[{"data":1,"prerenderedAt":984},["ShallowReactive",2],{"sanity-dnmoij":3},{"author":4,"body":23,"categories":966,"mainImage":968,"publishedAt":971,"related":972,"title":983},{"bio":5,"image":17,"name":22},[6],{"_key":7,"_type":8,"children":9,"markDefs":15,"style":16},"d66c98b743ce","block",[10],{"_key":11,"_type":12,"marks":13,"text":14},"3aaa77625a97","span",[],"Teknoloji ve stratejiyi bir araya getiren, projelerini bir adım öteye taşımak için sürekli yeni yöntemler keşfeden bir dijital uygulayıcı. Dijital süreçleri merakla takip ediyor ve faydalı çözümler üretmek için çalışıyor",[],"normal",{"_type":18,"asset":19},"image",{"_ref":20,"_type":21},"image-c44a26e16c36665c00b5834c6185cac256958e10-800x800-webp","reference","Fehu-Zone",[24,33,63,71,86,98,110,122,134,146,154,162,170,178,187,195,203,211,219,227,235,243,251,263,275,287,295,303,319,327,350,358,366,378,390,398,406,418,430,438,443,451,458,461,468,476,480,489,496,527,535,543,551,559,567,575,583,590,593,601,608,611,618,626,642,650,658,666,674,681,684,692,699,702,710,714,722,745,752,763,771,783,795,807,815,818,826,829,836,847,855,867,879,891,899,902,908,911,918,926,934,942,945,948],{"_key":25,"_type":8,"children":26,"markDefs":31,"style":32},"39a765210691",[27],{"_key":28,"_type":12,"marks":29,"text":30},"21f0b38f493d",[],"Veri Bilimi Nedir?",[],"h2",{"_key":34,"_type":8,"children":35,"markDefs":58,"style":16},"17817f1fc343",[36,40,45,49,54],{"_key":37,"_type":12,"marks":38,"text":39},"875a4c38e96b",[],"Veri analizi, istatistik, matematik ve bilgisayar bilimleri gibi çeşitli alanların birleşimiyle oluşan bir disiplindir. Veri bilimi, büyük veri setlerinden anlamlı bilgiler elde etmek, bu bilgileri görselleştirmek ve karar almalalarda kullanmak için yöntemler geliştirmeyi amaçlar. Veri bilimi, günümüzde birçok sektörde, önemli bir rol oynamaktadır. Hiç şüphesiz ki geleceğin en gözde bilimlerinden birisi olacak. Dünya Ekonomik Forumu (WEF) 2023 İşlerin Geleceği Raporuna göz atmak için ",{"_key":41,"_type":12,"marks":42,"text":44},"83f9a33d8ba1",[43],"cc1ab29a300a","buraya",{"_key":46,"_type":12,"marks":47,"text":48},"dbdafd2a14d0",[]," ",{"_key":50,"_type":12,"marks":51,"text":53},"c0e41ebd28be",[52],"0867a6c5ebe3","tıklayın",{"_key":55,"_type":12,"marks":56,"text":57},"b4515d1107ce",[],".",[59,62],{"_key":43,"_type":60,"href":61},"link","https://www.weforum.org/agenda/2023/05/future-of-jobs-2023-skills/",{"_key":52,"_type":60,"href":61},{"_key":64,"_type":8,"children":65,"markDefs":70,"style":16},"aa1c2df966a0",[66],{"_key":67,"_type":12,"marks":68,"text":69},"ea1154ff181c",[],"Bir veri bilimcisi, büyük veri setlerini analiz ederek anlamlı bilgiler elde etmeyi ve bu bilgileri iş süreçlerine entegre etmeyi amaçlar. Ana görevleri arasında şunlar yer alır:",[],{"_key":72,"_type":8,"children":73,"level":83,"listItem":84,"markDefs":85,"style":16},"64bfe5bb8b9b",[74,79],{"_key":75,"_type":12,"marks":76,"text":78},"cae8cb9d7df1",[77],"strong","Veri Toplama ve Hazırlama:",{"_key":80,"_type":12,"marks":81,"text":82},"00305fb6be27",[]," Veri kaynaklarını belirleyip, verileri toplamak, temizlemek ve dönüştürmek.",1,"bullet",[],{"_key":87,"_type":8,"children":88,"level":83,"listItem":84,"markDefs":97,"style":16},"deca2472f90c",[89,93],{"_key":90,"_type":12,"marks":91,"text":92},"37c4da14d0b2",[77],"Model Geliştirme:",{"_key":94,"_type":12,"marks":95,"text":96},"11c4284d3db2",[]," İstatistiksel ve makine öğrenimi modelleri geliştirerek tahminler yapmak.",[],{"_key":99,"_type":8,"children":100,"level":83,"listItem":84,"markDefs":109,"style":16},"a5b075f23a3b",[101,105],{"_key":102,"_type":12,"marks":103,"text":104},"f7a987060109",[77],"Veri Analizi:",{"_key":106,"_type":12,"marks":107,"text":108},"543bee9554ce",[]," Verileri analiz ederek eğilimleri, kalıpları ve anormallikleri keşfetmek.",[],{"_key":111,"_type":8,"children":112,"level":83,"listItem":84,"markDefs":121,"style":16},"f569e64266df",[113,117],{"_key":114,"_type":12,"marks":115,"text":116},"ec8b7cdcb749",[77],"Sonuçların İletilmesi:",{"_key":118,"_type":12,"marks":119,"text":120},"4a9d4652deff",[]," Analiz sonuçlarını görselleştirerek ve raporlar oluşturarak iş ortaklarıyla, şirketlerle, paydaşlarla etkili bir şekilde iletişim kurmak.",[],{"_key":123,"_type":8,"children":124,"level":83,"listItem":84,"markDefs":133,"style":16},"5c8263d0f5de",[125,129],{"_key":126,"_type":12,"marks":127,"text":128},"c6e1f49b1d5e",[77],"Hedef Belirleme:",{"_key":130,"_type":12,"marks":131,"text":132},"587a61f4ed44",[]," İş hedeflerine ulaşmak için veri tabanlı stratejiler geliştirmek.",[],{"_key":135,"_type":8,"children":136,"level":83,"listItem":84,"markDefs":145,"style":16},"0ee283d9d6b1",[137,141],{"_key":138,"_type":12,"marks":139,"text":140},"f918aeed2f3a",[77],"Deneysel Tasarım:",{"_key":142,"_type":12,"marks":143,"text":144},"818ea746e578",[]," A/B testleri ve diğer deneysel yöntemlerle veri toplamak ve geleceğe dair kullanıcı deneyimlerine, şirket kararlarına yönelik iyileştirmeler yapmak.",[],{"_key":147,"_type":8,"children":148,"markDefs":153,"style":32},"721086c9f180",[149],{"_key":150,"_type":12,"marks":151,"text":152},"42eefcb5c67b",[],"Veri Analizi Nedir?",[],{"_key":155,"_type":8,"children":156,"markDefs":161,"style":16},"716669ef7056",[157],{"_key":158,"_type":12,"marks":159,"text":160},"4ad0e41b0577",[],"Verileri analiz edip verilerden anlam çıkarmak, daha iyi kararlar almamızı sağlar. Bu süreçte ham verileri işlenir ve düzene koyulur. Bu süreçlerin amacı şirket, şahıs veya kurumlara karar verme süreçlerinde yardımcı olmaktır.",[],{"_key":163,"_type":8,"children":164,"markDefs":169,"style":16},"ceb4c741749f",[165],{"_key":166,"_type":12,"marks":167,"text":168},"40f6ae830ef0",[],"Her zamankinden daha fazla veriye sahip olduğumuz bir zamanda yaşıyoruz. Bu nedenle, şirketler verileri kullanmanın faydalarını fark ediyor ve iş hedeflerine ulaşmak için içgörüler bulmak amacıyla veri analizine yöneliyor.",[],{"_key":171,"_type":8,"children":172,"markDefs":177,"style":16},"660d9e0194c7",[173],{"_key":174,"_type":12,"marks":175,"text":176},"7bd513da0d81",[],"Veri analizi, verilerin içindeki anlamları keşfetmek, analizi yapılan kullanıcı kitlesinin eğilimlerini ve karar verme süreçlerini daha iyi anlamak ve bu eğilimlere yönelik daha sağlıklı kararlar almamıza olanak sağlaması amacıyla yapılır.",[],{"_key":179,"_type":8,"children":180,"markDefs":185,"style":186},"fe3b6328c4f8",[181],{"_key":182,"_type":12,"marks":183,"text":184},"4357ea5b15e0",[],"Veri Analistinin Görevleri",[],"h3",{"_key":188,"_type":8,"children":189,"markDefs":194,"style":16},"67a281ec3be1",[190],{"_key":191,"_type":12,"marks":192,"text":193},"3a68b2634156",[],"Bir veri analisti, veri toplama, işleme, analiz etme ve sonuçları yorumlama süreçlerinden sorumludur. Ana görevleri arasında şunlar yer alır:",[],{"_key":196,"_type":8,"children":197,"level":83,"listItem":84,"markDefs":202,"style":16},"92f95bf9cc5b",[198],{"_key":199,"_type":12,"marks":200,"text":201},"78b4ee1aefdf",[],"Veri analistleri, değerli içgörüler sağlamak için verileri toplamak ve analiz etmekten sorumludur.",[],{"_key":204,"_type":8,"children":205,"level":83,"listItem":84,"markDefs":210,"style":16},"4571f340140b",[206],{"_key":207,"_type":12,"marks":208,"text":209},"526605aaa4fb",[],"Veritabanlarını yönetir, sorunları giderir ve performansı optimize ederler.",[],{"_key":212,"_type":8,"children":213,"level":83,"listItem":84,"markDefs":218,"style":16},"cfc9eb5648d6",[214],{"_key":215,"_type":12,"marks":216,"text":217},"8afe8b83ed6f",[],"Veri analistleri karar almaya yardımcı olmak için ilgili birime veya kişilere raporlar oluşturur.",[],{"_key":220,"_type":8,"children":221,"level":83,"listItem":84,"markDefs":226,"style":16},"2b5c609a333f",[222],{"_key":223,"_type":12,"marks":224,"text":225},"919db16853dc",[],"Veri setlerini görselleştirerek önemli bilgileri ortaya çıkarmak.",[],{"_key":228,"_type":8,"children":229,"level":83,"listItem":84,"markDefs":234,"style":16},"957a45919ded",[230],{"_key":231,"_type":12,"marks":232,"text":233},"c9ee18829ed3",[],"Analiz sonuçlarını ilgililerle paylaşmak.",[],{"_key":236,"_type":8,"children":237,"markDefs":242,"style":186},"8bc48cd9566c",[238],{"_key":239,"_type":12,"marks":240,"text":241},"481d0185cd2d",[],"Veri Bilimci ve Veri Analistinin Farkı Nedir?",[],{"_key":244,"_type":8,"children":245,"markDefs":250,"style":16},"02c6c49ab0bf",[246],{"_key":247,"_type":12,"marks":248,"text":249},"adbdffb65259",[],"E-ticaret şirketinde çalışan bir veri bilimci ve bir veri analistini düşünelim. Bu iki kişi veri yönetimi süreçlerinde farklı roller üstlenirler",[],{"_key":252,"_type":8,"children":253,"markDefs":262,"style":16},"f8dc4feb40f1",[254,258],{"_key":255,"_type":12,"marks":256,"text":257},"fbaa092cfd3e",[77],"Veri Analisti",{"_key":259,"_type":12,"marks":260,"text":261},"4ff46d10eb51",[],", geçmiş verileri analiz ederek mevcut durumu anlamaya çalışır. Örneğin, hangi ürünlerin revaçta olduğunu, müşteri davranışlarını ve iade-satış oranlarını inceleyerek, “kampanyalarımızın sonucu ne oldu?” veya “Satışlar hangi dönemde arttı veya azaldı?” gibi sorulara yanıt verir. Analist, verileri toplar, temizler ve görselleştirir; sonrasında bu bilgileri raporlar. Örneğin, kısa ve uzun vadede verileri analiz ederek, ilgili birim ve kişilerin gelecekteki kampanya kararlarına ışık tutar. Analistler, geçmiş performansı değerlendirerek operasyonların iyileştirilmesine katkıda bulunur ve karar vericilerin daha sağlıklı kararlar vermesine yardımcı olur.",[],{"_key":264,"_type":8,"children":265,"markDefs":274,"style":16},"1118cb06e3fc",[266,270],{"_key":267,"_type":12,"marks":268,"text":269},"b55f1a1600e6",[77],"Veri Bilimcisi",{"_key":271,"_type":12,"marks":272,"text":273},"3cf19e30ee67",[]," ise, daha karmaşık analizler yaparak geleceğe yönelik öngörüler sunar. Örneğin, makine öğrenimi algoritmalarını kullanarak müşteri segmentasyonunu gerçekleştirir, satış tahminleri için zaman serisi analizi yapar ve tavsiye sistemleri geliştirir. Bu sistemlerle müşterilere kişiselleştirilmiş ürün önerileri sunulur, böylece satışlar artırılır.",[],{"_key":276,"_type":8,"children":277,"markDefs":286,"style":16},"2e6c7678f6d8",[278,282],{"_key":279,"_type":12,"marks":280,"text":281},"1919f98d2dcb",[77],"Veri bilimcisi",{"_key":283,"_type":12,"marks":284,"text":285},"0d3191abab48",[],", “Hangi müşteriler bir sonraki ay alışveriş yapacak?” veya “Hangi ürünler önerilirse sepet oranı artar?” gibi soruları yanıtlar. Aynı zamanda, model performansını artırmak için hiperparametre optimizasyonu yapar ve sonuçları şirket stratejilerine yön verecek şekilde raporlar. Bu, şirketin geleceğe dair daha isabetli kararlar almasını sağlar ve stratejik planlamaya doğrudan katkı yapar.",[],{"_key":288,"_type":8,"children":289,"markDefs":294,"style":16},"740de18818a3",[290],{"_key":291,"_type":12,"marks":292,"text":293},"ee57aa3f7cad",[],"Özetle, veri bilimcisi derin analiz ve modelleme yaparak yenilikçi çözümler sunar ve geleceği aydınlatır, veri analisti geçmişi aydınlatır veri toplama ve raporlama ile iş stratejilerine içgörü sağlar.",[],{"_key":296,"_type":8,"children":297,"markDefs":302,"style":16},"1e1a17154bdc",[298],{"_key":299,"_type":12,"marks":300,"text":301},"aa087532b492",[],"Veri bilimcisi ve veri analistinin farkını anladığımıza göre veri analizinin temellerini anlamaya geçebiliriz.",[],{"_key":304,"_type":8,"children":305,"markDefs":315,"style":318},"86a3833b376f",[306,310],{"_key":307,"_type":12,"marks":308,"text":309},"7cec7f7b1262",[],"ÖRNEK VERİ SETİNE ERİŞMEK İÇİN ",{"_key":311,"_type":12,"marks":312,"text":314},"dde7bd4be089",[313],"d92302b746e6","TIKLAYIN",[316],{"_key":313,"_type":60,"href":317},"https://www.kaggle.com/datasets/fehu94/sales-forecast-analysis-project","h4",{"_key":320,"_type":8,"children":321,"markDefs":326,"style":32},"da4ab4200c99",[322],{"_key":323,"_type":12,"marks":324,"text":325},"7c7a1fc2cc2f",[77],"Veri Türleri",[],{"_key":328,"_type":8,"children":329,"markDefs":349,"style":16},"d971e4f6dc19",[330,334,338,342,346],{"_key":331,"_type":12,"marks":332,"text":333},"0a8967d23d75",[],"Veri türleri, analiz yöntemlerini ve uygulanacak modellemeleri belirlemek için kritik bir role sahiptir. Veri analizine başlamadan önce, hangi türde veri ile çalıştığımızı anlamak önemlidir. Genel olarak veriler iki ana kategoriye ayrılır: ",{"_key":335,"_type":12,"marks":336,"text":337},"463304ac397c",[77],"Nitel (kategorik) veriler",{"_key":339,"_type":12,"marks":340,"text":341},"d9ebf0e6f475",[]," ve ",{"_key":343,"_type":12,"marks":344,"text":345},"4abeb832dd7a",[77],"Nicel (sayısal) veriler",{"_key":347,"_type":12,"marks":348,"text":57},"aaabee3fc80c",[],[],{"_key":351,"_type":8,"children":352,"markDefs":357,"style":186},"6f9f29dbabc0",[353],{"_key":354,"_type":12,"marks":355,"text":356},"5a57f9a8c39a",[],"1. Nitel (Kategorik) Veriler:",[],{"_key":359,"_type":8,"children":360,"markDefs":365,"style":16},"1af32220ecf3",[361],{"_key":362,"_type":12,"marks":363,"text":364},"96c92fbf8e52",[],"Bu veriler sayısal olmayan, sınıflandırmalar veya etiketler içeren verilerdir. Genellikle belirli bir sıralama ya da sayısal anlam taşımazlar.",[],{"_key":367,"_type":8,"children":368,"level":83,"listItem":84,"markDefs":377,"style":16},"69e0ef9c094f",[369,373],{"_key":370,"_type":12,"marks":371,"text":372},"5b5f46ac65fb",[77],"Nominal Veriler:",{"_key":374,"_type":12,"marks":375,"text":376},"0c9d0e835f22",[]," Kategoriler arasında sıralama veya sayısal fark yoktur. Örneğin: Cinsiyet (Erkek, Kadın), Renk (Kırmızı, Mavi, Yeşil).",[],{"_key":379,"_type":8,"children":380,"level":83,"listItem":84,"markDefs":389,"style":16},"55dccdb9cfc2",[381,385],{"_key":382,"_type":12,"marks":383,"text":384},"7e2b06584e55",[77],"Ordinal Veriler:",{"_key":386,"_type":12,"marks":387,"text":388},"3150c26e6fd8",[]," Kategoriler arasında sıralama vardır, ancak aralarındaki farklar ölçülemez. Örneğin: Eğitim seviyesi (Lise, Lisans, Yüksek Lisans), Memnuniyet seviyesi (Düşük, Orta, Yüksek).",[],{"_key":391,"_type":8,"children":392,"markDefs":397,"style":186},"e88e43784ce0",[393],{"_key":394,"_type":12,"marks":395,"text":396},"d2c74089fc74",[],"2. Nicel (Sayısal) Veriler:",[],{"_key":399,"_type":8,"children":400,"markDefs":405,"style":16},"915892b0ba50",[401],{"_key":402,"_type":12,"marks":403,"text":404},"58f614c038c0",[],"Bu veriler sayısal değerler içerir ve aritmetik işlemler yapılabilir. Nicel veriler daha ölçülebilir ve spesifik bilgileri ifade eder.",[],{"_key":407,"_type":8,"children":408,"level":83,"listItem":84,"markDefs":417,"style":16},"9c4b4049874b",[409,413],{"_key":410,"_type":12,"marks":411,"text":412},"476972aa61f8",[77],"Kesikli (Discrete) Veriler:",{"_key":414,"_type":12,"marks":415,"text":416},"9c04cdee9128",[]," Sayılabilir, tam sayı olarak ifade edilebilen verilerdir. Örneğin: Öğrenci sayısı, satılan ürün miktarı.",[],{"_key":419,"_type":8,"children":420,"level":83,"listItem":84,"markDefs":429,"style":16},"8fd31f5a31ad",[421,425],{"_key":422,"_type":12,"marks":423,"text":424},"893a3510ada6",[77],"Sürekli (Continuous) Veriler:",{"_key":426,"_type":12,"marks":427,"text":428},"552d37e206a3",[]," Belirli bir aralıkta sonsuz değer alabilen verilerdir. Örneğin: Ağırlık, boy, sıcaklık gibi ölçülebilir veriler.",[],{"_key":431,"_type":8,"children":432,"markDefs":437,"style":16},"b8f08f9913bc",[433],{"_key":434,"_type":12,"marks":435,"text":436},"5313e1bed682",[],"",[],{"_key":439,"_type":440,"code":441,"language":442},"0e5654c46418","code","import pandas as pd\n\n# Veri setini yükleyelim\ndf = pd.read_csv('House_Price_Prediction.csv')\n\n# Nitel ve Nicel veri türlerini ayıralım\ncategorical_columns = df.select_dtypes(include=['object']).columns\nnumerical_columns = df.select_dtypes(include=['int64', 'float64']).columns\n\nprint(\"Kategorik Sütunlar: \", categorical_columns)\nprint(\"Sayısal Sütunlar: \", numerical_columns)\n\n# Nitel verileri analiz etmek (örneğin kategorik verilerin benzersiz değerlerini görmek)\nfor col in categorical_columns:\n    print(f\"{col} sütununun benzersiz değerleri: {df[col].unique()}\")\n\n# Nicel verilerin özet istatistikleri\nprint(df[numerical_columns].describe())","python",{"_key":444,"_type":8,"children":445,"markDefs":450,"style":16},"30e34c050617",[446],{"_key":447,"_type":12,"marks":448,"text":449},"02dbb4a8d7a8",[],"\nHazır veri seti kullanmak yerine kendi verilerimizi tanımlayarak aynı analiz işlemlerini yapabiliriz",[],{"_key":452,"_type":8,"children":453,"markDefs":457,"style":16},"b31c4b8f7ab3",[454],{"_key":455,"_type":12,"marks":456,"text":436},"5df01c1794ad",[],[],{"_key":459,"_type":440,"code":460,"language":442},"12d7aa83c572","import pandas as pd\n\n# Örnek veri seti oluşturalım\ndata = {\n    'Cinsiyet': ['Erkek', 'Kadın', 'Kadın', 'Erkek', 'Kadın'],\n    'Eğitim Seviyesi': ['Lise', 'Lisans', 'Lisans', 'Yüksek Lisans', 'Lise'],\n    'Yaş': [25, 30, 22, 35, 28],\n    'Gelir': [3000, 4500, 3200, 5000, 4200]\n}\n\ndf = pd.DataFrame(data)\n\n# Nitel ve Nicel veri türlerini ayıralım\ncategorical_columns = df.select_dtypes(include=['object']).columns\nnumerical_columns = df.select_dtypes(include=['int64', 'float64']).columns\n\nprint(\"Kategorik Sütunlar: \", categorical_columns)\nprint(\"Sayısal Sütunlar: \", numerical_columns)\n\n# Nitel verileri analiz etmek (örneğin kategorik verilerin benzersiz değerlerini görmek)\nfor col in categorical_columns:\n    print(f\"{col} sütununun benzersiz değerleri: {df[col].unique()}\")\n\n# Nicel verilerin özet istatistikleri\nprint(df[numerical_columns].describe())",{"_key":462,"_type":8,"children":463,"markDefs":467,"style":16},"9451b06e585a",[464],{"_key":465,"_type":12,"marks":466,"text":436},"0cffe5449530",[],[],{"_key":469,"_type":8,"children":470,"markDefs":475,"style":32},"afe3a18da502",[471],{"_key":472,"_type":12,"marks":473,"text":474},"def6968e3be3",[],"Kesikli Veriler (Discrete Data) ve Sürekli Veriler (Continuous Data)",[],{"_key":477,"_type":18,"asset":478},"45928ef68e4a",{"_ref":479,"_type":21},"image-976cfc3aa7ed95dabd491c5d99a808d66374c30d-1600x1200-webp",{"_key":481,"_type":8,"children":482,"markDefs":487,"style":488},"66519b2eefc4",[483],{"_key":484,"_type":12,"marks":485,"text":486},"d65520e1d486",[],"Kesikli ve Düzenli Veri Farkı",[],"blockquote",{"_key":490,"_type":8,"children":491,"markDefs":495,"style":16},"be7b10557e40",[492],{"_key":493,"_type":12,"marks":494,"text":436},"ad3b5fe57da7",[],[],{"_key":497,"_type":8,"children":498,"markDefs":524,"style":16},"747441a4bd10",[499,503,507,512,516,520],{"_key":500,"_type":12,"marks":501,"text":502},"13838ec5a8b6",[77],"Ayrık veriler,",{"_key":504,"_type":12,"marks":505,"text":506},"4e7302173897",[]," Bu tür veriler genellikle sayılarla ifade edilir, istatistiklerde sayılabilir, bireyselleştirilmiş ve bölünemez rakamları ifade eder. Bu veri noktaları yalnızca belirli artışlarla mevcuttur. Veri analistleri ve istatistikçiler, ",{"_key":508,"_type":12,"marks":509,"text":511},"17d1122c27e4",[510,77],"ae9e0dcd6f43","çubuk grafikler, histogramlar",{"_key":513,"_type":12,"marks":514,"text":515},"a5a0e01e098b",[]," , çizgi grafikler ve pasta grafikler kullanarak ayrık verileri görselleştirir.\n\nAyrık veriler , sınırlı bir zaman diliminde sayabileceğiniz ",{"_key":517,"_type":12,"marks":518,"text":519},"ce50580b24d8",[77],"ayrık değişkenleri temsil eder. Buradaki temel özellik, bu değişkenlerin ölçülebilir yerine sayılabilir olmasıdır.",{"_key":521,"_type":12,"marks":522,"text":523},"f19e8f257e57",[]," Örneğin, sınıf mevcudu, müşteri sipariş sayısı veya bozuk ürün sayısı gibi değişkenler kesikli verilerdir.",[525],{"_key":510,"_type":60,"href":526},"https://www.g2.com/articles/histogram-vs-bar-graph",{"_key":528,"_type":8,"children":529,"level":83,"listItem":84,"markDefs":534,"style":16},"c4f565bd091e",[530],{"_key":531,"_type":12,"marks":532,"text":533},"1cc231bca6b5",[],"Ürün incelemelerinin sayısı",[],{"_key":536,"_type":8,"children":537,"level":83,"listItem":84,"markDefs":542,"style":16},"d6417c4352eb",[538],{"_key":539,"_type":12,"marks":540,"text":541},"3d441e013c49",[],"Bir günde satılan bilet sayısı",[],{"_key":544,"_type":8,"children":545,"level":83,"listItem":84,"markDefs":550,"style":16},"fd24a80f5898",[546],{"_key":547,"_type":12,"marks":548,"text":549},"74d7de99deba",[],"Sınıfınızdaki öğrenci sayısı",[],{"_key":552,"_type":8,"children":553,"level":83,"listItem":84,"markDefs":558,"style":16},"45ed4419aee0",[554],{"_key":555,"_type":12,"marks":556,"text":557},"a5e4506c736d",[],"Bir şirketteki çalışan sayısı",[],{"_key":560,"_type":8,"children":561,"level":83,"listItem":84,"markDefs":566,"style":16},"4ebb09252f3e",[562],{"_key":563,"_type":12,"marks":564,"text":565},"514ddd1d6084",[],"Her bölümdeki bilgisayar sayısı",[],{"_key":568,"_type":8,"children":569,"level":83,"listItem":84,"markDefs":574,"style":16},"7dc2a72fc2d1",[570],{"_key":571,"_type":12,"marks":572,"text":573},"45eefb5cbbf4",[],"Farklı ürünler satın alan müşteri sayısı",[],{"_key":576,"_type":8,"children":577,"markDefs":582,"style":318},"4e5103ffa592",[578],{"_key":579,"_type":12,"marks":580,"text":581},"5c8e499f0043",[],"Python Örneği (Kesikli Veri — Örnek Veri Seti)",[],{"_key":584,"_type":8,"children":585,"markDefs":589,"style":16},"b87c6fc92865",[586],{"_key":587,"_type":12,"marks":588,"text":436},"ae36a0c1b747",[],[],{"_key":591,"_type":440,"code":592,"language":442},"4e12cdace73d","import pandas as pd\n\n# Örnek veri seti oluştur\nveri = {'Cinsiyet': ['Erkek', 'Kadın', 'Erkek', 'Kadın', 'Erkek'],\n        'Yaş': [25, 30, 22, 35, 28],\n        'Eğitim Seviyesi': ['Lisans', 'Yüksek Lisans', 'Lise', 'Lisans', 'Lisans']}\n\ndf = pd.DataFrame(veri)\n\n# Kesikli değişkenlerin benzersiz değerleri ve frekansları\nkesikli_veriler = df['Eğitim Seviyesi'].value_counts()\nprint(kesikli_veriler)",{"_key":594,"_type":8,"children":595,"markDefs":600,"style":488},"10d96373ff85",[596],{"_key":597,"_type":12,"marks":598,"text":599},"a882cc1d54f4",[],"Çıktısı hemen aşağıdaki gibi olacaktır",[],{"_key":602,"_type":8,"children":603,"markDefs":607,"style":16},"c6caf59a6d69",[604],{"_key":605,"_type":12,"marks":606,"text":436},"ae1271cb1fc9",[],[],{"_key":609,"_type":440,"code":610},"54f2c9b8d000","Lisans           3\nYüksek Lisans    1\nLise             1\nName: Eğitim Seviyesi, dtype: int64",{"_key":612,"_type":8,"children":613,"markDefs":617,"style":16},"095a074406d9",[614],{"_key":615,"_type":12,"marks":616,"text":436},"8dbf52779b03",[],[],{"_key":619,"_type":8,"children":620,"markDefs":625,"style":186},"7e4624704860",[621],{"_key":622,"_type":12,"marks":623,"text":624},"9248229fa84b",[],"2. Sürekli Veriler (Continuous Data)",[],{"_key":627,"_type":8,"children":628,"markDefs":641,"style":16},"877c389388de",[629,633,637],{"_key":630,"_type":12,"marks":631,"text":632},"90784a99a6da",[],"Sürekli veriler tamamen doğrulukla ilgilidir. Bu nedenle, ",{"_key":634,"_type":12,"marks":635,"text":636},"aaa1e3a419dc",[77],"sürekli değişkenler",{"_key":638,"_type":12,"marks":639,"text":640},"893d457114b6",[]," genellikle ondalık noktalar taşır. Bu ondalık noktalar, iki tanımlanmış veri noktası arasında kesin bir ölçüm sunar.",[],{"_key":643,"_type":8,"children":644,"markDefs":649,"style":16},"2e072d13e9b4",[645],{"_key":646,"_type":12,"marks":647,"text":648},"092c6e467a8d",[],"Bu veriler genellikle ölçüm sonucu elde edilir ve çok ince düzeydeki farkları bile gösterebilir. Sürekli veriler arasında sayısal bir ilişki vardır ve aradaki her değeri içerebilirler. Örneğin, boy, ağırlık, sıcaklık gibi değişkenler sürekli veriler olarak kabul edilir. Örneğin:",[],{"_key":651,"_type":8,"children":652,"level":83,"listItem":84,"markDefs":657,"style":16},"dd58f3ac0443",[653],{"_key":654,"_type":12,"marks":655,"text":656},"8cc99e5955c1",[],"Bir kişinin boyu (175.3 cm, 180.2 cm gibi her değer olabilir).",[],{"_key":659,"_type":8,"children":660,"level":83,"listItem":84,"markDefs":665,"style":16},"2d779685a1df",[661],{"_key":662,"_type":12,"marks":663,"text":664},"4af879f53bc9",[],"Bir şehrin yıllık ortalama sıcaklığı (25.6°C, 26.2°C gibi).",[],{"_key":667,"_type":8,"children":668,"markDefs":673,"style":318},"8837df29b7d5",[669],{"_key":670,"_type":12,"marks":671,"text":672},"c7fc2f3a27c7",[],"Python Örneği (Sürekli Veri — House Price Prediction Dataset):",[],{"_key":675,"_type":8,"children":676,"markDefs":680,"style":16},"34d6fc6f0975",[677],{"_key":678,"_type":12,"marks":679,"text":436},"b3fbccb796bd",[],[],{"_key":682,"_type":440,"code":683,"language":442},"9f440e11cb9d","import pandas as pd\n\n# Veri setini yükleyelim\ndf = pd.read_csv(\"House_Price_Prediction.csv\")\n\n# Sürekli değişkenlerin istatistiksel analizi\nsürekli_veriler = df[['Area', 'Price', 'Rooms']].describe()\nprint(sürekli_veriler)",{"_key":685,"_type":8,"children":686,"markDefs":691,"style":488},"c479f2ac5361",[687],{"_key":688,"_type":12,"marks":689,"text":690},"8812dbed7574",[],"Çıktı aşağıdaki gibi olacaktır",[],{"_key":693,"_type":8,"children":694,"markDefs":698,"style":16},"2d8243436bf8",[695],{"_key":696,"_type":12,"marks":697,"text":436},"31d19b235b18",[],[],{"_key":700,"_type":440,"code":701},"67eeb0a75513","           Area          Price        Rooms\ncount   1000.000000   1000.000000  1000.000000\nmean    1500.000000  250000.000000     7.500000\nstd      300.000000   50000.000000     1.500000\nmin     1000.000000  150000.000000     5.000000\n25%     1300.000000  220000.000000     6.000000\n50%     1500.000000  250000.000000     7.000000\n75%     1700.000000  280000.000000     9.000000\nmax     2000.000000  350000.000000    10.000000",{"_key":703,"_type":8,"children":704,"markDefs":709,"style":318},"448583b4fd9f",[705],{"_key":706,"_type":12,"marks":707,"text":708},"bf1a2fd033f5",[],"Sürekli ve Kesikli Verileri Daha İyi Anlamak İçin Karşılaştırma Tablosu",[],{"_key":711,"_type":18,"asset":712},"8c14a3cb7fd7",{"_ref":713,"_type":21},"image-06f93d7900900d5ef2d83052a0e5ee18ff6e03a4-1600x1200-webp",{"_key":715,"_type":8,"children":716,"markDefs":721,"style":32},"3cf5a7d9fd86",[717],{"_key":718,"_type":12,"marks":719,"text":720},"690d86f88521",[77],"Pandas, NumPy Gibi Temel Kütüphanelerin Örneklerle Kullanımı",[],{"_key":723,"_type":8,"children":724,"markDefs":744,"style":16},"deb6a317d7cc",[725,729,733,736,740],{"_key":726,"_type":12,"marks":727,"text":728},"a31f4c3c8f23",[],"Veri bilimi ile çalışırken, veriyi işlemek, analiz etmek ve anlamlandırmak için Python’da yaygın olarak kullanılan iki temel kütüphane vardır: ",{"_key":730,"_type":12,"marks":731,"text":732},"467d0528287d",[77],"Pandas",{"_key":734,"_type":12,"marks":735,"text":341},"37f868bd20dc",[],{"_key":737,"_type":12,"marks":738,"text":739},"1a09ed0f4942",[77],"NumPy",{"_key":741,"_type":12,"marks":742,"text":743},"786a616c71e2",[],". Bu kütüphaneler, veri manipülasyonu ve analiz süreçlerini oldukça kolaylaştırır ve veri bilimciler ile veri analistlerinin işlerini hızlandırır.",[],{"_key":746,"_type":8,"children":747,"markDefs":751,"style":186},"b7904b3971bc",[748],{"_key":749,"_type":12,"marks":750,"text":732},"0143bbe7da8b",[],[],{"_key":753,"_type":8,"children":754,"markDefs":762,"style":16},"7db7fede8754",[755,758],{"_key":756,"_type":12,"marks":757,"text":732},"9abaf1146fca",[77],{"_key":759,"_type":12,"marks":760,"text":761},"7a51690252bc",[],", veri analizi ve veri manipülasyonu için kullanılan en güçlü kütüphanelerden biridir. Tablo şeklinde verileri (DataFrame) işlemek, düzenlemek, filtrelemek ve analiz etmek için çeşitli fonksiyonlar sunar. Pandas, özellikle CSV, Excel gibi dosyalardan veri okuma ve bu verileri analiz etme süreçlerini basitleştirir.",[],{"_key":764,"_type":8,"children":765,"markDefs":770,"style":186},"cd06fc0e4d79",[766],{"_key":767,"_type":12,"marks":768,"text":769},"3c4389f90ab7",[],"Pandas’ın Temel Özellikleri:",[],{"_key":772,"_type":8,"children":773,"level":83,"listItem":84,"markDefs":782,"style":16},"303c1551dd5a",[774,778],{"_key":775,"_type":12,"marks":776,"text":777},"d5c18fcb72b5",[77],"DataFrame ve Series",{"_key":779,"_type":12,"marks":780,"text":781},"58688c18c5c9",[],": Pandas’ta veriler genellikle DataFrame ve Series yapılarında saklanır. DataFrame, iki boyutlu bir veri yapısıdır (satırlar ve sütunlar), Series ise tek boyutlu bir veri yapısıdır.",[],{"_key":784,"_type":8,"children":785,"level":83,"listItem":84,"markDefs":794,"style":16},"20b15bb670c5",[786,790],{"_key":787,"_type":12,"marks":788,"text":789},"05faf1ba6182",[77],"Veri Manipülasyonu",{"_key":791,"_type":12,"marks":792,"text":793},"4383899ad4c2",[],": Verileri filtreleyebilir, birleştirebilir, sütunlar üzerinde işlemler yapabilir ve eksik verileri doldurabilirsiniz.",[],{"_key":796,"_type":8,"children":797,"level":83,"listItem":84,"markDefs":806,"style":16},"9b4235602337",[798,802],{"_key":799,"_type":12,"marks":800,"text":801},"243a9462ef84",[77],"Dosya Okuma ve Yazma",{"_key":803,"_type":12,"marks":804,"text":805},"53757a764f02",[],": CSV, Excel gibi formatlardaki dosyaları kolayca okuyabilir ve işleyebilirsiniz.",[],{"_key":808,"_type":8,"children":809,"markDefs":814,"style":318},"06b3aba6dbde",[810],{"_key":811,"_type":12,"marks":812,"text":813},"65863d027c3f",[],"Pandas Kütüphanesi Örnek Kullanımı:",[],{"_key":816,"_type":440,"code":817,"language":442},"6dbb908ca7fe","import pandas as pd\n\n# CSV dosyasını okuma\ndf = pd.read_csv('House_Price_Prediction.csv')\n\n# İlk 5 satırı görüntüleme\nprint(df.head())\n\n# Veri hakkında genel bilgi\nprint(df.info())\n\n# Sütun bazında istatistiksel özet\nprint(df.describe())",{"_key":819,"_type":8,"children":820,"markDefs":825,"style":488},"465fc6b41c4f",[821],{"_key":822,"_type":12,"marks":823,"text":824},"5ddec753a581",[],"Aşağıdaki gibi bir çıktı gelecektir",[],{"_key":827,"_type":440,"code":828},"200b3ec7ffff","   Area  Bedrooms  Price\n0  2600         3  550000\n1  3000         4  565000\n2  3200         4  610000\n3  3600         3  595000\n4  4000         5  760000\n\n\u003Cclass 'pandas.core.frame.DataFrame'>\nRangeIndex: 500 entries, 0 to 499\nData columns (total 3 columns):\n #   Column    Non-Null Count  Dtype\n---  ------    --------------  -----\n 0   Area      500 non-null    int64\n 1   Bedrooms  500 non-null    int64\n 2   Price     500 non-null    int64\ndtypes: int64(3)\nmemory usage: 11.8 KB",{"_key":830,"_type":8,"children":831,"markDefs":835,"style":318},"7b95c338e8c2",[832],{"_key":833,"_type":12,"marks":834,"text":739},"a7b5982dd066",[],[],{"_key":837,"_type":8,"children":838,"markDefs":846,"style":16},"95d97371d3c8",[839,842],{"_key":840,"_type":12,"marks":841,"text":739},"aaa386872ed9",[77],{"_key":843,"_type":12,"marks":844,"text":845},"4ea42002fc6a",[],", sayısal hesaplamalar için kullanılan bir kütüphanedir ve özellikle çok boyutlu diziler (array) ile çalışmayı kolaylaştırır. NumPy, büyük veri setleri üzerinde hızlı matematiksel işlemler yapabilmenizi sağlar ve Pandas gibi kütüphaneler de arka planda NumPy dizilerini kullanır.",[],{"_key":848,"_type":8,"children":849,"markDefs":854,"style":318},"0f0b86e42860",[850],{"_key":851,"_type":12,"marks":852,"text":853},"61c187af28b5",[],"NumPy’nin Temel Özellikleri:",[],{"_key":856,"_type":8,"children":857,"level":83,"listItem":84,"markDefs":866,"style":16},"8c86cd4cae26",[858,862],{"_key":859,"_type":12,"marks":860,"text":861},"08dfac7e39e7",[77],"N-Dimensional Arrays",{"_key":863,"_type":12,"marks":864,"text":865},"8126daf9b5ee",[],": NumPy, N-boyutlu diziler (array) üzerinde çalışır ve bu dizilerle hızlı hesaplamalar yapmanızı sağlar.",[],{"_key":868,"_type":8,"children":869,"level":83,"listItem":84,"markDefs":878,"style":16},"b5a6b592768f",[870,874],{"_key":871,"_type":12,"marks":872,"text":873},"b4d544b78784",[77],"Matematiksel Fonksiyonlar",{"_key":875,"_type":12,"marks":876,"text":877},"9cbe367369c7",[],": NumPy, matris işlemleri, istatistiksel hesaplamalar gibi matematiksel fonksiyonlar sunar.",[],{"_key":880,"_type":8,"children":881,"level":83,"listItem":84,"markDefs":890,"style":16},"39e88e90307c",[882,886],{"_key":883,"_type":12,"marks":884,"text":885},"07580ff163f9",[77],"Hız ve Performans",{"_key":887,"_type":12,"marks":888,"text":889},"533befab8c7f",[],": NumPy, Python’un yerleşik listelerine göre çok daha hızlıdır çünkü veri tiplerini homojen olarak tutar ve işlem gücünü optimize eder.",[],{"_key":892,"_type":8,"children":893,"markDefs":898,"style":318},"a0d4941f5030",[894],{"_key":895,"_type":12,"marks":896,"text":897},"a03f16208e00",[],"NumPy Kütüphanesi Örnek Kullanımı:",[],{"_key":900,"_type":440,"code":901,"language":442},"9ead0712946f","import numpy as np\n\n# NumPy dizisi oluşturma\narr = np.array([1, 2, 3, 4, 5])\n\n# Dizi elemanlarına 2 ekleme\narr = arr + 2\n\n# 2x2 bir matris oluşturma\nmatris = np.array([[1, 2], [3, 4]])\n\n# Matris çarpımı\nmatris2 = np.array([[5, 6], [7, 8]])\nsonuc = np.dot(matris, matris2)\n\nprint(sonuc)",{"_key":903,"_type":8,"children":904,"markDefs":907,"style":488},"b91f867a7ae4",[905],{"_key":822,"_type":12,"marks":906,"text":824},[],[],{"_key":909,"_type":440,"code":910},"ac52ac516644","[[19 22]\n [43 50]]",{"_key":912,"_type":8,"children":913,"markDefs":917,"style":16},"02089d594b2c",[914],{"_key":915,"_type":12,"marks":916,"text":436},"253041f77f45",[],[],{"_key":919,"_type":8,"children":920,"markDefs":925,"style":318},"683df061d755",[921],{"_key":922,"_type":12,"marks":923,"text":924},"e852215527ad",[],"Pandas ve NumPy’nin Birlikte Kullanımı",[],{"_key":927,"_type":8,"children":928,"markDefs":933,"style":16},"b70488e74b1a",[929],{"_key":930,"_type":12,"marks":931,"text":932},"7a05a9fe9103",[],"Veri bilimi ve veri analizinde genellikle Pandas ve NumPy birlikte kullanılır. Pandas, veri manipülasyonu için kullanılırken, NumPy, sayısal hesaplamalar ve veri manipülasyonunda performans artışı sağlar.",[],{"_key":935,"_type":8,"children":936,"markDefs":941,"style":318},"d162c28c3ea0",[937],{"_key":938,"_type":12,"marks":939,"text":940},"93b0beb60545",[],"Örnek: Pandas ve NumPy ile Veri İşleme",[],{"_key":943,"_type":440,"code":944,"language":442},"47e6e99cd8dd","import pandas as pd\nimport numpy as np\n\n# Veri okuma\ndf = pd.read_csv('House_Price_Prediction.csv')\n\n# Eksik verilerin doldurulması\ndf['Price'].fillna(np.mean(df['Price']), inplace=True)\n\n# NumPy ile sütunlara matematiksel işlemler uygulama\ndf['Price_Adjusted'] = np.log(df['Price'])\n\nprint(df.head())",{"_key":946,"_type":440,"code":947},"2ff48a72ec7b","   Area  Bedrooms  Price  Price_Adjusted\n0  2600         3  550000       13.21546\n1  3000         4  565000       13.24103\n2  3200         4  610000       13.32374\n3  3600         3  595000       13.29270\n4  4000         5  760000       13.54284",{"_key":949,"_type":8,"children":950,"markDefs":965,"style":16},"107abee16a5f",[951,955,958,961],{"_key":952,"_type":12,"marks":953,"text":954},"5a5fed52d1c3",[77],"Özetle Pandas",{"_key":956,"_type":12,"marks":957,"text":341},"2fa01bd83022",[],{"_key":959,"_type":12,"marks":960,"text":739},"106b76419a94",[77],{"_key":962,"_type":12,"marks":963,"text":964},"78db4b33bb1e",[],", veri bilimcilerin ve analistlerin işlerini hızlandıran ve kolaylaştıran en önemli kütüphanelerdir. Pandas, verileri işleyip analiz etmeye yönelik güçlü araçlar sunarken, NumPy performanslı matematiksel işlemler sağlar.",[],[967],"Veri",{"_type":18,"asset":969},{"_ref":970,"_type":21},"image-8959f008990f583e0315edba8caaf83b1e2af108-2400x1260-webp","2026-01-02T17:04:06.717Z",[973],{"categories":974,"mainImage":975,"publishedAt":978,"slug":979,"title":982},[967],{"_type":18,"asset":976},{"_ref":977,"_type":21},"image-a34bef96cbc9de1b9ecd3e8d5d6ae9cc80abcd60-2400x1260-webp","2026-01-02T18:25:21.411Z",{"_type":980,"current":981},"slug","veri-analizi-bolum-2-veri-hazirlama-ve-temizleme-teknikleri","Veri Analizi Bölüm 2 | Veri Hazırlama Ve Temizleme Teknikleri","Veri Analizi Bölüm 1 | Giriş ve Temel Kavramlar",1776095187714]