0. Makine Öğrenimi Hazırlık Projeleri

Uygulamalı Projeler ve Gerçek Hayat Uygulamaları

Bu bölüm, öğrendiklerinizi pekiştirmek ve gerçek dünya problemlerine uygulamanızı sağlamak amacıyla çeşitli uygulamalı projeler içerir. Her proje, güncel veri setleri üzerinde çalışarak veri analizi becerilerinizi geliştirmenize odaklanır.

Proje 1: Web Trafiğinde A/B Testi

Bu projede, gerçek bir şirkete ait web trafiği verileri ile çalışarak A/B testi analizleri yapacaksınız. İki farklı sayfa sürümünün kullanıcı dönüşüm oranları üzerindeki etkisini inceleyerek, veri odaklı kararlar almayı öğreneceksiniz.

• Pandas kullanarak trafik verilerini temizleme ve keşfetme.
• İstatistiksel testler (örneğin, hipotez testi) uygulayarak dönüşüm oranlarını karşılaştırma.
• Sonuçları etkili bir şekilde görselleştirme.
• Web sitesi performansı optimizasyonu için uygulanabilir içgörüler içeren bir rapor hazırlama.

Proje 2: Makine Öğrenimi için Banka Verisi Keşfi

Bu pratik proje, banka müşterilerine ait finansal veri setini analiz ederek gelecekteki makine öğrenimi modelleri için veri hazırlamanızı sağlayacak.

• Pandas ve NumPy kullanarak veri temizleme ve dönüştürme.
• Seaborn ile veri görselleştirme yoluyla trendleri ve korelasyonları belirleme.
• Betimleyici istatistikler ile müşteri davranışlarını anlama.
• Tahmine dayalı modelleme için veri kümesini hazırlama.

Proje 3: Sigorta Verisi Analizi

Bu projede, sigorta şirketi verilerini analiz ederek poliçe maliyetlerini ve müşteri riskini etkileyen temel faktörleri ortaya çıkaracaksınız.

• Müşteri ve hasar verilerini temizleme ve dönüştürme.
• EDA (Exploratory Data Analysis) tekniklerini kullanarak trendleri ve anomalileri belirleme.
• Betimleyici istatistik ve görselleştirmelerle karar alma süreçlerini destekleme.
• Risk tahmin modelleri için veri hazırlama.

Proje 4: Kötü Amaçlı Yazılım Verisi Analizi

Bu projede, kötü amaçlı yazılım verisini analiz ederek siber saldırı desenlerini keşfedecek ve güvenlik açıklarını önlemeye yardımcı olacaksiniz.

• Kötü amaçlı yazılım verilerini temizleme ve yapılandırma.
• Önemli özellikleri belirlemek için görsel keşif yapma.
• Veri kalitesini artırmak için ön işleme tekniklerini uygulama.

Bu projeler, veri bilimi ve makine öğrenimi becerilerinizi gerçek dünya senaryolarında kullanmanızı ve veri analizi alanında uzmanlaşmanızı sağlayacaktır.