Pyhton Veri Biliminde Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), paketleri ve veri analizi iş akışlarını tek bir platformda yakalamak, yönetmek ve dağıtmak için Anaconda ekosistemini kullanmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Anaconda bileşenlerini ve kütüphanelerini kurmak ve yapılandırmak.
• Anaconda'ün temel kavramlarını, özelliklerini ve faydalarını anlamak.
• Anaconda Navigator kullanarak paketleri, ortamları ve kanalları yönetmek.
• Veri bilimi ve makine öğrenimi için Conda, R ve Python paketlerini kullanmak.
• Çoklu veri ortamlarını yönetmek için bazı pratik kullanım durumlarını ve teknikleri öğrenmek.

Genel Bakış

İletişim hizmeti sağlayıcıları (CSP'ler), mükemmel müşteri deneyimi sağlarken maliyetleri düşürme ve kullanıcı başına ortalama geliri (ARPU) en üst düzeye çıkarma konusunda baskı altındadır, ancak veri hacimleri artmaya devam etmektedir. Küresel mobil veri trafiği, 2016'ya kadar yıllık bileşik büyüme oranı (CAGR) olarak %78 artarak aylık 10,8 exabyte'a ulaşacaktır.

Bu arada, CSP'ler çağrı detay kayıtları (CDR), ağ verileri ve müşteri verileri dahil olmak üzere büyük miktarda veri üretmektedir. Bu verileri tam olarak kullanan şirketler rekabet avantajı elde etmektedir. The Economist Intelligence Unit tarafından yapılan son bir ankete göre, veri odaklı karar alma kullanan şirketler %5-6 oranında verimlilik artışı elde etmektedir. Ancak şirketlerin %53'ü değerli verilerinin yalnızca yarısını kullanmakta ve katılımcıların dörtte biri, çok miktarda kullanışlı verinin kullanılmadığını belirtmektedir. Veri hacimleri o kadar yüksektir ki manuel analiz imkansızdır ve çoğu eski yazılım sistemi ayak uyduramamaktadır, bu da değerli verilerin atılmasına veya göz ardı edilmesine neden olmaktadır.

Big Data & Analytics’in yüksek hızlı, ölçeklenebilir büyük veri yazılımıyla, CSP'ler daha kısa sürede daha iyi karar almak için tüm verilerini çıkarabilirler. Farklı Big Data ürünleri ve teknikleri, büyük verilerden içgörüler toplamak, hazırlamak, analiz etmek ve sunmak için uçtan uca bir yazılım platformu sağlar. Uygulama alanları arasında ağ performansı izleme, dolandırıcılık tespiti, müşteri kaybı tespiti ve kredi risk analizi yer almaktadır. Big Data & Analytics ürünleri terabaytlarca veriyi işleyecek şekilde ölçeklenebilir, ancak bu tür araçların uygulanması Hadoop gibi yeni nesil bulut tabanlı veritabanı sistemleri veya devasa ölçekli paralel işlemci (KPU vb.) gerektirir.

Bu kurs, CSP'lerin verimlilik kazanımı için yatırım yaptığı ve yeni iş gelir akışları açtığı tüm yeni alanları kapsayan Big Data BI for Telco konusunu ele almaktadır. Kurs, karar vericilerin ve yöneticilerin Big Data BI'ın Telco'daki potansiyelini tam olarak anlamalarını sağlamak için Big Data BI'ın Telco'daki 360 derecelik kapsamlı bir genel bakışını sunacaktır.

Kurs Hedefleri

Kursun ana hedefi, Telecom Business'ün 4 sektöründe (Marketing/Satış, Ağ Operasyonları, Finansal Operasyonlar ve Müşteri İlişkileri Management) yeni Big Data iş zekası tekniklerini tanıtmakdır. Öğrencilere aşağıdakiler tanıtılacaktır:

• Big Data'ya giriş - Big Data'daki 4V (hacim, hız, çeşitlilik ve doğruluk) nedir - Telco perspektifinden oluşturma, çıkarma ve yönetme
• Big Data analitiğinin eski veri analitiğinden nasıl farklı olduğu
• Big Data'nın şirket içi gerekçelendirilmesi - Telco perspektifi
• Hadoop Ekosistemine giriş - Big Data sorunlarını çözmek için ne zaman ve nasıl kullanılacakları konusunda Hive, Pig, SPARC gibi tüm Hadoop araçlarına aşinalık
• Big Data'nın analitik araçlar için nasıl çıkarıldığı - Business Analysis'ün entegre Hadoop gösterge panosu yaklaşımı aracılığıyla veri toplama ve analizindeki sorun noktalarını nasıl azaltabileceği
• Telco için temel içgörü analitiği, görselleştirme analitiği ve tahmin analitiği tanıtımı
• Müşteri kaybı analitiği ve Big Data - Big Data analitiğinin Telco'da müşteri kaybını ve müşteri memnuniyetsizliğini nasıl azaltabileceği - vaka çalışmaları
• Ağ meta verilerinden ve IPDR'den ağ arızası ve hizmet arızası analitiği
• Satış ve operasyonel verilerden finansal analiz - dolandırıcılık, israf ve yatırım getirisi tahmini
• Müşteri edinme sorunu - hedef pazarlama, müşteri segmentasyonu ve satış verilerinden çapraz satış
• Tüm Big Data analitik ürünlerinin tanıtımı ve Telco analitik alanına nasıl uydukları
• Sonuç - Big Data Business Intelligence'yi kuruluşunuzda adım adım nasıl tanıtacağınız

Hedef Kitle

• Ağ operasyonları, Finansal Yöneticiler, CRM Yöneticileri ve Telco CIO ofisindeki üst düzey BT Yöneticileri.
• Telco'daki Business Analistleri
• CFO ofisi yöneticileri/analistleri
• Operasyonel Yöneticiler
• Kalite Güvence Yöneticileri

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), büyük veri kümelerini oluşturmak, ölçeklendirmek ve analiz etmek için Dask'i Python ekosistemi ile kullanmak isteyen veri bilimcileri ve yazılım mühendislerini hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Dask ve Python ile büyük veri işleme için ortamı kurmak.
• Dask'de bulunan özellikleri, kitaplıkları, araçları ve API'leri keşfetmek.
• Dask'in Python içinde paralel işlemeyi nasıl hızlandırdığını anlamak.
• Python ekosistemini (Numpy, SciPy ve Pandas) Dask kullanarak nasıl ölçeklendireceğini öğrenmek.
• Büyük veri kümelerini işlerken yüksek performansı korumak için Dask ortamını optimize etmek.

Bu eğitmen yönlü, canlı eğitim Türkiye (çevrimiçi veya yerinde) orta düzeyde Python geliştiricilerine ve veri analistlerine Pandas ve NumPy kullanarak veri analiz ve manipülasyon becerilerini geliştirmeleri hedeflenmektedir.

Bu eğitimin sonunda katılımcılar:

• Python, Pandas ve NumPy içeren bir geliştirme ortamını kuracaklardır.
• Pandas ve NumPy kullanarak veri analiz uygulaması oluşturacaklardır.
• Gelişmiş veri manipülasyonu, sıralama ve filtreleme işlemlerini gerçekleştireceklerdir.
• Ağregasyon işlemlerini yapacak ve zaman serisi verilerini analiz edeceklerdir.
• Matplotlib ve diğer görselleştirme kütüphaneleri kullanarak veriyi görselleştireceklerdir.
• Veri analiz kodlarını hata ayıklama ve optimize edeceklerdir.

The explosion of information and data in today’s world is un-paralleled, our ability to innovate and push the boundaries of the possible is growing faster than it ever has. The role of Data Scientist is one of the highest in-demand skills across industry today.

We offer much more than learning through theory; we deliver practical, marketable skills that bridge the gap between the world of academia and the demands of industry.

This 7 week curriculum  can be tailored to your specific Industry requirements, please contact us for further information or visit the Nobleprog Institute website 

Audience:

This programme is aimed post level graduates as well as anyone with the required pre-requisite skills which will be determined by an assessment and interview. 

Delivery:

Delivery of the course will be a mixture of Instructor Led Classroom and Instructor Led Online; typically the 1st week will be 'classroom led', weeks 2 - 6 'virtual classroom' and week 7  back to 'classroom led'. 

Büyük veri, geleneksel veri işleme uygulama yazılımlarının yetersiz kaldığı kadar hacimli ve karmaşık veri kümeleridir. Büyük veri zorlukları arasında veri yakalama, veri depolama, veri analizi, arama, paylaşım, aktarım, görselleştirme, sorgulama, güncelleme ve bilgi gizliliği yer alır.

Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), FARM (FastAPI, React ve MongoDB) yığınını kullanarak dinamik, yüksek performanslı ve ölçeklenebilir web uygulamaları oluşturmak isteyen geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• FastAPI, React ve MongoDB'yı entegre eden gerekli geliştirme ortamını kurmak.
• FARM yığınının temel kavramlarını, özelliklerini ve faydalarını anlamak.
• FastAPI ile REST API'leri nasıl oluşturacaklarını öğrenmek.
• React ile etkileşimli uygulamaları nasıl tasarlayacaklarını öğrenmek.
• FARM yığınını kullanarak uygulamaları (ön uç ve arka uç) geliştirmek, test etmek ve dağıtmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), RESTful API'leri daha kolay ve hızlı bir şekilde oluşturmak, test etmek ve dağıtmak için FastAPI ile Python'i kullanmak isteyen geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• FastAPI ve Python ile API'ler geliştirmek için gerekli geliştirme ortamını kurmak.
• FastAPI kütüphanesini kullanarak API'leri daha hızlı ve kolay bir şekilde oluşturmak.
• Pydantic ve OpenAPI temelinde veri modelleri ve şemaları oluşturmayı öğrenmek.
• SQLAlchemy kullanarak API'leri bir veritabanına bağlamak.
• FastAPI araçlarını kullanarak API'lerde güvenlik ve kimlik doğrulama uygulamak.
• Web API'lerini bir bulut sunucusuna dağıtmak için konteyner imajları oluşturmak.

Bu eğitmen liderliğindeki, canlı eğitimde (Türkiye – çevrimiçi veya yerinde), veri biliminde işbirliğine dayalı geliştirme fikri tanıtılır ve Jupyter'ın "hesaplamalı bir fikrin yaşam döngüsü"nde nasıl kullanıldığı gösterilir. Katılımcılar, Jupyter ekosistemi üzerine kurulu örnek bir veri bilimi projesi oluşturma sürecinde yönlendirilir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Jupyter'ı kurmak ve yapılandırmak, bir ekip deposu oluşturmak ve Git ile entegre etmek.
• Proje işbirliğini sağlamak için Jupyter'ın uzantıları, etkileşimli widget'lar, çok kullanıcılı mod ve daha fazlası gibi özelliklerini kullanmak.
• Jupyter Notebook'ları ekip üyeleriyle oluşturmak, paylaşmak ve düzenlemek.
• Scala, Python, R arasından seçim yaparak, Apache Spark gibi büyük veri sistemlerine karşı kod yazmak ve yürütmek, tüm bunlar Jupyter arayüzü üzerinden.

Bu eğitmen liderliğindeki, canlı eğitim (online veya yerinde), Data Science kullanarak kariyerlerini geliştirmek isteyen veri bilimcileri ve geliştiricileri hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Veri bilimi ve makine öğrenimi hakkında bilgi edinin.
• Veri analitiğini keşfedin.
• Kaggle hakkında bilgi edinin ve nasıl çalıştığını öğrenin.

Bu eğitimdeki ilk bölümda, MATLAB'ın hem bir dil olarak hem de bir platform olarak işlevini ifade eden temellerine odaklanıyoruz. Bu tartışmaya dahil olan MATLAB sözdizimi, diziler ve matrisler, veri görselleştirme, betik geliştirme ve nesne yönelimli ilkelerin tanıtılması.

İkinci bölümde, MATLAB'ı veri madenciliği, makine öğrenimi ve tahmin analitiği için nasıl kullanacağımızı gösteriyoruz. Katılımcılara MATLAB yaklaşımının ve gücünün açık ve pratik bir perspektifini sağlamak için, MATLAB'ın diğer araçlar (örneğin, elektronik tablolar, C, C++, ve Visual Basic) ile kullanımı arasındaki karşılaştırmalar yapıyoruz.

Üçüncü bölümde, katılımcılara işlerini otomasyon aracılığıyla hızlandırmak için veri işleme ve rapor üretilmesini nasıl otomatize edebilecekleri konusunda bilgi vermekteyiz.

Kurs boyunca, katılımcılar laboratuvar ortamında elle yapılan alıştırmalar aracılığıyla öğrendiklerini uygulayacaklardır. Eğitim sonunda, katılımcılar MATLAB'ın yeteneklerini derin bir şekilde anlayacak ve gerçek dünyada veri bilimi sorunları çözme ve işlerini otomasyon aracılığıyla hızlandırma konusunda yetenekli olacaklardır.

Kurs boyunca ilerleme durumu ölçmek için değerlendirmeler yapılacaktır.

Kurs Formatı

• Kurs, teorik ve pratik alıştırmaları, vakıya tartışmalarını, örnek kod incelemesini ve elle yapılan uygulamayı içermektedir.

Not

• Uygulama oturumları, önceden ayarlanmış örnek veri rapor şablonlarına dayanacaktır. Spesifik gereksinimleriniz varsa, lütfen bizimle iletişime geçin.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), daha hızlı veri analizi için Pandas ile paralel hesaplamalar oluşturmak ve uygulamak isteyen veri bilimcileri ve geliştiricileri hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Modin ile ölçeklenebilir Pandas iş akışlarını geliştirmek için gerekli ortamı kurmak.
• Modin'in özelliklerini, mimarisini ve avantajlarını anlamak.
• Modin, Dask ve Ray arasındaki farkları bilmek.
• Modin ile Pandas işlemlerini daha hızlı gerçekleştirmek.
• Tüm Pandas API'sini ve işlevlerini uygulamak.

Python, finans sektöründe büyük popülerlik kazanan bir programlama dilidir. En büyük yatırım bankaları ve hedge fonları tarafından benimsenen Python, temel ticaret programlarından risk yönetimi sistemlerine kadar geniş bir yelpazedeki finans uygulamalarını oluşturmak için kullanılmaktadır.

Bu eğitmen liderliğindeki canlı eğitimde, katılımcılar Python'yi kullanarak finansla ilgili belirli sorunları çözmek için pratik uygulamalar geliştirmeyi öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Python programlama dilinin temellerini anlayabilecektir
• Python ile finans uygulamaları oluşturmak için en iyi geliştirme araçlarını indirebilecek, kurabilecek ve bakımını yapabilecektir
• Çeşitli kaynaklardan (CSV, Excel, veritabanları, web vb.) finansal verileri düzenlemek, görselleştirmek ve analiz etmek için en uygun Python paketlerini ve programlama tekniklerini seçebilecek ve kullanabilecektir
• Varlık tahsisi, risk analizi, yatırım performansı ve daha fazlası ile ilgili sorunları çözebilecek uygulamalar oluşturabilecektir
• Python uygulamasında sorun giderebilecek, entegre edebilecek, dağıtabilecek ve optimize edebilecektir

Hedef Kitle

• Geliştiriciler
• Analistler
• Kantitatif Analistler

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

Not

• Bu eğitim, finans profesyonellerinin karşılaştığı temel sorunlara çözümler sunmayı amaçlamaktadır. Ancak, eklemek veya daha ayrıntılı açıklamak istediğiniz belirli bir konu, araç veya teknik varsa, lütfen bizimle iletişime geçin.

Bu eğitmen tarafından yönetilen, canlı eğitim Türkiye (çevrimiçi veya yerinde) veri bilimcilerine ve geliştiricilere RAPIDS'i kullanarak GPU hızlandırılmış veri hatları, iş akışları ve görselleştirmeler oluşturmayı, XGBoost, cuML gibi makine öğrenimi algoritmalarını uygulamayı hedef almaktadır.

Bu eğitim sonunda katılımcılar şunları yapabilecekler:

• NVIDIA RAPIDS ile veri modelleri oluşturmak için gerekli geliştirme ortamını kurma.
• RAPIDS'in özelliklerini, bileşenlerini ve avantajlarını anlamak.
• GPU'ları uçtan uca veri ve analitik hatlarını hızlandırmaya kullanma.
• cuDF ve Apache Arrow ile GPU hızlandırılmış veri hazırlığı ve ETL uygulama.
• XGBoost ve cuML algoritmalarıyla makine öğrenimi görevleri nasıl gerçekleştirileceğini öğrenme.
• cuXfilter ve cuGraph ile veri görselleştirmeleri oluşturma ve grafik analizi yürütme.