Veriyi istatistiksel modellerle anlamlandır
Veri biliminin istatistiksel modelleme omurgasını Python ile öğreten orta seviye eğitim: olasılık ve örnekleme, güven aralığı ve hipotez testleri (t, ki-kare, ANOVA), doğrusal ve lojistik regresyon, varsayım kontrolü, regülarizasyon ve çapraz doğrulama ile mo…
İstatistiksel çıkarım, regresyon, sınıflandırma ve değerlendirme
Bu orta seviye eğitim, veri biliminin istatistiksel modelleme omurgasını Python ile uygulamalı öğretir. Betimsel istatistik, olasılık ve dağılımlar, örnekleme ve merkezi limit teoremi, güven aralığı ve hipotez testi (t-testi, ki-kare, ANOVA) işlenir. Ardından basit ve çoklu doğrusal regresyon, varsayım kontrolü, lojistik regresyon ile sınıflandırma, model değerlendirme (R², RMSE, karışıklık matrisi, ROC-AUC), aşırı uyum ve çapraz doğrulama ele alınır. Katılımcı, bir veri setinde istatistiksel çıkarım yapıp yorumlanabilir bir model kurabilir.
4 Gün. Her gün dört modül; katılımcılar istatistik temelinden regresyon ve sınıflandırmaya ilerler.
Orta Seviye — Veri biliminin istatistiksel modelleme ekseni: hipotez testinden regresyon ve sınıflandırmaya kadar uygulamalı ele alınması.
Katılımcılar gerçek veri setleriyle Python (scipy, statsmodels, scikit-learn) kullanarak test ve model kurup yorumlayarak öğrenir.
Hipotez testiyle verideki farkları güvenle yorumlarsınız.
Regresyonla ilişkiyi hem tahmin hem açıklama için kurarsınız.
Çapraz doğrulama ve metriklerle modeli objektif ölçersiniz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Temel Python ve pandas aşinalığı beklenir.
Temel cebir ve istatistik kavramlarına aşinalık faydalıdır.
Jupyter/Colab kullanımına aşinalık yararlıdır.
numpy, pandas, scipy, statsmodels, scikit-learn kurulu bir ortam.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Dağılım, örnekleme ve güven aralığını yorumlarsınız.
t-testi, ki-kare ve ANOVA'yı doğru seçip uygularsınız.
Basit/çoklu regresyon kurup katsayıları yorumlarsınız.
Regresyon varsayımlarını kontrol edip ihlalleri çözersiniz.
Ridge/Lasso ile aşırı uyumu kontrol edersiniz.
Lojistik regresyonla ikili/çok sınıflı model kurarsınız.
ROC-AUC ve F1 ile modeli objektif değerlendirirsiniz.
k-kat doğrulama ile sağlam model seçersiniz.
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.
Veri modellemeye giriş: varlık, nitelik, ilişki, kardinalite, anahtarlar, crow's foot gösterimi ve temel normalizasyon (1NF-3NF). Temel seviye DVA eğitimi.
Detayları Gör →
Veri yaşam döngüsünü uçtan uca yönetin: oluşturma, saklama, kullanma, paylaşma, arşivleme, güvenli imha ve KVKK/GDPR uyumu. Temel seviye DVA eğitimi.
Detayları Gör →
Uygulamalarda veri erişimi ve durum yönetimi: repository deseni, tek yönlü akış, değişmezlik, önbellekleme, çevrimdışı ve senkronizasyon. Orta seviye DVA eğitim
Detayları Gör →
Veri bağlama (data binding): binding context, tek ve iki yönlü bağlama, koleksiyon şablonları, doğrulama ve UI sanallaştırma. Orta seviye DVA eğitimi.
Detayları Gör →
Veriye erişim denetimi: RBAC, ABAC, GRANT/REVOKE, satır ve sütun düzeyi güvenlik, maskeleme, denetim ve KVKK/GDPR uyumu. Orta seviye DVA eğitimi.
Detayları Gör →