Pandas ile Veri Analizi Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, iş verisini Excel yerine Python ve pandas kütüphanesiyle okuyup temizlemek, dönüştürmek ve özetlemek isteyen analitik ekipler için tasarlanmış uygulamalı bir programdır. Katılımcılar gerçekçi satış ve müşteri veri setleri üzerinde seçme, gruplama, birleştirme, pivot ve zaman serisi işlemlerini yaparak tekrarlanabilir analiz not defterleri üretir.

Neden Bu Eğitim?

Analistin Günlük Aracı. Excel'de saatler süren birleştirme, pivot ve temizlik işlerini birkaç satır tekrarlanabilir kodla çözün.

Laboratuvar Odaklı. Her konu, satış, müşteri ve sipariş verisiyle kurgulanmış kısa alıştırmalar ve atölyelerle pekiştirilir.

Tekrarlanabilir Analiz. Her ay yeniden yapılan raporları, veri güncellendiğinde tek tıkla yeniden çalışan not defterlerine dönüştürün.

“Veriyi her ay elle düzenlemek yerine bir kez doğru kodlamak, analisti tekrarın yükünden kurtarıp içgörüye odaklar.”

Ön Koşullar

Temel Python — Değişken, liste, sözlük, döngü ve fonksiyon gibi temel Python yapılarını tanımak.
Tablo Verisi Deneyimi — Excel veya benzeri araçlarda filtre, formül ve pivot tablo ile çalışmış olmak.
Temel İstatistik — Ortalama, medyan, yüzde değişim ve dağılım gibi temel betimsel kavramlara aşinalık.
Çalışma Ortamı — Python 3, Jupyter ve pandas kurulu bir bilgisayar veya bulut not defteri erişimi.

Eğitim İçeriği

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

Günün hedefipandas veri yapılarını kavramak, farklı kaynaklardan veri okumak, seçme ve filtreleme yapmak, eksik ve hatalı veriyi temizleyerek ilk özet içgörüleri çıkarmak.

Modül 1

Python Veri Ekosistemi ve pandas'a Giriş

Jupyter ve VS Code ile analiz ortamının hazırlanması
NumPy dizileri ve vektörel işlemlerin mantığı
Series ve DataFrame yapıları, indeks kavramı
Veri tipleri: sayısal, kategorik, tarih ve metin
CSV, Excel, JSON ve Parquet dosyalarını okuma
Uygulama: Satış veri setinin yüklenmesi ve incelenmesi

Modül 2

Veri Seçme, Filtreleme ve Dönüştürme

loc ve iloc ile etiket ve konum bazlı seçim
Koşullu filtreleme, query() ve isin() kullanımı
assign() ve vektörel hesaplamalarla yeni sütunlar
Sıralama, ilk N kayıt ve yinelenen kayıt kontrolü
str erişimcisi ile metin sütunlarında temizlik
Atölye: Müşteri listesinde segment bazlı filtreleme

Modül 3

Eksik Veri ve Veri Kalitesi Kontrolleri

info(), describe() ve isna() ile veri profili çıkarma
Eksik değerleri silme, doldurma ve interpolasyon
astype(), to_numeric() ve to_datetime() dönüşümleri
Tutarsız kategori ve yazım farklılıklarını düzeltme
IQR yöntemiyle aykırı değerlerin işaretlenmesi
Uygulama: Kirli sipariş verisinin analize hazırlanması

Modül 4

Gruplama ve Özetleme ile İlk İçgörüler

groupby() ile böl-uygula-birleştir mantığı
agg() ile çoklu toplulaştırma ve adlandırma
value_counts() ve crosstab() ile frekans analizi
transform() ile grup içi pay ve sıralama hesabı
Atölye: Bölge ve ürün bazında satış performansı
Günün özeti ve birleştirme-zaman gününe köprü

Günün hedefiBirden çok tabloyu güvenle birleştirmek, veriyi yeniden şekillendirmek, tarih bazlı trend analizleri yapmak ve sonuçları paylaşılabilir bir analiz çıktısına dönüştürmek.

Modül 1

Veri Setlerini Birleştirme ve Şekillendirme

merge() ile inner, left ve outer birleştirme türleri
concat() ile dönem dosyalarını alt alta ekleme
Anahtar uyuşmazlığı kontrolü ve validate parametresi
pivot_table() ile Excel pivotlarının karşılığı
melt(), stack() ve unstack() ile format dönüşümü
Uygulama: Sipariş, müşteri ve ürün tablolarının birleşimi

Modül 2

Tarih ve Zaman Serisi Verisiyle Çalışma

DatetimeIndex, dt erişimcisi ve tarih bileşenleri
resample() ile günlük, haftalık ve aylık özetler
rolling() ile hareketli ortalama ve trend takibi
shift() ve pct_change() ile dönemsel büyüme oranı
Saat dilimleri ve iş günü takvimleriyle çalışma
Atölye: Aylık gelir trendi ve yıllık karşılaştırma

Modül 3

Görselleştirme, Performans ve Veri Kaynakları

pandas plot() ile hızlı keşifsel grafikler
SQLAlchemy ve read_sql() ile veritabanından okuma
Büyük dosyalarda chunksize ve category ile bellek
Yöntem zincirleme (method chaining) ile okunur kod
Polars ve DuckDB pandas'a ne zaman alternatif olur?
Demo: Milyonlarca satırlık veride bellek optimizasyonu

Modül 4

Uçtan Uca Analiz Projesi ve Kapanış

Proje: Ham veriden yönetici özet tablosuna analiz
Sonuçları çok sayfalı Excel raporu olarak aktarma
Not defterini parametreli ve tekrar kullanılır yapma
Proje sunumları ve kod incelemesi geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve ileri öğrenme kaynakları

Eğitim Kazanımları

DataFrame Hakimiyeti — Series ve DataFrame yapılarını, indeksleri ve veri tiplerini doğru kullanarak veriyi güvenle işleyebileceksiniz.
Çoklu Veri Kaynağı — CSV, Excel, Parquet ve SQL veritabanlarından veriyi okuyup tek bir analiz ortamında birleştirebileceksiniz.
Veri Temizliği — Eksik değer, yanlış tip, yinelenen kayıt ve tutarsız kategorileri sistematik biçimde tespit edip düzeltebileceksiniz.
Filtreleme ve Seçim — loc, iloc, query ve koşullu ifadelerle ihtiyaç duyduğunuz veri alt kümelerini hızla çıkarabileceksiniz.
Gruplama ve Pivot — groupby, agg ve pivot_table ile bölge, ürün ve dönem kırılımlarında özet tablolar üretebileceksiniz.
Zaman Serisi İşlemleri — resample, rolling ve pct_change ile trend, mevsimsellik ve dönemsel büyüme analizleri yapabileceksiniz.
Verimli Kod — Vektörel işlemler, yöntem zincirleme ve bellek optimizasyonu ile büyük veride okunur ve hızlı kod yazabileceksiniz.
Tekrarlanabilir Rapor — Veri güncellendiğinde yeniden çalışan ve sonuçları Excel'e aktaran bir analiz not defteri oluşturacaksınız.

Kimler İçin Uygundur?

Veri analistleri
iş zekası ve raporlama uzmanları
Excel ile yoğun çalışan finans ve operasyon analistleri ile Python'a geçiş yapan analitik ekip üyeleri.

Sıkça Sorulan Sorular

Pandas ile Veri Analizi Eğitimi kimler için uygundur?

Program; veri analistleri, iş zekası ve raporlama uzmanları, Excel ile yoğun çalışan finans ve operasyon analistleri ile analiz işlerini Python'a taşımak isteyen ekip üyeleri için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi formatta verilir?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün veri keşfi, temizlik ve gruplama; ikinci gün birleştirme, pivot, zaman serisi ve uçtan uca analiz projesi işlenir. Yüz yüze veya online yapılabilir.

Katılmak için Python bilmek gerekir mi?

Değişken, liste, döngü ve fonksiyon gibi temel Python yapılarını tanımak yeterlidir. İleri programlama bilgisi beklenmez; Excel'de pivot ve formül deneyimi konuları kavramayı kolaylaştırır.

Eğitimde hangi araç ve kütüphaneler kullanılıyor?

Laboratuvarlar Jupyter üzerinde pandas ve NumPy ile yürütülür. Veritabanı bağlantısı için SQLAlchemy kullanılır; büyük veri senaryolarında Polars ve DuckDB ile karşılaştırmalı kısa demolar yapılır.

Uygulamalar kurum verisiyle yapılabilir mi, sertifika veriliyor mu?

Kapalı kurum gruplarında alıştırmalar anonimleştirilmiş kurum verisi veya kuruma özgü rapor senaryolarıyla uyarlanabilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım 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

PANDAS İLE VERİ ANALİZİ EĞİTİMİ