Veri Analizi için Python Eğitimi

Eğitim Hakkında

Python ile veri okuma, temizleme, özetleme ve görselleştirme yeteneği kazanın.

Eğitim, Python temelleri ve Jupyter ortamıyla başlar; NumPy dizileri, pandas DataFrame ile veri yükleme, temizleme, gruplama, zaman serisi işleme, matplotlib/seaborn ile görselleştirme ve temel betimsel istatistiği kapsar. Excel ve CSV kaynakları, SQL sorguları ve otomatik raporlama ile tam bir analiz akışı uygulanır.

Süre ve Format

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

Seviye

Temel Seviye — Python temellerinden NumPy, pandas, görselleştirme ve istatistiğe uzanan sıfırdan veri analizi

Öğrenme Metodu

Her kavram küçük örneklerle başlar ve Jupyter notebook'unda gerçekçi iş verisiyle tekrar edilir.

Neden Bu Eğitim?

🎯Sıfırdan Başlangıç

Önceden kodlama bilmeden veri analizinin tüm adımlarını uygularsınız.

🛠️Excel'in Ötesi

Büyük veri setlerini ve tekrarlı raporları Python ile otomatikleştirirsiniz.

📈Görsel Anlatım

Bulguları anlaşılır grafiklerle yönetime sunarsınız.

Anahtar Konular

veri analizi PythonPython eğitimi başlangıçpandasNumPymatplotlib seabornJupyterveri temizlemePython ExcelEDA

“Veriye soru sormayı öğrenen, her işte avantajlıdır.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Bilgisayar kullanımı

Dosya yönetimi ve Excel'de temel işlemler yeterlidir.

2

Programlama

Önceden programlama bilgisi gerekmez.

3

Ortam

Anaconda veya Python 3.10+ ve JupyterLab kurulu bilgisayar gerekir.

4

Veri merakı

Kendi işinizden bir analiz sorusu getirmeniz önerilir.

Eğitim İçeriği

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

Günün hedefiKatılımcı Python temellerini ve NumPy dizilerini kullanır.

Modül 1

Python Dil Temelleri

Değişkenler, int/float/str/bool türleri ve f-string biçimlendirme
list, tuple, set ve dict veri yapıları ile kapsamlar (comprehension)
if/elif/else, for, while ve break/continue kontrol akışı
Fonksiyon tanımı, varsayılan argüman, *args/**kwargs ve lambda
Modüller, import yapısı ve standart kütüphaneye genel bakış
PEP 8 stil kuralları ve docstring yazımı

Modül 2

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

Modül 3

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 4

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

Günün hedefiKatılımcı veriyi temizler, gruplar ve zamana göre analiz eder.

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

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 EDA yürütür, istatistiksel özetler çıkarır ve rapor üretir.

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

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 3

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

Modül 4

Excel, Word ve PDF Otomasyonu

openpyxl ile Excel okuma/yazma, biçimlendirme ve formül ekleme
pandas ile çoklu çalışma sayfası birleştirme
python-docx ile şablondan Word raporu oluşturma
PyPDF2/pypdf ile PDF birleştirme, bölme ve metin çıkarma
Jinja2 şablonlarıyla toplu belge üretimi
Üretilen raporların klasör yapısında arşivlenmesi

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Python temelleri

Python'un veri türleri, akış kontrolü ve fonksiyonlarını rahatça kullanabilirsiniz

⚙️

Analiz ortamı

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

🔍

pandas veri yapıları

Series ve DataFrame ile tabular veriyi yükleyip inceleyebilirsiniz

📊

Veri temizleme

eksik, hatalı ve tekrarlı veriyi pandas ile güvenle temizleyebilirsiniz

🧩

Tarih-zaman analizi

DatetimeIndex, resample ve rolling ile zaman bazlı veriyi işleyebilirsiniz

🚀

Statik grafikler

matplotlib ve seaborn ile yayına hazır grafikler üretebilirsiniz

🔒

Betimsel istatistik

merkezi eğilim, yayılım ve olasılık dağılımlarını Python ile hesaplayabilirsiniz

📦

Veri kaynaklarına erişim

SQL sorgularını Python içinden çalıştırıp analiz için DataFrame'e alabilirsiniz

Kimler İçin Uygundur?

Veri analizine yeni başlayan profesyoneller
Excel kullanıcıları
öğrenciler
raporlama sorumluları

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Veri analizine yeni başlayan profesyoneller, Excel kullanıcıları, öğrenciler ve raporlama sorumluları. Ön bilgi beklentileri için eğitimin ön koşullar bölümüne bakabilirsiniz.

Programlama bilmeden katılabilir miyim?

Evet. Python temelleri ilk modülde anlatılır ve tüm örnekler veri analizi bağlamında ilerler.

Eğitimden sonra ne yapabilirim?

CSV/Excel/SQL kaynaklı verileri temizleyip özetleyen ve grafik içeren bir analiz notebook'u hazırlayabilirsiniz.

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 kavram küçük örneklerle başlar ve Jupyter notebook'unda gerçekçi iş verisiyle tekrar edilir. 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

VERİ ANALİZİ İÇİN PYTHON EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Anahtar Konular

Ön Koşullar

Eğitim İçeriği

Python Dil Temelleri

Jupyter Ortamı ve Sanal Ortamlar

NumPy ndarray Temelleri

pandas Series ve DataFrame

Veri Temizleme ve Dönüştürme

groupby, Pivot ve Birleştirme

pandas ile Tarih-Zaman Verisi

matplotlib ve seaborn ile Görselleştirme

Keşifsel Veri Analizi (EDA) Süreci

Betimsel İstatistik ve Dağılımlar

SQL ve Python ile Veri Çekme

Excel, Word ve PDF Otomasyonu

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Bu Eğitimle Birlikte Tercih Edilenler

Principles of IoT & Python Basics Eğitimi

Processing Data: Integrating Kafka with Python & Using Consumer Groups Eğitimi

Python & Matplotlib: Creating Box Plots, Scatter Plots, Heatmaps, & Pie Charts Eğitimi

Python - Advanced Operations with NumPy Arrays Eğitimi

Python - Advanced Python (ADVP) Eğitimi