • Kategorik tip (category) ile bellek tasarrufu
Modül 2
Gruplama ve Özetleme
  • groupby ile böl-uygula-birleştir (split-apply-combine) mantığı
  • agg ile çoklu istatistik ve adlandırılmış toplama (named aggregation)
  • transform ile grup içi yüzde ve standardizasyon
  • pivot_table ve crosstab ile çapraz tablolar
  • value_counts(normalize=True) ve nunique() ile dağılım
  • Rolling ve expanding pencereleriyle hareketli ortalama
Modül 3
Birleştirme ve Şekil Değiştirme
  • merge ile inner, left, right, outer join ve on/left_on/right_on
  • indicator=True ile eşleşmeyen kayıtları bulma
  • concat ile satır ve sütun yönünde birleştirme
  • melt ve pivot ile geniş-uzun format dönüşümü
  • join ve index tabanlı birleştirme
  • Birleştirme sonrası satır sayısı doğrulaması ve çoğalma (many-to-many) hatası
Modül 4
Python ve SQL Birlikte Analiz
  • pd.read_sql_query ile sorgu sonucunu DataFrame'e alma
  • Ağır filtre ve toplamayı SQL'de, şekillendirmeyi pandas'ta yapma kararı
  • SQLAlchemy engine, connection pool ve ortam değişkeniyle parola yönetimi
  • to_sql ile temizlenmiş sonucu veritabanına geri yazma
  • Veri mart tabloları ve görünüm (view) tasarımı
  • Sorgu planı (EXPLAIN) ve indeksle hız kazanımı
Günün hedefiKatılımcı keşifsel analiz yapar, istatistiksel testleri uygular ve görselleştirir.
Modül 1
Veri Setini Tanıma
  • Veri sözlüğü, birim ve kaynak sorgulama
  • shape, info, describe(include="all") ile hızlı özet
  • Eksik veri haritası ve yüzde hesabı
  • Veri tipi uyumsuzlukları ve tarih/sayı sütunlarının tespiti
  • Kardinalite ve benzersiz değer sayıları
  • Analiz sorularını yazılı hale getirme
Modül 2
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
Modül 3
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 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
Günün hedefiKatılımcı uçtan uca analiz projesini tamamlayıp sunar.
Modül 1
Kapsam Projesi ve Sunum
  • Gerçekçi bir satış/müşteri veri seti ile uçtan uca analiz
  • KPI tanımı: gelir, müşteri kaybı (churn), sepet büyüklüğü
  • Kohort ve RFM segmentasyonu temel yaklaşımı
  • Matplotlib/Seaborn ile yönetici panosu görselleri
  • Bulgu ve öneri raporu hazırlama
  • Proje sunumu ve geri bildirim oturumu
Modül 2
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 3
Özellik Mühendisliği ve Raporlama
  • Yeni değişken türetme: oran, fark, zaman bileşenleri
  • Kategorik değişken kodlama: one-hot (get_dummies) ve ordinal
  • Ölçekleme: min-max ve standardizasyon
  • ydata-profiling ile otomatik EDA raporu
  • Bulguları bir sayfalık özet olarak yazma
  • Jupyter Notebook'u tekrar üretilebilir rapor olarak düzenleme
Modül 4
Zaman Serisi ve Tarih İşlemleri
  • DatetimeIndex oluşturma ve tarihe göre dilimleme df["2025-01":"2025-03"]
  • resample ile günlük/aylık/üç aylık yeniden örnekleme
  • shift, diff ve pct_change ile gecikmeli değişim
  • dt erişimcisi: dayofweek, quarter, month_name
  • Saat dilimi: tz_localize ve tz_convert
  • Hareketli ortalama ve mevsimsellik gözlemi

Eğitim Kazanımları

Program sonunda katılımcılar:

✅
Analitik Süreç

Soru tanımından sunuma uzanan veri analitiği yaşam döngüsünü yönetebilirsiniz

🔧
Veri Okuma

CSV, Excel, JSON ve SQL kaynaklarını doğru parametrelerle pandas içine alabilirsiniz

📊
Veri Temizleme

Eksik, hatalı tipli ve aykırı verileri temizleyip analize hazır hale getirebilirsiniz

🧩
Birleştirme

merge, concat ve melt ile farklı tabloları doğrulayarak birleştirebilirsiniz

🚀
Dağılım Analizi

Tek değişkenli dağılımları istatistik ve grafiklerle yorumlayabilirsiniz

🔍
Veri Görselleştirme

Matplotlib ve Seaborn ile amaca uygun, okunaklı grafikler hazırlayabilirsiniz

🛡️
İlişki Analizi

Korelasyon ve grup karşılaştırmalarıyla değişkenler arası ilişkileri değerlendirebilirsiniz

📌
Zaman Serileri

Tarih indeksli veriyi resample, shift ve pct_change ile analiz edebilirsiniz

Kimler İçin Uygundur?

  • Veri analisti olmak isteyenler
  • raporlama
  • iş zekâsı çalışanları ve kariyerini veriye taşımak isteyen profesyoneller

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?
Veri analisti olmak isteyenler, raporlama ve iş zekâsı çalışanları ve kariyerini veriye taşımak 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.
Sertifika programı ne anlama geliyor?
Program sonunda Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir; üçüncü taraf bir sınav içermez.
SQL bilgisi gerekli mi?
Hayır, SQL sıfırdan öğretilir; yalnızca temel Python bilgisi beklenir.

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 d Digital Vizyon AKADEMİ KATILIM SERTİFİKASI Bu sertifika [Katılımcı Adı Soyadı] adlı katılımcının aşağıdaki eğitim programını başarıyla tamamladığını belgeler. Data Analytics Using Python and SQL Certificate Program Eğit Sertifika Kodu DV-2026XX00 Tarih 27.10.2026 Yetkili İmza DV AKADEMİ

Eğitim Bilgileri

Süre4 gün
SeviyeOrta Seviye
FormatOnline / Yüz Yüze / Hibrit
KonuPython
Sertifika✓ Var
Hemen Bilgi Al
İlgili Eğitimler

Bu Eğitimle Birlikte Tercih Edilenler

PythonData Structures & Algorithms in Python: Sorting Algorithms Eğitimi
Yazılım Geliştirme Eğitimleri

Data Structures & Algorithms in Python: Sorting Algorithms Eğitimi

2 günOrtaOnline / Yüz Yüze / Hibrit

Python sıralama algoritmaları eğitimi: bubble, selection, insertion, merge, quick, heap ve counting sort; Big-O analizi, Timsort ve süre ölçümleriyle karşılaştı

Detayları Gör →
PythonData Structures & Algorithms in Python: Trees & Graphs Eğitimi
Yazılım Geliştirme Eğitimleri

Data Structures & Algorithms in Python: Trees & Graphs Eğitimi

4 günİleriOnline / Yüz Yüze / Hibrit

Python ağaç ve çizge algoritmaları eğitimi: ikili ağaç, BST, AVL, heap, trie, BFS, DFS, Dijkstra, topolojik sıralama ve gerçek yol bulma problemleri.

Detayları Gör →
PythonDjango'ya Giriş Eğitimi
Yazılım Geliştirme Eğitimleri

Django'ya Giriş Eğitimi

3 günBaşlangıçOnline / Yüz Yüze / Hibrit

Django'ya giriş eğitimi: MVT mimarisi, proje kurulumu, URL ve view, modeller, ORM, şablonlar, admin paneli, formlar ve kullanıcı giriş-çıkış uygulaması.

Detayları Gör →
PythonEdge & Lightweight Agents: Aygıt Üzerinde Aracılı Yükleme İşlemleri ile Python Eğitimi
Yazılım Geliştirme Eğitimleri

Edge & Lightweight Agents: Aygıt Üzerinde Aracılı Yükleme İşlemleri ile Python Eğitimi

4 günİleriOnline / Yüz Yüze / Hibrit

Edge ve hafif ajanlar eğitimi: Python ile aygıt üzerinde aracılı yükleme, MQTT, yerel tampon, retry, mTLS, imzalı OTA güncelleme ve systemd/Docker ile dağıtım.

Detayları Gör →
PythonEnhancing Python Performance Training Eğitimi
Yazılım Geliştirme Eğitimleri

Enhancing Python Performance Training Eğitimi

4 günİleriOnline / Yüz Yüze / Hibrit

Python performans optimizasyonu eğitimi: cProfile, line_profiler, tracemalloc, lru_cache, NumPy, Numba, threading, multiprocessing ve asyncio ile hızlandırma.

Detayları Gör →
+90 (501) 369 40 14 WhatsApp [email protected] LinkedIn