Programın Amacı:
Son yıllarda gelişen teknolojiler sayesinde veri toplama ve depolama işi son derece kolaylaşmaktadır. Bu sayede üretilen ve depolanan veri her 2 yılda bir ikiye katlanmaktadır. Bu muazzam veri topluluğundan işe yarar bilgi çıkarmak için geleneksel yöntemler yetersiz kalmaktadır. Bu doğrultuda bu programın amacı büyük veriyi en uygun karar vermeyi sağlayacak, verimi arttıracak ve maliyetleri düşürecek şekilde nasıl işlenmesi gerektiği hakkında genel bir bilgi ve beceri kazandırmaktır. Bu program içeriğinde veri madenciliği, istatiksel model kurma ve veri işleme gibi konular, sektör uygulamaları üzerinden anlatılacaktır. Bu program uygulama tabanlı olacağı için programlama bilgisi olmayan katılımcılar da rahatlıkla bu programdan faydalanabileceklerdir.
Mühendislik, Matematik, İstatistik, Enformatik ve İşletme alanlarından mezun kişilerin katılımı önceliklidir
- Mezuniyet şartını yerine getirmeyen katılımcıların programa kabul için talep maili göndermeleri gerekmektedir
- Programda katılımcılara proje sorumluluğu verilecektir, başarı sağlayan katılımcılar Uzmanlık Sertifikası almaya hak kazanacaktır
- Proje sorumluluğu almayan katılımcılar ise Katılım Sertifikası almaya hak kazanacaktır
- Eğitimde sınav uygulaması yoktur
- %70 Devam zorunluluğu bulunmaktadır
Bilgisayar uygulamalarında Python, R ve Matlab yazılımları kullanılacak ayrıca sektörde yer alan diğer yazılımlar (SPSS Modeller, Knime) tanıtım amaçlı gösterilecektir. %70 Devam zorunluluğu bulunmaktadır.
Program İçeriği:
İş Analitiğine Giriş
1. Büyük veri ve iş analitği
2. Açıklayıcı / tahminsel/ kuralcı analitik
3. Deterministik /stokastik, doğrusal /doğrusal olmayan modelleme yaklaşımları
4. Yapay zeka, makine öğrenmesi ve derin öğrenme
5. Sınıflama, kümeleme ve birliktelik analizleri
6. Optimizasyon yaklaşımı
7. Tedarik zinciri analitiği
8. Müşteri analitiği
9. Finans ve risk analitiği
R ile Veri Bilimine Giriş
1. R programlama dilinin temelleri
2. R dilinde veri türleri ve yapıları
3. R ile betimsel veri analizi
4. R ile veri görselleştirme
5. R ile modelleme ve algoritma analizi
Uygulamalı İstatistik
1. Tanımsal istatistik
2. Olasılık dağılımları
3. Parametre tahminleri
4. Hipotez testleri
5. Anova
6. R uygulamaları
Veri Madenciliğinin Temelleri
1. Basit regresyon analizi
2. Çoklu regresyon analizi
3. Lojistik regresyon analizi
4. Faktör Analizi
5. Diskriminant Analizi
6. Kümeleme Analizi
7. Karar Ağaçları
8. Neural Network
9. R uygulamaları
Yapay Zeka ve Makine Öğrenmesi
1. Yapay zeka ve makine öğrenmesinin temel kavramlarının anlaşılması
2. Yapay zeka ve makine öğrenmesi algoritmalarının gelişim süreci ve uygulamalarının anlaşılması
3. Makine öğrenimi modelleme metodolojisi ve algoritma seçiminin öneminin anlaşılması
4. Makine öğrenmesi algoritmalarının arasındaki farklılıkların incelenmesi
5. Temel supervised/eğiticili makine öğrenmesi algoritmalarının çalışma prensipleri anlaşılması ve R programlama dili kullanılarak pratik uygulamaların yapılması
a. Uzaklık Temelli yöntemler (K-Nearest-Neighbor)
b. Karar Ağacı algoritmaları (Decision Tree)
c. Olasılık temelli yöntemler (Naïve Bayes)
d. Support Vector Machines(SVM)
e. Yapay Sinir Ağları (Artificial Neural Networks)
Python ile Veri Analitiği
1. Python yazılım dili ve geliştirme ortamı özelliklerinin tanıtılması
2. Temel veri yapıları ve fonksiyonların öğrenilmesi
3. Numpy ile bilimsel hesaplamalar yapılması
4. Pandas ile veri analizi
5. Matplotlib ile veri görselleştirilmesi
6. Python'da veri ön işleme tekniklerinin öğrenilmesi
7. Scikit-learn ile makine öğrenmesi uygulamaları
8. Python ile temel uygulamaların gerçeklenmesi
9. Python ile optimizasyon modeli oluşturulması
10. Derin öğrenme algoritmalarının Python’da kullanılması
Veritabanı Yönetimi ve Büyük Veri
1. İlişkisel Veritabanı Yönetim Sistemlerinin temelleri anlatılması
2. SQL Kodlama ve Örnek Uygulamalar yapılması
3. NoSQL veri Tabanlarının tanıtılması
a. Key-Value Database
b. Wide Column Database
c. Document Database
d. Graph Database
4. Örnekler ile NOSQL veritabanlarının kullanımına dair bilgilerin verilmesi
5. Popüler NoSQL veritabanları üzerinde kodlama örnekleri yapılması
Büyük Veri Teknolojileri ve Uygulamaları
1. Büyük veri ve teknolojilerinin anlaşılması ve kullanım şekli
2. Büyük veri platformlarının gelişim süreci ve çözüm önerilerinin anlaşılması
3. Büyük veri teknolojileri ve uygulamaları arasındaki farklılıklar
4. Büyük veri platformlarının çeşitliliği, iş-modeli ve iş-zekası özelinde farklı kullanım metotları
5. Büyük veri teknolojilerinin dağınık ve yapılandırılmış veri yapıları üzerinden anlaşılması, uygulamalar ve buna bağlı çözüm önerileri
6. Hadoop HDFS ve MapReduce çözüm yapısının anlaşılması, Apache Spark ve Amazon Web Service (AWS) platformlarının farklılıkları ve başlangıç uygulamaları
7. Servis-olarak-Hadoop ve Servis-olarak-Bulut çözümlerinin anlaşılması ve kullanım şekilleri
8. Hadoop, AWS ve Apache Spark üzerinden temel uygulamaların yapılması
9. Güncel büyük veri uygulamalarının gösterilmesi ve sonuçların tartışılması
Web ve Sosyal Medya Analitiği
1. Web Yayıncılığının Temelleri
2. Web ve Mobil kullanımında oluşan verinin tanıtımı
3. Farklı web analitiği çözümleri ve yaklaşımları (Log dosyası Analizi, Sayfa Etiketleme)
4. Web Analitiği Temel Metrik ve Boyutlarının tanıtılması
5. Google Analytics hesabı açma ve site/mobil app kurulumu yapma
6. Örnek bir site üzerinden raporların incelenmesi
7. Temel GA rapor arayüzleri ve veri çekme yöntemlerinin anlatılması
8. Etkinlik Takibi tanıtımı ve raporlanması
9. Dönüşüm Optimizasyonu tanımı ve raporları
10. Facebook örneği üzerinden raporların incelenmesi
Finans ve Risk Analitiği
1. Durağanlık analizi
2. Tek değişkenli zaman serileriyle tahmin ve öngörü
3. Çok değişkenli zaman serileriyle tahmin ve öngörü
4. Tek değişkenle tarihsel (historical) oynaklık (volatility) modellemesi
5. Çok değişkenle tarihsel oynaklık (volatility) modellemesi
6. Gerçekleşen (Realized) oynaklık
7. Zımni (Implied) oynaklık
8. Riske maruz değer (VAR)
9. Portföy optimizasyonu
Tedarik Zinciri Analitiği
1. Talep tahmini
2. Envanter (stok) planlama ve optimizasyonu
3. Rota planlama ve optimizasyonu
4. Tedarik zincirinde ağ optimizasyonu
Müşteri Analitiği ve KNIME Analytics Platformu
1. Geleneksel ve müşteri değer tabanlı pazarlama metrikleri
2. Müşteri tutundurma / elde etme / kayıp oran analizleri
3. Müşteri ömür boyu değeri yaklaşımları
4. RFM analizleri
5. Kampanya yönetimi ve birliktelik analizleri
6. KNIME Analytics platformun kullanımının öğrenilmesi
7. KNIME ile müşteri analitiği uygulamalarının gerçeklenmesi
Süre ve Günler:
Toplam Ders Saati: 98
Toplam Hafta: 7