Türkiye 'de Online Veri Bilimi Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), sıfırdan model oluşturmadan gerçek dünya problemlerini çözmek için önceden eğitilmiş modellerin kavramını anlamak ve bunları nasıl uygulayacaklarını öğrenmek isteyen yeni başlayan seviyedeki profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Önceden eğitilmiş modellerin kavramını ve faydalarını anlayabilecektir.
• Çeşitli önceden eğitilmiş model mimarilerini ve kullanım alanlarını keşfedebilecektir.
• Belirli görevler için önceden eğitilmiş bir modeli ince ayar yapabilecektir.
• Önceden eğitilmiş modelleri basit makine öğrenimi projelerinde uygulayabilecektir.

Bu eğitmen tarafından yönetilen canlı eğitim Türkiye (çevrimiçi veya yerel) ortamında, veri bilimcileri ve analistleri için AWS Cloud9'un veri bilimi iş akışlarını kolaylaştırmak üzere tasarlanmıştır. Bu eğitim, ara seviye seviyede veri bilimcileri ve analistler hedef almaktadır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• AWS Cloud9'da bir veri bilimi ortamı kurma.
• Python, R ve Jupyter Notebook kullanarak Cloud9'da veri analizi yapma.
• AWS Cloud9'u S3, RDS ve Redshift gibi AWS veri hizmetleriyle entegre etme.
• Makine öğrenimi model geliştirme ve dağıtım için AWS Cloud9'un kullanımı.
• Veri analizi ve işleme için bulut tabanlı iş akışlarını optimize etme.

Bu eğitmen tarafından yönetilen canlı eğitim Türkiye'ta (online veya yerinde) hedeflenen, Apache Airflow kullanarak makine öğrenimi iş akışlarını otomatikleştirmeyi ve yönetmeyi isteyen orta düzeydeki katılımcılardır. Bu eğitim, model eğitimi, doğrulama ve dağıtım dahil olmak üzere makine öğrenimi iş akışlarını otomatikleştirmeye odaklanmaktadır.

Bu eğitim sonunda katılımcılar şu konuları yapabilecek duruma gelecektir:

• Makine öğrenimi iş akışı orchestration için Apache Airflow'u kurma.
• Veri ön işleme, model eğitimi ve doğrulama görevlerini otomatikleştirme.
• Airflow'ü makine öğrenimi çerçeveleri ve araçlarıyla tümleştirme.
• Otomatik pipelines kullanarak makine öğrenimi modellerini dağıtım.
• Üretimdeki makine öğrenimi iş akışlarını izleme ve iyileştirme.

Bu eğitmen yönetilen canlı eğitim (çevrimiçi veya yerel) yeni başlayan veri bilimcileri ve IT profesyonelleri için Google Colab kullanarak veri bilimi temellerini öğrenmek isteyenlerdir.

Eğitim sonunda, katılımcılar şunları yapabilecekler:

• Google Colab'i kurma ve kullanımını öğrenme.
• Temel Python kodu yazma ve yürütme.
• Veri kümelerini içe aktarma ve yönetme.
• Python kitaplıklarını kullanarak görselleştirmeler oluşturma.

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.

Eğitim kursu, katılımcıları Python Programlama ile Web Uygulaması Geliştirme ve Veri Analitiği hazırlamaya yardımcı olacaktır. Bu veri görselleştirmesi, Yönetim Kurulu tarafından karar alma sürecinde büyük bir araçtır.

Bu eğitimden tamamlanan katılımcılar, Veri Bilimi ve ilgili teknolojiler, yöntemler ve araçları hakkında pratik, gerçek dünya anlayışına sahip olacaklardır.

Katılımcılar, bu bilgiyi pratik alıştırmalar aracılığıyla kullanma fırsatı bulacaklardır. Grup etkileşimi ve eğitmen geri bildirimi, sınıfın önemli bir bileşenidir.

Kurs, Veri Biliminin temel kavramlarına girişle başlar ve daha sonra Veri Biliminde kullanılan araçlar ve yöntemlere ilerler.

Hedef Kitle

• Geliştiriciler
• Teknik analistler
• IT danışmanları

Kursun Formatı

• Konuşma, tartışma, alıştırmalar ve yoğun pratik uygulamadan oluşur

Not

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için bizimle iletişime geçin.

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, 5 günlük bir veri bilimi ve yapay zeka (AI) giriş kursudur.

Kurs, Python kullanılarak örnekler ve alıştırmalarla sunulmaktadır.

Bu eğitmen yönlendirilen, canlı eğitim (çevrimiçi veya kurum içi) Data Science alanında kariyer yapmak isteyen profesyoneller için tasarlanmıştır.

Bu eğitim sonunda katılımcılar şunları yapabilecektir:

• Python ve MySql'yi yükleyip yapılandırmak.
• Data Science'nin ne olduğunu anlama ve nasıl her türlü işe değer katacağını öğrenmek.
• Python'da temel kodlamayı öğrenmek.
• Denetimli ve denetimsiz Makine Öğrenimi tekniklerini öğrenmek, uygulamak ve sonuçları yorumlamak.

Kurs Formatı

• Etkileşimli sunum ve tartışma.
• Birçok alıştırma ve uygulama.
• Canlı laboratuvar ortamında elden deneyim.

Kurs Özelleştirme Seçenekleri

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçin.

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 hizmet sağlayıcıları (CSP), maliyetleri azaltmak, kullanıcı başına ortalama geliri maksimize etmek ve mükemmel müşteri deneyimi sağlamakla karşı karşıyaken, veri hacimleri sürekli artmaya devam ediyor. Küresel mobil veri trafiği, 2016'ya kadar %78 bileşik yıllık büyüme oranıyla (CAGR) 10.8 exabayt ay başı seviyesine ulaşacak.

Bunlar arasında, CSP’ler, arama detay kayıtları (CDR), ağ verileri ve müşteri verilerini içeren büyük hacimli veri setleri oluşturuyor. Bu verileri tam olarak değerlendiren şirketler rekabet avantajı elde ediyor. Ekonomist İstihbarat Birimi'nin yakın zamanda gerçekleştirdiği bir ankete göre, veri yönlü karar verme modelini kullanan şirketler %5-6'lık üretkenlik artışı yaşıyor. Ancak %53'lük bir orandaki şirket sadece değerli verilerinin yarısını kullanırken, yanıt verenlerin dörtte biri de büyük miktarda faydalı verinin kullanım dışı bırakıldığını belirtti. Veri hacimleri o kadar yüksek ki manuel analiz imkansız hale gelir ve çoğu miras kalma yazılım sistemi bu hızla tutturamaz, sonuç olarak değerli veriler atılıp göz ardı ediliyor.

Büyük Veri & Analitik'in hızlı, ölçeklenebilir büyük veri yazılımı sayesinde CSP'ler daha kısa sürede daha iyi kararlar almak için tüm verilerini işleme konusunda imkan bulabilir. Farklı Büyük Veri ürünler ve teknikleri, büyük veri toplama, hazırlama, analiz ve içgörüler sunma amacıyla uçtan uca yazılım platformu sağlar. Uygulama alanları ağ performans izleme, kuyruk hizmeti tespiti, müşteri kaybı tespiti ve kredi riski analizi gibi olabilir. Büyük Veri & Analitik ürünler, terabyte cinsinden veriyi işlemek için ölçeklendirilebilir ancak bu araçların uygulanması yeni tip bulut tabanlı veritabanı sistemleri (Hadoop veya büyük ölçekli paralel hesaplama işlemcisi gibi) gerektirir.

Bu kurs, Telco sektöründe CSP'lerin üretkenlik kazancı ve yeni iş geliri akışı açığa çıkarmak için yatırım yapmış olduğu tüm yeni alanları ele alır. Kurs, karar vericiler ve yöneticilere Telco'daki Büyük Veri İşletme Zekası'nın olasılıkları konusunda geniş bir bakış açısı sunacak.

Kurs Hedefleri

Kursun ana hedefi, Telekom İşindeki 4 sektörde (Pazarlama/Satış, Ağ Operasyonu, Mali Operasyon ve Müşteri İlişkileri Yönetimi) yeni Büyük Veri işletme zekası tekniklerini tanıtmaktır. Öğrencilere şunlar tanıtılmıştır:

• Büyük Veri tanımı - Büyük Verideki 4V'ler (hacim, hız, çeşitlilik ve doğruluk) nedir? Telco perspektifinden verinin oluşturulması, çıkarılması ve yönetilmesi
• Büyük Veri analitiği miras kalma veri analitiğinden nasıl farklılaşır
• Büyük Veri'nin iç hâle getirilmesi - Telco perspektifinden gerekçelendirme
• Hadoop Ekosistemi tanımı - Hive, Pig, SPARC gibi tüm Hadoop araçlarına tanıdık olunması ve Büyük Veri sorunlarını çözmede ne zaman ve nasıl kullanıldıkları
• Büyük Veri'nin analitik araçlar için analiz edilmesi - İş Analitiği'ne entegre Hadoop panosu yaklaşımıyla verinin toplama ve analizinin dert noktalarının nasıl azaltılabileceği
• Telco için öngörüler, görselleştirme ve tahmine dayalı analitikin temelleri
• Müşteri kaybı analitiği ve Büyük Veri - Büyük Veri analitiğinin Telco'da müşteri kaybını ve müşteri memnuniyetsizliğini nasıl azaltabileceği - örnekler
• Ağ meta verilerinden ve IPDR'den ağ başarısızlığı ve hizmet başarısızlık analitiği
• Satış ve operasyon verilerinden kuyruk yönetimi, kayıp ve ROI tahmini mali analizi
• Müşteri kazanma sorunu - hedef pazarlama, müşteri segmentasyonu ve çapraz satımdan satış verileri
• Tüm Büyük Veri analitik ürünlerine genel bakış ve Telco analitik alanına ne kadar uygundukları
• Kuruluza - organizasyonunuza Büyük Veri İşletme Zekası'nı adım adım tanıtmayı nasıl sağlayabilirsiniz

Hedef Kitle

• Telekom CIO ofisinde ağ operasyonu, mali yöneticiler, CRM yöneticileri ve üst düzey IT yöneticileri
• Telekom işletmecisi analistleri
• CFO ofisinde yöneticiler/analistler
• Operasyon yöneticileri
• QA yöneticileri

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.

This course is meant for Marketing Sales Professionals who are intending to get deeper into application of data science in Marketing/ Sales. The course provides
detailed coverage of different data science techniques used for “upsale”, “cross-sale”, market segmentation, branding and CLV.

Difference of Marketing and Sales - How is that sales and marketing are different?

In very simplewords, sales can be termed as a process which focuses or targets on individuals or small groups. Marketing on the other hand targets a larger group or the general public. Marketing includes research (identifying needs of the customer), development of products (producing innovative products) and promoting the product (through advertisements) and create awareness about the product among the consumers. As such marketing means generating leads or prospects. Once the product is out in the market, it is the task of the sales person to persuade the customer to buy the product. Sales means converting the leads or prospects into purchases and orders, while marketing is aimed at longer terms, sales pertain to shorter goals.

KNIME Analytics Platform, veri odaklı yenilikçiliğin önde gelen açık kaynaklı seçeneğidir ve verilerinizdeki potansiyeli keşfetmenize, yeni bilgiler edinmenize veya yeni gelecekleri tahmin etmenize yardımcı olur. 1000'den fazla modül, yüzlerce kullanıma hazır örnek, kapsamlı bir entegre araç yelpazesi ve mevcut en geniş gelişmiş algoritmalar seçeneğiyle KNIME Analytics Platform, her veri bilimcisi ve iş analisti için mükemmel bir araç kutusudur.

Bu KNIME Analytics Platform kursu, yeni başlayanlar, ileri düzey kullanıcılar ve KNIME uzmanları için KNIME ile tanışmak, onu daha etkili bir şekilde kullanmayı öğrenmek ve KNIME iş akışlarına dayalı net, kapsamlı raporlar oluşturmak için ideal bir fırsattır.

Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), karmaşık iş ihtiyaçlarını çözmek için KNIME'yi kullanmak isteyen veri profesyonellerine yöneliktir.

Programlama bilgisi olmayan ve analitik senaryoları uygulamak için son teknoloji araçları kullanmayı amaçlayan kitleye yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• KNIME'yi kurmak ve yapılandırmak.
• Data Science senaryoları oluşturmak.
• Modelleri eğitmek, test etmek ve doğrulamak.
• Veri bilimi modellerinin uçtan uca değer zincirini uygulamak.

Kurs Formatı

• Etkileşimli ders ve tartışma.
• Bol miktarda alıştırma ve uygulama.
• Canlı laboratuvar ortamında uygulamalı uygulama.

Kurs Özelleştirme Seçenekleri

• Bu kurs için özelleştirilmiş bir eğitim talep etmek veya bu program hakkında daha fazla bilgi edinmek için lütfen bizimle iletişime geçin.

This instructor-led, live training in Türkiye (online or onsite) is aimed at intermediate-level data analysts, developers, or aspiring data scientists who wish to apply machine learning techniques in Python to extract insights, make predictions, and automate data-driven decisions.

By the end of this course, participants will be able to:

• Understand and differentiate key machine learning paradigms.
• Explore data preprocessing techniques and model evaluation metrics.
• Apply machine learning algorithms to solve real-world data problems.
• Use Python libraries and Jupyter notebooks for hands-on development.
• Build models for prediction, classification, recommendation, and clustering.

Bu eğitmen-led, canlı eğitim Türkiye (çevrimiçi veya yerinde) veri analistleri ve web geliştiricileri için Qlik Sense'te ilişkisel modeller geliştirmeyi hedefler.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Qlik Sense'i veri biliminde uygulayın.
• Qlik Sense arayüzünü kullanın ve gezin.
• Yapay zeka etkileşimleriyle veri okuyabilen bir çalışma gücü oluşturun.
• Qlik Sense ile veri odaklı bir kurum oluşturma.

Bu dersin sonunda, giriş seviyesinde bir kuantum hesaplama geliştiricisi olarak çalışmaya hazır olacaksınız.

Bu eğitimden sonra katılımcılar şunları yapabilecek duruma gelecektir:

• Entegre IBM Q ile kuantum programlarınızı çalıştırmak ve test etmek
• Qiskit kullanarak kuantum hesaplama programları oluşturmak, derlemek ve çalıştırmak
• QAOA gibi pratik ve ileri düzeydeki kuantum algoritmaları ile çalışmak
• Gerçek dünya sorunlarını uygun bir kuantum hesaplama diline dönüştürmek

Ders Formatı

• Etkileşimli sunum ve tartışma.
• Birçok alıştırma ve uygulama.
• Canlı-lab ortamında elden deneyim.

Ders Özelleştirme Seçenekleri

• Bu ders için özelleştirilmiş bir eğitim talep etmek için, lütfen bize ulaşın.

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.

Bu eğitmen öncülüğünde, canlı eğitim Türkiye (online veya yerinde) veri bilimcilerinin SMACK yığınını kullanarak büyük veri çözümleri için veri işleme platformları oluşturmak isteyenler için düzenlenmiştir.

Bu eğitimin sonunda katılımcılar şu becerilere sahip olacaklardır:

• Büyük veri işleme için bir veri boru hattı mimarisi uygulayabileceklerdir.
• Apache Mesos ve Docker ile bir küme altyapısı geliştirilebilecektir.
• Spark ve Scala ile veri analizi yapabileceklerdir.
• Apache Cassandra ile yapılandırılmamış verileri yönetebileceklerdir.

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.