Eksik ve aykırı değerleri doğru ele al, veriyi kurtar
Veri setlerindeki eksik ve aykırı değerleri istatistiksel temelle ele alan eğitim: eksiklik mekanizmaları, basit/model tabanlı/çoklu imputation, tek ve çok değişkenli aykırı tespiti ve robust istatistikleri pandas ve scikit-learn ile uygular.
Eksik veri mekanizmaları, imputation, aykırı değer tespiti ve dayanıklılık
Bu eğitim, gerçek veri setlerindeki iki temel kalite sorununu, eksik değerleri ve aykırı değerleri, istatistiksel temelli yöntemlerle ele alır. Eksik veri mekanizmaları (MCAR, MAR, MNAR), eksiklik desenlerini görselleştirme, listwise/pairwise silme ve bunların önyargısı; ortalama/medyan atama, KNN, regresyon ve çoklu atama (MICE) teknikleri Python pandas ve scikit-learn ile uygulanır. Aykırı değer tespitinde IQR, z-skoru, modifiye z-skoru, Mahalanobis uzaklığı, Isolation Forest ve LOF yöntemleri; kırpma (winsorization), dönüşüm ve dayanıklı (robust) istatistikler işlenir. Amaç veri kaybetmeden analiz güvenilirliğini korumaktır.
3 Gün. Her gün dört modül; eksik veriden aykırı değer ve dayanıklı analize kadar veri temizleme işlenir.
Orta Seviye — Eksik veri ve aykırı değerleri tespit etme, doğru atama (imputation) ve dayanıklı analiz teknikleri.
Katılımcılar gerçek, kirli veri setleri üzerinde pandas, scikit-learn ve istatistiksel testlerle temizleme uygular.
MCAR/MAR/MNAR ayrımını yapıp yönteme bilinçli karar verirsiniz.
KNN ve çoklu atamayla veri kaybetmeden boşlukları doldurursunuz.
IQR, z-skoru ve Isolation Forest ile aykırıları güvenle ayırt edersiniz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Temel Python ve pandas kullanımı bilgisi gereklidir.
Ortalama, medyan, dağılım gibi temel istatistiklere aşinalık faydalıdır.
Jupyter/Colab ve pandas, scikit-learn kurulu bir ortam gereklidir.
Tablo/veri çerçevesiyle önceki çalışma deneyimi yararlıdır.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Eksikliğin MCAR/MAR/MNAR tipini ayırt edebilirsiniz.
Eksiklik desenlerini görselleştirebilirsiniz.
KNN ve MICE ile doğru atama yapabilirsiniz.
Atama kalitesini hata metrikleriyle ölçebilirsiniz.
IQR ve z-skoru ile aykırıları tespit edebilirsiniz.
Isolation Forest ve LOF uygulayabilirsiniz.
Winsorization ve dönüşümle aykırıları yönetebilirsiniz.
Robust istatistiklerle güvenilir analiz üretebilirsiniz.
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.
Arz-talep dengesi: talep tahmini, EOQ ve güvenlik stoğu, ROP, bullwhip etkisi ve S&OP ile envanter ve kapasite kararlarını veriyle optimize etmeyi öğrenin.
Detayları Gör →
Kurumsal BT trendleri, analitik olgunluk modeli ve veri odaklı uygulama geliştirme: bulut, mikroservis, API-first ve gömülü analitiği bir yol haritasında birleş
Detayları Gör →
Pentaho (Kettle) ile görsel ETL: Spoon'da transformation ve job tasarımı, girdi/çıktı adımları, dönüşümler, lookup, hata yönetimi ve zamanlamayı öğrenin.
Detayları Gör →
İleri Pentaho: Carte kümeleme, metadata injection, Hadoop/Hive/Spark Big Data adımları, CDC, SCD, performans ayarı ve CI/CD ile kurumsal ETL mimarisi kurun.
Detayları Gör →
Orta seviye Pentaho: yıldız şema boyut/olgu yükleme, SCD Tip 1/2, lookup stratejileri, hata akışı, parametre ve artımlı yükleme ile ambar ETL tasarlayın.
Detayları Gör →