Veri Mühendisliği ve Tahminsel İstatistik Eğitimi

Veri Mühendisliği ve Tahminsel İstatistik eğitimi, veri bilimi yaşam döngüsünü (veri toplama–entegrasyon, analiz–modelleme, karar–aksiyon, izleme) endüstri standartlarında uygulamalı olarak öğretir. Katılımcılar; istatistiksel analiz, tahminsel modelleme, Spark–Kafka–Lakehouse veri altyapısı, ETL/ELT orkestrasyonu ve Power BI/Tableau ile karar destek çıktıları üretme konusunda uçtan uca yetkinlik kazanır.

Veri Mühendisliği ve Tahminsel İstatistik Eğitimi

Bu program; veri biliminin temellerinden başlayarak açıklayıcı (descriptive), tahminsel (predictive) ve kuralcı (prescriptive) istatistik yaklaşımlarını uçtan uca ele alır. Katılımcılar; veri setlerini tanıma ve özetleme, anlamlı çıkarımlar üretme, tahmin modelleri kurma ve sonuçları iş kararlarına dönüştürme süreçlerini endüstri standartlarında öğrenir. Eğitim, uygulamalı çalışmalarla desteklenerek analitik çıktının karar mekanizmalarına nasıl taşındığını göstermeyi hedefler.

Nedir?

Veri Bilimi: Ham verinin toplanması, temizlenmesi, analiz edilmesi ve içgörüye dönüştürülmesi süreci.
Açıklayıcı İstatistik (Descriptive): Veriyi merkezi eğilim, dağılım ve veri yapısı açısından özetler.
Tahminsel İstatistik (Predictive): Regresyon, sınıflandırma gibi modellerle geleceğe yönelik öngörü üretir.
Kuralcı İstatistik (Prescriptive): Analiz sonuçlarına dayalı en iyi aksiyon ve optimizasyon stratejilerini önerir.

Eğitim Türü: Online (Çevrimiçi)
Sertifika Bilgisi: Üniversite Onaylı Sertifika

Önemli Bilgilendirme (ARC Enstitü Standartları)

Eğitimler Online / Örgün / Videolu formatlarda sunulabilir.
Düşük kontenjan ile uygulamalı ve etkileşimli öğrenme sağlanır.
Dersler kayıt altına alınır, tekrar izleme imkânı sunulur.
Proje ve vaka çalışmalarıyla gerçek iş senaryoları uygulanır.
Sertifikasyon süreci ARC Enstitü tarafından yürütülür.
Grup katılımlarında indirim avantajları uygulanabilir.
Katılımcılar eğitim süresince 7/24 destek alabilir.

Devamını Göster

Eğitim İçeriği

- Veri bilimi yaşam döngüsü ve CRISP-DM yaklaşımı
- Açıklayıcı / tahminsel / kuralcı analitik kullanım senaryoları
- Veri kalitesi ve yönetişim: doğruluk, bütünlük, tutarlılık
- KVKK/GDPR, PII maskeleme ve erişim prensipleri
- Mini EDA: veri tipleri, eksik değer, aykırı değer, özet bulgular

- Merkezi eğilim ve dağılım ölçüleri (robust ölçüler dahil)
- Dönüşümler ve ölçekleme (log, Box-Cox, standardizasyon)
- Aykırı değer tespiti ve iş etkisi değerlendirmesi
- Örnekleme mantığı ve örnek hacmi sezgisi
- Hipotez testleri: t-test, oran testleri, non-parametrik testlere giriş
- Görselleştirme: histogram, KDE, box/violin, QQ-plot

- Korelasyon türleri (Pearson/Spearman) ve kısmi korelasyon
- Basit/çoklu doğrusal regresyon ve kategorik değişkenler
- Varsayımlar ve tanı testleri (heteroskedastisite, normallik, otokorelasyon)
- Model değerlendirme: R², MAE/RMSE, çapraz doğrulama ve leakage önleme
- ANOVA ve post-hoc mantığı; ki-kare testleri
- Raporlama: residual analizi ve belirsizliğin sunumu

- Lojistik regresyon: odds/log-odds, düzenlileştirme (L1/L2)
- Sınıflandırma metrikleri: ROC-AUC, PR-AUC, F1; maliyet duyarlı karar
- Dengesiz veri: sınıf ağırlığı, SMOTE yaklaşımı ve eşik seçimi
- PCA/faktör analizi ile çok değişkenli yaklaşımlara giriş
- Bayes temelleri: öncel/ardıl ve küçük örneklem sezgisi
- Zaman serisi temelleri: durağanlık, ACF/PACF, temel ARIMA/ETS sezgisi

- Ölçeklenebilir veri işleme yaklaşımı ve dosya formatları (Parquet vb.)
- Spark mantığı: DAG, lazy evaluation, partitioning, performans ipuçları
- Akış verisi: Kafka ve windowed aggregation mantığı
- Lakehouse yaklaşımı ve katmanlama (bronz-gümüş-altın)
- Şema tasarımı: fact/dim, SCD; ETL/ELT ve orkestrasyon (Airflow/dbt)
- Uygulama: yüksek hacimli veride EDA ve join/window pratikleri

- Doğru grafik seçimi: ilişki/karşılaştırma/dağılım/bileşim
- Dashboard tasarımı: KPI hiyerarşisi, filtre/etkileşim, drill-down
- Tasarım ilkeleri: ölçek, etiketleme, erişilebilirlik, etik görselleştirme
- Anti-pattern’ler: yanıltıcı eksenler, cherry-picking, 3D tuzaklar
- “Tek sayfa yönetici özeti” yaklaşımı: bulgu → içgörü → aksiyon
- İleri: belirsizlik bantları, coğrafi görselleştirme, kullanıcı testi döngüsü

Kimler İçin?

Veri Analistleri ve Veri Bilimciler (istatistik temellerini güçlendirmek ve ileri yöntemleri uygulamak isteyenler)
BI Uzmanları (dashboard ve raporlama süreçlerine istatistiksel yaklaşım katmak isteyenler)
Yazılım Mühendisleri ve Geliştiriciler (veri odaklı ürünlere analitik katman eklemek isteyen ekipler)
Ürün / Proje Yöneticileri (veriye dayalı karar alma ve ekip yönlendirme süreçlerini güçlendirmek isteyenler)
Finans, sağlık, pazarlama, operasyon gibi alanlarda veriyle çalışan profesyoneller

Bu Eğitimden Sonra

KPI/OKR yapısı üzerinden ölçülebilir karar mekanizmaları kurabilir
EDA ile veriyi özetleyip hataları/anomalileri tespit edebilir
Hipotez testleri ve istatistiksel çıkarım ile güvenilir yorum üretebilir
Regresyon ve lojistik regresyon ile tahmin modelleri geliştirebilir; metriklerle değerlendirebilir
Dengesiz veri ve eşik optimizasyonu gibi iş dünyası problemlerini yönetebilir
Analitik çıktıyı görselleştirme ve hikâyeleştirme ile paydaşlara etkili sunabilir
Optimizasyon ve senaryo analizi mantığıyla kuralcı analitik yaklaşımı kurgulayabilir