NumPy ile Sayısal Hesaplama Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, Python kullanıcılarının veri analizi, bilimsel hesaplama ve makine öğrenmesinin temelini oluşturan NumPy kütüphanesini etkin ve performanslı biçimde kullanması için tasarlanmış uygulamalı bir programdır. Katılımcılar çok boyutlu dizilerle vektörleştirilmiş hesaplama, doğrusal cebir, istatistik ve simülasyon tekniklerini laboratuvarlarda uygular.

Neden Bu Eğitim?

Yüksek Performans. Python döngülerini vektörleştirilmiş NumPy işlemleriyle değiştirerek hesaplamaları kat kat hızlandırmayı öğrenin.

Ekosistemin Temeli. pandas, SciPy, scikit-learn ve PyTorch'un dayandığı dizi mantığını kavrayarak tüm araçları daha iyi kullanın.

Matematikten Koda. Doğrusal cebir ve istatistik formüllerini okunabilir, doğru ve verimli NumPy koduna dönüştürün.

“Veriyi dizi olarak düşünmeye başladığınızda, saatler süren hesaplamalar saniyelere iner ve yapay zekanın matematiği size açılır.”

Ön Koşullar

Temel Python — Değişken, liste, döngü, koşul ve fonksiyon yazımı gibi temel Python yapılarını bilmek.
Temel Matematik — Lise düzeyinde matris, vektör ve ortalama, varyans gibi temel istatistik kavramları.
Çalışma Ortamı — Python 3, NumPy ve Jupyter kurulu bir bilgisayar veya bulut not defteri erişimi.
Veri Merakı — Kendi alanınızdan sayısal bir problem veya veri seti getirmek faydalı olacaktır.

Eğitim İçeriği

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

Günün hedefindarray yapısını ve veri tiplerini kavramak, dizileri etkin biçimde oluşturup dilimlemek, yayınlama ve evrensel fonksiyonlarla döngüsüz hesaplama yapmak.

Modül 1

ndarray Yapısı ve Dizi Oluşturma

Python listesi ile ndarray arasındaki bellek farkı
shape, ndim, size ve dtype öznitelikleri
array, zeros, ones, arange, linspace ile dizi oluşturma
Veri tipleri: int, float, bool ve tip dönüşümleri
NumPy 2.x ile gelen tip yükseltme değişiklikleri
Laboratuvar: Sensör verisinden dizi oluşturma

Modül 2

İndeksleme, Dilimleme ve Görünümler

Çok boyutlu dizilerde indeksleme ve dilimleme
Boolean maskeleme ile koşullu veri seçimi
Gelişmiş (fancy) indeksleme ve np.where kullanımı
Görünüm (view) ile kopya (copy) farkı ve yan etkiler
reshape, ravel, transpose ve eksen değiştirme
Laboratuvar: Satış matrisinde koşullu filtreleme

Modül 3

Yayınlama ve Evrensel Fonksiyonlar

Eleman bazlı işlemler ve evrensel fonksiyonlar (ufunc)
Yayınlama (broadcasting) kuralları ve şekil uyumu
Yeni eksen ekleme: np.newaxis ve expand_dims
Vektörleştirme ile Python döngüsünün karşılaştırılması
%timeit ile performans ölçümü ve darboğaz analizi
Laboratuvar: Mesafe matrisinin döngüsüz hesaplanması

Modül 4

Toplulaştırma, Sıralama ve Birleştirme

sum, mean, std, min, max ile eksen bazlı özetleme
NaN değerler ve nanmean, nanstd fonksiyonları
sort, argsort, unique ve percentile işlemleri
concatenate, stack ve split ile dizi birleştirme
Kayan nokta hassasiyeti ve np.isclose ile karşılaştırma
Günün değerlendirmesi ve doğrusal cebir gününe köprü

Günün hedefiNumPy ile doğrusal cebir ve istatistik problemlerini çözmek, rastgele sayı üretimiyle simülasyon kurmak, bellek ve performansı optimize edip mini proje geliştirmek.

Modül 1

Doğrusal Cebir Uygulamaları

Matris çarpımı: @ operatörü, dot ve einsum
np.linalg.solve ile doğrusal denklem sistemleri
Determinant, ters matris ve koşul sayısı
Özdeğer ayrışımı ve tekil değer ayrışımı (SVD)
lstsq ile en küçük kareler regresyonu
Laboratuvar: SVD ile görüntü sıkıştırma

Modül 2

Rastgele Sayı Üretimi ve Simülasyon

default_rng ile Generator API ve tekrarlanabilirlik
Normal, uniform, binom ve Poisson dağılımları
Örnekleme, karıştırma ve bootstrap yöntemi
Monte Carlo simülasyonu ile risk tahmini
np.gradient ve np.trapezoid ile sayısal türev ve integral
Laboratuvar: Portföy getirisi için Monte Carlo analizi

Modül 3

Bellek, Performans ve Ekosistem

Bellek düzeni: C ve Fortran sırası, strides kavramı
Yerinde işlemler ve gereksiz kopyalardan kaçınma
save, load ve memmap ile büyük dizilerle çalışma
pandas, SciPy ve scikit-learn ile birlikte çalışma
Numba ve CuPy ile hızlandırma seçeneklerine giriş
Demo: Aynı hesaplamanın döngü, NumPy ve Numba sürümü

Modül 4

NumPy ile Uçtan Uca Proje ve Kapanış

Proje: Sıfırdan gradyan inişi ile doğrusal regresyon
Vektörleştirilmiş k-ortalamalar algoritması uygulaması
Kod incelemesi, performans ve okunabilirlik geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
pandas ve SciPy için ileri öğrenme yol haritası

Eğitim Kazanımları

Dizi Yetkinliği — ndarray yapısını, veri tiplerini ve bellek davranışını anlayarak doğru ve verimli diziler oluşturabileceksiniz.
Veri Seçimi — Dilimleme, boolean maskeleme ve gelişmiş indekslemeyle çok boyutlu veriden istediğiniz alt kümeyi seçebileceksiniz.
Vektörleştirme — Yayınlama ve evrensel fonksiyonlarla Python döngüleri yerine hızlı, döngüsüz hesaplamalar yazabileceksiniz.
Özetleme ve Analiz — Eksen bazlı toplulaştırma, sıralama ve eksik değer yönetimiyle sayısal veriyi hızla özetleyebileceksiniz.
Doğrusal Cebir — Denklem sistemleri, özdeğerler, SVD ve en küçük kareler problemlerini np.linalg ile çözebileceksiniz.
Simülasyon — Generator API ile tekrarlanabilir rastgele sayılar üretip Monte Carlo ve bootstrap analizleri kurabileceksiniz.
Performans Optimizasyonu — Bellek düzeni, yerinde işlemler ve memmap ile büyük sayısal hesaplamaları optimize edebileceksiniz.
Algoritma Temeli — Gradyan inişi ve k-ortalamalar gibi algoritmaları NumPy ile sıfırdan uygulayarak ML mantığını kavrayacaksınız.

Kimler İçin Uygundur?

Veri analistleri
veri bilimine geçiş yapan yazılımcılar
mühendisler
araştırmacılar ve Python ile sayısal hesaplama yapan Ar-Ge ile analitik ekiplerinin üyeleri.

Sıkça Sorulan Sorular

NumPy ile Sayısal Hesaplama Eğitimi kimler için uygundur?

Program; veri analistleri, veri bilimine geçen yazılımcılar, mühendisler, araştırmacılar ve Python ile sayısal hesaplama yapan Ar-Ge ve analitik ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi formatta verilir?

Eğitim 2 tam gün ve 8 modülden oluşur. Kurumun tercihine göre Digital Vizyon Akademi sınıflarında, kurum lokasyonunda veya online olarak Jupyter laboratuvarlarıyla gerçekleştirilir.

Katılım için ne kadar Python bilgisi gerekiyor?

Değişken, liste, döngü ve fonksiyon gibi temel Python yapılarını bilmek yeterlidir. Lise düzeyinde matris ve temel istatistik bilgisi konuları takip etmeyi kolaylaştırır.

Eğitimde NumPy dışında hangi araçlar kullanılıyor?

Laboratuvarlar Jupyter üzerinde NumPy ile yürütülür; pandas, SciPy ve scikit-learn ile birlikte çalışma gösterilir, hızlandırma seçenekleri olarak Numba ve CuPy tanıtılır.

Eğitim sonunda sertifika veriliyor mu?

Evet. Laboratuvarları ve mini projeyi tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır; not defterleri katılımcılarla paylaşılır. İçerik kurumun veri örnekleriyle uyarlanabilir.

Sertifikalandırma

Bu eğitim Katılım 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

NUMPY İLE SAYISAL HESAPLAMA EĞİTİMİ