[{"data":1,"prerenderedAt":1287},["ShallowReactive",2],{"sanity-lo8tjg":3},{"author":4,"body":23,"categories":1269,"mainImage":1271,"publishedAt":1274,"related":1275,"title":1286},{"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",[24,38,46,62,71,79,91,103,115,127,136,145,153,158,167,175,178,181,187,194,197,200,206,213,216,219,225,228,231,237,244,247,250,256,263,265,268,274,281,284,291,299,307,315,323,332,344,352,360,374,386,394,401,404,410,417,421,429,437,445,457,469,481,493,504,512,520,544,552,560,568,576,593,609,617,633,641,653,661,687,712,740,748,756,764,772,780,788,796,804,811,819,827,834,837,844,851,854,866,903,914,945,956,987,998,1028,1039,1047,1055,1067,1075,1087,1095,1107,1115,1127,1135,1143,1151,1163,1171,1179,1187,1195,1203,1211,1223,1235,1247,1255,1262],{"_key":25,"_type":8,"children":26,"markDefs":36,"style":37},"23f57e6d27ff",[27,31],{"_key":28,"_type":12,"marks":29,"text":30},"215aadcc0704",[],"Veri Analizi Bölüm 2 | ",{"_key":32,"_type":12,"marks":33,"text":35},"578cda38edf0",[34],"strong","Veri Hazırlama Ve Temizleme Teknikleri",[],"h1",{"_key":39,"_type":8,"children":40,"markDefs":45,"style":16},"e3ad71a6491c",[41],{"_key":42,"_type":12,"marks":43,"text":44},"4d4b9da71eb8",[],"\nEksik Veri Yönetimi Nedir?",[],{"_key":47,"_type":8,"children":48,"markDefs":61,"style":16},"86bbe07fb826",[49,53,57],{"_key":50,"_type":12,"marks":51,"text":52},"ce7321ec1a88",[],"Veri analizi ve makine öğrenimi süreçlerinde karşılaşılan en yaygın problemlerden biri, eksik verilerdir. ",{"_key":54,"_type":12,"marks":55,"text":56},"844d3042d044",[34],"Eksik veri",{"_key":58,"_type":12,"marks":59,"text":60},"e287e65232a4",[],", bir veri setinde belirli gözlemler için mevcut olmayan veya boş bırakılan değerleri ifade eder. Örneğin, bir öğrenci anketinde bazı sorulara cevap verilmemişse, bu durum eksik veri olarak değerlendirilir.",[],{"_key":63,"_type":8,"children":64,"markDefs":69,"style":70},"b7f0d1bb0a79",[65],{"_key":66,"_type":12,"marks":67,"text":68},"4054a11277fb",[],"Neden Eksik Verilerle Karşılaşırız?",[],"h2",{"_key":72,"_type":8,"children":73,"markDefs":78,"style":16},"6f6a2da9cc1b",[74],{"_key":75,"_type":12,"marks":76,"text":77},"d4f8ba35ab63",[],"Eksik verilerin oluşmasının çeşitli nedenleri vardır:",[],{"_key":80,"_type":8,"children":81,"markDefs":90,"style":16},"918e7728575e",[82,86],{"_key":83,"_type":12,"marks":84,"text":85},"e09565abf5ab",[34],"İnsan Hatası",{"_key":87,"_type":12,"marks":88,"text":89},"3d44b05d0c79",[],": Veri toplama sürecinde, katılımcıların bazı soruları atlaması ya da yanlışlıkla boş bırakması sonucunda eksik veriler oluşabilir.",[],{"_key":92,"_type":8,"children":93,"markDefs":102,"style":16},"1f33e918a956",[94,98],{"_key":95,"_type":12,"marks":96,"text":97},"73d788c86679",[34],"Teknik Sorunlar",{"_key":99,"_type":12,"marks":100,"text":101},"0ec45e4e725b",[],": Veri toplama araçlarının arızalanması veya iletişim kesintileri gibi teknik problemler de eksik verilere yol açabilir.",[],{"_key":104,"_type":8,"children":105,"markDefs":114,"style":16},"6ec17678bb21",[106,110],{"_key":107,"_type":12,"marks":108,"text":109},"c50e8829208c",[34],"Anket Tasarımı",{"_key":111,"_type":12,"marks":112,"text":113},"deab40e38084",[],": Bazı anketlerde, belirli soruların yalnızca bazı katılımcılara yönlendirilmesi durumunda, o sorular için eksik veriler oluşabilir.",[],{"_key":116,"_type":8,"children":117,"markDefs":126,"style":16},"e63fd27aec51",[118,122],{"_key":119,"_type":12,"marks":120,"text":121},"4b0ed5c8ad43",[34],"Zamanla Değişim",{"_key":123,"_type":12,"marks":124,"text":125},"c33cac6b01fa",[],": Zaman içinde değişen koşullar, belirli verilerin artık geçerli olmamasına neden olabilir.",[],{"_key":128,"_type":8,"children":129,"markDefs":134,"style":135},"8d3bf44b5fa6",[130],{"_key":131,"_type":12,"marks":132,"text":133},"6d820882059c",[34],"ÖRNEK VERİ KÜMESİNE ULAŞMAK İÇİN TIKLAYIN",[],"h4",{"_key":137,"_type":8,"children":138,"markDefs":143,"style":144},"c0dc38249f93",[139],{"_key":140,"_type":12,"marks":141,"text":142},"1e60cd4cd896",[],"Kodlarla Eksik Veri Tespit Etme ve Yönetme Yöntemleri Konularını Pekiştirelim",[],"h5",{"_key":146,"_type":8,"children":147,"markDefs":152,"style":144},"9f2f5bec696e",[148],{"_key":149,"_type":12,"marks":150,"text":151},"2007dbaae7a1",[],"Silme, Doldurma, İnterpolasyon Konularını İrdeleyelim",[],{"_key":154,"_type":155,"code":156,"language":157},"1d7b625e9a9d","code","import pandas as pd # Pandas kütüphanesini 'pd' kısaltmasıyla kullanmak için içe aktarıyoruz\nimport numpy as np # numpy Kütüphanesini içe aktarıyoruz\n# Veriyi okuyalım\ndata = pd.read_csv('Buraya Dataset Konumunuzu Giriniz')\n\n# Yukarıdaki satırda, pandas'ın 'read_csv' fonksiyonu kullanılarak CSV formatındaki veri dosyası okunuyor\n# 'data' değişkeni, bu CSV dosyasındaki tüm veriyi pandas DataFrame formatında saklıyor\n\n# İlk birkaç satıra göz atalım\nprint(data.head()) \n# 'data.head()' fonksiyonu, verinin ilk 5 satırını ekrana yazdırıyor\n# Bu, veri setindeki başlıkları ve bazı örnek satırları hızlıca gözden geçirmek için kullanışlı\n\n# Verinin genel yapısını kontrol edelim\nprint(data.info()) \n# 'data.info()' fonksiyonu, veri setindeki sütunların isimleri, sütunlardaki veri tipleri\n# ve her bir sütunda kaç tane eksik veri olup olmadığını özetleyen bir çıktı verir\n# Bu, veri setinin genel yapısı hakkında hızlı bir bilgi sağlar","python",{"_key":159,"_type":8,"children":160,"markDefs":165,"style":166},"ff1b22278591",[161],{"_key":162,"_type":12,"marks":163,"text":164},"429185abc802",[],"Aşağıdaki gibi bir çıktı gelecektir",[],"blockquote",{"_key":168,"_type":8,"children":169,"markDefs":174,"style":16},"aeeed0594d5b",[170],{"_key":171,"_type":12,"marks":172,"text":173},"0967514fd0e7",[],"",[],{"_key":176,"_type":155,"code":177},"b58b719e0faa"," Hours_Studied Attendance Parental_Involvement Access_to_Resources \\\n0 23 84 Low High \n1 19 64 Low Medium \n2 24 98 Medium Medium \n3 29 89 Low Medium \n4 19 92 Medium Medium \n\n Extracurricular_Activities Sleep_Hours Previous_Scores Motivation_Level \\\n0 No 7 73 Low \n1 No 8 59 Low \n2 Yes 7 91 Medium \n3 Yes 8 98 Medium \n4 Yes 6 65 Medium \n\n Internet_Access Tutoring_Sessions Family_Income Teacher_Quality \\\n0 Yes 0 Low Medium \n1 Yes 2 Medium Medium \n2 Yes 2 Medium Medium \n3 Yes 1 Medium Medium \n4 Yes 3 Medium High \n\n School_Type Peer_Influence Physical_Activity Learning_Disabilities \\\n0 Public Positive 3 No \n1 Public Negative 4 No \n2 Public Neutral 4 No \n3 Public Negative 4 No \n4 Public Neutral 4 No \n\n Parental_Education_Level Distance_from_Home Gender Exam_Score \n0 High School Near Male 67 \n1 College Moderate Female 61 \n2 Postgraduate Near Male 74 \n3 High School Moderate Male 71 \n4 College Near Female 70 \n\u003Cclass 'pandas.core.frame.DataFrame'>\nRangeIndex: 6607 entries, 0 to 6606\nData columns (total 20 columns):",{"_key":179,"_type":155,"code":180,"language":157},"dc1c38c18ffd","# Eksik verilerin kontrol edilmesi\nmissing_data = data.isnull().sum() \n# 'isnull()' fonksiyonu her bir hücrede eksik (NaN) veri olup olmadığını kontrol eder.\n# 'sum()' fonksiyonu ise her bir sütunda kaç tane eksik veri olduğunu sayar.\n# Sonuç olarak, her sütundaki eksik değerlerin sayısını gösteren bir pandas Series elde edilir.\n\nprint(missing_data[missing_data > 0]) \n# Sadece eksik veri içeren sütunları ekrana yazdırıyoruz.\n# 'missing_data > 0' ifadesi, sadece eksik veri sayısı 0'dan büyük olan sütunları filtreler.\n# Bu sayede, eksik veri bulunan sütunlar ve bu sütunlardaki eksik veri miktarları gösterilir.",{"_key":182,"_type":8,"children":183,"markDefs":186,"style":166},"ae28a22cea7b",[184],{"_key":162,"_type":12,"marks":185,"text":164},[],[],{"_key":188,"_type":8,"children":189,"markDefs":193,"style":16},"82391055a9a3",[190],{"_key":191,"_type":12,"marks":192,"text":173},"c844690fe3df",[],[],{"_key":195,"_type":155,"code":196},"56f7823978ee","Teacher_Quality 78\nParental_Education_Level 90\nDistance_from_Home 67\ndtype: int64",{"_key":198,"_type":155,"code":199,"language":157},"f0203dd20074","# Teacher_Quality sütunundaki veri tiplerini kontrol edelim\nprint(data['Teacher_Quality'].dtype)\n# 'dtype' özelliği, belirtilen sütundaki verilerin türünü döndürür.\n# Bu satırda 'Teacher_Quality' sütunundaki verilerin tipini (örneğin int, float, object) kontrol ediyoruz.\n\n# Sayısal olmayan değerleri kontrol edelim\nnon_numeric_values = data[~data['Teacher_Quality'].apply(lambda x: str(x).replace('.', '', 1).isdigit())]\n# İlk olarak, 'apply' fonksiyonu kullanarak her bir değeri kontrol ediyoruz.\n# 'str(x).replace('.', '', 1)' ifadesi, sayısal değerlere izin verirken, ondalık sayıların kontrol edilmesini sağlar.\n# 'isdigit()' fonksiyonu, verinin tamamen sayılardan oluşup oluşmadığını kontrol eder.\n# '~' işareti, mantıksal NOT operatörüdür. Yani, sayısal olmayan değerler seçilir.\n\n# Sayısal olmayan 'Teacher_Quality' sütunundaki değerleri yazdıralım\nprint(non_numeric_values['Teacher_Quality'])\n# Yukarıda filtrelenen sayısal olmayan değerleri içeren satırları ekrana yazdırıyoruz.",{"_key":201,"_type":8,"children":202,"markDefs":205,"style":166},"09d5ca185532",[203],{"_key":162,"_type":12,"marks":204,"text":164},[],[],{"_key":207,"_type":8,"children":208,"markDefs":212,"style":16},"96bbe192e510",[209],{"_key":210,"_type":12,"marks":211,"text":173},"67e0481405c2",[],[],{"_key":214,"_type":155,"code":215},"3191cf30cd40","object\n0 Medium\n1 Medium\n2 Medium\n3 Medium\n4 High\n ... \n6602 Medium\n6603 High\n6604 Medium\n6605 Medium\n6606 Medium\nName: Teacher_Quality, Length: 6607, dtype: object",{"_key":217,"_type":155,"code":218,"language":157},"d300c8b982f5","# Teacher_Quality kategorilerini sayısal değerlere dönüştürelim\nquality_mapping = {'Low': 1, 'Medium': 2, 'High': 3}\n# 'Teacher_Quality' sütunundaki kategorik değerleri sayısal değerlere eşliyoruz:\n# 'Low' -> 1, 'Medium' -> 2, 'High' -> 3\n\ndata['Teacher_Quality'] = data['Teacher_Quality'].map(quality_mapping)\n# 'map' fonksiyonu, belirtilen sözlük ('quality_mapping') kullanılarak her bir kategoriyi sayısal değere dönüştürür.\n# 'Teacher_Quality' sütunundaki her bir 'Low', 'Medium' ve 'High' değeri, sırasıyla 1, 2 ve 3 olarak değiştirilir.\n\n# Dönüştürülmüş veriyi kontrol edelim\nprint(data['Teacher_Quality'].head())\n# Dönüştürülmüş 'Teacher_Quality' sütununun ilk 5 satırını ekrana yazdırıyoruz.\n# Bu, kategorik değerlerin sayısal değerlere doğru dönüştürülüp dönüştürülmediğini hızlıca kontrol etmek için kullanılır.",{"_key":220,"_type":8,"children":221,"markDefs":224,"style":166},"0a79b3a0c08d",[222],{"_key":162,"_type":12,"marks":223,"text":164},[],[],{"_key":226,"_type":155,"code":227},"24cf91cd2004","0 2.0\n1 2.0\n2 2.0\n3 2.0\n4 3.0\nName: Teacher_Quality, dtype: float64",{"_key":229,"_type":155,"code":230,"language":157},"99859cc8ae8a","# Orijinal Teacher_Quality sütununu tekrar kontrol edelim\nprint(data['Teacher_Quality'].head(10))\n# İlk 10 satırdaki 'Teacher_Quality' sütununun şu anki halini ekrana yazdırıyoruz.\n# Eğer kategorik değerler sayısal değerlere dönüştürüldüyse, bu aşamada sayısal sonuçlar görmeliyiz.\n\n# Veri setini yeniden okuyarak orijinal veriyi geri getirelim\ndata = pd.read_csv('/kaggle/input/student-performance-factors/StudentPerformanceFactors.csv')\n# CSV dosyasını yeniden okuyoruz, böylece orijinal 'Teacher_Quality' sütunu tekrar kategorik değerlerle gelir.\n# Önceden yapılan değişiklikleri sıfırlamış oluyoruz.\n\n# Orijinal Teacher_Quality sütunundaki benzersiz (unique) değerleri kontrol edelim\nprint(data['Teacher_Quality'].unique())\n# 'unique()' fonksiyonu, 'Teacher_Quality' sütunundaki tüm benzersiz kategorik değerleri gösterir.\n# Bu sayede bu sütunda hangi kategorilerin olduğunu görebiliriz (örneğin 'Low', 'Medium', 'High').",{"_key":232,"_type":8,"children":233,"markDefs":236,"style":166},"4e46ff0d117c",[234],{"_key":162,"_type":12,"marks":235,"text":164},[],[],{"_key":238,"_type":8,"children":239,"markDefs":243,"style":16},"5c1856c8f7c1",[240],{"_key":241,"_type":12,"marks":242,"text":173},"a1ef02bba210",[],[],{"_key":245,"_type":155,"code":246},"fd90b31ee3fe","0 2.0\n1 2.0\n2 2.0\n3 2.0\n4 3.0\n5 2.0\n6 2.0\n7 3.0\n8 1.0\n9 3.0\nName: Teacher_Quality, dtype: float64\n['Medium' 'High' 'Low' nan]",{"_key":248,"_type":155,"code":249,"language":157},"95d53e6f128b","# Teacher_Quality kategorilerini sayısal değerlere dönüştürelim\nquality_mapping = {'Low': 1, 'Medium': 2, 'High': 3}\n# 'Teacher_Quality' sütunundaki kategorik değerleri sayısal değerlere eşliyoruz.\n# 'Low' -> 1, 'Medium' -> 2, 'High' -> 3 şeklinde bir sözlük (mapping) oluşturuyoruz.\n\ndata['Teacher_Quality'] = data['Teacher_Quality'].map(quality_mapping)\n# 'map' fonksiyonu, 'Teacher_Quality' sütunundaki her bir kategorik değeri, yukarıda tanımladığımız\n# sayısal karşılıklara dönüştürüyor.\n\n# Dönüştürülmüş veriyi kontrol edelim\nprint(data['Teacher_Quality'].head())\n# Dönüştürülmüş 'Teacher_Quality' sütununun ilk 5 satırını ekrana yazdırıyoruz.\n# Bu, kategorik değerlerin doğru bir şekilde sayısal değerlere dönüştürülüp dönüştürülmediğini kontrol etmek için kullanılır.",{"_key":251,"_type":8,"children":252,"markDefs":255,"style":166},"7ed6578d59db",[253],{"_key":162,"_type":12,"marks":254,"text":164},[],[],{"_key":257,"_type":8,"children":258,"markDefs":262,"style":16},"026463b48b08",[259],{"_key":260,"_type":12,"marks":261,"text":173},"0a33bc97b71d",[],[],{"_key":264,"_type":155,"code":227},"847ffe08332b",{"_key":266,"_type":155,"code":267,"language":157},"33c3e0e7d433","# Parental_Education_Level sütunundaki eksik verileri mod ile dolduralım\ndata['Parental_Education_Level'] = data['Parental_Education_Level'].fillna(data['Parental_Education_Level'].mode()[0])\n# 'Parental_Education_Level' sütunundaki eksik veriler, en sık görülen değer (mod) ile dolduruluyor.\n\n# Teacher_Quality sütunundaki eksik verileri doldurmadan önce, sütunda eksik olmayan (geçerli) verilerin olup olmadığını kontrol edelim\nif data['Teacher_Quality'].notnull().sum() > 0:\n # Eğer sütun tamamen boş değilse, mod (en sık görülen değer) ile doldur\n data['Teacher_Quality'] = data['Teacher_Quality'].fillna(data['Teacher_Quality'].mode()[0])\nelse:\n # Eğer sütun tamamen boşsa, varsayılan bir değer olan 'Medium' (sayı karşılığı 2) ile doldur\n data['Teacher_Quality'] = data['Teacher_Quality'].fillna(2) # 2: 'Medium' kategorisinin sayısal karşılığı\n\n# Kategorik verileri sayısal değerlere dönüştürelim (Distance_from_Home)\ndata['Distance_from_Home'] = data['Distance_from_Home'].map({\n 'Near': 1, # Yakın mesafe için 1\n 'Moderate': 2, # Orta mesafe için 2\n 'Far': 3, # Uzak mesafe için 3\n 'Unknown': 0 # Bilinmeyen mesafe için 0 atanıyor\n})\n# 'Distance_from_Home' sütunundaki kategorik değerler sayısal değerlere dönüştürülüyor.\n\n# Distance_from_Home sütunundaki eksik verileri \"Moderate\" (sayı karşılığı 2) ile dolduralım\ndata['Distance_from_Home'] = data['Distance_from_Home'].fillna(2)\n# 'Distance_from_Home' sütunundaki eksik veriler, orta mesafe ('Moderate') değeriyle dolduruluyor.\n\n# Doluluk oranlarını kontrol edelim\nteacher_fill_rate = data['Teacher_Quality'].notnull().mean() * 100\ndistance_fill_rate = data['Distance_from_Home'].notnull().mean() * 100\n# Doluluk oranları hesaplanarak yüzdeye çevriliyor. 'notnull()' eksik olmayan verileri kontrol eder.\n\nprint(f\"Teacher_Quality sütununun doluluk oranı: %{teacher_fill_rate:.2f}\")\nprint(f\"Distance_from_Home sütununun doluluk oranı: %{distance_fill_rate:.2f}\")\n# 'Teacher_Quality' ve 'Distance_from_Home' sütunlarının dolu hücre oranları ekrana yazdırılıyor.\n\n# Teacher_Quality ve Distance_from_Home sütunlarındaki ilk birkaç satırı kontrol edelim\nprint(data['Teacher_Quality'].head())\nprint(data['Distance_from_Home'].head())\n# 'Teacher_Quality' ve 'Distance_from_Home' sütunlarındaki ilk 5 satır ekrana yazdırılıyor.\n\n# Eksik veri olup olmadığını tekrar kontrol edelim\nprint(data.isnull().sum())\n# Tüm veri setinde eksik (NaN) değer olup olmadığını kontrol ediyoruz.",{"_key":269,"_type":8,"children":270,"markDefs":273,"style":166},"ddc4ba78c0e9",[271],{"_key":162,"_type":12,"marks":272,"text":164},[],[],{"_key":275,"_type":8,"children":276,"markDefs":280,"style":16},"149fb7f5ac51",[277],{"_key":278,"_type":12,"marks":279,"text":173},"0a4c2f13708d",[],[],{"_key":282,"_type":155,"code":283},"253f836aaa45","Teacher_Quality sütununun doluluk oranı: %100.00\nDistance_from_Home sütununun doluluk oranı: %100.00\n0 2.0\n1 2.0\n2 2.0\n3 2.0\n4 3.0\nName: Teacher_Quality, dtype: float64\n0 1.0\n1 2.0\n2 1.0\n3 2.0\n4 1.0\nName: Distance_from_Home, dtype: float64\nHours_Studied 0\nAttendance 0\nParental_Involvement 0\nAccess_to_Resources 0\nExtracurricular_Activities 0\nSleep_Hours 0\nPrevious_Scores 0\nMotivation_Level 0\nInternet_Access 0\nTutoring_Sessions 0\nFamily_Income 0\nTeacher_Quality 0\nSchool_Type 0\nPeer_Influence 0\nPhysical_Activity 0\nLearning_Disabilities 0\nParental_Education_Level 0\nDistance_from_Home 0\nGender 0\nExam_Score 0\ndtype: int64",{"_key":285,"_type":8,"children":286,"markDefs":290,"style":16},"60e384a88c24",[287],{"_key":288,"_type":12,"marks":289,"text":173},"3e06f1b68e0a",[],[],{"_key":292,"_type":8,"children":293,"markDefs":298,"style":70},"8c394cfc1fc8",[294],{"_key":295,"_type":12,"marks":296,"text":297},"2bfe9f440dcb",[],"Neler Yaptık?",[],{"_key":300,"_type":8,"children":301,"markDefs":306,"style":16},"80980ef9bbc3",[302],{"_key":303,"_type":12,"marks":304,"text":305},"74ffb45b89eb",[],"Şu ana kadar yazdığımız kod, öğrenci performansını etkileyen faktörleri incelemek için verileri hazırlama ve temizleme işlerini kapsıyor. İlk önce veri setini okuduk ve içindeki eksik değerleri kontrol ettik. Eksik olan yerleri doldurmak için en sık görülen değerleri (mod) kullandık, böylece verimizdeki boşlukları doldurduk. Kategorik verileri sayısal değerlere dönüştürdük, böylece makine öğrenimi modellerinde kullanmaya uygun hale getirdik. Tüm bu adımlar, verimizi daha sağlıklı ve anlamlı hale getirdi. Son olarak, her işlemin ardından verimizin doluluk oranlarını kontrol ettik ki eksik değer sorunu kalmadığından emin olalım. Şimdi analiz yapmaya veya model oluşturmaya geçebiliriz!",[],{"_key":308,"_type":8,"children":309,"markDefs":314,"style":70},"7db66fce21ba",[310],{"_key":311,"_type":12,"marks":312,"text":313},"440aaa5b27ee",[],"Aykırı Değer Analizi ve Tespiti",[],{"_key":316,"_type":8,"children":317,"markDefs":322,"style":16},"e6188656a0a8",[318],{"_key":319,"_type":12,"marks":320,"text":321},"74ee26db315a",[],"Aykırı değer analizleri, verilerde normalden sapmalar olup olmadığını anlamak için yapılan bir işlemdir. Günlük hayatımızda bu, anormal veya beklenmedik bir durumu fark etmek gibidir. Mesela, bir öğrenci sürekli ortalama 60–70 alırken bir sınavda 10 alıyorsa, bu bir aykırı değer olabilir. Aykırı değerler, analiz sırasında önemli bilgiler verebilir; örneğin bir hata, ölçümde bir sorun ya da gerçekten farklı bir durum olduğunu gösterebilir. Bu yüzden, verilerdeki bu uç noktaları bulup analiz etmek, doğru sonuçlar elde etmek ve yanlış yönlendirmelerden kaçınmak için çok önemlidir. Kodlamaya geçerek bu konuyu daha iyi anlayabiliriz",[],{"_key":324,"_type":8,"children":325,"markDefs":330,"style":331},"9d01594bf21c",[326],{"_key":327,"_type":12,"marks":328,"text":329},"e300a530dd66",[],"İlk adım olarak IQR yöntemini uygulayacağız:",[],"h3",{"_key":333,"_type":8,"children":334,"markDefs":343,"style":16},"6ea51fbbd438",[335,339],{"_key":336,"_type":12,"marks":337,"text":338},"e6967d947b41",[34],"IQR (Interquartile Range) Yöntemi:",{"_key":340,"_type":12,"marks":341,"text":342},"83befaad2c4a",[]," Bu yöntem, verilerin %25'lik ve %75'lik dilimlerini kullanarak aykırı değerleri tespit eder.",[],{"_key":345,"_type":8,"children":346,"markDefs":351,"style":16},"a3265d72a7b1",[347],{"_key":348,"_type":12,"marks":349,"text":350},"2ca75d4e4bcb",[],"IQR (Interquartile Range), veri setindeki yayılımı ölçmek için kullanılan bir yöntemdir ve özellikle aykırı değerleri tespit etmekte işe yarar. IQR, verilerin ortasında kalan %50'lik bölümünün dağılımını gösterir ve “çeyrekler arası aralık” olarak bilinir.",[],{"_key":353,"_type":8,"children":354,"markDefs":359,"style":16},"7cd44d842a53",[355],{"_key":356,"_type":12,"marks":357,"text":358},"fd5133634370",[],"IQR’yi bulmak için önce veriyi dört eşit parçaya ayırırız:",[],{"_key":361,"_type":8,"children":362,"level":371,"listItem":372,"markDefs":373,"style":16},"389c0a38b51d",[363,367],{"_key":364,"_type":12,"marks":365,"text":366},"60b2f0d1eeed",[34],"Q1 (Birinci Çeyrek):",{"_key":368,"_type":12,"marks":369,"text":370},"711262216b85",[]," Verilerin en küçük %25'lik kısmının sınırını gösterir. Diğer bir deyişle, verilerin %25'i bu değerin altında, %75'i bu değerin üstündedir.",1,"bullet",[],{"_key":375,"_type":8,"children":376,"level":371,"listItem":372,"markDefs":385,"style":16},"dc166b6778af",[377,381],{"_key":378,"_type":12,"marks":379,"text":380},"ce7ea6463918",[34],"Q3 (Üçüncü Çeyrek):",{"_key":382,"_type":12,"marks":383,"text":384},"02822342bf61",[]," Verilerin %75'lik kısmının sınırını gösterir. Yani, verilerin %75'i bu değerin altında, %25'i bu değerin üstündedir.",[],{"_key":387,"_type":8,"children":388,"markDefs":393,"style":16},"0d798cf183cb",[389],{"_key":390,"_type":12,"marks":391,"text":392},"242e31c6d055",[],"Hours_Studied, Exam_Score, Previous_Scores sütunlarını kullanarak aykırı değer analizlerimizi oluşturalım",[],{"_key":395,"_type":8,"children":396,"markDefs":400,"style":16},"d228a4caa0d2",[397],{"_key":398,"_type":12,"marks":399,"text":173},"e5c55675b838",[],[],{"_key":402,"_type":155,"code":403,"language":157},"b79f04448d57","# IQR (Interquartile Range) yöntemiyle aykırı değerleri tespit eden fonksiyon\ndef detect_outliers_iqr(data, column):\n # 1. çeyrek (Q1) değerini hesapla\n Q1 = np.percentile(data[column], 25)\n \n # 3. çeyrek (Q3) değerini hesapla\n Q3 = np.percentile(data[column], 75)\n \n # IQR'yi (Q3 - Q1) hesapla\n IQR = Q3 - Q1\n \n # Aykırı değerlerin alt sınırını hesapla (Q1 - 1.5 * IQR)\n lower_bound = Q1 - 1.5 * IQR\n \n # Aykırı değerlerin üst sınırını hesapla (Q3 + 1.5 * IQR)\n upper_bound = Q3 + 1.5 * IQR\n \n # Aykırı değerler: sütundaki değerlerin alt veya üst sınırı aşanlarını seç\n outliers = data[(data[column] \u003C lower_bound) | (data[column] > upper_bound)]\n \n # Aykırı değerleri geri döndür\n return outliers\n\n# Hours_Studied sütunundaki aykırı değerleri IQR yöntemi ile tespit edelim\noutliers_hours_studied = detect_outliers_iqr(data, 'Hours_Studied')\n\n# Tespit edilen aykırı değerlerin ilk 5 sonucunu yazdır\nprint(\"IQR Yöntemi ile Hours_Studied Aykırı Değerler:\")\nprint(outliers_hours_studied.head())\n\n# Exam_Score sütunundaki aykırı değerleri IQR yöntemi ile tespit edelim\noutliers_exam_score = detect_outliers_iqr(data, 'Exam_Score')\n\n# Tespit edilen aykırı değerlerin ilk 5 sonucunu yazdır\nprint(\"IQR Yöntemi ile Exam_Score Aykırı Değerler:\")\nprint(outliers_exam_score.head())",{"_key":405,"_type":8,"children":406,"markDefs":409,"style":166},"18be6ffa104d",[407],{"_key":162,"_type":12,"marks":408,"text":164},[],[],{"_key":411,"_type":8,"children":412,"markDefs":416,"style":16},"865fa96079d2",[413],{"_key":414,"_type":12,"marks":415,"text":173},"a0fc85b2b44e",[],[],{"_key":418,"_type":155,"code":419,"language":420},"557393258485","IQR Yöntemi ile Hours_Studied Aykırı Değerler:\n Hours_Studied Attendance Parental_Involvement Access_to_Resources \\\n209 43 86 High Medium \n262 1 69 High Medium \n478 38 86 Low High \n1061 3 85 Low High \n1101 3 62 Medium Low \n\n Extracurricular_Activities Sleep_Hours Previous_Scores \\\n209 Yes 7 97 \n262 Yes 6 97 \n478 Yes 7 79 \n1061 No 8 73 \n1101 No 6 67 \n\n Motivation_Level Internet_Access Tutoring_Sessions Family_Income \\\n209 Medium Yes 2 Medium \n262 Medium Yes 1 Low \n478 Low Yes 3 Low \n1061 Low Yes 2 Low \n1101 Medium Yes 1 Low \n\n Teacher_Quality School_Type Peer_Influence Physical_Activity \\\n209 High Public Positive 1 \n262 Medium Public Positive 3 \n478 Medium Public Negative 3 \n1061 Medium Private Neutral 3 \n1101 Medium Public Negative 3 \n\n Learning_Disabilities Parental_Education_Level Distance_from_Home \\\n209 No High School Near \n262 No High School Near \n478 No High School Near \n1061 No High School Near \n1101 No High School Near \n\n Gender Exam_Score \n209 Female 78 \n262 Female 61 \n478 Male 73 \n1061 Male 62 \n1101 Male 55 \nIQR Yöntemi ile Exam_Score Aykırı Değerler:\n Hours_Studied Attendance Parental_Involvement Access_to_Resources \\\n94 18 89 High Medium \n106 31 100 Medium Medium \n113 35 99 High High \n209 43 86 High Medium \n217 19 70 Medium Low \n\n Extracurricular_Activities Sleep_Hours Previous_Scores Motivation_Level \\\n94 Yes 4 73 Medium \n106 No 7 59 Medium \n113 Yes 7 85 Low \n209 Yes 7 97 Medium \n217 No 7 54 High \n\n Internet_Access Tutoring_Sessions Family_Income Teacher_Quality \\\n94 Yes 3 High Medium \n106 Yes 2 High High \n113 Yes 2 Medium High \n209 Yes 2 Medium High \n217 Yes 0 Medium Medium \n\n School_Type Peer_Influence Physical_Activity Learning_Disabilities \\\n94 Private Positive 2 No \n106 Public Positive 5 No \n113 Private Neutral 2 No \n209 Public Positive 1 No \n217 Public Positive 2 Yes \n\n Parental_Education_Level Distance_from_Home Gender Exam_Score \n94 College Near Female 100 \n106 Postgraduate Moderate Male 76 \n113 Postgraduate Near Female 79 \n209 High School Near Female 78 \n217 High School Moderate Male 89 ","text",{"_key":422,"_type":8,"children":423,"markDefs":428,"style":16},"4e50b9196d08",[424],{"_key":425,"_type":12,"marks":426,"text":427},"aba71421d66f",[],"Yaptığımız IQR yöntemi ile aykırı değer analizine göre:",[],{"_key":430,"_type":8,"children":431,"markDefs":436,"style":135},"f433ea71ef30",[432],{"_key":433,"_type":12,"marks":434,"text":435},"4d977ced477d",[],"1. Hours_Studied için Aykırı Değerler:",[],{"_key":438,"_type":8,"children":439,"markDefs":444,"style":16},"97630eb9ae6c",[440],{"_key":441,"_type":12,"marks":442,"text":443},"6e849c145e2f",[],"Aykırı değer olarak tespit edilen veriler şunlar:",[],{"_key":446,"_type":8,"children":447,"level":371,"listItem":372,"markDefs":456,"style":16},"d9a026fe7cf4",[448,452],{"_key":449,"_type":12,"marks":450,"text":451},"3840f52abc12",[34],"209:",{"_key":453,"_type":12,"marks":454,"text":455},"7cada8776f1d",[]," 43 saat çalışma, yüksek katılım, yüksek ebeveyn katılımı, yüksek motivasyon seviyesi.",[],{"_key":458,"_type":8,"children":459,"level":371,"listItem":372,"markDefs":468,"style":16},"992bbfa7bc9e",[460,464],{"_key":461,"_type":12,"marks":462,"text":463},"b583231ebba3",[34],"262:",{"_key":465,"_type":12,"marks":466,"text":467},"a5b1a60b90bb",[]," 1 saat çalışma, yüksek katılım, düşük ebeveyn katılımı, düşük motivasyon seviyesi.",[],{"_key":470,"_type":8,"children":471,"level":371,"listItem":372,"markDefs":480,"style":16},"1e37eade095b",[472,476],{"_key":473,"_type":12,"marks":474,"text":475},"b4f9588ec2e4",[34],"478:",{"_key":477,"_type":12,"marks":478,"text":479},"528328d539f8",[]," 38 saat çalışma, düşük ebeveyn katılımı, yüksek motivasyon seviyesi.",[],{"_key":482,"_type":8,"children":483,"level":371,"listItem":372,"markDefs":492,"style":16},"e36304731ad8",[484,488],{"_key":485,"_type":12,"marks":486,"text":487},"177a2c6dfd6c",[34],"1061:",{"_key":489,"_type":12,"marks":490,"text":491},"96cb4e0db7eb",[]," 3 saat çalışma, düşük ebeveyn katılımı, düşük motivasyon seviyesi.",[],{"_key":494,"_type":8,"children":495,"level":371,"listItem":372,"markDefs":503,"style":16},"4846bbe6f90a",[496,500],{"_key":497,"_type":12,"marks":498,"text":499},"8bd2acbcc930",[34],"1101:",{"_key":501,"_type":12,"marks":502,"text":491},"6f5012b5c72d",[],[],{"_key":505,"_type":8,"children":506,"markDefs":511,"style":135},"22be1f9effef",[507],{"_key":508,"_type":12,"marks":509,"text":510},"03e6c06e9d65",[],"Yorum:",[],{"_key":513,"_type":8,"children":514,"level":371,"listItem":372,"markDefs":519,"style":16},"390073ff733f",[515],{"_key":516,"_type":12,"marks":517,"text":518},"362335e1cae2",[],"Aykırı değer olarak tespit edilen bu öğrencilerin çalışma süreleri (özellikle 1 saat ve 3 saat olanlar) genellikle normal dağılım dışına çıkıyor.",[],{"_key":521,"_type":8,"children":522,"level":371,"listItem":372,"markDefs":543,"style":16},"ff4cf0b80eb1",[523,527,531,535,539],{"_key":524,"_type":12,"marks":525,"text":526},"727c9c4f8586",[],"Özellikle ",{"_key":528,"_type":12,"marks":529,"text":530},"71d7fff7a72a",[34],"262",{"_key":532,"_type":12,"marks":533,"text":534},"a03f20985c1f",[]," ve ",{"_key":536,"_type":12,"marks":537,"text":538},"416fb7c84d42",[34],"1101",{"_key":540,"_type":12,"marks":541,"text":542},"6ca7d2276e66",[]," numaralı veriler, düşük çalışma süreleriyle birlikte diğer parametrelerde de düşük motivasyon veya ebeveyn katılımı sergiliyor. Bu durum, bu öğrencilerin akademik başarılarını olumsuz etkileyebilir.",[],{"_key":545,"_type":8,"children":546,"markDefs":551,"style":70},"aecf32ece075",[547],{"_key":548,"_type":12,"marks":549,"text":550},"50f7b86879dc",[],"Genel Değerlendirme:",[],{"_key":553,"_type":8,"children":554,"markDefs":559,"style":16},"c79184bc525c",[555],{"_key":556,"_type":12,"marks":557,"text":558},"8c37954cfbee",[34],"Aykırı Değerler ve Dağılım:",[],{"_key":561,"_type":8,"children":562,"markDefs":567,"style":16},"c54c1638173c",[563],{"_key":564,"_type":12,"marks":565,"text":566},"771564579bb5",[34],"Hours_Studied:",[],{"_key":569,"_type":8,"children":570,"level":371,"listItem":372,"markDefs":575,"style":16},"9d496d54048f",[571],{"_key":572,"_type":12,"marks":573,"text":574},"da3b2ffb559b",[],"Aykırı değer olarak tespit edilen öğrencilerin çalışma süreleri geniş bir yelpazeye yayılıyor. Özellikle 1 ve 3 saat çalışma süreleri, geleneksel olarak başarılı olması beklenen bir öğrencinin çalışma süresinin çok altında.",[],{"_key":577,"_type":8,"children":578,"level":371,"listItem":372,"markDefs":592,"style":16},"0bb386e2a5fd",[579,582,585,588],{"_key":580,"_type":12,"marks":581,"text":530},"dbf7a3c110c6",[34],{"_key":583,"_type":12,"marks":584,"text":534},"3c783520a1c3",[],{"_key":586,"_type":12,"marks":587,"text":538},"edaeb8129f80",[34],{"_key":589,"_type":12,"marks":590,"text":591},"5399d3beb4ee",[]," numaralı veriler, düşük ebeveyn katılımı ve düşük motivasyon seviyeleriyle ilişkilendiriliyor. Bu durum, bu öğrencilerin akademik başarıları üzerinde olumsuz bir etki yaratıyor olabilir.",[],{"_key":594,"_type":8,"children":595,"level":371,"listItem":372,"markDefs":608,"style":16},"f717fd0103aa",[596,600,604],{"_key":597,"_type":12,"marks":598,"text":599},"604805d4311a",[],"Diğer yandan, ",{"_key":601,"_type":12,"marks":602,"text":603},"2fea94cf038a",[34],"209",{"_key":605,"_type":12,"marks":606,"text":607},"6da795de5529",[]," numaralı veri, yüksek çalışma süresi (43 saat) ve yüksek motivasyon ile güçlü bir başarı gösteriyor, ancak bu durumun genel bir eğilim olup olmadığını anlamak için daha fazla veri noktası gereklidir.",[],{"_key":610,"_type":8,"children":611,"markDefs":616,"style":16},"ada908459162",[612],{"_key":613,"_type":12,"marks":614,"text":615},"d82470d47e05",[34],"Exam_Score:",[],{"_key":618,"_type":8,"children":619,"level":371,"listItem":372,"markDefs":632,"style":16},"684cf507216a",[620,624,628],{"_key":621,"_type":12,"marks":622,"text":623},"8bca326692f1",[],"Aykırı değer olarak tespit edilenler arasında 100 puan alan ",{"_key":625,"_type":12,"marks":626,"text":627},"254473c9f731",[34],"94",{"_key":629,"_type":12,"marks":630,"text":631},"03488c70672d",[]," numaralı veri dikkat çekiyor. Bu, düşük çalışma saatlerine rağmen yüksek bir başarı göstermekte.",[],{"_key":634,"_type":8,"children":635,"level":371,"listItem":372,"markDefs":640,"style":16},"65d17a80497d",[636],{"_key":637,"_type":12,"marks":638,"text":639},"17951d9f8fdb",[],"Bu durum, motivasyon, ebeveyn desteği ve kaynaklara erişim gibi faktörlerin sınav başarısını nasıl etkilediğini göstermektedir.",[],{"_key":642,"_type":8,"children":643,"level":371,"listItem":372,"markDefs":652,"style":16},"20fdeda4590f",[644,648],{"_key":645,"_type":12,"marks":646,"text":647},"48fb35cf3ea8",[34],"217",{"_key":649,"_type":12,"marks":650,"text":651},"8a9137430022",[]," numaralı veri, 19 saat çalışma ile 89 puan almış. Bu, düşük çalışma saatlerinin yüksek puanlarla ilişkili olabileceğini, ancak yeterli motivasyon ve kaynakların varlığının kritik bir rol oynadığını göstermektedir.",[],{"_key":654,"_type":8,"children":655,"markDefs":660,"style":16},"cee2206ff838",[656],{"_key":657,"_type":12,"marks":658,"text":659},"6ab36e4b839c",[34],"2. İlişkilendirme Analizi:",[],{"_key":662,"_type":8,"children":663,"level":371,"listItem":372,"markDefs":686,"style":16},"d3612c8e1f78",[664,668,672,675,678,682],{"_key":665,"_type":12,"marks":666,"text":667},"a0dc9bcd3f6c",[34],"Ebeveyn Katılımı:",{"_key":669,"_type":12,"marks":670,"text":671},"3be38254ebbf",[]," Aykırı değerler arasında, ebeveyn katılımı düşük olan öğrencilerin (örneğin, ",{"_key":673,"_type":12,"marks":674,"text":530},"4da2870c2c90",[34],{"_key":676,"_type":12,"marks":677,"text":534},"11d2c1f8e980",[],{"_key":679,"_type":12,"marks":680,"text":681},"34aae296aff0",[34],"478",{"_key":683,"_type":12,"marks":684,"text":685},"1ce7948ce503",[],") düşük motivasyon ve akademik başarı gösterdiği görülüyor. Ebeveyn katılımı, öğrencinin eğitim başarısını önemli ölçüde etkileyebilir.",[],{"_key":688,"_type":8,"children":689,"level":371,"listItem":372,"markDefs":711,"style":16},"36f67e90922e",[690,694,698,701,704,707],{"_key":691,"_type":12,"marks":692,"text":693},"456546e1531d",[34],"Motivasyon Seviyesi:",{"_key":695,"_type":12,"marks":696,"text":697},"9ae313b6b2c7",[]," Yüksek motivasyon seviyesine sahip öğrenciler (örneğin, ",{"_key":699,"_type":12,"marks":700,"text":627},"56d2f862ca0d",[34],{"_key":702,"_type":12,"marks":703,"text":534},"1dde8f82e04c",[],{"_key":705,"_type":12,"marks":706,"text":603},"b073a4249709",[34],{"_key":708,"_type":12,"marks":709,"text":710},"338094f9e5dc",[],") genellikle daha iyi puanlar alıyor. Motivasyonun artırılması, düşük performans gösteren öğrenciler için bir çözüm olabilir.",[],{"_key":713,"_type":8,"children":714,"level":371,"listItem":372,"markDefs":739,"style":16},"6649a038491d",[715,719,723,727,731,735],{"_key":716,"_type":12,"marks":717,"text":718},"a330c58c6214",[34],"Okul Türü ve Öğretmen Kalitesi:",{"_key":720,"_type":12,"marks":721,"text":722},"866f9b5fbcc6",[]," Aykırı değerlerde genellikle ",{"_key":724,"_type":12,"marks":725,"text":726},"478c02feb571",[34],"Public",{"_key":728,"_type":12,"marks":729,"text":730},"9bcf1b1f5d03",[]," okul türü ve ",{"_key":732,"_type":12,"marks":733,"text":734},"3c4a334ac89d",[34],"Medium",{"_key":736,"_type":12,"marks":737,"text":738},"e1531f831e16",[]," öğretmen kalitesi ile ilişkilendirilmiş veriler var. Bu durum, okul ortamının ve öğretmen kalitesinin öğrenci başarısını nasıl etkilediğini gösteriyor.",[],{"_key":741,"_type":8,"children":742,"markDefs":747,"style":16},"9f6156a9e97d",[743],{"_key":744,"_type":12,"marks":745,"text":746},"21ef5d939fd9",[34],"3. Eğitim Stratejileri:",[],{"_key":749,"_type":8,"children":750,"level":371,"listItem":372,"markDefs":755,"style":16},"b790de6ad4a2",[751],{"_key":752,"_type":12,"marks":753,"text":754},"217252db5648",[],"Düşük çalışma süreleri ile düşük başarılar arasında bir ilişki olduğu gözlemleniyor. Eğitimciler, düşük süreli çalışan öğrenciler için çalışma sürelerini artırma konusunda stratejiler geliştirmeli.",[],{"_key":757,"_type":8,"children":758,"level":371,"listItem":372,"markDefs":763,"style":16},"66a2cf56161a",[759],{"_key":760,"_type":12,"marks":761,"text":762},"10e7764a7915",[],"Aile desteği ve ebeveyn katılımı artırılmalı. Ailelerin eğitime daha fazla dahil edilmesi, öğrencilerin motivasyonunu ve başarılarını artırabilir.",[],{"_key":765,"_type":8,"children":766,"level":371,"listItem":372,"markDefs":771,"style":16},"b91766b3531d",[767],{"_key":768,"_type":12,"marks":769,"text":770},"dcc12d966aa1",[],"Okul türü ve öğretmen kalitesi üzerine daha fazla analiz yapılarak, belirli okulların veya öğretmenlerin öğrenciler üzerindeki etkileri değerlendirilebilir. Özellikle düşük performans gösteren gruplar üzerinde daha fazla çalışılmalı.",[],{"_key":773,"_type":8,"children":774,"markDefs":779,"style":135},"8884cce16014",[775],{"_key":776,"_type":12,"marks":777,"text":778},"d96cbe559be9",[34],"Sonuç:",[],{"_key":781,"_type":8,"children":782,"level":371,"listItem":372,"markDefs":787,"style":16},"3a8ba052d7b1",[783],{"_key":784,"_type":12,"marks":785,"text":786},"14262a111fb5",[],"Aykırı değer analizi, öğrencilerin genel performansını etkileyen önemli faktörlerin belirlenmesine yardımcı olur. Elde edilen bulgular, eğitim sisteminin iyileştirilmesi için önemli veriler sunmaktadır. Bu tür verilerin düzenli analizi, eğitim politikalarının gözden geçirilmesi ve gerekli müdahalelerin yapılabilmesi için kritik öneme sahiptir. Eğitimciler ve yöneticiler, öğrenci başarısını artırmak için bu verileri kullanmalıdır.",[],{"_key":789,"_type":8,"children":790,"markDefs":795,"style":135},"380243d552bb",[791],{"_key":792,"_type":12,"marks":793,"text":794},"c7d195e8c8e3",[],"Z Skoru",[],{"_key":797,"_type":8,"children":798,"markDefs":803,"style":16},"2cbc827643c6",[799],{"_key":800,"_type":12,"marks":801,"text":802},"85a16ee9eaf2",[],"Bir veri setindeki bir verinin ortalamadan ne kadar uzakta olduğunu anlamamıza yardımcı olan bir istatistiksel ölçüttür. Başka bir deyişle, verinin ne kadar “standart sapma” uzağında olduğunu gösterir. Z skoru, veri noktasının ortalamanın altında mı yoksa üstünde mi olduğunu ve ne kadar uzak olduğunu belirlememizi sağlar.",[],{"_key":805,"_type":8,"children":806,"markDefs":810,"style":16},"99b8fd4f72c1",[807],{"_key":808,"_type":12,"marks":809,"text":173},"a97ca8c8abd8",[],[],{"_key":812,"_type":8,"children":813,"markDefs":818,"style":16},"d6b3109ffeb3",[814],{"_key":815,"_type":12,"marks":816,"text":817},"1fd693f21910",[],"Eğer Z skoru 2 veya daha büyükse, bu veri noktası ortalamadan 2 standart sapma uzaklıkta demektir. Genellikle Z skoru yüksek olan veriler “aykırı değer” olarak kabul edilir, çünkü bu veriler genelde setin geneli ile uyumsuzluk gösterir.",[],{"_key":820,"_type":8,"children":821,"markDefs":826,"style":16},"08cc98e839e9",[822],{"_key":823,"_type":12,"marks":824,"text":825},"7b99f7fb88e5",[],"Z skoru analizi aykırı değerlerin tespitinde sıkça kullanılır çünkü bu yöntem, verilerin normal dağılım gösterip göstermediğine bakmaksızın uygulanabilir.",[],{"_key":828,"_type":8,"children":829,"markDefs":833,"style":16},"ce03cbe00faa",[830],{"_key":831,"_type":12,"marks":832,"text":173},"d8b97e4e72aa",[],[],{"_key":835,"_type":155,"code":836,"language":157},"c4c3bc98b1b6","# Z-skoru hesaplama fonksiyonu\ndef z_score_outliers(data, column, threshold=3):\n \n # Z-skorunu hesapla: (Veri - Ortalama) / Standart Sapma\n z_scores = (data[column] - data[column].mean()) / data[column].std()\n \n # Aykırı değerleri tespit et: Z-skoru mutlak değeri eşik değerinden büyük olanları seç\n outliers = data[np.abs(z_scores) > threshold]\n \n return outliers # Aykırı değerleri içeren DataFrame'i döndür\n\n# Hours_Studied için aykırı değerleri bul\nhours_outliers = z_score_outliers(data, 'Hours_Studied') # 'Hours_Studied' sütunu için aykırı değerleri bul\nprint(\"Z Skoru ile Hours_Studied Aykırı Değerler:\") # Aykırı değerlerin başlığı\nprint(hours_outliers) # Aykırı değerleri ekrana yazdır\n\n# Exam_Score için aykırı değerleri bul\nexam_outliers = z_score_outliers(data, 'Exam_Score') # 'Exam_Score' sütunu için aykırı değerleri bul\nprint(\"Z Skoru ile Exam_Score Aykırı Değerler:\") # Aykırı değerlerin başlığı\nprint(exam_outliers) # Aykırı değerleri ekrana yazdır",{"_key":838,"_type":8,"children":839,"markDefs":843,"style":166},"363591378ced",[840],{"_key":162,"_type":12,"marks":841,"text":842},[],"Aşağıdaki gibi bir çıktı gelecektir (Çıktı biraz uzun)",[],{"_key":845,"_type":8,"children":846,"markDefs":850,"style":16},"6c115db72e6d",[847],{"_key":848,"_type":12,"marks":849,"text":173},"31b173588784",[],[],{"_key":852,"_type":155,"code":853},"ed686b8f4ef9","Z Skoru ile Hours_Studied Aykırı Değerler:\n Hours_Studied Attendance Parental_Involvement Access_to_Resources \\\n209 43 86 High Medium \n262 1 69 High Medium \n478 38 86 Low High \n1591 2 84 Low High \n1615 39 95 Medium High \n1957 39 97 High High \n1971 2 96 Low High \n2024 2 98 Low High \n2305 39 92 Medium Medium \n2506 38 63 Medium High \n2521 38 86 High Medium \n2895 44 68 High Low \n2947 2 67 Medium Medium \n3454 2 99 Medium Low \n3716 39 90 High High \n3982 39 75 Medium High \n4198 2 98 High Medium \n4725 1 81 Medium Medium \n4779 1 88 Medium High \n4870 38 90 High Medium \n4997 39 67 High High \n5157 38 82 Medium Low \n5224 38 80 High Medium \n5796 39 78 Medium Medium \n5846 38 98 Low Medium \n\n Extracurricular_Activities Sleep_Hours Previous_Scores \\\n209 Yes 7 97 \n262 Yes 6 97 \n478 Yes 7 79 \n1591 No 8 54 \n1615 Yes 9 54 \n1957 Yes 10 91 \n1971 Yes 9 77 \n2024 Yes 7 80 \n2305 No 9 73 \n2506 No 8 52 \n2521 No 6 88 \n2895 No 9 75 \n2947 No 6 73 \n3454 Yes 9 52 \n3716 No 8 92 \n3982 Yes 6 82 \n4198 No 4 64 \n4725 Yes 8 66 \n4779 Yes 4 72 \n4870 Yes 4 60 \n4997 Yes 5 76 \n5157 No 6 97 \n5224 No 5 78 \n5796 No 6 73 \n5846 No 6 94 \n\n Motivation_Level Internet_Access Tutoring_Sessions Family_Income \\\n209 Medium Yes 2 Medium \n262 Medium Yes 1 Low \n478 Low Yes 3 Low \n1591 Low Yes 3 Low \n1615 High Yes 2 Medium \n1957 Medium Yes 2 Low \n1971 Medium Yes 3 Medium \n2024 High Yes 2 Low \n2305 Medium Yes 1 Medium \n2506 High Yes 1 Medium \n2521 High Yes 1 Low \n2895 Low Yes 3 Medium \n2947 Low Yes 1 Low \n3454 Low Yes 0 Medium \n3716 High Yes 2 Medium \n3982 High Yes 1 High \n4198 Medium Yes 1 Low \n4725 Medium Yes 1 Low \n4779 High Yes 3 Medium \n4870 Low Yes 2 Low \n4997 Medium No 2 Medium \n5157 Low Yes 2 Low \n5224 Medium Yes 1 Low \n5796 Medium Yes 0 Low \n5846 Medium Yes 2 Low \n\n Teacher_Quality School_Type Peer_Influence Physical_Activity \\\n209 High Public Positive 1 \n262 Medium Public Positive 3 \n478 Medium Public Negative 3 \n1591 Low Public Positive 4 \n1615 Medium Private Positive 3 \n1957 Medium Public Positive 3 \n1971 NaN Public Neutral 2 \n2024 High Public Neutral 1 \n2305 Medium Public Negative 4 \n2506 Medium Private Positive 3 \n2521 High Public Negative 4 \n2895 High Private Negative 2 \n2947 Medium Private Positive 2 \n3454 Medium Public Neutral 4 \n3716 High Private Neutral 1 \n3982 Low Public Negative 3 \n4198 High Private Neutral 2 \n4725 Medium Public Negative 2 \n4779 Medium Private Negative 2 \n4870 Medium Public Neutral 4 \n4997 Medium Private Negative 4 \n5157 Medium Private Negative 3 \n5224 Medium Public Positive 4 \n5796 Medium Public Positive 2 \n5846 Low Public Negative 4 \n\n Learning_Disabilities Parental_Education_Level Distance_from_Home \\\n209 No High School Near \n262 No High School Near \n478 No High School Near \n1591 No NaN Near \n1615 No High School Moderate \n1957 No High School Moderate \n1971 No High School Far \n2024 No High School Near \n2305 No Postgraduate Moderate \n2506 No College Moderate \n2521 No High School Moderate \n2895 No High School Moderate \n2947 No College Moderate \n3454 No High School Near \n3716 No High School Near \n3982 No College Near \n4198 No High School Near \n4725 No College Near \n4779 No College Near \n4870 No College Moderate \n4997 No NaN Near \n5157 No College Near \n5224 No College Far \n5796 No College Far \n5846 No Postgraduate Near \n\n Gender Exam_Score \n209 Female 78 \n262 Female 61 \n478 Male 73 \n1591 Male 62 \n1615 Male 77 \n1957 Female 79 \n1971 Female 65 \n2024 Male 66 \n2305 Male 75 \n2506 Male 69 \n2521 Female 74 \n2895 Female 71 \n2947 Male 58 \n3454 Male 62 \n3716 Female 78 \n3982 Male 73 \n4198 Female 65 \n4725 Male 60 \n4779 Male 92 \n4870 Male 74 \n4997 Female 71 \n5157 Male 72 \n5224 Female 72 \n5796 Male 70 \n5846 Female 75 \nZ Skoru ile Exam_Score Aykırı Değerler:\n Hours_Studied Attendance Parental_Involvement Access_to_Resources \\\n94 18 89 High Medium \n113 35 99 High High \n217 19 70 Medium Low \n404 17 77 Low High \n529 15 83 Medium Medium \n558 22 70 Low Medium \n560 22 71 Low High \n637 20 65 Medium Low \n770 24 96 Low High \n836 29 76 Medium Medium \n919 21 74 High Medium \n1099 22 75 Medium Low \n1101 3 62 Medium Low \n1107 14 77 Low High \n1109 31 69 Medium Medium \n1351 9 61 High Medium \n1525 27 98 Low Medium \n1607 30 98 Medium Low \n1844 21 92 High High \n1863 10 76 Medium Low \n1957 39 97 High High \n2076 24 77 High Medium \n2292 21 70 High High \n2421 27 90 Low Medium \n2425 23 83 High High \n2513 18 86 High Medium \n2595 7 69 Medium High \n2687 11 71 Low Medium \n2904 11 62 High Medium \n2954 14 75 Medium Medium \n3124 19 90 Medium High \n3141 7 63 High High \n3364 16 76 Medium High \n3457 18 93 Medium Medium \n3579 14 90 High High \n3924 18 87 Low Low \n3932 25 66 High Medium \n4192 28 90 Low Medium \n4254 21 74 High Low \n4297 21 67 Medium Medium \n4355 24 70 Medium High \n4405 25 98 Medium Medium \n4531 26 69 High High \n4583 25 73 Medium Medium \n4666 16 71 Low Low \n4779 1 88 Medium High \n5125 16 82 Medium Medium \n5966 25 99 Medium Medium \n5989 18 61 Medium Low \n6347 28 96 High Low \n6393 16 83 Low Medium \n6522 18 90 High High \n\n Extracurricular_Activities Sleep_Hours Previous_Scores \\\n94 Yes 4 73 \n113 Yes 7 85 \n217 No 7 54 \n404 Yes 5 53 \n529 No 7 97 \n558 No 7 53 \n560 Yes 9 56 \n637 Yes 7 62 \n770 No 6 93 \n836 No 8 96 \n919 No 6 94 \n1099 Yes 5 66 \n1101 No 6 67 \n1107 No 6 75 \n1109 No 7 52 \n1351 Yes 6 77 \n1525 Yes 6 93 \n1607 Yes 9 93 \n1844 Yes 9 58 \n1863 No 6 76 \n1957 Yes 10 91 \n2076 Yes 7 57 \n2292 No 9 66 \n2421 No 9 52 \n2425 Yes 4 89 \n2513 No 8 60 \n2595 Yes 8 54 \n2687 Yes 8 55 \n2904 Yes 7 76 \n2954 Yes 5 95 \n3124 Yes 5 90 \n3141 Yes 10 90 \n3364 Yes 6 63 \n3457 No 7 76 \n3579 Yes 8 86 \n3924 No 8 79 \n3932 Yes 7 55 \n4192 Yes 9 91 \n4254 Yes 8 64 \n4297 Yes 6 88 \n4355 Yes 9 52 \n4405 Yes 7 90 \n4531 No 7 95 \n4583 Yes 7 56 \n4666 Yes 6 59 \n4779 Yes 4 72 \n5125 No 7 56 \n5966 Yes 7 77 \n5989 Yes 6 91 \n6347 Yes 4 98 \n6393 Yes 8 92 \n6522 Yes 6 54 \n\n Motivation_Level Internet_Access Tutoring_Sessions Family_Income \\\n94 Medium Yes 3 High \n113 Low Yes 2 Medium \n217 High Yes 0 Medium \n404 Medium Yes 2 High \n529 Medium Yes 2 Low \n558 Low Yes 1 Low \n560 High Yes 1 Low \n637 High Yes 0 Medium \n770 Medium Yes 2 Low \n836 Low Yes 2 Low \n919 Medium Yes 1 Low \n1099 Low Yes 2 Low \n1101 Medium Yes 1 Low \n1107 Medium Yes 1 Medium \n1109 Medium No 2 High \n1351 Low No 1 High \n1525 Low No 5 High \n1607 Medium Yes 1 Low \n1844 Medium Yes 2 High \n1863 Medium Yes 1 High \n1957 Medium Yes 2 Low \n2076 Medium Yes 3 Medium \n2292 Medium Yes 1 Medium \n2421 Low No 2 Low \n2425 Low Yes 1 Medium \n2513 Medium Yes 2 Low \n2595 High Yes 1 Medium \n2687 Medium Yes 1 Low \n2904 High Yes 3 High \n2954 Medium Yes 0 Medium \n3124 Low Yes 0 Low \n3141 Medium Yes 0 Low \n3364 High Yes 0 Low \n3457 Low Yes 2 Medium \n3579 Medium Yes 4 Medium \n3924 High Yes 1 Low \n3932 Medium Yes 4 Medium \n4192 Medium Yes 0 Medium \n4254 Medium Yes 3 Low \n4297 Medium Yes 1 Low \n4355 High Yes 1 Low \n4405 High Yes 1 High \n4531 Low No 0 Medium \n4583 Medium Yes 2 High \n4666 High Yes 1 Low \n4779 High Yes 3 Medium \n5125 Low Yes 0 High \n5966 Medium Yes 0 High \n5989 High Yes 3 Medium \n6347 High Yes 1 High \n6393 Low Yes 2 High \n6522 Low Yes 1 Medium \n\n Teacher_Quality School_Type Peer_Influence Physical_Activity \\\n94 Medium Private Positive 2 \n113 High Private Neutral 2 \n217 Medium Public Positive 2 \n404 Medium Public Neutral 3 \n529 High Private Neutral 2 \n558 Medium Public Positive 3 \n560 High Public Neutral 3 \n637 Medium Public Neutral 0 \n770 Medium Public Neutral 2 \n836 Medium Public Positive 2 \n919 High Public Positive 1 \n1099 Medium Public Positive 2 \n1101 Medium Public Negative 3 \n1107 High Public Neutral 4 \n1109 Low Public Neutral 5 \n1351 Medium Private Neutral 2 \n1525 High Public Positive 3 \n1607 Low Private Positive 3 \n1844 Medium Public Neutral 5 \n1863 High Public Negative 2 \n1957 Medium Public Positive 3 \n2076 High Public Positive 2 \n2292 Low Public Neutral 4 \n2421 High Public Positive 2 \n2425 Medium Public Negative 3 \n2513 High Private Neutral 1 \n2595 High Public Positive 2 \n2687 Medium Public Negative 3 \n2904 Medium Private Neutral 3 \n2954 Medium Public Positive 3 \n3124 Medium Public Neutral 2 \n3141 Medium Private Positive 2 \n3364 Medium Public Positive 1 \n3457 Medium Private Neutral 4 \n3579 Medium Private Negative 2 \n3924 High Public Negative 4 \n3932 Medium Public Neutral 2 \n4192 Medium Public Positive 2 \n4254 Low Public Neutral 1 \n4297 Medium Private Positive 5 \n4355 Medium Public Positive 2 \n4405 Low Public Neutral 4 \n4531 Medium Public Negative 3 \n4583 Medium Public Neutral 4 \n4666 High Public Positive 3 \n4779 Medium Private Negative 2 \n5125 High Private Negative 1 \n5966 High Public Neutral 3 \n5989 High Public Positive 3 \n6347 High Public Positive 3 \n6393 High Public Positive 4 \n6522 High Public Negative 3 \n\n Learning_Disabilities Parental_Education_Level Distance_from_Home \\\n94 No College Near \n113 No Postgraduate Near \n217 Yes High School Moderate \n404 No College Near \n529 No High School Near \n558 No High School Near \n560 Yes College Near \n637 Yes Postgraduate Near \n770 No High School Moderate \n836 No Postgraduate Moderate \n919 No High School Near \n1099 No High School Far \n1101 No High School Near \n1107 Yes High School Near \n1109 No College Far \n1351 No High School Near \n1525 No High School Moderate \n1607 No High School Near \n1844 No High School Moderate \n1863 No Postgraduate Near \n1957 No High School Moderate \n2076 No College Far \n2292 No College Moderate \n2421 Yes College Near \n2425 No High School Far \n2513 No College Near \n2595 No High School Far \n2687 No College Near \n2904 Yes High School Moderate \n2954 No College Moderate \n3124 No College Far \n3141 Yes High School Moderate \n3364 No High School Near \n3457 No High School Near \n3579 No High School Near \n3924 No College Near \n3932 Yes High School Moderate \n4192 No College Moderate \n4254 No College Far \n4297 No Postgraduate Near \n4355 No Postgraduate Moderate \n4405 No Postgraduate Near \n4531 No Postgraduate Near \n4583 No High School Near \n4666 No Postgraduate Near \n4779 No College Near \n5125 Yes High School Far \n5966 No High School Near \n5989 No College Moderate \n6347 No High School Near \n6393 No Postgraduate Near \n6522 No High School Near \n\n Gender Exam_Score \n94 Female 100 \n113 Female 79 \n217 Male 89 \n404 Male 86 \n529 Female 97 \n558 Female 83 \n560 Female 84 \n637 Male 80 \n770 Female 94 \n836 Male 94 \n919 Male 97 \n1099 Male 80 \n1101 Male 55 \n1107 Female 89 \n1109 Male 92 \n1351 Male 82 \n1525 Female 101 \n1607 Male 88 \n1844 Female 89 \n1863 Male 80 \n1957 Female 79 \n2076 Male 84 \n2292 Male 91 \n2421 Male 86 \n2425 Male 99 \n2513 Male 88 \n2595 Male 87 \n2687 Female 87 \n2904 Male 88 \n2954 Male 82 \n3124 Female 94 \n3141 Male 86 \n3364 Female 86 \n3457 Female 96 \n3579 Female 99 \n3924 Male 82 \n3932 Female 84 \n4192 Female 98 \n4254 Male 80 \n4297 Female 95 \n4355 Male 85 \n4405 Male 94 \n4531 Female 93 \n4583 Female 93 \n4666 Male 82 \n4779 Male 92 \n5125 Female 79 \n5966 Male 97 \n5989 Female 80 \n6347 Male 98 \n6393 Female 98 \n6522 Female 95 ",{"_key":855,"_type":8,"children":856,"markDefs":865,"style":135},"746177e5caf4",[857,861],{"_key":858,"_type":12,"marks":859,"text":860},"1209b5c2b0d7",[34],"Öğrenme Engelleri",{"_key":862,"_type":12,"marks":863,"text":864},"455259d0b789",[],":",[],{"_key":867,"_type":8,"children":868,"level":371,"listItem":372,"markDefs":902,"style":16},"0cce276da7fa",[869,873,876,880,884,887,891,895,898],{"_key":870,"_type":12,"marks":871,"text":872},"e4357467306a",[],"Öğrenme engeli olan öğrenciler (örn. ",{"_key":874,"_type":12,"marks":875,"text":647},"08d427e7c839",[34],{"_key":877,"_type":12,"marks":878,"text":879},"a76eadd8ece5",[],", ",{"_key":881,"_type":12,"marks":882,"text":883},"c258726630c8",[34],"560",{"_key":885,"_type":12,"marks":886,"text":879},"3fda4f5a3bbd",[],{"_key":888,"_type":12,"marks":889,"text":890},"f951bdac8b40",[34],"2904",{"_key":892,"_type":12,"marks":893,"text":894},"d279d69c1c26",[],") arasında farklı başarı seviyeleri gözlemleniyor. ",{"_key":896,"_type":12,"marks":897,"text":647},"dda28edfe1d8",[34],{"_key":899,"_type":12,"marks":900,"text":901},"bfc9303736b1",[]," numaralı öğrenci, öğrenme engeli olmasına rağmen 89 puan alırken, diğer bazı öğrenciler daha düşük puanlar elde ediyor. Bu, öğrenme engelinin etkilerinin bireysel farklılıklara göre değişebileceğini gösteriyor.",[],{"_key":904,"_type":8,"children":905,"markDefs":913,"style":135},"a91edf821127",[906,910],{"_key":907,"_type":12,"marks":908,"text":909},"64df03c5db73",[34],"Ebeveyn Eğitim Düzeyi",{"_key":911,"_type":12,"marks":912,"text":864},"53d40d7d3e16",[],[],{"_key":915,"_type":8,"children":916,"level":371,"listItem":372,"markDefs":944,"style":16},"b8f30c2f8756",[917,921,925,929,933,936,940],{"_key":918,"_type":12,"marks":919,"text":920},"b9ffd837e268",[],"Öğrencilerin ebeveyn eğitim düzeyinin başarı ile ilişkisi önemli bir faktör. ",{"_key":922,"_type":12,"marks":923,"text":924},"d1cec93de7a1",[34],"Postgraduate",{"_key":926,"_type":12,"marks":927,"text":928},"3501d37ae80f",[]," olan ebeveynlere sahip öğrenciler (örn. ",{"_key":930,"_type":12,"marks":931,"text":932},"28afd8c9653d",[34],"113",{"_key":934,"_type":12,"marks":935,"text":879},"860031ec4f41",[],{"_key":937,"_type":12,"marks":938,"text":939},"e4305e552380",[34],"637",{"_key":941,"_type":12,"marks":942,"text":943},"42ac0d7bc07e",[],") genellikle daha yüksek puanlar almış. Bu, aile eğitiminin, öğrencinin akademik başarısı üzerindeki etkisini vurguluyor.",[],{"_key":946,"_type":8,"children":947,"markDefs":955,"style":135},"1690c188b9de",[948,952],{"_key":949,"_type":12,"marks":950,"text":951},"13cf9dbfaf17",[34],"Evden Uzaklık",{"_key":953,"_type":12,"marks":954,"text":864},"ec27f75b775b",[],[],{"_key":957,"_type":8,"children":958,"level":371,"listItem":372,"markDefs":986,"style":16},"cfe9ad86699e",[959,963,967,971,975,979,982],{"_key":960,"_type":12,"marks":961,"text":962},"5e009c395b96",[],"Uzaklık durumunun (Near, Moderate, Far) başarı üzerindeki etkisi de dikkat çekici. ",{"_key":964,"_type":12,"marks":965,"text":966},"1f84f458e1b7",[34],"Far",{"_key":968,"_type":12,"marks":969,"text":970},"30c79cad53d7",[]," mesafede yaşayan öğrenciler arasında başarı düzeyi genellikle daha düşük. Örneğin, ",{"_key":972,"_type":12,"marks":973,"text":974},"20366eaf6c07",[34],"1099",{"_key":976,"_type":12,"marks":977,"text":978},"13da479b04f4",[]," numaralı öğrenci ",{"_key":980,"_type":12,"marks":981,"text":966},"17208feb3a85",[34],{"_key":983,"_type":12,"marks":984,"text":985},"a6f905913869",[]," mesafede olmasına rağmen 80 puan alıyor. Ulaşım zorlukları ve evden uzakta olmanın motivasyon üzerindeki etkisi göz önünde bulundurulmalı.",[],{"_key":988,"_type":8,"children":989,"markDefs":997,"style":135},"a60fe73f526f",[990,994],{"_key":991,"_type":12,"marks":992,"text":993},"bc38c741c7aa",[34],"Cinsiyet",{"_key":995,"_type":12,"marks":996,"text":864},"b3e1f8d2ff3e",[],[],{"_key":999,"_type":8,"children":1000,"level":371,"listItem":372,"markDefs":1027,"style":16},"ad6b1b8c3160",[1001,1005,1009,1013,1016,1019,1023],{"_key":1002,"_type":12,"marks":1003,"text":1004},"619fb84bdac5",[],"Cinsiyet dağılımı da başarıda belirleyici olabilir. Her iki cinsiyetin de yüksek başarı gösterdiği öğrenciler bulunmakta, ancak bazı cinsiyet gruplarının belirli alanlarda daha önde olduğu görülebilir. Örneğin, ",{"_key":1006,"_type":12,"marks":1007,"text":1008},"0c11deb540ac",[34],"Female",{"_key":1010,"_type":12,"marks":1011,"text":1012},"4f4059a6943c",[]," öğrencilerin bazıları (örn. ",{"_key":1014,"_type":12,"marks":1015,"text":627},"114f1f90366c",[34],{"_key":1017,"_type":12,"marks":1018,"text":534},"c197d074c168",[],{"_key":1020,"_type":12,"marks":1021,"text":1022},"e6c6e1f55674",[34],"1525",{"_key":1024,"_type":12,"marks":1025,"text":1026},"f42aa7e23cf6",[],") 100 ve üzeri puanlar alarak dikkat çekiyor.",[],{"_key":1029,"_type":8,"children":1030,"markDefs":1038,"style":135},"bb418b566bfb",[1031,1035],{"_key":1032,"_type":12,"marks":1033,"text":1034},"00a90f67dd40",[34],"Sonuç",{"_key":1036,"_type":12,"marks":1037,"text":864},"7c3495029194",[],[],{"_key":1040,"_type":8,"children":1041,"level":371,"listItem":372,"markDefs":1046,"style":16},"22a1f5310a44",[1042],{"_key":1043,"_type":12,"marks":1044,"text":1045},"4c552466190f",[],"Z-skoru ile tespit edilen aykırı değerler, öğrenme engeli, ebeveyn eğitim durumu, ev mesafesi ve cinsiyet gibi değişkenlerin öğrencilerin akademik başarıları üzerindeki etkilerini göstermektedir. Eğitim politikalarının, öğrenme engeli olan öğrencileri desteklemek, ebeveyn eğitimini teşvik etmek ve ulaşım sorunlarını azaltmak için stratejiler geliştirmesi gerekmektedir. Aşağıda daha detaylı yorumları bulabiliriz",[],{"_key":1048,"_type":8,"children":1049,"markDefs":1054,"style":135},"62503b20addc",[1050],{"_key":1051,"_type":12,"marks":1052,"text":1053},"6f591c4a77df",[],"Z-skoru ile Aykırı Değer Analizi:",[],{"_key":1056,"_type":8,"children":1057,"level":371,"listItem":372,"markDefs":1066,"style":16},"f3a00e4fc29d",[1058,1062],{"_key":1059,"_type":12,"marks":1060,"text":1061},"978f27b66fb3",[34],"Z-skoru Değerleri",{"_key":1063,"_type":12,"marks":1064,"text":1065},"afa563dc896b",[],": Z-skoru hesaplandığında, genellikle ±2 veya ±3'ten büyük olan değerler aykırı değer olarak kabul edilir. Bu durumda, z-skoru 2'den büyük olan öğrenci başarıları dikkate alınarak, bu öğrencilerin özellikleri incelenebilir.",[],{"_key":1068,"_type":8,"children":1069,"markDefs":1074,"style":135},"cbc3b8da8768",[1070],{"_key":1071,"_type":12,"marks":1072,"text":1073},"f7274e87e0c8",[],"2. Akademik Başarı ve Z-skorları:",[],{"_key":1076,"_type":8,"children":1077,"level":371,"listItem":372,"markDefs":1086,"style":16},"eb960925997b",[1078,1082],{"_key":1079,"_type":12,"marks":1080,"text":1081},"f13f76c46770",[34],"Exam_Score (Sınav Puanı)",{"_key":1083,"_type":12,"marks":1084,"text":1085},"2f815181997d",[],": Z-skoru analizi, öğrencilerin sınav puanlarının ne kadar standart sapma ile ortalamadan uzaklaştığını gösterir. Örneğin, z-skoru +2 olan bir öğrenci, sınavda beklenenin çok üzerinde bir performans sergilemiştir. Bu tür öğrencilerin çalışma alışkanlıkları, fiziksel aktivite düzeyleri ve diğer değişkenleri göz önünde bulundurularak daha ayrıntılı analiz yapılabilir.",[],{"_key":1088,"_type":8,"children":1089,"markDefs":1094,"style":135},"14ced453c42c",[1090],{"_key":1091,"_type":12,"marks":1092,"text":1093},"c7100f214caa",[],"3. Uyku ve Çalışma Süreleri:",[],{"_key":1096,"_type":8,"children":1097,"level":371,"listItem":372,"markDefs":1106,"style":16},"3ff91cc8dc2c",[1098,1102],{"_key":1099,"_type":12,"marks":1100,"text":1101},"49a4c4ce63c1",[34],"Sleep_Hours ve Hours_Studied",{"_key":1103,"_type":12,"marks":1104,"text":1105},"d92fcb016b4c",[],": Z-skorları, bu iki değişkenin ortalama değerlerinin dışında kalan öğrenci gruplarını belirlemede yardımcı olur. Örneğin, az uyuyarak yüksek z-skoru alan öğrenciler (yani başarılı olanlar), uyku eksikliğine rağmen iyi performans gösteriyor olabilirler. Bu, kişisel motivasyon veya etkin çalışma yöntemlerinin varlığına işaret edebilir.",[],{"_key":1108,"_type":8,"children":1109,"markDefs":1114,"style":135},"06992a25d9d4",[1110],{"_key":1111,"_type":12,"marks":1112,"text":1113},"9736c77c56dc",[],"4. Ebeveyn Eğitimi ve Sosyal Destek:",[],{"_key":1116,"_type":8,"children":1117,"level":371,"listItem":372,"markDefs":1126,"style":16},"70f7b17cf36a",[1118,1122],{"_key":1119,"_type":12,"marks":1120,"text":1121},"ea6778039180",[34],"Parental_Education_Level ve Aykırı Değerler",{"_key":1123,"_type":12,"marks":1124,"text":1125},"20de12d56682",[],": Ebeveyn eğitimi düzeyi yüksek olan öğrenciler, z-skorlarına göre ortalamanın çok üzerinde puanlar alabilirler. Ebeveyn desteği ile birlikte, sosyal çevrenin (peer influence) de z-skorları açısından olumlu bir etkiye sahip olduğu gözlemlenebilir. Bu durum, öğrenci başarısının sosyal ve ailevi destekle nasıl şekillendiğini gösterir.",[],{"_key":1128,"_type":8,"children":1129,"markDefs":1134,"style":135},"81bc2f739fe7",[1130],{"_key":1131,"_type":12,"marks":1132,"text":1133},"170600643ed2",[],"5. Cinsiyet ve Z-skoru:",[],{"_key":1136,"_type":8,"children":1137,"level":371,"listItem":372,"markDefs":1142,"style":16},"825dc9428f3e",[1138],{"_key":1139,"_type":12,"marks":1140,"text":1141},"691248a385b3",[],"Cinsiyetin z-skoru analiziyle birlikte incelenmesi, erkek ve kadın öğrenciler arasındaki performans farklılıklarını daha net bir şekilde ortaya koyabilir. Cinsiyetler arasında belirgin z-skoru farklılıkları varsa, bu durum eğitici stratejilerin ve destek programlarının nasıl tasarlanması gerektiği konusunda bilgi sağlayabilir.",[],{"_key":1144,"_type":8,"children":1145,"markDefs":1150,"style":135},"18e5f601a7b3",[1146],{"_key":1147,"_type":12,"marks":1148,"text":1149},"89c5fb7ad476",[],"6. Fiziksel Aktivite ve Motivasyon Düzeyi:",[],{"_key":1152,"_type":8,"children":1153,"level":371,"listItem":372,"markDefs":1162,"style":16},"7c538923b27b",[1154,1158],{"_key":1155,"_type":12,"marks":1156,"text":1157},"74af8cbd168a",[34],"Physical_Activity ve Motivation_Level",{"_key":1159,"_type":12,"marks":1160,"text":1161},"0d4751738437",[],": Z-skorları, bu iki faktörün öğrenci performansındaki rolünü daha iyi anlamamıza yardımcı olabilir. Yüksek z-skoru ile iyi bir fiziksel aktivite düzeyine sahip öğrencilerin, motivasyon düzeyleri incelenerek başarılarındaki etkenler belirlenebilir.",[],{"_key":1164,"_type":8,"children":1165,"markDefs":1170,"style":331},"ba788ff5aad0",[1166],{"_key":1167,"_type":12,"marks":1168,"text":1169},"2b7dbb3e4918",[],"Genel Değerlendirme",[],{"_key":1172,"_type":8,"children":1173,"markDefs":1178,"style":16},"874c761b08d8",[1174],{"_key":1175,"_type":12,"marks":1176,"text":1177},"fb4351e4fd7f",[],"Z-skoru analizi, verilerin normal dağılımı hakkında bilgi edinmek ve aykırı değerleri tanımlamak için güçlü bir yöntemdir. Elde edilen Z-skorları, her bir gözlemin ortalamadan ne kadar uzak olduğunu standardize bir ölçü ile ifade eder. Genelde, Z-skoru 3'ten büyük olan değerler aykırı kabul edilirken, -3'ten küçük olanlar da dikkate alınabilir.",[],{"_key":1180,"_type":8,"children":1181,"markDefs":1186,"style":16},"b78b853b7f1a",[1182],{"_key":1183,"_type":12,"marks":1184,"text":1185},"edca5748d114",[],"Veri setimizde elde edilen Z-skorları üzerinden yapılan analizlerde, belirli gözlemler belirgin şekilde ortalamadan uzaklaşmaktadır. Bu durum, gözlemlerin performansı ve öğrenim düzeyleri hakkında önemli ipuçları sağlamaktadır. Örneğin, 100 puan alan bir öğrencinin Z-skoru 2.62 olarak hesaplanmış, bu durum onun genel öğrenci grubundan oldukça başarılı olduğunu göstermektedir. Diğer taraftan, düşük Z-skorlarına sahip öğrenciler, özellikle 1 ve -1 arasındaki değerler, genel öğrenci grubunun altında performans gösteriyor. Bu durum, öğretim ve kaynak kullanımında belirli bir strateji değişikliği gerektirebilir.",[],{"_key":1188,"_type":8,"children":1189,"markDefs":1194,"style":16},"b427fe831d4e",[1190],{"_key":1191,"_type":12,"marks":1192,"text":1193},"2c6f03f96077",[],"Ayrıca, Z-skorlarıyla birlikte, öğrencilerin çeşitli özellikleri (örneğin, öğrenim süreleri, aile gelir düzeyleri, okul türü gibi) ile ilgili korelasyon analizi yapılarak, başarıyı etkileyen faktörler üzerinde derinlemesine bir analiz yapılabilir. Örneğin, öğretmen kalitesi ile öğrenci başarısı arasında güçlü bir pozitif ilişki bulunmuşken, fiziksel aktivite ve ders dışı etkinliklerin etkisi sınırlı görünmektedir.",[],{"_key":1196,"_type":8,"children":1197,"markDefs":1202,"style":70},"5c4f349b2ecf",[1198],{"_key":1199,"_type":12,"marks":1200,"text":1201},"f37fe311b6f1",[],"Eksik Verilerin Önemi",[],{"_key":1204,"_type":8,"children":1205,"markDefs":1210,"style":16},"fc5bd5d01070",[1206],{"_key":1207,"_type":12,"marks":1208,"text":1209},"761656aa3c29",[],"Eksik veriler, veri analizi ve makine öğrenimi modelleme süreçlerinde çeşitli olumsuz etkilere neden olabilir:",[],{"_key":1212,"_type":8,"children":1213,"level":371,"listItem":372,"markDefs":1222,"style":16},"1f22c41689ee",[1214,1218],{"_key":1215,"_type":12,"marks":1216,"text":1217},"0c545651a5c7",[34],"Analiz Doğruluğu",{"_key":1219,"_type":12,"marks":1220,"text":1221},"b1ea298a54d0",[],": Eksik veriler, analizlerin doğruluğunu etkileyebilir. Örneğin, bir grup öğrenci üzerinde yapılan bir çalışma, eksik veriler nedeniyle yanlış sonuçlar verebilir.",[],{"_key":1224,"_type":8,"children":1225,"level":371,"listItem":372,"markDefs":1234,"style":16},"54fc0b611566",[1226,1230],{"_key":1227,"_type":12,"marks":1228,"text":1229},"8fe934bc55ed",[34],"Model Performansı",{"_key":1231,"_type":12,"marks":1232,"text":1233},"501abe6ab70d",[],": Makine öğrenimi modelleri, eksik verilere karşı hassastır. Eksik veriler, modelin öğrenme sürecini olumsuz yönde etkileyebilir, bu da tahminlerin kalitesini düşürür.",[],{"_key":1236,"_type":8,"children":1237,"level":371,"listItem":372,"markDefs":1246,"style":16},"41257db3829b",[1238,1242],{"_key":1239,"_type":12,"marks":1240,"text":1241},"0bc3616ecee0",[34],"Yanlış Karar Alma",{"_key":1243,"_type":12,"marks":1244,"text":1245},"c3edddc87ff5",[],": Analiz ve modelleme süreçlerinde eksik verilerin göz ardı edilmesi, yanlış kararların alınmasına neden olabilir. Bu da organizasyonlar için büyük maliyetler ve kayıplar doğurabilir.",[],{"_key":1248,"_type":8,"children":1249,"markDefs":1254,"style":16},"c1f6cb5d7581",[1250],{"_key":1251,"_type":12,"marks":1252,"text":1253},"9b894b2f0d1a",[],"Sonuç olarak, eksik veri yönetimi, veri analizi ve makine öğrenimi süreçlerinde önemli bir rol oynamaktadır. Eksik verilerin doğru bir şekilde yönetilmesi, veri setinin kalitesini artırır ve analizlerin doğruluğunu sağlar. Herkesin anlayabileceği basit bir dil kullanarak, eksik veri yönetiminin temel kavramlarını ve önemini açıklamak, veri bilimi ve analitiği alanında çalışan bireyler için kritik bir adımdır.",[],{"_key":1256,"_type":8,"children":1257,"markDefs":1261,"style":16},"03412608b7f4",[1258],{"_key":1259,"_type":12,"marks":1260,"text":173},"c0a16e272a07",[],[],{"_key":1263,"_type":8,"children":1264,"markDefs":1268,"style":16},"3631f18af71e",[1265],{"_key":1266,"_type":12,"marks":1267,"text":173},"fd5033ece001",[],[],[1270],"Veri",{"_type":18,"asset":1272},{"_ref":1273,"_type":21},"image-a34bef96cbc9de1b9ecd3e8d5d6ae9cc80abcd60-2400x1260-webp","2026-01-02T18:25:21.411Z",[1276],{"categories":1277,"mainImage":1278,"publishedAt":1281,"slug":1282,"title":1285},[1270],{"_type":18,"asset":1279},{"_ref":1280,"_type":21},"image-8959f008990f583e0315edba8caaf83b1e2af108-2400x1260-webp","2026-01-02T17:04:06.717Z",{"_type":1283,"current":1284},"slug","veri-analizi-bolum-1-giris-ve-temel-kavramlar","Veri Analizi Bölüm 1 | Giriş ve Temel Kavramlar","Veri Analizi Bölüm 2 | Veri Hazırlama Ve Temizleme Teknikleri",1776095187714]