Ders 1: Python ve Veri Bilimi Temelleri

 Python dilinin temel özellikleri

 Veri bilimi ve analitik için Python'un neden tercih edildiği

 Anaconda ve Jupyter Notebook kurulumu

 Temel veri tipleri ve veri yapıları

Ders 2: NumPy ve Matplotlib Kütüphaneleri

 NumPy ile matematiksel operasyonlar ve çok boyutlu diziler

 Matplotlib ile veri görselleştirme temelleri

Ders 3: Pandas Kütüphanesi

 Pandas DataFrame ve Series objeleri

 Veri okuma ve yazma işlemleri

 Veri temizleme ve manipülasyon teknikleri

Ders 4: Veri Analizi ve İstatistik

 Veri analizi kavramları

 İstatistiksel ölçümler ve grafikler

 Pandas'ın gruplama ve toplama fonksiyonları

Ders 5: Veri Görselleştirme

 Seaborn ve Plotly kütüphaneleri ile görselleştirme

 İleri düzey grafikler ve interaktif görselleştirme

Ders 6: Veri Keşfi ve Ön İşleme

 Outlier tespiti ve işleme

 Eksik verilerle başa çıkma

 Feature engineering ve özellik mühendisliği

Ders 7: Makine Öğrenimi Temelleri

 Temel kavramlar: öğrenme tipleri (denetimli, denetimsiz, güçlendirme)

 Scikit-Learn kütüphanesi ve temel algoritmalar

 Model eğitimi, değerlendirmesi ve hiperparametre ayarı

Ders 8: Derin Öğrenme Giriş

 Tensorflow ve Keras kütüphaneleri

 Yapay sinir ağları ve derin öğrenme temelleri

 Giriş seviyesinde bir derin öğrenme modelinin oluşturulması

Ders 9: Büyük Veri ve Dağıtık Hesaplama

 Apache Spark ve Hadoop temelleri

 Büyük veri işleme ve analizi için Python'un kullanımı

Ders 10: Projeler ve Uygulamalar

 Veri bilimi projelerinin planlanması ve uygulanması

 Gerçek dünya uygulamaları ve endüstri standartları

 Öğrenci projelerinin değerlendirilmesi ve paylaşılması

NOT: Her ders 2 saat olarak hesap edilmiştir.