PROF. DR. FİKRİ AKDENİZ - BİLİM DÜNYASI


NASIL VERİ BİLİMCİ OLURUM? (2)

Prof. Dr. Fikri Akdeniz


Geçen haftaki yazımızda makine öğrenmesi ve istatistiksel öğrenme konularını incelemiştik Bu yazımızda her iki kavramın içeriklerini ve gerçek dünyada veri bilimcinin çalışma alanlarını vereceğiz.

Veri değerli bir şeydir.Dünyada hızlı veri üretiyor olduğumuza göre, veri bilimi ve veri bilimci’lik için var olan eğilimler uzun bir süre daha devam edecek gibi gözükmektedir. Bu nedenle Veri Bilimci olmak için çalışmaya başlamanın zamanıdır. Veri bilimci, Büyük veri taban-larından bilgilere erişir, veriyi işlemek için kod kullanır ve sayıları dijital biçimde görselleştirir.

Makine Öğrenmesi(ML):

Birliktelik Kuralı Öğrenme (AssociationRule Learning)

Metin Madenciliği (textmining), NLP

Pekiştirmeli Öğrenme(Reinforcement Learning)

Derin Öğrenme (deeplearning)

Model Seçme (validasyon, test hatası yöntemleri,  model performans değerlendirme, parametre tuning) ve Öğrenme Bozukluklarının Bilinmesi (underfitting, overfitting, goodfitting)

İstatistiksel Öğrenme(SL):

Keşifçi Veri Analizi (Betimsel İstatistik, Veri Görselleştirme)

Çıkarımsal İstatistik (örnekleme teorisi, olasılık dağılımları, rastgele değişkenler, hipotez testleri, Bayesçi çıkarım, robust yöntemler)

Çok Değişkenli İstatistiksel Yöntemler (korelasyon, boyut indirgeme varyans analizi, kümeleme analizi, faktör analizi, uyum analizi, path analizi, ayırma analizi vb)

Regresyon Modelleri: Doğrusal regresyon, logit-probit, m.logit-m.probit, çoklu regresyon, polinom regresyonu

ResamplingMethods (yeniden örnekleme yöntemleri: cross-validation, bootstrap)

Doğrusal Model Seçimi ve Regularization (düzenleme)

Classification(Sınıflandırma): Lojistik Regresyon, Topluluk Öğrenme Yöntemleri (bagging, boosting,…,)

Clustering (Kümeleme): Hiyerarşik ve Hiyerarşik Olmayan Kümeleme Yöntemleri(K-Means)

Tidy Data (Düzenli veri) Süreci ve Veri Ön İşleme (eksik veri, aykırı gözlem, tutarsızlık incelemeleri vb)

NOT: Yazının içinde geçen İngilizce sözcükler ve kısaltılmış ifadelerin karşılıkları için internetten yararlanabilirsiniz.

Maddelerin yerleri, sıraları ve başlıkları değiştirilebilir. Bu durumda veri madenciliği, makine öğrenmesi, veri bilimi gibi kavramların her biri iç içe geçmiş durumda olacağından her birinin yukarıda anıldığını varsayabiliriz.

Bazı istatistikçiler ML kısmına yazılanların aslında SL kısmında olması gerektiğini düşünecektir. Aslında SL ve ML iç içedir ve aynı şeyleri ifade etmektedirler.

Veri Bilimci Olmak İçin yukarıdaki Özelliklerin Tümüne Sahip Olmak Gerekli mi?

Hayır. Burada önemli olan nokta veri bilimcinin yukarıdaki ARAÇ’ ları kullanarak veri içinden anlamlı bilgi çıkarma işlemini yapması gerektiğidir. Yukarıdaki özelliklerin en azına sahip olarak ta proje yapılabilir fakat günümüzde yukarıdaki özelliklerin birçoğunun kullanılması kaçınılmaz hale gelmiştir.

En Azından Hangilerini Öğrenmeliyim ki Veri Bilimci Olma Yolunda İlerleyeyim?

Motivasyon (isteklendirme, güdüleme)

Problemler Üzerinde Doğru Soruları Sormak

Analitik Bakış Açısı

Programlama:  SQL + Herhangi Birisi

İstatistiksel Öğrenme: Tüm maddeler

Makine Öğrenmesi: Tüm maddeler

 

İyi Veri Bilimci Adayı Kimdir?

Adaylar, sürekli bir öğrenme arayışını zorlayan meraklı bir yapıya sahip olmalıdır.Adayların önce iş başında eğitime ihtiyaç duymaları durumunda bu eğitim genellikle bir şirketin belirli programları ve içsel sistemleri etrafında toplanır. Üniversitede öğretilmeyen gelişmiş analitik teknikleri içerebilir. Veri bilimcileri, kariyerleri boyunca bilgi ve teknolojinin en ileri noktasında kalmak için eğitim alırlar.

 Analiz edilecek o kadar çok alan ve o kadar çok veri noktası var ki, bir veri bilimcinin yanıt bulma ihtiyacını harekete geçiren doğal bir merakı olması gerekir. Veri bilimcinin, organizasyon için güçlü bir yeteneğiolmalıdır. Bilgilerin yararlı bir şekilde organize edildiğinden emin olmak çok önemlidir. Yaratıcılık, güçlü odaklanma yeteneği ve ayrıntılara aşırı dikkat gibi diğer özelliklerin tümü bir veri bilimci olmaya yardımcı olacaktır.

Birçok veri bilimci, iş dünyasında, genellikle ekonominin belirli bölümlerinde (otomotiv veya sigorta) pazarlama, finans gibi işle ilgili alanlarda yoğun bir şekilde uzmanlaşacaktır.Örneğin, bir otomobil bayisinde çalışan bir veri bilimci, müşteri veya pazarlama analizi, kampanyalar oluşturma ve o şirket için daha iyi satış tahminleri getirme konusunda uzmanlaşabilir. Büyük perakende zincirlerinde çalışan başka bir veri bilimci, o pazarın ikliminde o zinciri rekabetçi tutmak için ürünlerine mükemmel fiyat aralığını belirleyerek tahminde uzmanlaşabilir.

Veri bilimcinin yaptığıişler nedir?

Veri bilimcileri projeler üzerinde işbirliği yaparak ve etkili bir şekilde iletişim kurmasına olanak tanıyan ofis ortamlarında çalışır. İşin çoğu, sisteme veri yüklemek veya bilgiyi analiz edecek bir program için kod yazmak olabilir.Yaratıcı düşünmeyi özendirmek için tasarlanmış bir çalışma ortamı bulabilir veya verimlilik ve etkinlik için tasarlanmış bir ofiste çalışabilirsiniz; Bu, takip ettiğiniz veri biliminin türüne ve çalıştığınız işletmelerin doğasına bağlıdır.

Gelişmiş ülkelerde veri bilimcilerine olan talep, yazılım mühendislerineve veri analistlerineolandan daha fazla olmaktadır.

Hedefiniz ileri bir liderlik pozisyonu ise, ya bir yüksek lisans ya da doktora derecesi kazanmanız gerekecektir.

Sonuç olarak,  yukarıdaki açıklamalara ulaştığınızda iyi bir veri bilimci olursunuz.

YAZARLAR

  • Cuma 24.9 ° / 14.2 ° Güneşli
  • Cumartesi 28.3 ° / 15.1 ° Güneşli
  • Pazar 28.3 ° / 15.7 ° Güneşli
  • BIST 100

    9079,97%3,10
  • DOLAR

    32,35% 0,15
  • EURO

    34,93% -0,09
  • GRAM ALTIN

    2322,96% 0,18
  • Ç. ALTIN

    3843,45% 0,00