Time Series Forecasting with Python Eğitimi

Eğitim Hakkında

Zaman serisini anlayıp klasik ve ML tabanlı tahmin modelleri kurun.

Eğitim, pandas ile tarih-zaman verisi yönetimi, trend/mevsimsellik ayrıştırması ve ADF/KPSS durağanlık testleriyle başlar. Ardından Holt-Winters, ARIMA/SARIMAX, Prophet ve lag özellikleriyle gradient boosting modelleri kurulur, walk-forward doğrulama ile MAE, RMSE ve MAPE metrikleri üzerinden karşılaştırılır.

Süre ve Format

3 Gün. Her gün dört modül; sabah analiz ve model kuramı, öğleden sonra gerçek veri üzerinde tahmin.

Seviye

Orta Seviye — zaman serisi bileşenlerinden ARIMA, Holt-Winters, Prophet ve makine öğrenmesiyle tahmin modellemeye uzanan eğitim

Öğrenme Metodu

Her model aynı gerçek zaman serisi üzerinde kurulur; sonuçlar backtest ile karşılaştırmalı olarak raporlanır.

Neden Bu Eğitim?

🎯Doğru Doğrulama

Veri sızıntısı yaratmadan zamana duyarlı model değerlendirmesi yapmayı öğrenirsiniz.

🛠️Model Karşılaştırması

Klasik, Prophet ve ML modellerinin güçlü ve zayıf yönlerini ölçersiniz.

📈İş Odaklı Tahmin

Tahmin aralıklarıyla stok ve kapasite kararlarını destekleyecek çıktılar üretirsiniz.

Anahtar Konular

zaman serisi tahminitime series PythonARIMA SARIMAProphettalep tahminiHolt-Wintersdurağanlık testibacktestingstatsmodels

“Geleceği tahmin etmek, geçmişi dürüstçe dinlemekle başlar.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python ve pandas

DataFrame ve tarih işlemleri bilinmelidir.

2

İstatistik

Korelasyon, regresyon ve varyans kavramları yeterlidir.

3

Makine öğrenmesi

scikit-learn temel kullanımı faydalıdır.

4

Ortam

pandas, statsmodels, pmdarima, prophet, scikit-learn ve lightgbm kurulu olmalıdır.

Eğitim İçeriği

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

Günün hedefiKatılımcı zaman serisini ayrıştırır, durağanlığı test eder ve ACF/PACF yorumlar.

Modül 1

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 2

Zaman Serisi Bileşenleri ve Durağanlık

Trend, mevsimsellik, döngü ve gürültü bileşenleri
seasonal_decompose ve STL ile ayrıştırma
ADF ve KPSS testleriyle durağanlık kontrolü
Fark alma (differencing) ve log dönüşümü
ACF ve PACF grafiklerinin yorumlanması
Zamana duyarlı eğitim/test bölme ve TimeSeriesSplit

Modül 3

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 4

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

Günün hedefiKatılımcı Holt-Winters ve ARIMA ailesiyle tahmin üretir.

Modül 1

ARIMA, SARIMA ve Üstel Düzeltme

Basit, Holt ve Holt-Winters üstel düzeltme (statsmodels ExponentialSmoothing)
ARIMA(p,d,q) parametre seçimi ve AIC/BIC karşılaştırması
SARIMAX ile mevsimsel bileşen ve dışsal değişkenler
pmdarima auto_arima ile otomatik model arama
Kalıntı tanılaması: Ljung-Box testi
Tahmin aralıkları ve get_forecast kullanımı

Modül 2

Korelasyon ve Regresyon Analizi

Pearson, Spearman ve Kendall korelasyonları
statsmodels OLS ile basit ve çoklu doğrusal regresyon
Summary çıktısı: R-kare, F-istatistiği, katsayı güven aralıkları
Kalıntı analizi, heteroskedastisite (Breusch-Pagan) ve çoklu doğrusal bağlantı (VIF)
Kategorik değişkenler için dummy kodlama ve etkileşim terimleri
Lojistik regresyonla ikili sonuçların modellenmesi

Modül 3

scikit-learn ile Makine Öğrenmesine Giriş

Eğitim/test ayırma, train_test_split ve çapraz doğrulama
Pipeline, ColumnTransformer, imputer ve ölçekleme
Lineer/lojistik regresyon, karar ağacı ve rastgele orman
Aşırı öğrenme, bias–variance ve düzenlileştirme
Metrikler: RMSE, F1, ROC-AUC ve karışıklık matrisi
Model kaydetme ve basit tahmin servisi

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 ML tabanlı tahmin modelleri kurar ve sonuçları karşılaştırarak sunar.

Modül 1

Makine Öğrenmesiyle Zaman Serisi Tahmini

Gecikme (lag), pencere ve takvim özelliklerinin üretimi
Prophet ile trend, tatil etkisi ve changepoint ayarı
Gradient boosting (LightGBM/XGBoost) ile çok adımlı tahmin
LSTM ve sıra modelleri için pencereleme (sliding window)
Walk-forward doğrulama ve backtesting
MAE, RMSE, MAPE ve sMAPE metriklerinin karşılaştırılması

Modül 2

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 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:

✅

Tarih-zaman analizi

DatetimeIndex, resample ve rolling ile zaman bazlı veriyi işleyebilirsiniz

⚙️

Zaman serisi temelleri

trend, mevsimsellik ve durağanlık kavramlarını veri üzerinde test edebilirsiniz

🔍

Betimsel istatistik

merkezi eğilim, yayılım ve olasılık dağılımlarını Python ile hesaplayabilirsiniz

📊

Klasik tahmin modelleri

ARIMA ailesi ve Holt-Winters ile tahmin modelleri kurabilirsiniz

🧩

Makine öğrenmesi temeli

scikit-learn ile temel bir sınıflandırma/regresyon iş akışı kurabilirsiniz

🚀

Statik grafikler

matplotlib ve seaborn ile yayına hazır grafikler üretebilirsiniz

🔒

Plotly grafikleri

Plotly Express ve graph_objects ile etkileşimli grafikler üretebilirsiniz

📦

Python kod kalitesi

pytest ile test yazıp kod kalitesini araçlarla denetleyebilirsiniz

Kimler İçin Uygundur?

Talep tahmini
finans
enerji ve operasyon verisiyle çalışan veri analistleri
veri bilimciler
planlama uzmanları

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Talep tahmini, finans, enerji ve operasyon verisiyle çalışan veri analistleri, veri bilimciler ve planlama uzmanları. Ön bilgi beklentileri için eğitimin ön koşullar bölümüne bakabilirsiniz.

Hangi modelleri öğreneceğim?

Holt-Winters, ARIMA/SARIMAX, Prophet ve lag özellikli gradient boosting modelleri kurulur ve karşılaştırılır.

Derin öğrenme de var mı?

LSTM için pencereleme mantığı tanıtılır; ağırlık model tarafı klasik ve boosting yöntemlerdedir.

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 model aynı gerçek zaman serisi üzerinde kurulur; sonuçlar backtest ile karşılaştırmalı olarak raporlanır. 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

TIME SERIES FORECASTING WITH PYTHON EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Anahtar Konular

Ön Koşullar

Eğitim İçeriği

pandas ile Tarih-Zaman Verisi

Zaman Serisi Bileşenleri ve Durağanlık

Keşifsel Veri Analizi (EDA) Süreci

Betimsel İstatistik ve Dağılımlar

ARIMA, SARIMA ve Üstel Düzeltme

Korelasyon ve Regresyon Analizi

scikit-learn ile Makine Öğrenmesine Giriş

matplotlib ve seaborn ile Görselleştirme

Makine Öğrenmesiyle Zaman Serisi Tahmini

Plotly Express ve Graph Objects

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

Building Web Apps Using Django: Building a Basic Website Eğitimi

Building Web Apps Using Django: Generic Views Eğitimi

Building Web Apps Using Django: Implementing Login & Logout Eğitimi

Building Web Apps Using Django: Introduction to Web Frameworks & Django Eğitimi

Building Web Apps Using Django: Models & User Registration Eğitimi