Veri Bilimi Uzmanı Sertifika Sınavı
Bu sınav, veri bilimine giriş düzeyinde olan katılımcıların kavramsal yetkinliklerini, metodolojik farkındalıklarını ve modelleme-değerlendirme bilgisini bütünsel olarak ölçmeyi hedefler. Veri Bilimi Uzmanı Sertifika Sınav Soruları, CRISP-DM süreç modelinden (Problemin Anlaşılması → Canlıya Alma) veri ön işleme, öznitelik mühendisliği, algoritma kütüphaneleri ve AutoML gereksinimlerine kadar uzanan temel başlıkları kapsar. Ölçme yaklaşımı; hem bilginin hatırlanmasını (çoktan seçmeli, doğru/yanlış) hem de bilgiyi analitik bağlamda uygulama becerisini (kısa yanıt, senaryo analizi) değerlendirir. Bu yapı, katılımcının yalnızca tanımları ezberlemesini değil, kavramlar arası ilişki kurmasını ve veri odaklı problem çözme döngüsünü içselleştirmesini zorunlu kılar.
Sınav Süresi : 3 Saat
Soru Sayısı : 38
Sınavın genel yapısı aşağıda verilmiştir:
| Bölüm | Soru Türü | İçerik Odak Alanı | Soru Sayısı | Ağırlık (%) |
|---|---|---|---|---|
| A | Çoktan Seçmeli | Veri bilimi, yapay zeka, makine öğrenmesi ve ilişkili disiplinler (tanımlar, kapsam farkları) | 10 | 20 |
| B | Doğru / Yanlış | CRISP-DM yaşam döngüsü ve veri bilimi iş akışları | 5 | 10 |
| C | Çoktan Seçmeli | Modelleme temelleri: regresyon, sınıflandırma, kümeleme, AutoML ve algoritma seçimi | 10 | 25 |
| D | Kısa Yanıt | Değerlendirme ölçütleri (Accuracy, Precision, Recall, ROC-AUC, R², Adjusted R²) ve karmaşıklık matrisi yorumlama | 5 | 15 |
| E | Eşleştirme / Boşluk Doldurma | Veri ön-işleme adımları, öznitelik mühendisliği kavramları, dummy variable tuzağı, hiper-parametre optimizasyonu | 5 | 10 |
| F | Senaryo Tabanlı | Gerçek hayat problemi için uygun metodoloji ve algoritma önerme (özgün örnek vakalar) | 3 | 20 |
Sınav Konularının Dağılımı :
| # | Başlık | Kapsam Özeti |
|---|---|---|
| 1 | Veri Bilimi ve Yapay Zeka Ekosistemi | Yapay zeka → Makine Öğrenmesi → Veri Bilimi hiyerarşisi, tarihsel gelişim ve uygulama alanlarının panoraması |
| 2 | CRISP-DM ve Veri Bilimi Yaşam Döngüsü | Problemin anlaşılmasından canlıya alıma kadar altı aşama, geribildirim döngüsü ve iş paydaşı–analist etkileşimi |
| 3 | Veri Ön İşleme | Eksik değer analizi, kategorik kodlama, tarih/zaman işleme, ölçekleme ve eğitim-test bölme stratejileri |
| 4 | Öznitelik Mühendisliği | Öznitelik seçimi (korelasyon, p-değeri), dönüştürme teknikleri, dummy variable tuzağı ve otomatik özellik çıkarımı |
| 5 | Regresyon Algoritmaları | Doğrusal, polinomal, SVR, karar ağacı, rastgele orman; model seçimi ve hataya duyarlılık kıstasları |
| 6 | Sınıflandırma Algoritmaları | Lojistik regresyon, SVM, karar ağacı, rastgele orman; confusion matrix ve temel sınıflandırma metrikleri |
| 7 | Kümeleme Teknikleri | K-Means (WCSS, başlangıç tuzağı), hiyerarşik yöntemler (agglomerative-divisive, dendrogram yorumlama) |
| 8 | Ensemble Öğrenme & Model İyileştirme | Bagging, boosting, random forest, stacking; hiperparametre optimizasyonu ve model tuning yaklaşımları |
| 9 | AutoML ve Otomatik Süreçler | AutoML iş akışı, algoritma kütüphanesi seçimi, otomatik özellik/parametre arama; “No Free Lunch” ilkesi |
| 10 | Model Değerlendirme & Karşılaştırma | Accuracy, precision-recall, ROC-AUC, R² ve Adjusted R²; model hatası kaynaklarının analizi |
| 11 | MLOps: Dağıtım, Yönetim ve Gözlem | Bulut tabanlı dağıtım senaryoları, versiyon takibi, performans izleme ve veri yönetişimi ilkeleri |
| 12 | Uygulama Alanları & NLP | Pazarlama, sağlık, IoT, görüntü-ses işleme; NLP’de NLU/NLG ayrımı ve istatistiksel vs. dilbilimsel yaklaşımlar |
Değerlendirmeler
Henüz değerlendirme yapılmadı.