Veri Bilimi
- 201 Özellik önemini (feature importance) doğru yorumlamak için nelere dikkat etmeli?
- 202 Model açıklanabilirliği: SHAP ve LIME nasıl çalışır?
- 203 Adil makine öğrenmesi: önyargı (bias) ölçümleri ve azaltma yöntemleri
- 204 Veri etik ve gizlilik: anonimleştirme, takma adlandırma ve KVKK
- 205 Örnekleme stratejileri: rastgele, tabakalı ve zaman tabanlı örnekleme
- 206 Akış verisi (streaming) için Kafka ve Spark Structured Streaming
- 207 Büyük veri işleme: Spark DataFrame ve PySpark temel kavramlar
- 208 OLTP ve OLAP farkı: veri ambarı ve göl (data lake) mimarisi
- 209 SQL’de pencere (window) fonksiyonları ile özellik üretimi
- 210 Matplotlib ve Plotly ile etkileşimli grafikler nasıl hazırlanır?
- 211 Veri görselleştirme tasarımı: doğru grafik seçimi ve algı hataları
- 212 Zaman serisinde mevsimsellik ve trend bileşenleri nasıl ayrıştırılır?
- 213 Nedensel çıkarım: ATE, CATE ve eğilim skoru eşleştirme (PSM)
- 214 Bayesçi istatistik: önsel (prior), olabilirlik ve sonsal (posterior)
- 215 Hipotez testleri: t-testi, ki-kare ve ANOVA ne zaman kullanılır?
- 216 A/B testleri nasıl tasarlanır? Güç analizi ve örneklem hesabı
- 217 Özdeşlik ve veri eşleştirme: fuzzy matching ve record linkage
- 218 Boyut indirgeme: PCA, t-SNE ve UMAP ne zaman tercih edilir?
- 219 Kümeleme: K-Means, DBSCAN ve HDBSCAN karşılaştırması
- 220 Implicit feedback verisiyle öneri sistemi nasıl kurulur?