Bu eğitim; R dili, istatistik, veri madenciliği ve makine öğrenmesi kavramlarını tanıtarak, SQL Server ve Microsoft BI (İş Zekası) araçları ile veri bilimi uygulamalarını öğretir.
R, istatistiksel analiz, veri madenciliği ve makine öğrenmesi için en popüler programlama dili ve ortamdır. SQL Server, Power BI ve Azure ML içerisinde çalışan yönetilen ve ölçeklenebilir bir sürümü vardır.
Ana odak R dili olsa da, eğitimde ayrıca MS BI araçlarıyla veri bilimi uygulamaları için kullanılan Python, T-SQL, Power BI, Azure ML ve Excel gibi teknolojiler de gösterilir.
Laboratuvar uygulamaları R odaklıdır; demolar ise diğer dillerle yapılır.
R ve Python karşılaştırması
Gözetimsiz öğrenme (unsupervised learning) yöntemlerine giriş
Matris işlemleri
Değişkenler arası ilişkileri görselleştirme
Analitik görevler için veri hazırlama
Gözetimli öğrenme yöntemlerine giriş
Katılımcılar veri analizi konusunda temel bilgiye sahip olmalı
SQL Server araçlarına aşinalık beklenmektedir
Bu eğitim sonunda aşağıdaki konularda bilgi ve beceri kazanmış olacaksınız:
R dilini sıfırdan öğrenme
R Engine ve RStudio IDE kullanarak temel programlama
Veri bilimi projelerinin tüm yaşam döngüsünü anlama
Veri ön izleme ve hazırlama teknikleri
Değişken ilişkilerini analiz etme (istatistiksel yöntemlerle)
R kodunu SQL Server, Azure ML ve Power BI içinde kullanma
Python dilini demolarla farklı araçlarda kullanma
İstatistik, veri madenciliği ve makine öğrenmesi nedir?
Veri bilimi projeleri ve yaşam döngüsü
R’ye giriş, R araçları ve veri yapıları
Lab 1
Temel sözdizimi ve nesneler
NumPy ve Pandas ile veri işleme
Matplotlib ve Seaborn ile görselleştirme
Scikit-Learn ile veri bilimi
Lab 2: R ve Python karşılaştırması
Veri setleri, değişken türleri
Sayısal ve kategorik değişkenlerin istatistikleri
Grafikler, örnekleme ve güven aralığı
Lab 2
Türetilmiş değişkenler
Eksik veriler ve aykırı değerler
Düzleştirme ve normalizasyon
Zaman serileri, eğitim ve test veri kümeleri
Lab 3
Kovaryans ve korelasyon
Çapraz tablolar ve ki-kare testi
T-testi, varyans analizi (ANOVA)
Bayes çıkarımı, doğrusal modeller
Lab 4
Doğrusal modellerde özellik seçimi
Temel matris cebiri
Temel bileşen analizi (PCA)
Açımlayıcı faktör analizi
Lab 5
Hiyerarşik kümeleme
K-means kümeleme
İlişki kuralları
Lab 6
Yapay sinir ağları
Lojistik regresyon
Karar ve regresyon ağaçları
Rastgele ormanlar
Gradient Boosting
K-en yakın komşu
Lab 7
Destek vektör makineleri
Zaman serileri
Metin madenciliği
Derin öğrenme
Takviyeli öğrenme
Lab 8
ML Services (In-Database) yapısı
SQL Server’da dış betik çalıştırma
Model kaydetme ve yerel tahmin çalıştırma
Azure ML ve Power BI’da R kullanımı
Lab 9
Sınıf eğitimlerimizi İstanbul, Ankara ve Londra ofislerimizde düzenlemekteyiz. Kurumunuza özel eğitimleri ise, dilediğiniz tarih ve lokasyonda organize edebiliriz.