Python Giriş

  – Tanışma, Kursa Giriş
  – Kod Geliştirme Ortamının Kurulması
  – Python3, ilgili paketler, virtual env vb.
  – Python’ı Tanıma
  – Python shell, .py uzantılı programların komut satırından çalıştırılması
  – Değişkenler ve Veri Türleri
  – Tırnak Kullanımı ve Kaçışlar
  – Kullanıcıdan Bilgi Almak
  – Çıktı Formatlama
  – Koşullu İfadeler
  – İşleçler
  – Döngüler
  – Dosya İşlemleri
  – Listeler, Demetler, Sözlükler, Kümeler
  – Liste Metodları
  – Fonksiyonlar
  – Modüller
  – Sınıf Kavramı ve Nesne Yönelimli Programlama Mantığı
  – Hatalar

Veri Analizi ve Görselleştirme

  -Pandas Kütüphanesi
  – Pandas temel kavramlar
  – Pandas ile veri okuma, sütun isimlendirme
  – Pandas ile sütun ve satır silme
  – Pandas dataframe sıralama ve filtreleme
  – Excel okuma, işlenmiş veriyi diske yazma
  – Gruplama ve kümeleme (groupby, aggregation)
  – Null kontrolü, boşluk doldurma, indeksler ile seçim yapma, tür dönüşümü
  – String operasyonları: contains, startswith, replace vb., gelişmiş filtreleme
  – Tarih-saat ve indeks parse date
– Pandas dataframe union ve join
  – Python ile PostgreSQL veri tabanına bağlanma veri okuma
  – Pandas ile SQL benzeri sorgular nasıl yapılır?
  – Numpy Kütüphanesi
  – Numpy giriş, matris oluşturma, elemanlara erişim, reshape, transpoze
  – Numpy kesit alma, güncelleme, filtreleme, stack, ravel
  – Numpy matris eleman bazlı çarpma, bölme, toplama, çıkarma
  – Numpy matris veri türünü değiştirme, iki matrisin çarpımı (dot product)
  – Numpy matris min, max, sum, scaler çarpım
  – Matplotlib ve Seaborn ile Görselleştirme
  – Matplotlib giriş
  – Matplotlib Saçılma/serpilme diyagramı (scatterplot)
  – Matplotlib histogram, optimal bins değerini bulma
  – Matplotlib kutu diyagramı (boxplot)
  – Matplotlib bar grafik (barplot)
  – Matplotlib pasta grafik (piechart)
  – Seaborn saçılma diyagramı (scatterplot)
  – Seaborn çizgi grafik (linechart)
  – Seaborn bar grafik (barchart)
  – Seaborn pairplot
  – Plotly çizgi grafik
  – Plotly saçılma diyagramı
  – Plotly bar grafik
  – Scikit-Learn Kütüphanesi

Makine Öğrenmesine Giriş ve Regresyon

  – Makine Öğrenmesi Giriş
  – Kütüphaneleri yükleme ve indirme
  – Veri ön işleme
  – Kayıp ve eksik veriler
  – Kategorik değişkenler (LabelEncoder, OneHotEncoder, get_dummies)
  – Normalizasyon (Feature Scaling)
  – Veri setini eğitim ve test olarak ayırma
  – Veri hazırlığı şablonu oluşturma
  – Regresyon
  – Basit lineer regresyon
  – Çoklu lineer regresyon
  – Doğrusal olmayan regresyon (Polinom regresyon)
  – Regresyon modeli değerlendirme

Sınıflandırma ve Kümeleme

  – Sınıflandırma
  – Lojistik regresyon ile sınıflandırma
  – K en yakın komşu ile sınıflandırma
  – Destek vektör makinesi (Support Vector Machine) sınıflandırma
  – Naive Bayes ile sınıflandırma
  – Karar ağacı ile sınıflandırma
  – Rastgele orman (Random Forest) ile sınıflandırma
  – Sınıflandırma modeli değerlendirme
  – XGBoost ile sınıflandırma
  – Kümeleme
  – K-Ortalamalar ile kümeleme
  – Hiyerarşik kümeleme

Boyut İndirgeme, En İyi Model Seçimi, Derin Öğrenme Giriş

  – Boyut İndirgeme
  – Temel bileşenler analizi (Principal Component Analysis)
  – Lineer diskriminant analizi
  – Model Seçme
  – K-Fold Cross Validation
  – Grid Search ve Randomized GridSearch
  – Hyperparameter Tuning – En iyi model seçimi
  – Derin Öğrenme Giriş
  – Derin öğrenme teori
  – Tensorflow temel
  – Keras ile ANN
  – Keras ile CNN