Veri bilimi ve yapay zeka üzerine kaleme aldığım tüm yazıları tek makalede bir indeks mantığında topladım. Yaklaşık 50 dakika okuma süresi olan bol uygulamalı bu seri; hem yeni başlayacak arkadaşlar için iyi bir rehber hem de işin içindeki bireyler için toparlayıcı olacaktır.
1. Python ile Veri Bilimine Dalış
1.1. Giriş (Veri Bilimi, Tanıtım)
1.2. Python Programlama Dili (Geçmişi ve Yapısı)
1.3. Kurulum
1.4. Python Değişken Türleri
1.5. Python Koşul Deyimleri
1.6. Python Döngüleri
1.7. Python Veri Yapıları (Listeler, Sözlükler)
1.8. Referans Türleri ve Nesne Klonlama
1.9. Python Fonksiyon Tanımları
1.10. Python Lambda Fonksiyonları
1.11. Veri Bilimi ve Nesne Yönelimli Programlama
1.12. NumPy Kütüphanesi
1.13. Pandas Kütüphanesi
Makale adresi: https://medium.com/deep-learning-turkiye/python-ile-veri-bilimine-dal%C4%B1%C5%9F-3f069260ebda
2. Python ile Veri Tanımaya ve Temel İstatistiğe Dalış
2.1. Veri tanıma fonksiyonları (Pandas dataframe)
2.2. Temel istatistik fonksiyonları
→ Merkezi eğilim ölçüleri: mod, medyan, aritmetik ortalama
→ Dağılım ölçüleri: standart sapma, varyans, kovaryans, korelasyon
Makale adresi: https://medium.com/@denizkilinc/python-ile-veri-tan%C4%B1maya-ve-temel-i%CC%87statisti%C4%9Fe-dal%C4%B1%C5%9F-7e1028270ac
3. Python ile Veri Ön İşlemeye Dalış
3.1. Eksik Veri Doldurma (Data Imputation)
3.2. Yeni Öznitelikler Oluşturma (Feature Extraction)
3.3. Kategorik Değerleri Dönüştürme (Label /One-Hot Encoding)
3.4. Veriyi Ölçeklendirme (Scaling) ve Normalize Etme (Normalization)
3.5. Aykırı/Uç Verileri (Outliers) Tespit Etme
Makale adresi: https://medium.com/@denizkilinc/python-ile-veri-%C3%B6n-i%CC%87%C5%9Flemeye-dal%C4%B1%C5%9F-f89f921658bd
4. Metin İşleme (Text Processing)— Eski Tarz Yöntemler
4.1. Ön işleme (Pre-processing)
4.2. Öznitelik/Terim Temsili ve BoW (Bag of Words)Modeli
4.3. TF x IDF Skorlama Modeli
4.4. Konu Modelleri (Topic Models)
Makale adresi: https://medium.com/deep-learning-turkiye/metin-i%CC%87%C5%9Fleme-1-eski-tarz-y%C3%B6ntemler-bag-of-words-ve-tfxidf-76d5a0cf1b29
5. Makine Öğrenimi ve Derin Öğrenme ile Müşteri Kayıp (Churn) Analizi
5.1. Orange telekomünikasyon veri setinin incelenmesi
5.2. Veri seti üzerinde ön işleme adımlarının çalıştırılması
5.3. Makine Öğrenimi Algoritmaları ile Model Değerlendirme
→Temel Sınıflandırma Modelleri: Logistic Regression, Naive Bayes, Decision Tree (CART), K-NN, SVM(Support Vector Machines), LDA (Linear Discriminant Analysis)
→ Kolektif Sınıflandırma Modelleri: AdaBoostClassifier, BaggingClassifier, RandomForestClassifier
6. Yapay Zeka ile İlgili Ortaya Karışık Notlar ve Sorular
6.1. Yapay zeka alanı ile ilgili problemler neler?
6.2. Yapay zeka öğrenmek zor mu?
6.3. Yapay zeka alanında hangi programlama dilini tercih edersiniz?
6.4. Veri bilimi yapmak ile yazılım geliştirmek aynı mı?
6.5. Yapay zeka/veri bilimi projelerinde İş/Alan bilgisi ne kadar bilmeliyim?
Makale adresi: https://medium.com/@denizkilinc/yapay-zeka-ile-ilgili-ortaya-kar%C4%B1%C5%9F%C4%B1k-notlar-ve-sorular-279f75ba7a90
İletişim: Bana, www.denizkilinc.com, Linkedin üzerinden veya