Analist seviyesi5 modül · 26 ders · kişisel tempoda·Güncellendi: 2 Temmuz 2026

Data Scientist Eğitimi: Analistten Bilimciye

Analist becerilerinin üzerine bilimci katmanı: programatik analiz, istatistiksel çıkarım ve ilk tahmin modellerini dürüstçe kurup değerlendirme.

Kısa cevap

Data scientist olmak için analist temelinin (SQL, veri okuryazarlığı) üzerine dört katman eklemelisin: Python programlama, pandas ile programatik analiz, istatistiksel çıkarım ve makine öğrenmesi temelleri. Bu yol 5 modül ve 26 derste bu katmanları kurar; ML'i sihir olarak değil, 'tahmin problemini doğru çerçevele, train/test ayır, doğru metrikle değerlendir, veri sızıntısına karşı denetle' disiplini olarak öğretir.

Bu yol kimin için?

  • ✓Analist olarak çalışıp modelleme katmanına geçmek isteyenler
  • ✓Veri Analisti yolunu bitirip devamını arayanlar
  • ✓ML kurslarına başlayıp 'temelim eksikmiş' diyerek dönenler
  • ✓Workintech benzeri yoğun programlara paralel, kendi tarzında tekrar kaynağı arayanlar

Ne öğreneceksin?

  • Analiz için sağlam Python çekirdeği ve API'den veri çekme
  • pandas ile filtreleme, groupby, merge ve sistematik EDA
  • Güven aralığı, hipotez testi, t-testi/ki-kare ve A/B tasarımı
  • ML problemini çerçevelemek: hedef değişken ve başarı tanımı
  • Train/test ayrımıyla overfitting'i teşhis etmek
  • Regresyon ve sınıflandırmada doğru metrik seçmek (precision/recall)
  • En sinsi hatayı yakalamak: veri sızıntısı

Müfredatta neler var?

Ders başlıkları müfredat iskeletidir; tüm anlatım içerikleri bu platform için özgün üretilir.

▶M7 · Python TemelleriProgramlama zihniyetine geçiş: analiz için yeterli, sağlam Python çekirdeği.5 ders
  1. 1.Python'a Giriş: Değişkenler ve Veri TipleriDeğişken, string/sayı/bool ve tip sezgisi.
  2. 2.Koleksiyonlar: Liste, Sözlük, KümeHangi veri hangi yapıda durur? Erişim ve dönüş kalıpları.
  3. 3.Kontrol Akışı: Koşullar ve Döngülerif/for/while ve 'veri üzerinde yürüme' kalıpları.
  4. 4.Fonksiyonlar ve Modüler DüşünmeTekrarı fonksiyona çevirme, parametre/return disiplini.
  5. 5.Dosyalar ve API'lerden Veri ÇekmekCSV/JSON okuma-yazma; HTTP GET ile bir API'den veri almak.
▶M8 · Pandas ile Veri AnaliziAnaliz laboratuvarı: veriyi programatik olarak evirip çevirmek.5 ders
  1. 1.DataFrame: Verinin Konuşan HaliSpreadsheet zihniyetinden DataFrame'e köprü; oku→bak rutini.
  2. 2.Filtreleme ve Seçme KalıplarıMaskeleme, loc/iloc ve zincirleme seçimin tuzakları.
  3. 3.GroupBy: Böl-Uygula-BirleştirPivot ve SQL GROUP BY bilgisini pandas'a taşımak.
  4. 4.Birleştirme: merge ve concatJOIN bilgisinin pandas karşılığı; satır sayısı kontrol refleksi.
  5. 5.Keşifsel Veri Analizi (EDA) RutiniYeni veri setine sistematik yaklaşım: yapı→kalite→dağılım→ilişki.
▶M9 · İstatistik ve BelirsizlikAnalistten bilimciye köprü: belirsizlik altında dürüst çıkarım.5 ders
  1. 1.Dağılımları Okumak: Merkez ve YayılımHistogram okuma, varyans/standart sapma sezgisi, çarpıklık.
  2. 2.Örnekleme ve Güven AralıklarıNeden örneklemden emin olamayız; güven aralığının gerçek anlamı.
  3. 3.Hipotez Testi Mantığı: p-değeri Ne Söyler?Sıfır hipotezi kurgusu, p-değerinin doğru ve yanlış yorumları.
  4. 4.Pratik Testler: t-testi ve Ki-kareİki grup karşılaştırma ve kategorik ilişki testleri — ne zaman hangisi.
  5. 5.A/B Testi ve Deney TasarımıDeney mantığı: randomizasyon, örneklem büyüklüğü, erken durdurma tuzağı.
▶M10 · Makine Öğrenmesine Girişİlk modeller: tahmin problemini doğru çerçeveleyip dürüstçe değerlendirmek.5 ders
  1. 1.ML Problemini ÇerçevelemekTahmin mi sınıflandırma mı; hedef değişken ve başarı tanımı.
  2. 2.Train/Test Ayrımı ve OverfittingEzber ile öğrenme farkı; neden ayrı test verisi şart.
  3. 3.Regresyon ModelleriDoğrusal regresyonla sürekli değer tahmini; katsayı okuma.
  4. 4.Sınıflandırma ve Değerlendirme MetrikleriAccuracy'nin yetmediği yerler: precision/recall, karışıklık matrisi.
  5. 5.Veri Sızıntısı ve Model GüvenilirliğiEn sinsi hata: geleceğin bilgisini modele sızdırmak.
▶M11 · Portföy Projesi: NovaCommerceTüm becerilerin tek çıktıda birleştiği, DA'dan DS'e evrilen portföy projesi.6 ders
  1. 1.Faz A: KPI PanosuNovaCommerce sipariş verisiyle temel iş metrikleri panosu (M1-M2 becerileri).
  2. 2.Faz B: SQL Analiz KatmanıSipariş/müşteri/ürün tablolarında iş sorularına SQL ile cevap (M3-M4).
  3. 3.Faz C: Veri Hattı ve ModellemeHam veriden katmanlı modele; testli, versiyonlu dönüşüm (M5).
  4. 4.Faz D: Yönetici Dashboard'uKarar vericiye yönelik yayınlanmış dashboard (M6).
  5. 5.Faz E: Python ile EDA ve İstatistiksel AnalizTeslimat süresi–memnuniyet ilişkisi gibi hipotezlerin testi (M7-M9).
  6. 6.Faz F: Tahmin Modeli ve SunumChurn/gecikme tahmini + bulguların iş diliyle sunumu (M10).

Bir ders nasıl anlatılıyor?

“DataFrame: Verinin Konuşan Hali” dersinden kesit:

Gerçek dünya

Data scientist'in gününün büyük kısmı model kurmak değil, DataFrame'lerle veri evirip çevirmektir. Modelin kalitesi, ona giren tablonun kalitesini asla aşamaz — bu yüzden pandas akıcılığı, ML'den önce gelir.

Tuzak

Zincirleme seçim (df[a][b] = x) sessizce kopya üzerinde çalışabilir ve değişikliğin kaybolur. loc ile tek adımda seçip atamak, bu sınıf hatayı kökten kapatır.

Dersin tam önizlemesini gör →

Sonunda elinde ne olacak?

NovaCommerce Faz E ve F: istatistiksel hipotez testleri + churn/gecikme tahmin modeli + bulguların iş diliyle sunumu. Analist fazlarıyla birleşince DA→DS evrimini tek projede gösteren bir portföy.

Yöntem: neden bu format?

Her ders aynı on bloklu pedagojik formattan geçer: neden bölümü konuyu gerçek bir iş problemine bağlar, benzetme kavramı gündelik hayata oturtur, kalıplar bölümü tekrar eden desenleri netleştirir, kontrol noktalı adımlar “izleme değil yapma” disiplinini kurar. Gerçek dünya bölümü her beceriyi analist/scientist günlük işine ve AI çağındaki yerine bağlar; tuzaklar, mülakat sorusu, quiz ve tekrar kartları öğrenmeyi kalıcılaştırır; proje görevi ise dersi portföye dönüştürür. İstenirse aynı ders beş farklı modda yeniden anlatılır — sade, proje üzerinden, mülakat odaklı, çocuğa anlatır gibi veya senior bakışıyla.

Sık sorulan sorular

Data analyst ile data scientist farkı nedir?

Analist 'ne oldu ve neden'i açıklar: metrik, SQL, dashboard. Scientist buna 'bundan sonra ne olacak ve ne yapmalı'yı ekler: istatistiksel çıkarım ve tahmin modelleri. İkisi rakip değil ardışıktır — sağlam scientist, analist temeli üzerinde yükselir.

Derin öğrenme (deep learning) bu yolda var mı?

Hayır, bilinçli olarak. İlk işe girişte fark yaratan şey derin öğrenme değil, klasik ML'i dürüst uygulayabilmektir: doğru çerçeveleme, doğru değerlendirme, sızıntısız veri. Derin öğrenme bu temel oturduktan sonra anlamlıdır.

Bu yol ne kadar sürer?

Takvim değil kontrol noktası esastır: 26 dersin her birinde 'doğru yaptığını nereden anlarsın' tanımlıdır. Haftada 6-8 saat ayıran biri için aylar mertebesinde gerçekçi bir yolculuktur; hızlandıran şey ders sayısını azaltmak değil, proje fazlarını aksatmamaktır.

Bu yolu kendi tarzında öğren

Platform şu an kapalı erken erişimde. Örnek dersi ücretsiz incele; genel erişim açıldığında bu sayfada duyurulacak.

Örnek dersi inceleSSS