Verileri Anlamlandırın, R ile Analiz Edin, Veri Bilimi Alanında Uzmanlaşın!
R Programlama Dili ile Veri Bilimi Eğitimi, verilerden anlamlı sonuçlar çıkarmak, istatistiksel analizler gerçekleştirmek ve veri odaklı karar alma süreçlerinde uzmanlaşmak isteyenler için hazırlanmıştır.
Infotech Academy’nin uygulamalı eğitim yaklaşımıyla R programlama dilini temelden öğrenirken, gerçek hayattaki veri problemlerini analiz etmeyi, verileri görselleştirmeyi ve analiz sonuçlarını raporlamayı deneyimleyebilirsiniz.
Eğitim boyunca R ve RStudio kullanarak veri setlerini düzenlemeyi, istatistiksel yöntemlerle incelemeyi, grafiklerle anlamlandırmayı ve makine öğrenmesine yönelik temel modeller geliştirmeyi öğrenebilirsiniz.
Yalnızca kod yazmayı değil, veriyi doğru yorumlamayı, analiz sonuçlarını iş problemleriyle ilişkilendirmeyi ve çalışmalarınızı projelerle somutlaştırmayı hedefleyen bu eğitimle veri bilimi alanında kariyer yolculuğunuza adım atabilirsiniz.
EĞİTİM İÇERİĞİ
Modül 1 – Veri Bilimine Giriş ve R Programlama Ortamı
- Veri bilimi nedir? Günümüzde hangi alanlarda kullanılır?
- Veri analisti, veri bilimci ve iş analisti rolleri
- Veri bilimi süreçleri ve veri odaklı karar alma
- R programlama diline giriş ve kullanım alanları
- R ve RStudio kurulumu, çalışma ortamının tanıtılması
- R script, çalışma alanı ve temel geliştirme araçları
- Paket (package) kavramı ve paket yönetimi
- Temel programlama mantığı ve algoritmik düşünme
Modül 2 – R Programlama Dili Temelleri
- Değişkenler ve temel veri tipleri
- Sayısal, karakter, mantıksal ve faktör (factor) veri tipleri
- Operatörler ve ifadeler
- Vektörler ve vektör işlemleri
- Matrisler ve diziler
- Listeler ve veri çerçeveleri (Data Frame)
- Karar yapıları: if, else ve ifelse
- Döngüler: for, while ve repeat
- Fonksiyonlar oluşturma ve parametre kullanımı
- Hata yönetimi ve kod hata ayıklama
- R ile temel veri işleme uygulamaları
Modül 3 – Veri Okuma, Düzenleme ve Dönüştürme
- CSV, Excel ve metin dosyalarından veri okuma
- Veri setlerini içe ve dışa aktarma
- Eksik ve hatalı verileri tespit etme
- Yinelenen kayıtları belirleme ve temizleme
- Veri tiplerini dönüştürme
- Veri filtreleme, sıralama ve seçme işlemleri
- Yeni değişkenler oluşturma ve veri dönüştürme
- Gruplama ve özet istatistikler oluşturma
- dplyr ve tidyr paketlerine giriş
- Verileri analiz için uygun hale getirme
Modül 4 – Keşifsel Veri Analizi (EDA)
- Keşifsel veri analizi nedir?
- Veri setini tanıma ve veri kalitesini değerlendirme
- Tanımlayıcı istatistikler
- Ortalama, medyan, mod, varyans ve standart sapma
- Yüzdelik dilimler ve çeyrek değerler
- Aykırı değerlerin tespiti
- Değişkenler arasındaki ilişkileri inceleme
- Korelasyon analizi
- Dağılımları ve veri örüntülerini yorumlama
- R ile keşifsel veri analizi uygulamaları
Modül 5 – İstatistik ve Olasılık Uygulamaları
- Temel olasılık kavramları
- Olasılık dağılımlarına giriş
- Normal, binom ve Poisson dağılımları
- Örneklem ve anakütle kavramları
- Örnekleme yöntemleri
- Merkezi limit teoremi
- Güven aralıkları
- Hipotez testleri ve p-değeri
- T-testi ve ki-kare testi
- Varyans analizi (ANOVA)
- İstatistiksel sonuçları yorumlama
Modül 6 – Veri Görselleştirme ve Raporlama
- Veri görselleştirmenin önemi
- Grafik türleri ve doğru grafik seçimi
- ggplot2 ile veri görselleştirme
- Çubuk, çizgi ve dağılım grafikleri
- Histogram ve kutu grafikleri
- Çok değişkenli veri görselleştirme
- Grafiklerde renk, eksen, etiket ve tema kullanımı
- Grafiklerle veri hikâyesi oluşturma
- Analiz sonuçlarını raporlama
- R Markdown ile rapor hazırlama
- Quarto ile dinamik raporlama ve çıktı oluşturma
Modül 7 – İleri Veri Analizi ve İlişki Modellemesi
- İki ve daha fazla değişken arasındaki ilişkiler
- Korelasyon ve regresyon analizleri
- Basit doğrusal regresyon
- Çoklu doğrusal regresyon
- Model varsayımlarını inceleme
- Regresyon katsayılarını yorumlama
- Model başarısını değerlendirme
- Zaman serisi verilerine giriş
- Trend ve mevsimsellik kavramları
- Veri odaklı tahminleme uygulamaları
Modül 8 – R ile Makine Öğrenmesine Giriş
- Makine öğrenmesi nedir?
- Yapay zekâ, makine öğrenmesi ve veri bilimi ilişkisi
- Denetimli ve denetimsiz öğrenme
- Eğitim ve test veri setleri
- Özellik (feature) ve hedef değişken kavramları
- Veri ön işleme ve model hazırlama
- Doğrusal regresyon ile tahminleme
- Lojistik regresyon ile sınıflandırma
- Karar ağaçlarına giriş
- Kümeleme algoritmaları ve K-Means
- Model performans metrikleri
- Aşırı öğrenme (overfitting) ve genelleme
- caret veya tidymodels ile temel modelleme uygulamaları
Modül 9 – Gerçek Veri Setleri ile Proje Geliştirme
- Gerçek hayat probleminin tanımlanması
- Analiz için uygun veri setinin seçilmesi
- Veri toplama ve veri hazırlama süreci
- Keşifsel veri analizi gerçekleştirme
- İstatistiksel analiz ve görselleştirme
- Uygun modelin belirlenmesi
- Analiz sonuçlarının değerlendirilmesi
- Raporlama ve bulguların sunulması
- Git ve GitHub ile proje dosyalarının yönetimine giriş
Modül 10 – Veri Bilimi Projeleri ve Kariyer Hazırlığı
- Veri bilimi projelerinin iş hayatındaki önemi
- Proje dokümantasyonu hazırlama
- GitHub üzerinde proje portföyü oluşturma
- Veri analizi sonuçlarını etkili sunma
- Veri bilimi alanındaki kariyer rolleri
- Veri odaklı iş ilanlarını ve yetkinlikleri inceleme
- CV ve LinkedIn profilinde projeleri sunma
- Teknik mülakatlara hazırlık
- Kariyer planlama ve gelişim yol haritası