Veri İşleme ve Manipülasyon Teknikleri Eğitimi

Veri İşleme ve Manipülasyon Teknikleri – Temiz, Anlamlı ve Hazır Veri ile Güçlü Modellerin Temeli

Süre: 2 gün (toplam 12 saat – 6 saat/gün)
Düzey: Orta – Python bilgisi olan başlangıç ve orta seviye kullanıcılar için uygundur
Eğitim Türü: Uygulamalı (Pandas, NumPy, Scikit-learn kullanılarak)

---

🗓 1. Gün: Veri Okuma, Anlama ve Temel Manipülasyon Teknikleri

📍 Modül 1: Veri ile Tanışma ve Keşifsel Veri Analizi (EDA) (1.5 saat)

• Yapısal ve yapısal olmayan veri türleri

• CSV, Excel, JSON ve veri tabanı bağlantılarından veri okuma

• pandas.DataFrame yapısı, sütun/indeks işlemleri

• .info(), .describe(), .value_counts() gibi temel keşif yöntemleri

• Veri yapılarının uygunluğu ve modelleme açısından önemi

---

📍 Modül 2: Eksik ve Aykırı Verilerle Başa Çıkma (1.5 saat)

• Eksik veri türleri: NA, null, NaN, özel işaretli değerler

• Eksik veri tespiti ve görselleştirme (missingno, seaborn, matplotlib)

• Silme, sabit değer doldurma, istatistiksel doldurma yöntemleri

• Outlier tespiti: Z-skoru, IQR, boxplot analizi

• Uygulamalı örnekler: Eksik ve aykırı değer stratejilerinin karşılaştırılması

---

📍 Modül 3: Değişken Dönüşümleri ve Veri Tipleri (1.5 saat)

• Kategorik verilerin sayısal hale getirilmesi: Label Encoding vs One-Hot Encoding

• Sayısal verilerde log, root, box-cox dönüşümleri

• Tarihsel verilerin ayrıştırılması: tarih-saat, yıl, ay, gün, hafta

• Boolean, kategorik, ordinal veri yönetimi

• Python uygulamaları: Encoding karşılaştırması ve görsel analiz

---

📍 Modül 4: Uygulamalı Proje I – Veri Temizliği ve Formatlama (1.5 saat)

• Ham bir veri setiyle uçtan uca veri hazırlama

• Eksik değerlerin doldurulması, yeni sütunlar oluşturma

• Değişken türlerinin dönüşümü

• Örnek proje: Müşteri davranışı veri seti üzerinde veri temizliği ve görselleştirme

• Pandas + Matplotlib ile rapor üretme

---

🗓 2. Gün: Derinlemesine Ön İşleme ve Model Hazırlığına Veri Hazırlama

📍 Modül 5: Veri Standardizasyonu ve Normalizasyon Teknikleri (1.5 saat)

• Ölçekleme ihtiyacı: Neden normalize ederiz?

• Min-Max Scaling, StandardScaler, RobustScaler

• Feature-wise normalization ve batch scaling farkı

• Uygulamalı karşılaştırma: Doğrusal modellerde ölçeklemenin etkisi

• Scikit-learn Pipeline ile otomatik ön işleme

---

📍 Modül 6: Özellik Seçimi ve Boyut Azaltma Teknikleri (1.5 saat)

• Korelasyon analizi ve yüksek korelasyonlu değişkenlerin etkisi

• Varyans eşiği ile filtreleme

• SelectKBest, Recursive Feature Elimination (RFE)

• PCA (Principal Component Analysis) ve uygulamalı görselleştirme

• Uygulama: 30’dan fazla özelliği olan veri setinde azaltma deneyi

---

📍 Modül 7: Veri Zenginleştirme (Feature Engineering) (1.5 saat)

• Yeni değişken oluşturma (örneğin: oranlar, farklar, kategorik kombinasyonlar)

• Binning (aralıklandırma), Bucketing, Quantile kategorileştirme

• Text verilerde temel ön işleme: kelime sayımı, metin uzunluğu

• Domain-knowledge tabanlı türetme örnekleri

• Python uygulaması: Perakende veri setinden yeni özellik çıkarımı

---

📍 Modül 8: Uygulamalı Proje II – Model Hazırlığı için Uçtan Uca Veri Hazırlama (1.5 saat)

• Karmaşık veri setiyle uçtan uca veri işleme süreci

• Hedef değişken analizi, outlier ve eksik verilerle mücadele

• Encoding, ölçekleme, yeni özellik üretimi

• Scikit-learn Pipelines ile model öncesi hazır veri üretimi

• Ön işleme setinin .pkl (pickle) olarak dışa aktarımı

---

🎓 Eğitim Sonunda Katılımcılar:

• Veriyi analiz edebilecek, temizleyebilecek ve dönüştürebilecek yetkinliğe ulaşır

• Gerçek dünya veri setleri üzerinde eksiksiz ön işleme uygulamaları yapabilir

• Modelleme öncesinde veriye yönelik stratejik kararlar alabilir

• Sklearn, Pandas ve NumPy ile temel veri hazırlama akışlarını rahatlıkla uygulayabilir

---

📦 Katılımcıya Sunulanlar:

• Eğitim slaytları (PDF)

• Uygulamalı Notebook dosyaları (Jupyter)

• Örnek veri setleri (CSV formatında)

• Katılım belgesi (opsiyonel)

• Ek okuma ve uygulama kaynak listesi