Python ile Veri Bilimi ve Makine Öğrenmesi Eğitimi

Python ile Veri Bilimi ve Yapay Zeka Eğitimi Programı

🕒 Süre: 8 Hafta
📦 Kapsam: Veri Analizi, Veri Görselleştirme, Makine Öğrenmesi, Derin Öğrenme
🧰 Teknolojiler: Python, Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, TensorFlow, Keras, Jupyter Notebook, Google Colab, Git & GitHub

Hafta 1: Python Temelleri ve Veri Bilimi Giriş
Amaç: Katılımcıların Python programlama diline giriş yapması ve veri biliminin temel kavramlarını öğrenmesi.
Konular:
• Python sözdizimi, değişkenler, veri tipleri
• Koşullar, döngüler, fonksiyonlar
• List, dict, tuple, set yapıları
• Python ile çalışma ortamları (Jupyter, Colab, VS Code)
• Veri bilimine giriş, iş akışı
Uygulama:
• Sayısal veri hesaplama uygulamaları
• Basit Python algoritmaları çözümü

Hafta 2: NumPy ve Pandas ile Veri İşleme
Amaç: Veri setlerinin yüklenmesi, düzenlenmesi ve işlenmesi için Pandas ve NumPy kütüphanelerini kullanabilmek.
Konular:
• NumPy ile çok boyutlu diziler
• Pandas ile DataFrame ve Series nesneleri
• CSV/Excel dosyası okuma ve yazma
• Eksik/veri temizliği, filtreleme, gruplama işlemleri
• Veri türü dönüşümleri
Uygulama:
• Gerçek veri seti ile veri temizleme
• Pandas ile Excel raporu üretimi

Hafta 3: Matplotlib ve Seaborn ile Veri Görselleştirme
Amaç: Veri içgörülerini grafiklerle ifade etmek, trend ve örüntüleri yorumlayabilmek.
Konular:
• Matplotlib: line, bar, scatter, pie, histogram
• Seaborn: heatmap, countplot, boxplot
• Grafik özelleştirme ve temalar
• Çoklu grafik çizimi
Uygulama:
• Satış verileriyle interaktif dashboard üretimi
• Eğitim veri seti üzerinde grafik raporlama

Hafta 4: İstatistiksel Analiz ve Veri Ön İşleme
Amaç: Veri analizi öncesinde gerekli istatistiksel özetleme ve modelleme için hazır veri üretmek.
Konular:
• Betimsel istatistikler (ortalama, medyan, standart sapma)
• Korelasyon ve kovaryans
• Outlier tespiti
• Normalizasyon, standardizasyon, encoding
• Train/test set ayrımı
Uygulama:
• Öğrenci başarı veri seti ile önişleme adımları
• Feature scaling örnekleri

Hafta 5: Makine Öğrenmesine Giriş (Scikit-learn)
Amaç: Makine öğrenmesi kavramlarını ve temel algoritmaları öğrenmek.
Konular:
• Denetimli vs denetimsiz öğrenme
• scikit-learn mimarisi
• Sınıflandırma (KNN, Decision Tree, Random Forest)
• Regresyon (Linear, Polynomial)
• Model eğitimi, doğruluk ölçümü, çapraz doğrulama
Uygulama:
• Kredi başvuru onay tahmini
• Konut fiyat tahmin modeli

Hafta 6: Kümeleme ve Boyut İndirgeme
Amaç: Denetimsiz öğrenme ile veri segmentasyonu ve görselleştirme gerçekleştirmek.
Konular:
• K-Means, Hierarchical Clustering
• PCA (Principal Component Analysis)
• t-SNE ile görselleştirme
• Elbow ve Silhouette yöntemi
Uygulama:
• Müşteri segmentasyonu projesi
• Görsel veri kümesi indirgeme ve gruplama

Hafta 7: Yapay Sinir Ağları ve Derin Öğrenmeye Giriş
Amaç: Yapay zeka ve derin öğrenme temellerini kavramak, basit modeller geliştirmek.
Konular:
• Yapay sinir ağı (ANN) mimarisi
• TensorFlow & Keras kullanımı
• Aktivasyon fonksiyonları, loss function
• Epoch, batch size, optimizers
• Eğitim/Doğrulama/Overfitting kavramları
Uygulama:
• El yazısı rakam tanıma (MNIST) projesi
• Keras ile basit sınıflandırma modeli oluşturma

Hafta 8: Proje Geliştirme ve Yayınlama
Amaç: Gerçek bir veri bilimi projesi geliştirerek modelleme sürecinin tüm aşamalarını uygulamak.
Konular:
• Proje seçimi ve veri kaynakları araştırması
• Modelleme süreci adımları
• Model kaydetme ve yükleme (.pkl)
• Streamlit ile model arayüzü yapma (opsiyonel)
• GitHub üzerinden paylaşım
Uygulama:
• Tam bir uçtan uca makine öğrenmesi projesi
• Model arayüzü ve demo sunumu

Bonus Materyaller:
• Her hafta uygulamalı Jupyter defterleri (.ipynb)
• Final proje şablonu ve değerlendirme formu
• Github üzerinden proje teslim ve versiyonlama pratiği
• Ücretsiz veri seti kaynak listesi ve AI topluluk önerileri