Matplotlib ve Seaborn ile Veri Görselleştirme Eğitimi

Eğitim Hakkında

Bu eğitim, analiz sonuçlarını Python ile doğru, okunur ve yayına hazır grafiklere dönüştürmek isteyen analitik ekipler için tasarlanmış uygulamalı bir programdır. Katılımcılar görsel algı ilkelerini, Matplotlib'in Figure-Axes yapısını ve Seaborn ile istatistiksel grafikleri öğrenerek kurumsal rapor ve sunumlara uygun görsel setler hazırlar.

Neden Bu Eğitim?

Tasarım ve Kod Birlikte. Yalnızca grafik çizmeyi değil, algı ilkelerine göre hangi grafiğin neden doğru olduğunu da öğrenin.

Yanıltmayan Grafikler. Eksen kırpma, aşırı renk ve 3B efektler gibi yanlış yorumlara yol açan hataları fark edip düzeltin.

Yayına Hazır Çıktı. Kurumsal renk paletine uyan, tutarlı stil şablonlarıyla rapor ve sunuma doğrudan eklenen grafikler üretin.

“İyi bir grafik okuyucuya veriyi göstermekle kalmaz, ona tek bakışta neye dikkat etmesi gerektiğini de söyler.”

Ön Koşullar

Temel Python — Liste, sözlük, döngü ve fonksiyon gibi temel Python yapılarıyla kod yazabilmek.
pandas Temelleri — DataFrame okuma, filtreleme ve groupby ile basit özet tablolar üretebilmek.
Betimsel İstatistik — Ortalama, medyan, çeyrekler, dağılım ve korelasyon kavramlarına aşinalık.
Çalışma Ortamı — Python 3, Jupyter, Matplotlib ve Seaborn kurulu bir bilgisayar veya bulut not defteri.

Eğitim İçeriği

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

Günün hedefiDoğru grafik türünü seçmeyi öğrenmek, Matplotlib'in nesne yönelimli yapısını kavramak ve eksen, etiket, renk ve düzen üzerinde tam kontrol sağlayan grafikler üretmek.

Modül 1

Veri Görselleştirmenin Temel İlkeleri

Ön dikkat özellikleri: konum, uzunluk, renk, şekil
Karşılaştırma, dağılım, ilişki ve bileşim grafikleri
Veri-mürekkep oranı ve gereksiz görsel yükün azaltılması
Yanıltıcı grafikler: kırpılmış eksen ve 3B efektler
Renk körlüğüne uygun ve erişilebilir palet seçimi
Atölye: Kurumsal bir rapor grafiğinin yeniden tasarımı

Modül 2

Matplotlib Mimarisi ve Temel Grafikler

pyplot arayüzü ile nesne yönelimli arayüz farkı
Figure, Axes ve Axis nesnelerinin hiyerarşisi
Çizgi, sütun, dağılım ve histogram grafikleri
Eksen sınırları, ölçekler ve logaritmik eksenler
Başlık, eksen etiketi ve lejant yönetimi
Uygulama: Aylık satış trendinin çizgi grafiği

Modül 3

Özelleştirme ve Açıklama Ekleme

Renk, çizgi stili, işaretçi ve saydamlık ayarları
Tick biçimlendirme: para birimi, yüzde ve tarih
annotate() ile önemli noktaları vurgulama
rcParams ve stil dosyaları ile kurumsal tema
Türkçe karakter ve yazı tipi ayarlarının yapılması
Atölye: Hedef ve gerçekleşen karşılaştırma grafiği

Modül 4

Çoklu Grafik Düzenleri ve Dışa Aktarım

subplots() ve paylaşılan eksenlerle panel grafikler
GridSpec ve subplot_mosaic() ile esnek yerleşim
İkincil eksen kullanımı ve dikkat edilecek riskler
PNG, SVG ve PDF çıktı; çözünürlük ve boyut ayarı
Uygulama: Dört panelli performans özet sayfası
Günün değerlendirmesi ve Seaborn gününe köprü

Günün hedefiSeaborn ile dağılım, ilişki ve kategorik karşılaştırma grafiklerini hızla üretmek, çok boyutlu veriyi görselleştirmek ve bulguları veri hikayesi olarak sunmak.

Modül 1

Seaborn ile Dağılım ve İlişki Grafikleri

Seaborn'un pandas ile uzun format veri mantığı
histplot(), kdeplot() ve ecdfplot() ile dağılım
scatterplot() ve lineplot() ile ilişki analizi
regplot() ile regresyon çizgisi ve güven aralığı
hue, size ve style ile ek boyut kodlama
Uygulama: Müşteri harcama dağılımının incelenmesi

Modül 2

Kategorik Karşılaştırma ve Korelasyon

boxplot() ve violinplot() ile grup dağılımları
barplot() ve pointplot() ile ortalama ve belirsizlik
stripplot() ve swarmplot() ile tek tek gözlemler
heatmap() ile korelasyon ve pivot matrisleri
Sıralı, ayrışan ve kategorik renk paletleri
Atölye: Şube performansının kategorik analizi

Modül 3

Çok Boyutlu Görseller ve Seaborn Objects

FacetGrid, relplot() ve catplot() ile panel grafikler
pairplot() ve jointplot() ile değişken ilişkileri
seaborn.objects arayüzü ile katmanlı grafik kurma
Seaborn grafiklerini Matplotlib ile özelleştirme
Etkileşimli ihtiyaçlar için Plotly'ye kısa bakış
Demo: Çok değişkenli veride desen keşfi

Modül 4

Veri Hikayesi Projesi ve Kapanış

Mesaj odaklı grafik: başlığın içgörüyü söylemesi
Proje: Yönetici raporu için görsel set hazırlama
Önce-sonra sunumları ve akran geri bildirimi
Tekrar kullanılabilir grafik fonksiyonları yazma
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve ileri öğrenme kaynakları

Eğitim Kazanımları

Grafik Seçimi — Karşılaştırma, dağılım, ilişki ve bileşim sorularına en uygun grafik türünü gerekçesiyle seçebileceksiniz.
Matplotlib Yapısı — Figure ve Axes nesneleriyle çalışarak grafiklerin her öğesini nesne yönelimli arayüzle kontrol edebileceksiniz.
Kurumsal Stil — rcParams, stil dosyaları ve paletlerle kurum kimliğine uygun, tutarlı bir grafik teması oluşturabileceksiniz.
İstatistiksel Grafik — Seaborn ile dağılım, regresyon, kutu ve ısı haritası grafiklerini birkaç satır kodla üretebileceksiniz.
Çok Boyutlu Analiz — FacetGrid, pairplot ve hue kodlamasıyla çok değişkenli veride desenleri görsel olarak ortaya çıkarabileceksiniz.
Yanıltmayan Tasarım — Eksen kırpma, aşırı renk ve gereksiz efekt gibi hataları fark ederek dürüst ve okunur grafikler tasarlayabileceksiniz.
Erişilebilirlik — Renk körlüğüne uygun paletler ve okunur yazı düzenleriyle herkesin anlayabileceği görseller hazırlayabileceksiniz.
Veri Hikayesi — Analiz bulgularını mesaj odaklı başlıklar ve vurgularla yöneticilere hikaye akışı içinde sunacaksınız.

Kimler İçin Uygundur?

Veri analistleri
iş zekası ve raporlama uzmanları
araştırma ve strateji ekipleri ile analiz sonuçlarını yöneticilere sunan Python kullanıcısı profesyoneller.

Sıkça Sorulan Sorular

Matplotlib ve Seaborn eğitimi kimler için uygundur?

Program; veri analistleri, iş zekası ve raporlama uzmanları, araştırma ekipleri ile analiz sonuçlarını Python kullanarak grafik haline getirip yöneticilere sunan profesyoneller için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl ilerler?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün görsel algı ilkeleri ve Matplotlib, ikinci gün Seaborn ile istatistiksel görselleştirme ve veri hikayesi projesi işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Temel Python yapılarını ve pandas ile DataFrame okuma, filtreleme ve gruplama işlemlerini bilmek yeterlidir. Grafik tasarımı veya ileri istatistik bilgisi beklenmez.

Matplotlib mi Seaborn mu kullanmalıyım?

Seaborn istatistiksel grafikleri pandas verisiyle hızlıca üretmek için idealdir; Matplotlib ise her öğe üzerinde ince kontrol sağlar. Eğitimde ikisinin birlikte nasıl kullanılacağı uygulamalı olarak gösterilir.

Grafikler kurumsal kimliğe uyarlanabilir mi, sertifika veriliyor mu?

Evet. Katılımcılar kurum renk paletine uygun stil dosyası ve tekrar kullanılabilir grafik fonksiyonları hazırlar. Programı tamamlayanlar 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

VERİ GÖRSELLEŞTİRME: MATPLOTLIB VE SEABORN EĞİTİMİ