Data Science Mastery Bootcamp
Eğitim Hakkında
Data Science Mastery Bootcamp, yapay zeka ve veri biliminin gücünü birleştirerek katılımcılara sıfırdan başlayıp kendi karar destek sistemlerini oluşturma becerisi kazandırmayı amaçlayan, 4 haftalık uygulamalı bir programdır. Python, ChatGPT, n8n ve daha fazlasını kullanarak gerçek veri setleriyle proje geliştirirken, veriyi analiz etme, otomatikleştirme ve raporlama becerilerinizi adım adım inşa edeceksiniz.
Eğitim Hakkında
Data Science Mastery Bootcamp, yapay zekâ ve veri biliminin gücünü birleştirerek katılımcılara sıfırdan başlayıp kendi karar destek sistemlerini oluşturma becerisi kazandırmayı amaçlayan, 5 haftalık uygulamalı bir programdır. Python, ChatGPT, n8n ve daha fazlasını kullanarak gerçek veri setleriyle proje geliştirirken, veriyi analiz etme, otomatikleştirme ve raporlama becerilerinizi adım adım inşa edeceksiniz.
Süre ve Format
- Eğitim Başlangıç Tarihi: 14 Ekim 2025
- Toplam Ders Süresi: 4 Hafta
- Haftalık Oturumlar: 1 gün (2 ders saati)
- Platform: Online Eğitim
- Seviye: Başlangıç - Orta Seviye
- Etkileşim: Uygulamalı çalışmalar, canlı demo, soru–cevap oturumları
Eğitim Hedefleri
Veri Bilimine Temelden Giriş: Python ve Google Colab üzerinden temel veri analiz yöntemlerini öğrenmek.
Veri Toplama ve Otomasyon: Web scraping, API’ler ve formlar aracılığıyla veri toplama ve n8n ile otomatik iş akışları kurmak.
Veri Temizleme ve Görselleştirme: Gerçek veri üzerinde temizlik, dönüştürme ve etkili grafiklerle görselleştirme yapmak.
Yapay Zeka ile Karar Desteği: ChatGPT ile veri içgörüleri oluşturmak, tahmin ve sınıflandırma modelleriyle karar önerileri geliştirmek.
Uçtan Uca Proje Geliştirme: Eğitimin sonunda kendi veri akışını kurmak ve otomatik raporlamalarla projeyi sunulabilir hâle getirmek.
Eğitim İçeriği
1. Hafta – Python ve Veri Manipülasyonu
- Konular:
- Veri bilimi sürecine giriş
- Python temelleri (fonksiyonlar, döngüler, list comprehension)
- Numpy ile sayısal işlemler
- Pandas ile veri temizleme, filtreleme, join/merge, gruplama
- Matplotlib & Seaborn ile görselleştirme
- Uygulama:
- Titanic dataset üzerinde veri temizleme & görselleştirme
- Mini-proje: “Yolcu özelliklerine göre görselleştirme raporu”
2. Hafta – Veri Ön İşleme ve Feature Engineering
- Konular:
- Eksik değerler ve outlier işlemleri
- Kategorik değişken kodlama (One-Hot, Label Encoding)
- Sayısal değişkenlerin normalizasyonu / standardizasyonu
- Feature engineering (tarih, metin, domain-based features)
- Train-test split mantığı
- Uygulama:
- Ev fiyatları dataset üzerinde feature engineering çalışması
- Kaggle dataset’inde uçtan uca veri ön işleme pipeline’ı oluşturma
3. Hafta – Makine Öğrenmesine Giriş
Amaç: Temel ML algoritmalarını öğrenmek ve uygulamak.
- Konular:
- Supervised Learning
- Sınıflandırma: Logistic Regression, KNN, Decision Tree
- Regresyon: Linear Regression, Ridge/Lasso
- Unsupervised Learning
- K-Means, Hierarchical Clustering
- Supervised Learning
- Uygulama:
- Iris dataset üzerinde sınıflandırma modeli
- Ev fiyatları dataset üzerinde regresyon modeli
- Müşteri segmentasyonu (K-means)
- Konular:
4. Hafta – İleri Modeller ve Final Proje
- Konular:
- Model değerlendirme metrikleri (accuracy, precision, recall, F1-score, ROC-AUC, RMSE)
- Hyperparameter tuning (GridSearchCV, RandomizedSearchCV)
- Ensemble yöntemleri: Random Forest, Gradient Boosting, XGBoost
- Pipeline oluşturma
- Basit model deploy (Streamlit veya Flask)
- Uygulama:
- Kaggle’dan seçilen bir dataset üzerinde uçtan uca proje
- Feature engineering → Modelleme → Tuning → Raporlama → Basit deploy
- Final sunum (Notebook + Streamlit app)
Değerlendirmeler
Henüz değerlendirme yapılmadı.