Python, Pandas ve Numpy ile Veri Analizi Eğitimi

Eğitim Hakkında

NumPy ve pandas ile veriyi okuyup temizleyin, özetleyin ve yorumlayın.

Bu eğitim NumPy ndarray yapısı ve broadcasting ile başlar, pandas Series ve DataFrame ile veri yükleme, eksik değer ve tip yönetimi, groupby ve pivot_table ile özetleme, merge ile tablo birleştirme ve zaman serisi işlemlerine ilerler. Sonunda matplotlib ve seaborn ile görselleştirip tekrar üretilebilir bir EDA notebook'u teslim edersiniz.

Süre ve Format

3 Gün. Her gün dört modül; sabah kavram ve demo, öğleden sonra veri seti üzerinde uygulama; son gün mini analiz projesi.

Seviye

Orta Seviye — NumPy dizilerinden pandas ile temizleme, gruplama ve zaman serisi analizine uzanan veri analizi hattı

Öğrenme Metodu

Her modül, gerçekçi CSV/Excel veri setlerinde Jupyter üzerinde canlı kodlama ve soru-cevap şeklinde ilerler.

Neden Bu Eğitim?

🎯Veri Hazırlama Hızı

Eksik, tekrarlı ve hatalı veriyi vektörleştirilmiş yöntemlerle dakikalar içinde temizlersiniz.

🛠️Excel'den Öte

Milyonlarca satırlı tablolarda pivot ve birleştirme işlemlerini otomatikleştirirsiniz.

📈Tekrar Üretilebilirlik

Notebook tabanlı analizlerinizi başkalarının çalıştırabileceği hale getirirsiniz.

Anahtar Konular

pandas eğitimiNumPy eğitimiPython veri analizipandas DataFramegroupby pivot_tableveri temizleme PythonJupyter NotebookExcel'den Python'a geçişEDA

“Veri analizi, doğru soruyu kod satırına çevirme sanatıdır.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python temelleri

Değişken, liste, sözlük ve fonksiyon kavramları bilinmelidir.

2

Tablo mantığı

Excel veya SQL'de temel tablo, filtre ve toplama deneyimi yardımcı olur.

3

Ortam

Python 3.10+, pandas, numpy, matplotlib ve JupyterLab kurulu olmalıdır.

4

Matematik

Ortalama, medyan ve standart sapma gibi temel istatistik kavramları yeterlidir.

Eğitim İçeriği

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

Günün hedefiKatılımcı ndarray ve DataFrame yapılarında veri seçer, filtreler ve dönüştürür.

Modül 1

NumPy ndarray Temelleri

ndarray nesnesi, shape, ndim, dtype ve strides özniteliklerinin okunması
np.arange, linspace, zeros, ones, full ve random.default_rng ile dizi üretimi
Temel ve gelişmiş indeksleme, boolean maskeleme, fancy indexing ve dilimleme (view/copy farkı)
Broadcasting kuralları ve eksen (axis) bazlı toplama, ortalama, std işlemleri
reshape, ravel, transpose, concatenate, stack ve split ile şekil dönüşümleri
Python döngüsü ile vektörleştirilmiş çözümün %timeit ile hız karşılaştırması

Modül 2

NumPy ile Lineer Cebir ve İstatistik

dot, matmul ve @ operatörüyle matris çarpımı
np.linalg ile inv, det, solve, eig ve svd kullanımı
np.mean, median, var, percentile ve corrcoef ile betimsel istatistik
np.where, np.select, np.clip ve np.unique ile koşullu dönüşümler
Rastgele örnekleme, seed yönetimi ve Monte Carlo ile pi tahmini
np.save, np.load ve genfromtxt ile dizilerin dosyaya yazılıp okunması

Modül 3

pandas Series ve DataFrame

Series ve DataFrame oluşturma, index ve columns yapısı
read_csv, read_excel, read_json ve read_sql ile veri yükleme (sep, dtype, parse_dates)
head, info, describe, value_counts ve memory_usage ile ilk keşif
loc, iloc, at ve boolean indeksleme ile satır/sütun seçimi
query ve eval ile okunabilir filtre ifadeleri
to_csv, to_parquet ve to_excel ile çıktı üretimi

Modül 4

Jupyter Ortamı ve Sanal Ortamlar

python -m venv, pip install ve requirements.txt yönetimi
JupyterLab arayüzü, hücre türleri ve magic komutlar
Kernel yönetimi, ipykernel ve ortam başına kernel kaydı
Notebook'tan script'e geçiş: nbconvert ve papermill ile parametreli çalıştırma
Git ile notebook sürümleme ve nbstripout ile çıktı temizleme
Anaconda/conda ortamları ve pip ile karşılaştırması

Günün hedefiKatılımcı eksik/hatalı veriyi temizler, groupby ve merge ile özet tablolar üretir.

Modül 1

Veri Temizleme ve Dönüştürme

isna, fillna, dropna ve interpolate ile eksik değer stratejileri
duplicated ve drop_duplicates ile mükerrer kayıt tespiti
astype, to_numeric, to_datetime ve category dtype dönüşümleri
str erişimcisi ile metin temizliği: strip, replace, extract, split
apply, map, assign ve np.where ile türetilmiş sütunlar
IQR ve z-skoru ile aykırı değer tespiti ve winsorize yaklaşımı

Modül 2

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 3

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 4

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

Günün hedefiKatılımcı EDA akışını uygular, grafiklerle bulguları anlatır.

Modül 1

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

Modül 2

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

Modül 3

Betimsel İstatistik ve Dağılımlar

Ortalama, medyan, mod, varyans, standart sapma ve IQR hesapları
scipy.stats ile normal, binom, Poisson ve üstel dağılımlar
pdf, cdf, ppf ve rvs fonksiyonlarıyla olasılık hesapları
Merkezi limit teoremi simülasyonu
QQ grafiği ve Shapiro-Wilk ile normallik değerlendirmesi
Çarpıklık ve basıklık yorumlama

Modül 4

SQL ve Python ile Veri Çekme

SELECT, WHERE, GROUP BY, HAVING ve JOIN temel sorguları
SQLAlchemy engine ve pandas.read_sql_query
Parametreli sorgu ve güvenli bağlantı bilgisi yönetimi
Büyük sorgu sonuçlarını parça parça (chunksize) çekme
REST API ve JSON verisinden pd.json_normalize ile tabloya dönüştürme
Excel, CSV ve veritabanı kaynaklarını birleştiren analiz hattı

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

NumPy dizileri

ndarray, dtype ve broadcasting kurallarıyla vektörleştirilmiş hesaplamalar yazabilirsiniz

⚙️

NumPy sayısal işlemler

matris işlemleri ve temel istatistik fonksiyonlarını NumPy ile uygulayabilirsiniz

🔍

Analiz ortamı

venv, pip ve Jupyter ile tekrar üretilebilir bir analiz ortamı kurabilirsiniz

📊

Veri temizleme

eksik, hatalı ve tekrarlı veriyi pandas ile güvenle temizleyebilirsiniz

🧩

Tarih-zaman analizi

DatetimeIndex, resample ve rolling ile zaman bazlı veriyi işleyebilirsiniz

🚀

pandas performansı

bellek tüketimini düşürüp büyük dosyaları parça parça işleyebilirsiniz

🔒

Statik grafikler

matplotlib ve seaborn ile yayına hazır grafikler üretebilirsiniz

📦

Betimsel istatistik

merkezi eğilim, yayılım ve olasılık dağılımlarını Python ile hesaplayabilirsiniz

Kimler İçin Uygundur?

Excel'den Python'a geçmek isteyen analistler
raporlama uzmanları
mühendisler
veri bilimine giriş yapan yazılımcılar

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Excel'den Python'a geçmek isteyen analistler, raporlama uzmanları, mühendisler ve veri bilimine giriş yapan yazılımcılar. Ön bilgi beklentileri için eğitimin ön koşullar bölümüne bakabilirsiniz.

Excel bilgisi olan biri bu eğitime katılabilir mi?

Evet. Temel Python bilgisi varsa pivot ve filtre mantığı pandas karşılıkları üzerinden anlatıldığı için Excel kullanıcıları hızlı uyum sağlar.

Büyük dosyalarla çalışmak da işleniyor mu?

Evet. chunksize, dtype küçültme ve Parquet formatı ile bellek ve hız optimizasyonu ayrı bir modülde ele alınır.

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, gerçekçi CSV/Excel veri setlerinde Jupyter üzerinde canlı kodlama ve soru-cevap şeklinde ilerler. 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, PANDAS VE NUMPY İLE VERİ ANALİZİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Anahtar Konular

Ön Koşullar

Eğitim İçeriği

NumPy ndarray Temelleri

NumPy ile Lineer Cebir ve İstatistik

pandas Series ve DataFrame

Jupyter Ortamı ve Sanal Ortamlar

Veri Temizleme ve Dönüştürme

groupby, Pivot ve Birleştirme

pandas ile Tarih-Zaman Verisi

pandas Performans ve Bellek

Keşifsel Veri Analizi (EDA) Süreci

matplotlib ve seaborn ile Görselleştirme

Betimsel İstatistik ve Dağılımlar

SQL ve Python ile Veri Çekme

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Bu Eğitimle Birlikte Tercih Edilenler

Data Analytics Using Python and SQL Certificate Program Eğitimi

Data Handling in Python Eğitimi

Data Structures & Algorithms in Python: Fundamental Data Structures Eğitimi

Data Structures & Algorithms in Python: Implementing Data Structures Eğitimi

Data Structures & Algorithms in Python: Sorting Algorithms Eğitimi