Eğitim İçeriği

Giriş

  • Analiz ve yapay zeka'da veri hazırlığı önemini anlamak
  • Veri hazırlık pipeline'ının veri yaşam döngüsü içindeki rolü
  • Ham verilerde ortaya çıkan yaygın sorunları keşfetme ve bu sorunların analiz üzerindeki etkisi

Veri Toplama ve Edinme

  • Veri kaynakları: veritabanları, API'ler, elektronik tablolar, metin dosyaları ve daha fazlası
  • Veriyi toplama teknikleri ve toplama sırasında veri kalitesini güvence altına alma yöntemleri
  • Farklı kaynaklardan veri toplama

Data Cleaning Teknikler

  • Eksik değerler, aykırı değerler ve tutarsızlıkların tanıtımı ve ele alınması
  • Dataset içindeki yinelenenleri ve hataları yönetme
  • Gerçek dünya veri kümelerinin temizlenmesi

Veri Dönüştürme ve Standartlaştırma

  • Veri normalizasyonu ve standartlaştırma teknikleri
  • Kategorik veri yönetimi: kodlama, aralıklar oluşturma (binning) ve özellik mühendisliği
  • Ham veriyi kullanılabilir formatlara dönüştürme

Data Integration ve Toplama

  • Farklı kaynaklardan datasetleri birleştirme ve bir araya getirme
  • Veri çatışmalarını çözümleme ve veri türlerinin uyumlaştırılması
  • Veri toplama ve birleştirilmesi teknikleri

Data Quality Güvence

  • Son aşamaya kadar veri kalitesini ve bütünlüğünü güvence altına alma yöntemleri
  • Kalite kontrolü ve doğrulama prosedürlerinin uygulanması
  • Veri kalitesi güvencesinin gerçek yaşam örnekleri ve pratik uygulamaları

Boyut İndirgeme ve Özellik Seçimi

  • Büyüklük indirgeme ihtiyacı anlayışı
  • PCA, özellik seçimi ve indirgeme stratejileri gibi teknikler
  • Büyüklük indirgeme tekniklerinin uygulanması

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Veri kavramları üzerine temel bilgi

Hedef Kitle

  • Veri analistleri
  • Database yöneticiler
  • IT uzmanları
 14 Saat

Katılımcı Sayısı


Kişi Başına Fiyat

Danışanlarımızın Yorumları (2)

Yaklaşan Etkinlikler

İlgili Kategoriler