Python-based Dashboards with Plotly and Dash Eğitimi

Eğitim Hakkında

Plotly ve Dash ile Python'da veri panosu tasarlayıp yayına alın.

Plotly Express ve graph_objects ile etkileşimli grafikler üretir, bu grafikleri Dash uygulamasında layout, Input/Output/State callback'leri ve dcc.Store ile canlı bir panoya dönüştürürsünüz. Dash Pages ile çok sayfalı yapı, bootstrap bileşenleri, önbellekleme ve Gunicorn/Docker ile dağıtım uygulamalı olarak işlenir.

Süre ve Format

3 Gün. Her gün dört modül; sabah teori ve demo, öğleden sonra dashboard atölyesi; son gün bitirme panosu.

Seviye

Orta Seviye — Plotly grafiklerinden Dash callback'leri, çok sayfalı uygulama ve yayına almaya uzanan dashboard geliştirme

Öğrenme Metodu

Her modül, adım adım büyüyen tek bir dashboard projesi üzerinde canlı kodlama ile işlenir.

Neden Bu Eğitim?

🎯JavaScript'siz Web

Yalnızca Python ile tarayıcıda çalışan etkileşimli arayüzler geliştirirsiniz.

🛠️Reaktif Mantık

Callback zincirleriyle filtre, grafik ve tablo bileşenlerini birbirine bağlarsınız.

📈Yayına Hazır

Gunicorn ve Docker ile paylaşılabilir bir uygulama çıktısı elde edersiniz.

Anahtar Konular

Plotly Dash eğitimiDash dashboardPython dashboardPlotly ExpressDash callbackveri görselleştirme Pythoninteraktif panoDash BootstrapDash Docker

“En iyi pano, kullanıcıya soru sordurmadan cevabı gösterendir.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python ve pandas

DataFrame işlemleri ve temel Python bilgisi gerekir.

2

Temel web

HTML, CSS ve istemci–sunucu kavramlarına genel aşinalık yeterlidir.

3

Ortam

dash, plotly, pandas ve dash-bootstrap-components paketlerini kurabilen bir ortam gerekir.

4

Veri

Kendi iş verinizden bir örnek CSV getirmeniz uygulamayı zenginleştirir.

Eğitim İçeriği

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

Günün hedefiKatılımcı Plotly grafikleri üretir ve Dash layout yapısını kurar.

Modül 1

Plotly Express ve Graph Objects

px.line, bar, scatter, histogram, box ve treemap fonksiyonları
go.Figure, add_trace ve update_layout ile ayrıntılı kontrol
make_subplots ile çoklu panel ve ikincil eksen
hover_data, animation_frame ve facet_col parametreleri
Plotly şablonları (templates) ve renk skalaları
write_html, to_image ve Plotly Chart Studio dışa aktarım seçenekleri

Modül 2

Dash Uygulama İskeleti ve Layout

Dash uygulama yapısı: Dash(__name__), app.layout, app.run
dash.html ve dash.dcc bileşenleri: Dropdown, Slider, Graph, Tabs
dash-bootstrap-components ile ızgara (Row/Col) ve tema
Dash Pages ile çok sayfalı uygulama ve URL yönlendirme
assets klasörü, CSS ve favicon yönetimi
Flask sunucusu üzerinde çalışma ve debug modu

Modül 3

groupby, Pivot ve Birleştirme

groupby ile agg, transform ve filter farkları
Named aggregation ve birden fazla fonksiyonla özetleme
pivot_table, crosstab, melt ve stack/unstack ile şekil değiştirme
merge türleri (inner, left, outer), anahtar çakışması ve validate parametresi
concat, join ve MultiIndex ile çok seviyeli indeks yönetimi
rank, cumsum, shift ve rolling ile pencere tabanlı hesaplar

Modül 4

matplotlib ve seaborn ile Görselleştirme

Figure, Axes ve subplots nesne modeli
Çizgi, çubuk, dağılım ve histogram grafiklerinin uygun kullanım alanları
seaborn ile boxplot, violinplot, heatmap ve pairplot
Eksen etiketi, renk paleti, anotasyon ve stil (style context)
Renk körlüğüne duyarlı palet seçimi ve okunabilirlik kuralları
savefig ile PNG/SVG/PDF çıktısı ve dpi ayarı

Günün hedefiKatılımcı callback zincirleri ve dcc.Store ile bileşenleri birbirine bağlar.

Modül 1

Dash Callback'leri ve Durum Yönetimi

@callback dekoratörü, Input/Output/State ilişkileri
Birden fazla Output ve prevent_initial_call kullanımı
dcc.Store ile istemci tarafı durum paylaşımı
ctx.triggered_id ile hangi bileşenin tetiklediğini anlama
Pattern-matching callback'ler (ALL, MATCH) ile dinamik bileşenler
Clientside callback ve JavaScript ile gecikme azaltma

Modül 2

pandas ile Tarih-Zaman Verisi

Timestamp, Timedelta, Period ve DatetimeIndex kavramları
Saat dilimi dönüşümü: tz_localize ve tz_convert
resample ile günlük-haftalık-aylık yeniden örnekleme
rolling, expanding ve ewm ile hareketli ortalamalar
shift, diff ve pct_change ile gecikmeli değişkenler
İş günü takvimi, tatil günleri ve date_range frekans kodları

Modül 3

pandas Performans ve Bellek

Kategorik ve downcast dtype ile bellek tasarrufu
read_csv chunksize ve usecols ile büyük dosya okuma
Vektörleştirme ile apply döngülerinden kurtulma
Parquet ve Feather formatlarının CSV'ye göre avantajı
pyarrow tabanlı dtype ve string[pyarrow] kullanımı
cProfile ve %timeit ile darboğaz bulma

Modül 4

Keşifsel Veri Analizi (EDA) Süreci

Veri sözlüğü, birim ve ölçek tipleri (nominal, ordinal, aralık, oran)
Tek değişkenli dağılım incelemesi: çarpıklık, basıklık, histogram
İki değişkenli ilişkiler: korelasyon matrisi, scatter ve grup karşılaştırmaları
Eksiklik örüntüsü ve veri kalitesi raporu
Hipotez üretimi ve analiz not defterinin yapılandırılması
Jupyter Notebook ve JupyterLab ile tekrar üretilebilir analiz

Günün hedefiKatılımcı panoyu önbellekler, container'a alır ve yayına hazırlar.

Modül 1

Dash Uygulamasını Yayına Alma

Gunicorn ile üretim sunucusu ve worker sayısı ayarı
Dockerfile yazımı ve imaj boyutu optimizasyonu
Önbellekleme: flask-caching ve @cache.memoize kullanımı
dcc.Interval ile canlı veri güncellemesi
Kimlik doğrulama: dash-auth ve ters vekil (reverse proxy) arkasında çalışma
Performans ölçümü ve büyük veri için Patch ve datashader yaklaşımı

Modül 2

Python Projesi Yapısı ve Paketleme

pyproject.toml, src düzeni ve sanal ortam yönetimi
pip, pip-tools ve Poetry ile bağımlılık kilitleme
logging modülü ile seviyeli günlükleme
argparse ve click ile komut satırı araçları
Ortam değişkenleri, .env ve yapılandırma yönetimi
wheel paketi oluşturma ve özel indekse yayınlama

Modül 3

Python ile Birim Test ve Kalite

pytest fixture, parametrize ve assert yapısı
unittest.mock ile bağımlılıkları taklit etme
Kapsam ölçümü: coverage.py ve pytest-cov
Tip ipuçları (type hints) ve mypy ile statik denetim
ruff/flake8 ve black ile otomatik biçimlendirme
pre-commit ve GitHub Actions ile test otomasyonu

Modül 4

Bitirme Projesi ve Kod Gözden Geçirme

Gereksinim analizi, kullanıcı hikâyeleri ve proje iskeleti
Katmanlı mimari: veri, servis ve arayüz ayrımı
Birim test, entegrasyon testi ve coverage hedefi
Git dal akışı ve pull request ile kod incelemesi
Dokümantasyon: README, docstring ve Sphinx/mkdocs
Proje sunumu ve iyileştirme planı

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Plotly grafikleri

Plotly Express ve graph_objects ile etkileşimli grafikler üretebilirsiniz

⚙️

Dash uygulama yapısı

Dash ile çok sayfalı bir uygulama iskeleti kurabilirsiniz

🔍

Statik grafikler

matplotlib ve seaborn ile yayına hazır grafikler üretebilirsiniz

📊

Dash callback mantığı

Input, Output ve State ile reaktif callback zincirleri yazabilirsiniz

🧩

pandas performansı

bellek tüketimini düşürüp büyük dosyaları parça parça işleyebilirsiniz

🚀

Keşifsel analiz

yapılandırılmış bir EDA akışıyla veri kalitesini ve ilişkileri ortaya çıkarabilirsiniz

🔒

Proje yapısı

bağımlılık yönetimi ve paketleme ile sürdürülebilir bir Python projesi kurabilirsiniz

📦

Python kod kalitesi

pytest ile test yazıp kod kalitesini araçlarla denetleyebilirsiniz

Kimler İçin Uygundur?

Veri analistleri
BI geliştiricileri
Python bilen yazılımcılar; JavaScript yazmadan web tabanlı panolar kurmak isteyenler

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Veri analistleri, BI geliştiricileri ve Python bilen yazılımcılar; JavaScript yazmadan web tabanlı panolar kurmak isteyenler. Ön bilgi beklentileri için eğitimin ön koşullar bölümüne bakabilirsiniz.

Dash ile Power BI arasındaki fark nedir?

Dash kod tabanlıdır; özel mantık, Python veri bilimi kütüphaneleri ve tam kontrol sağlar. Power BI sürükle-bırak bir BI aracıdır.

Uygulamayı nerede barındırabilirim?

Eğitimde Gunicorn ve Docker ile paketleme gösterilir; çıktıyı bulut sunucuda ya da şirket içi altyapıda çalıştırabilirsiniz.

Eğitim sonunda sertifika verilir mi?

Katılım ve başarı koşullarını yerine getiren katılımcılara Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir.

Eğitim uygulamalı mı ilerliyor?

Her modül, adım adım büyüyen tek bir dashboard projesi üzerinde canlı kodlama ile işlenir. Süre 3 gündür; her gün dört modül 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

PYTHON-BASED DASHBOARDS WITH PLOTLY AND DASH EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Anahtar Konular

Ön Koşullar

Eğitim İçeriği

Plotly Express ve Graph Objects

Dash Uygulama İskeleti ve Layout

groupby, Pivot ve Birleştirme

matplotlib ve seaborn ile Görselleştirme

Dash Callback'leri ve Durum Yönetimi

pandas ile Tarih-Zaman Verisi

pandas Performans ve Bellek

Keşifsel Veri Analizi (EDA) Süreci

Dash Uygulamasını Yayına Alma

Python Projesi Yapısı ve Paketleme

Python ile Birim Test ve Kalite

Bitirme Projesi ve Kod Gözden Geçirme

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Bu Eğitimle Birlikte Tercih Edilenler

Selenium WebDriver with Python (Intermediate) Eğitimi

Snowpark pandas and User-defined Functions Eğitimi

Socket Programming in Python: Advanced Topics Eğitimi

Socket Programming in Python: Introduction Eğitimi

Spark with Python Eğitimi