C/STATF : İstatistik Esasları
2 gün (12 Saat) Orta Seviye Sınıf / Online İş Zekası ve İleri Analitik
İş Zekası ve İleri Analitik çalışmalarda istatistiksel tekniklerin kullanılmaması veya hatalı kullanımı yıkıcı maliyetlere gebedir. "İstatistik Esasları" eğitiminde Veri Analistleri, Veri Bilimcileri, Karar vericiler ve akademik çalışmalar içerisinde bulunan herkes için mutlaka bilinmesi gereken istatistiksel teknikleri sezgisel yaklaşımlar ve pratiklerle ela alıyoruz. Bu eğitim sonrasında artık istatistikten nefret etmeyecek üstelik işinizde kullanmaktan keyif alacaksınız.
Eğitim İçeriği
Module 1: Veri Dünyasında Mevcut Durum ve Güncel Kavramlar
- Hatalı Analize Neden Olan İnsana has Kusurlar
- Karar Vericilerin Sıkışıp Kaldığı Mevcut Durum
- Veri Analitiği Tipleri
- Veri Yönetiminde Trendler
- İş Zekası (BI) ve İleri Analitik (AA)
- Veri ve Metaveri
- Veri Analitiği Süreçleri
- Veri Analitiğinde Mücadele Noktaları
Module 2: Temel İstatistik Kavramları
- İstatistik Nedir?
- İstatistiksel Çalışmalarda Temel Adımlar
- Veri Toplama Yöntemleri
- İstatistiksel Veri Analizi Yöntemleri
- İstatistiğin Güvenirliği
- Veri Nedir?
- Birim-Gözlem, Değişken, Şık
- Ölçme Düzeyleri (Ölçekler)
- Seriler
- Grafik Türleri
- Etkili Tasarım Teknikleri
Module 3: Merkezi Eğilim ve Değişkenlik Ölçüler
- Merkezi Eğilim Ölçüleri (Means, Mod, Medyan, Quartiles vs.)
- Değişkenlik Ölçüleri (Varyans, Standard Deviation, Standart Error, Range vs.)
- Kurtosis ve Skewness
Module 3: Olasılık
- Temel Tanımlar
- Olasılık Yaklaşımları
- Koşullu Olasılık
- Çarpma Kuralı
- Bayes Teoremi
- Toplama Kuralı
Module 4: Kesikli Rassal Değişkenler ve Bazı Kesiklik Dağılımlar
- Rassal Değişken
- Olasılık Dağılımı
- Bernoulli Dağılımı
- Binom Dağılımı
- Poisson Dağılımı
- Poisson Dağılımı
- Kesikli Rassal Değişkenlerde
- Ortalama, Varyans ve Standart Sapma
Module 5: Sürekli Rassal Değişkenler ve Olasılık Dağılımları
- Sürekli Rassal Değişkenler
- Normal Dağılım
- Standart Normal Dağılım
- Binom Dağılımın Yakınsaması
Module 6: Örnekleme ve Örnekleme Dağılımları
- Veri Toplama Yöntemleri
- Örnekleme Süreci
- Örnekleme Dağılımları
- Ortalamanın Örneklem Dağılımı
- Standart Hata
- Oranların Örnekleme Dağılımı
- İki Örneklem Ortalaması Arasındaki Farkın (𝑿 ̅_1−𝑿 ̅_2) Örnekleme Dağılımı
- İki Örneklem Oranı Arasındaki Farkın (𝒑_𝟏−𝒑_2) Örnekleme Dağılımı
Module 7: İstatistiksel Tahminleme
- Nokta ve Aralık Tahminlemesi
- Evren Ortalaması (𝜇) Aralık Tahminlemesi
- Evren Oranı (𝜋) Aralık Tahminlemesi
- Evren Ortalamaları Arasındaki Farkın (𝜇,−𝜇_2) Aralık Tahminlemesi
- Evren Oranı Arasındaki Farkın (𝜋_1−𝜋_𝟐) Aralık Tahminlemesi
Module 8: İstatistiksel Karar Alma
- İstatistiksel Hipotez ve Hipotez Testleri
- Hipotez Test Sürecinin Adımları
- Tek Evren Parametresiyle İlişkili Hipotez Testleri
- İki Evren Parametresiyle İlişkili Hipotez Testleri
- F Testi – Varyans Analizi (ANOVA)
Module 9: Ki-Kare Testi
- (𝑥^2) Ki-Kare Testi
- Ki-Kare Bağımsızlık Testi
- Ki-Kare Homojenlik Testi
- Ki-Kare Uygunluk (İyi Uyum) Testi
- Kontenjans Katsayısı
Module 10: Regresyon ve Korelasyon Analizi
- Regresyon Analizi
- Varyans Hesaplama ve Aralık Tahmini
- Regresyon Katsayısının Anlamlılık Testi
- Basit Doğrusal Korelasyon Katsayısı (Pearson)
- Belirlilik Katsayısı
- Korelasyon Katsayısının Anlamlılık Testi
Module 11: Zaman Serileri Analizi
- Zaman Serileri Analizi
- Trend Analizi (Hareketli ortalamalar)
- Trend Analizi (En küçük kareler yöntemi)
- Standart Hata
Module 12: İndeksler
- İndeksler
- Basit İndeksler
- Bileşik İndeksler
- İndeks Ortalamaları Tekniği
- Ortalamalar İndeks Tekniği
- Laspeyres ve Paasche indeksleri
- Fisher (ideal) İndeksi
Module 13: Karar Teorisi
- Karar Teorisi
- Belirsizlik Altında Karar Verme
- Risk Altında Karar Verme
- Tam Bilginin Beklenen Değeri
- Karar Ağacı
Module 14: Bazı Yaygın İstatistik Hataları
- Grafik kullanımındaki Hatalar
- Önyargılı Veri
- Rastgele Olmayan Örneklem
- Yanlış yorumlanmış korelasyonlar
- Sayılarla ilgili hatalar
- Sonuçları Seçici Olarak Raporlama
Öncesinde Önerilenler
-
Data Analyst
Veri Okuryazarlığı, Verinin Keşfi, Modellenmesi ve Etkili Rapor Tasarlama Teknikleri
-
Data Engineer
Büyük Verinin İşlenmesi, Yönetimi, Veri Kalitesini Arttırma, Bulut Bilişim ve Veri Bilimi için Kodlama, Spark ve Hadoop gibi Dağıtık Mimariler ile Çalışma.
-
Data Scientist
Yapay Zeka, Makine Öğrenimi, Derin Öğrenme Teknikleri ile Büyük Veri Kümelerinden Desen ve Eğilim Keşfetme
-
BI Professional
Veri kaynaklarının Keşfi, Veri Kalitesini Arttırma, ETL, Veriambarı Tasarım Prensipleri, Veri Modelleme ve Raporlama
Sonrasında Önerilenler
-
Data Analyst
Veri Okuryazarlığı, Verinin Keşfi, Modellenmesi ve Etkili Rapor Tasarlama Teknikleri
- MS/20761C : Querying Data with Transact-SQL
- C/TVTS : T-SQL ile Veri Tabanı Sorgulama (Microsoft SQL Server)
- MS/10994B : Data Analysis Fundamentals Using Excel
- MS/20779B : Analyzing Data with Excel
- C/QSEU : Qlik Sense Son Kullanıcı
- C/QSDEV : Qlik Sense Geliştirici
- C/PBI : Power BI ile Veri Analizi
- MS/DA-100 : Analyzing Data with Power BI
- MS/10990C : Analyzing Data with SQL Server Reporting Services
- C/DMDQ : Veri Yönetimi ve Veri Kalitesi
-
Data Engineer
Büyük Verinin İşlenmesi, Yönetimi, Veri Kalitesini Arttırma, Bulut Bilişim ve Veri Bilimi için Kodlama, Spark ve Hadoop gibi Dağıtık Mimariler ile Çalışma.
- MS/20761C : Querying Data with Transact-SQL
- C/TVTS : T-SQL ile Veri Tabanı Sorgulama (Microsoft SQL Server)
- MS/20777A : Implementing Microsoft Azure Cosmos DB Solutions
- C/IRFDS : R Dili ve R ile Veri Analizi
- C/PDE : Python Dili Esasları
- C/IPFDS : Python Dili ve Python ile Veri Analizi
- C/PVA : Python ile Veri Analizi
- MS/20762CC : Developing SQL Databases (Microsoft SQL Server)
- MS/20764C : Administering a SQL Database Infrastructure
- MS/DP-300 : Administering Relational Databases on Microsoft Azure
- MS/20765C : Provisioning SQL Databases
- MS/10987C : Performance Tuning and Optimizing SQL Databases
- MS/20767B : Implementing a SQL Data Warehouse
- MS/20768C : Developing SQL Data Models
- MS/10990C : Analyzing Data with SQL Server Reporting Services
- C/DMDQ : Veri Yönetimi ve Veri Kalitesi
- C/ADMT : İleri Veri Modelleme Teknikleri
- CMS/DP-203 : Data Engineering on Microsoft Azure
- C/DAWS : Big Data Analysis with Spark
-
Data Scientist
Yapay Zeka, Makine Öğrenimi, Derin Öğrenme Teknikleri ile Büyük Veri Kümelerinden Desen ve Eğilim Keşfetme
- MS/20761C : Querying Data with Transact-SQL
- C/TVTS : T-SQL ile Veri Tabanı Sorgulama (Microsoft SQL Server)
- C/IRFDS : R Dili ve R ile Veri Analizi
- C/PDE : Python Dili Esasları
- C/IPFDS : Python Dili ve Python ile Veri Analizi
- C/PVA : Python ile Veri Analizi
- C/DMDQ : Veri Yönetimi ve Veri Kalitesi
- C/ADMT : İleri Veri Modelleme Teknikleri
- MS/AI-900 : Microsoft Azure AI Fundamentals
- MS/AI-100 : Designing and Implementing an Azure AI Solution
- MS/DP-100 : Designing and Implementing a Data Science Solution on Azure
- C/ADSB : Accelerated Data Science for Business
- C/DAWS : Big Data Analysis with Spark
-
BI Professional
Veri kaynaklarının Keşfi, Veri Kalitesini Arttırma, ETL, Veriambarı Tasarım Prensipleri, Veri Modelleme ve Raporlama
- MS/20761C : Querying Data with Transact-SQL
- C/TVTS : T-SQL ile Veri Tabanı Sorgulama (Microsoft SQL Server)
- MS/20762CC : Developing SQL Databases (Microsoft SQL Server)
- C/QSDEV : Qlik Sense Geliştirici
- C/PBI : Power BI ile Veri Analizi
- MS/DA-100 : Analyzing Data with Power BI
- MS/20767B : Implementing a SQL Data Warehouse
- MS/20768C : Developing SQL Data Models
- MS/10990C : Analyzing Data with SQL Server Reporting Services
- C/DMDQ : Veri Yönetimi ve Veri Kalitesi
- C/ADMT : İleri Veri Modelleme Teknikleri