Python ile Veri Bilimi

1. VERİ BİLİMİ İÇİN TEMEL KAVRAMLAR. - 5 -

1.1. VERİ BİLİMİ NEDİR?. - 6 -

1.1.1. VERİ BİLİMİNDE KULLANILAN TEMEL KAVRAMLAR. - 7 -

1.1.2. TEMEL MAKİNE ÖĞRENİMİ ALGORİTMALARI - 9 -

1.1.3. BİR VERİ BİLİMİ PROJESİNİN YAŞAM DÖNGÜSÜ.. - 10 -

2. VERİ BİLİMİ İÇİN PYTHON PROGRAMLAMASINA GİRİŞ. - 14 -

2.1. PYTHON PROGRAMLAMA DİLİ - 15 -

2.2. PYTHON İLE VERİ BİLİMİ ARASINDAKİ İLİŞKİ - 16 -

2.3. PYTHON PROGRAMLAMA DİLİNİN KURULUMU.. - 18 -

2.4. PYTHON PROGRAMLAMA DİLİNİN KURULUMU.. - 20 -

3. PYTHON’A ÖZGÜ VERİ YAPILARI - 23 -

3.1. PYTHON’DA DEĞİŞKEN TANIMLAMA.. - 24 -

3.1.1. TEMEL SAYISAL VERİ TİPLERİ - 26 -

3.2. PYTHON'A ÖZGÜ VERİ YAPILARI - 27 -

3.2.1. LİSTE VERİ YAPISI OLUŞTURMA.. - 28 -

3.2.2. LİSTE İÇERİSİNE BAŞKA BİR LİSTE EKLEMEK. - 31 -

3.2.3. LİSTENİN BİRDEN ÇOK ELEMANINA ERİŞMEK. - 32 -

3.2.4. LİSTE VERİ YAPISINDA KULLANILAN BAZI YARARLI METOTLAR. - 34 -

3.3. TUPLE (DEMET) VERİ YAPISI - 38 -

3.3.1.TUPLE OLUŞTURMA.. - 39 -

3.3.2. TUPLE ÖĞELERİNE ERİŞİM... - 40 -

3.3.3. LİSTEYE GÖRE TUPLE AVANTAJLARI - 42 -

3.4. KÜME (SET) VERİ YAPISI - 43 -

3.4.1. KÜME OLUŞTURMA.. - 44 -

3.4.2. KÜMEYE VERİ EKLEME, SİLME VE ÇIKARMA İŞLEMLERİ - 47 -

3.5. ALT BAŞLIK : SÖZLÜK VERİ YAPISI - 49 -

3.5.1. SÖZLÜK OLUŞTURMA.. - 50 -

3.5.2. SÖZLÜK ELEMANLARINA ERİŞMEK VE ANAHTAR KELİMELERİNİ ÖĞRENMEK. - 51 -

3.5.3. SÖZLÜK ELEMANLARINDA DEĞİŞİKLİK VE GÜNCELLEME YAPMAK. - 52 -

4. PYTHON’DA KONTROL YAPILARI - 54 -

4.1. PROGRAMLAMA KONTROL AKIŞ ŞEKİLLERİ - 55 -

4.1.1. IF YAPISI - 57 -

4.1.2. IF ELSE YAPISI - 59 -

4.1.3. IF-ELİF-ELSE YAPISI - 61 -

4.1.4. İN İŞLECİNİN KULLANIMI - 63 -

4.1.5. FOR KONTROL YAPISI - 64 -

4.1.6. FOR DÖNGÜSÜNÜN PYTHON VERİ YAPILARI İLE KULLANIMI - 67 -

4.1. WHİLE KONTROL YAPISI - 70 -

4.1.1. BREAK ANAHTAR KOMUTU.. - 72 -

4.1.2. CONTİNUE ANAHTAR KOMUTU.. - 75 -

4.1.3. YARARLI METOTLAR-1: RANGE METODU.. - 77 -

4.1.4. YARARLI METOTLAR-2: RANDOM METODU.. - 79 -

4.1.5. YARARLI METOTLAR-3: ZİP METODU.. - 81 -

5. PYTHON İÇİN VERİ ANALİZİ ARAÇLARI - 83 -

5.1. Numpy Kütüphanesi - 84 -

5.1.1. Numpy Dizisi Oluşturma. - 85 -

5.1.2. İki Boyutlu Numpy Dizisi Oluşturma. - 89 -

5.1.3. Bir Boyutlu Diziyi Dilimleme. - 91 -

5.1.4. İki Boyutlu Diziyi Dilimleme. - 92 -

5.2. Pandas Kütüphanesi - 93 -

5.2.1. Pandas Serisi ve Veri Çerçevesi Oluşturmak. - 94 -

5.2.2. Veri Çerçevesi Üzerinde İşlem Yapmak. - 96 -

5.2.3. Veri Çerçevesini Dışarıdan Veri Okuyarak Doldurmak. - 99 -

6.3. Matplotlib Kütüphanesi - 109 -

6.3.1. Matplotlib Kütüphanesinin Yüklenmesi - 110 -

6.3.2. Çizgi Grafiği Çizdirmek. - 111 -

6.3.3. Bar Grafiği Çizdirmek. - 116 -

6.3.4. Scatter (Dağıtık) Grafik Çizdirmek. - 119 -

6.3.5. Dilim (Pasta) Grafik Çizdirmek. - 120 -

6.3.6. Histogram Grafiği Çizdirmek. - 122 -

7. İSTATİSTİKSEL ANALİZ. - 126 -

7.1. Keşifsel Veri Analizi - 127 -

7.2. Verilerin Yüklenmesi - 128 -

8. MAKİNE ÖĞRENİMİ (DENETİMLİ-DENETİMSİZ ÖĞRENME) - 139 -

8.1. Makine Öğrenimi nedir?. - 140 -

8.2. Makine Öğrenimi ve Geleneksel Programlama. - 141 -

8.3. Makine Öğrenimi Nasıl Çalışır?. - 142 -

8.4. Makine Öğrenim Süreci - 144 -

8.5. Makine Öğrenimi Türleri - 147 -

8.6. Makine Öğreniminde Problem Türleri - 150 -

9. REGRESYON.. - 152 -

9.1. Basit Doğrusal Regresyon. - 153 -

9.1.1. Veri Setinin Yüklenmesi - 155 -

9.1.2. Veri Setinin Hazırlanması - 158 -

9.1.3. Algoritmanın Eğitilmesi - 159 -

9.1.4. Modelin Katsayı Değerlerinin Hesaplanması - 160 -

9.1.5. Tahminde Bulunma İşlemi - 161 -

9.1.6. Modelin Değerlendirilmesi - 164 -

10. SINIFLANDIRMA. - 166 -

9.1. Lojistik Regresyon. - 167 -

9.1.1. Scikit-Learn'de Model Oluşturma. - 171 -

11. KÜMELEME. - 178 -

11.1. Kümeleme Algoritması - 179 -

11.1.1. Algoritmanın Çalışma Mantığı - 180 -

11.1.2. Scikit-Learn Kütüphanesi ile Kümeleme Örneği - 185 -

11.1.3. Dirsek (Elbow) Yöntemi ile Küme Sayısını Belirleme. - 190 -