Veriyi keşfedin, boyutunu ustaca azaltın
Veriyi anlamak ve sadeleştirmek: tek/çok değişkenli EDA, korelasyon ve görsel teşhis, boyut laneti, öznitelik seçimi ve PCA, t-SNE, UMAP ile boyut indirgeme pandas, seaborn ve scikit-learn ile uygulamalı işlenir.
Veriyi anlamak ve yüksek boyutu sadeleştirmek
Bu eğitim, modellemeden önce veriyi derinlemesine anlamayı (EDA) ve yüksek boyutlu veriyi anlamlı biçimde sadeleştirmeyi (boyut azaltma) birlikte ele alır. Keşifsel analizde tek değişkenli dağılımlar, iki ve çok değişkenli ilişkiler, korelasyon ısı haritaları, gruplar arası karşılaştırma ve görsel teşhis işlenir. Boyut azaltmada varyans eşiği ve öznitelik seçimiyle başlayıp temel bileşen analizi (PCA), açıklanan varyans, yükleme (loading) yorumu, t-SNE ve UMAP ile görselleştirme, faktör analizi ele alınır. Boyut lanetinin (curse of dimensionality) etkileri, ölçekleme gereği ve azaltmanın model performansına katkısı incelenir. Örnekler Python (pandas, seaborn, scikit-learn) ile gerçek veri setleri üzerinde kurgulanır.
3 Gün. Her gün dört modül; kavram anlatımının ardından pandas, seaborn ve scikit-learn ile uygulama yapılır.
Orta Seviye — Keşifsel veri analizi (EDA) ve boyut azaltma: dağılım keşfi, ilişki analizi, PCA, t-SNE ve öznitelik azaltma.
Jupyter not defterlerinde seaborn ile görsel keşif ve scikit-learn ile PCA/t-SNE boyut azaltma gerçek veri üzerinde uygulamalı çalışılır.
EDA ile veriyi, desenleri ve sorunları modellemeden önce anlarsınız.
PCA ve seçimle yüksek boyutu bilgiyi koruyarak azaltırsınız.
t-SNE ve UMAP ile yüksek boyutlu yapıyı iki boyutta görürsünüz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
pandas ile veri çerçevesi işleme pratiği gerekir.
Ortalama, varyans, korelasyon kavramlarına aşinalık faydalıdır.
Vektör ve matris sezgisi PCA'yı anlamayı kolaylaştırır.
Jupyter, pandas, seaborn ve scikit-learn kurulu çalışma ortamı.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Dağılım, merkez ve yayılımı görsel ve sayısal olarak incelersiniz.
Korelasyon ve saçılımla değişkenler arası ilişkiyi keşfedersiniz.
Grup ve çok değişkenli görsellerle karmaşık yapıları ortaya çıkarırsınız.
Yüksek boyutun yarattığı sorunları açıklar ve önlem alırsınız.
Gereksiz ve korelasyonlu öznitelikleri sistematik elersiniz.
Açıklanan varyansa göre PCA ile boyutu indirger ve yorumlarsınız.
t-SNE ve UMAP ile yüksek boyutlu yapıyı görselleştirirsiniz.
EDA ve boyut azaltmayı sızıntısız bir akışta birleştirirsiniz.
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.
Veri analitiği eğitimi: analitik türleri, veri hazırlama, keşifçi analiz (EDA), tanımlayıcı/çıkarımsal istatistik, görselleştirme ve veri hikâyesi. SQL ve panda
Detayları Gör →
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 →