Par šo e-grāmatu
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 -
