Python In Excel Eğitim Programı
Excel İçinde Python: Elektronik Tablodan Veri Bilimi Laboratuvarına
Hakkında
Bu program, en yaygın kullanılan tablo uygulamasını bir veri bilimi ortamına dönüştüren Python in Excel özelliğini baştan sona uygulamalı olarak ele alır. Onbir bölüm boyunca katılımcılar önce mimariyi anlar: kod kullanıcının bilgisayarında değil izole bir bulut ortamında çalışır; bu tercih güvenlik ve yönetişim açısından avantaj sağlarken dış ağ erişimi ve nesne manipülasyonu gibi kısıtlar getirir. Ardından ilk kodlar yazılır; Excel'den veri almanın dört yolu, sonucun Python nesnesi ya da Excel değeri olarak tutulması ve kodların soldan sağa, yukarıdan aşağıya çalışma sırası uygulamalı olarak öğrenilir. Python veri tipleri Excel karşılıklarıyla eşleştirildikten sonra kütüphaneler sırayla işlenir: dizilerle vektörel hesaplama ve görüntü işleme, veri okuma ile özetleme ve kaynak veri değiştiğinde anında güncellenen gruplama ile pivot yapıları, eksen ve etiket düzeyinde biçimlendirilebilen grafikler ile Excel dilimleyicisine tepki veren canlı panolar, ve istatistiksel görselleştirmede korelasyon ısı haritasından eşleşme matrisine uzanan ileri grafikler. Program bu birikimi gerçek bir veri seti üzerinde keşifçi veri analiziyle birleştirir; eksik verinin tespiti ve doldurulmasından dağılım incelemesine kadar tam bir akış kurulur. Son bölümler ileri konulara ayrılmıştır: doğrusal regresyonla tahminleme ve model doğrulama, trend ile mevsimselliği ayrıştıran zaman serisi modellerinin karşılaştırılması ve metin verisinden içgörü üretirken yapay zekâ eklentilerinin sınırlarıyla birlikte etkili kullanımı.
Eğitim Kapsamındaki İçerikler
1. Python in Excel'in bulut tabanlı mimarisi ve bunun güvenlik ile yönetişim gerekçeleri
2. Platform kısıtları: Dış ağ erişimi, yerel dosya erişimi ve nesne manipülasyonunun bulunmaması
3. Hücrenin Python editörüne dönüştürülmesi ve otomatik hesaplama modunun zorunluluğu
4. Dört veri alma yolu: Tablolar, isimlendirilmiş alanlar, hücre seçimi ve Power Query bağlantıları
5. Python nesnesi ile Excel değeri ayrımı, dinamik dizi mantığı ve taşma hatasının çözümü
6. Kodların soldan sağa ve yukarıdan aşağıya çalışma sırası ile değişken tanımlarının konumlandırılması
7. Python veri tiplerinin Excel karşılıkları: Liste, dizi, sözlük, metin, tarih, mantıksal, seri ve DataFrame
8. Girinti ile kod bloğu tanımı, döngüler ve koşullu ifadelerin temel kullanımı
9. Dizilerle vektörel hesaplama: Tek satırda toplam, ortalama ve standart sapma
10. Dizi aritmetiğinin ileri uygulaması: Bir görselin renk bileşenleri üzerinden filtrelenmesi
11. Veri setine ilk bakış: Sütun doluluğu, veri tipleri ve tanımlayıcı istatistik özeti
12. Ortalama, medyan, mod, çeyreklikler ve yayılım ölçülerinin veriyi yorumlamadaki rolü
13. Filtreleme, alt küme alma ve kaynak veri değiştiğinde anında güncellenen gruplama ile pivot yapıları
14. Grafik bileşenlerinin biçimlendirilmesi: Eksen başlıkları, etiketler, stil, renk ve işaretler
15. Excel dilimleyicisine tepki veren canlı grafikler ve çok panelli grafik düzenleri
16. İstatistiksel görselleştirme: Dağılım, kutu, korelasyon ısı haritası ve eşleşme grafiği
17. Keşifçi veri analizi: Eksik verinin tespiti, görselleştirilmesi ve doldurma stratejileri
18. Doğrusal regresyonla tahminleme: Eğitim ve test bölünmesi, ölçekleme ve model doğrulama metrikleri
19. Zaman serisi analizi: Trend, mevsimsellik ve durağanlık ayrıştırması ile model karşılaştırması
20. Metin verisinden içgörü üretimi ve yapay zekâ eklentilerinin sınırlarıyla birlikte etkili kullanımı
İçerik
1 video
Bu açılış bölümü, Python in Excel'in ne olduğunu ve neden var olduğunu kavramsal zeminiyle birlikte kuruyor. Excel'in 1985'ten bu yana beyaz yakanın en yaygın aracı hâline gelmesinin nedeni olan hız ve esneklik ile Python'ın veri bilimi kütüphaneleri sayesinde kazandığı popülerlik yan yana konuluyor; Excel'de üç beş dakikada yapılan bir analizin kurumsal bir sistemde neden haftalar sürdüğü örneklendiriliyor, ancak Excel'in veri tabanı yerine kullanılmasının doğurduğu yönetişim riski de açıkça belirtiliyor. Excel'de otomasyon için zaten bir araç bulunduğu hâlde neden yeni bir özellik geldiği sorusu, Python'ın veri bilimi ve istatistik kütüphanelerinden yararlanma amacıyla yanıtlanıyor. Bölümün teknik omurgasını mimari oluşturuyor: yazılan kod kullanıcının bilgisayarında değil, Microsoft'un bulut altyapısında izole bir konteynerde çalışır; veri paketlenir, gönderilir, işlenir ve sonuç geri döner. Bu tercihin güvenlik ve yönetişim gerekçeleri, verinin kalıcı olarak saklanmaması ve model eğitiminde kullanılmaması taahhütleriyle birlikte açıklanıyor. Bu mimariden doğan kısıtlar tek tek sıralanıyor: internet ve ağ erişimi yok, yerel dosya sistemine erişim yok, Excel nesneleri doğrudan değiştirilemiyor ve otomasyon yapılamıyor. Buna karşılık hazır gelen kütüphaneler, kurulum gerektirmemesi ve harici veri kaynaklarına Power Query üzerinden erişilebilmesi avantaj olarak ortaya konuyor.
Bölümde Ele Alınan Temel İçerikler
1. Python ve Excel'in birleşme gerekçesi: Veri bilimi kütüphanelerinin en yaygın tablo uygulamasına taşınması.
2. Bulut tabanlı mimari: Kodun izole bir konteynerde çalışması, veri köprüsü ve bunun güvenlik ile yönetişim gerekçeleri.
3. Mimariden doğan kısıtlar: İnternet ve ağ erişiminin, yerel dosya erişiminin ve Excel nesnesi manipülasyonunun bulunmaması.
4. Yapılabilenler: Hücre, tablo ve isimlendirilmiş alanlardan veri okuma, Power Query bağlantılarına erişim ve hazır kütüphane desteği.
5. Gereksinimler ve lisanslama: Abonelik zorunluluğu, desteklenen platformlar ile standart ve gelişmiş hesaplama seçenekleri arasındaki farklar.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Python in Excel'in hangi ihtiyaçtan doğduğunu ve hangi problemleri çözmeyi hedeflediğini açıklayabilir.
2. Kodun bulutta çalışmasının mimari, güvenlik ve veri gizliliği açısından sonuçlarını değerlendirebilir.
3. Bir görevin Python in Excel ile yapılıp yapılamayacağını platform kısıtları çerçevesinde belirleyebilir.
4. Hazır gelen kütüphaneleri ve erişilebilir veri kaynaklarını tanıyarak çalışma ortamını doğru kurgulayabilir.
5. Kendi kurumunun abonelik, platform ve hesaplama kapasitesi ihtiyacına uygun lisans senaryosunu belirleyebilir.
Eğitmen (1):
1 video
Bu bölümde ilk kodlar yazılıyor ve Excel ile Python arasındaki köprü pratikte kuruluyor. Özelliğin aktif olup olmadığının formül sekmesinden nasıl anlaşılacağı, hücrenin Python editörüne nasıl dönüştürüleceği ve kodun çalıştırılmasının normal satır atlamadan nasıl ayrıldığı gösteriliyor. Hesaplama modunun otomatik bırakılması gerektiği, manuel modda kodların çalışmayacağı uygulamalı olarak doğrulanıyor. Ardından Excel'den veri almanın dört ayrı yolu sırayla işleniyor: tablolar, isimlendirilmiş alanlar, doğrudan hücre seçimi ve Power Query bağlantıları. Seçilen aralıkların varsayılan olarak DataFrame'e dönüştürülmesi, tek bir hücrenin ise kendi tipiyle gelmesi gözlemleniyor; sonucun hücre içinde Python nesnesi olarak kalması ile Excel değerine dönüştürülmesi arasındaki fark ve bu sırada karşılaşılan taşma hatası ile çözümü ele alınıyor. Bölümün en kritik kavramı ise kodların çalışma sırası: Excel içinde kod hücreleri önce satır boyunca soldan sağa, sonra aşağı doğru çalışır; bu yüzden bir hücrede tanımlanan değişken daha üst satırlarda kullanılamaz. Bu kural gerçek bir hata mesajı üzerinden kanıtlanıyor ve genel değişkenlerin ilk satır ve sütunlarda tanımlanması gerektiği vurgulanıyor. Bölüm, veri doğrulama listesiyle seçilen bir kimliğe göre satır detayını anlık getiren etkileşimli bir örnek ve başlangıç bölümünün özelleştirilmesiyle kapanıyor.
Bölümde Ele Alınan Temel İçerikler
1. Python editörünün açılması, kodun çalıştırılması ve otomatik hesaplama modunun zorunluluğu.
2. Dört veri alma yolu: Tablolar, isimlendirilmiş alanlar, hücre seçimi ve Power Query bağlantıları.
3. Python nesnesi ile Excel değeri ayrımı, dinamik dizi mantığı ve taşma hatasının çözümü.
4. Kod çalışma sırası: Soldan sağa ve yukarıdan aşağıya akış ile genel değişkenlerin konumlandırılması.
5. Excel ile etkileşimli kullanım ve başlangıç bölümünde kütüphane ile fonksiyon tanımlama imkânı.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Bir Excel hücresini Python editörüne dönüştürerek kod yazıp çalıştırabilir.
2. Tablo, isimlendirilmiş alan, hücre seçimi ve Power Query kaynaklarından veriyi Python tarafına aktarabilir.
3. Bir sonucu Python nesnesi olarak tutmak ile Excel değerine dönüştürmek arasında bilinçli tercih yapabilir.
4. Kodların çalışma sırasını dikkate alarak değişken tanımlarını doğru hücrelere yerleştirebilir.
5. Veri doğrulama listeleriyle Excel seçimine anlık tepki veren etkileşimli hesaplamalar kurabilir.
Eğitmen (1):
1 video
Bu bölüm, Python'ın temel veri tiplerini Excel hücreleriyle nasıl eşleştiğini tek tek ele alarak bir çeviri sözlüğü kuruyor. Liste tipiyle başlanıyor; Excel'den seçilen bir aralığın varsayılan olarak DataFrame'e dönüştüğü, listeye ulaşmak için önce sütunun seriye ardından listeye çevrilmesi gerektiği adım adım gösteriliyor. Buradan listenin sınırlarına geçiliyor: bir listedeki sayıları toplamak için döngü yazmak gerekirken, aynı veri diziye dönüştürüldüğünde tek bir metotla sonuca ulaşılıyor. Bu karşılaştırma sırasında Python'un girinti ile kod bloğu tanımlaması, döngü yapısı ve girinti hatası da doğal biçimde ele alınıyor. Tam sayı, ondalık sayı, sözlük, metin, tarih ve mantıksal tipler sırayla işleniyor; her birinde değerin Excel hücresinden nasıl alındığı, hangi tipe dönüştüğü ve veri tipi kartından nasıl doğrulanacağı gösteriliyor. Sözlük tipinde mağaza kodu ve şehir eşleşmesi doğrudan Excel hücrelerinden kurularak anahtar-değer mantığı somutlaştırılıyor; metin tipine bu sözlük üzerinden ulaşılıyor. DataFrame ve seri tiplerinde ise Excel ile en doğal eşleşme vurgulanıyor: satır ve sütunlardan oluşan yapısı nedeniyle DataFrame varsayılan tiptir, seri ise onun tek bir sütunudur. Bölüm, koşullu ifadeyle üretilen mantıksal bir değerin Excel'e yazılmasıyla tamamlanıyor.
Bölümde Ele Alınan Temel İçerikler
1. Liste tipi ve Excel'den listeye dönüşüm: Aralık seçiminden seriye, seriden listeye geçiş.
2. Liste ile dizi karşılaştırması: Döngüyle toplama ile tek metotla hesaplama arasındaki fark.
3. Python'un kod bloğu mantığı: Girinti ile blok tanımı, döngü kurulumu ve girinti hatası.
4. Temel tipler: Tam sayı, ondalık sayı, sözlük, metin, tarih ve mantıksal değerlerin Excel karşılıkları.
5. DataFrame ve seri: Excel ile en doğal eşleşen tip olarak DataFrame ve onun sütunu olarak seri.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Excel'den alınan bir aralığı ihtiyaca göre liste, seri veya DataFrame tipine dönüştürebilir.
2. Liste ile dizi arasındaki yetenek farkını gerekçelendirerek göreve uygun tipi seçebilir.
3. Girinti kurallarına uygun döngü ve koşullu ifadeler yazabilir.
4. Bir hücreden gelen verinin hangi Python tipine dönüştüğünü veri tipi kartıyla doğrulayabilir.
5. Excel hücrelerinden anahtar-değer çiftleri kurarak sözlük tipini pratikte kullanabilir.
Eğitmen (1):
1 video
Bu bölüm, veri bilimi işlemlerinin altyapısını oluşturan NumPy kütüphanesini ve onun çok boyutlu dizi yapısını ele alıyor. Önce elle dizi tanımlanıyor, ardından çok boyutlu matrisler oluşturuluyor ve iki katı kural gerçek hata mesajlarıyla öğretiliyor: alt dizilerin eleman sayıları eşit olmalı ve tüm elemanlar aynı türden olmalıdır — bu, listelerden ayrılan temel farktır. Excel aralıklarından diziye geçmenin hem uzun yolu hem de doğrudan dönüştürme metodu gösteriliyor; tablo yapısındaki bir verinin matrise dönüştüğü, düzleştirme metoduyla tek boyuta indirilebildiği izleniyor. Toplam, ortalama, standart sapma gibi temel istatistik metotları çalıştırıldıktan sonra bölüm bir adım öteye geçiyor: kullanıcının Excel'den seçtiği metot adını parametre olarak alan özel bir fonksiyon yazılıyor; böylece hem fonksiyon tanımlama hem de Excel ile etkileşimli metot çağırma birlikte öğreniliyor. Sıfırlardan, birlerden ve rastgele sayılardan dizi üretme ile yeniden şekillendirme ele alındıktan sonra bölüm çarpıcı bir uygulamayla kapanıyor: Excel'e eklenmiş bir görsel diziye dönüştürülüyor, kırmızı-yeşil-mavi bileşenleri ayrıştırılıp katsayılarla çarpılarak sepya filtresi uygulanıyor ve sonuç tekrar görsele çevriliyor. Filtre kodunun bir yapay zekâ aracına yazdırılması, günlük pratiğin dürüst bir yansıması olarak sunuluyor.
Bölümde Ele Alınan Temel İçerikler
1. Çok boyutlu dizi yapısı: Elle tanımlama, homojenlik kuralı ve listelerden ayrılan farklar.
2. Excel'den diziye geçiş: Seri ve liste üzerinden dönüşüm ile doğrudan dönüştürme metodu ve düzleştirme.
3. Temel istatistik metotları ve Excel'den seçilen metot adını parametre alan özel fonksiyon yazımı.
4. Dizi üretme: Sıfır, bir ve rastgele değerli diziler ile yeniden şekillendirme.
5. Uygulama: Bir görselin diziye dönüştürülüp renk bileşenleri üzerinde aritmetik işlemle filtrelenmesi.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Tek ve çok boyutlu diziler tanımlayarak dizi kurallarına uygun veri yapıları kurabilir.
2. Excel aralıklarını diziye dönüştürerek üzerinde vektörel hesaplamalar yapabilir.
3. Toplam, ortalama ve standart sapma gibi metrikleri tek satırda hesaplayabilir.
4. Parametre alan özel bir fonksiyon yazarak hesaplama metodunu Excel'den seçilebilir hâle getirebilir.
5. Dizi aritmetiğinin görüntü işleme gibi ileri uygulamalarda nasıl kullanıldığını örnekle açıklayabilir.
Eğitmen (1):
1 video
Bu bölüm, Python in Excel'in en merkezî kütüphanesi olan Pandas'ı ve onun temel veri tipi DataFrame'i baştan sona işliyor. Bir veri setiyle çalışmaya başlarken yapılan ilk hamleler tanıtılıyor: sütunların doluluk durumunu ve veri tiplerini gösteren özet, baştan ve sondan satırları getiren metotlar ve tanımlayıcı istatistikleri tek tabloda toplayan özet metodu. Bu noktada bölüm kısa bir istatistik molası veriyor; ortalama, medyan ve mod arasındaki farkın neden önemli olduğu, tek bir aykırı değerin ortalamayı nasıl yanılttığı örnekle anlatılıyor ve çeyreklikler ile yayılım ölçüleri tanıtılıyor. Kategorik değişkenlerin sayısal olanlardan farklı biçimde tarif edilmesi gerektiği, aynı metoda verilen bir parametreyle gösteriliyor. Ardından sütun ve satır düzeyine iniliyor: benzersiz değerlerin listelenmesi, değer sayımları, koşullu filtreleme ve bu filtrenin tersini almanın kısayolu, satır ve sütun bazlı alt küme alma metotları uygulamalı olarak işleniyor. Bölümün zirvesi özetleme fonksiyonlarında: gruplama ve pivot tablo kurulurken hem gruplanacak sütunlar hem de uygulanacak toplama fonksiyonu Excel hücrelerinden seçilerek etkileşimli hâle getiriliyor. Klasik pivot tablodan farkı vurgulanıyor: bu bir formül gibi çalışır, kaynak veri değiştiğinde yenileme gerektirmeden anında güncellenir. Bölüm, tarih sütunundan aylık bir zaman serisi üretip ilk grafiğin çizilmesiyle kapanıyor.
Bölümde Ele Alınan Temel İçerikler
1. Veri setine ilk bakış: Sütun doluluğu ve veri tipleri, baştan ve sondan satırlar, tanımlayıcı istatistik özeti.
2. İstatistik temelleri: Ortalama, medyan, mod, çeyreklikler ve yayılım ölçülerinin veriyi yorumlamadaki rolü.
3. Sütun ve satır işlemleri: Benzersiz değerler, değer sayımları, koşullu filtreleme ve alt küme alma metotları.
4. Özetleme: Gruplama ve pivot tablo kurulumu ile toplama fonksiyonunun Excel'den etkileşimli seçilmesi.
5. Zaman serisine dönüştürme: İndeksin tarihe çevrilmesi, aylık yeniden örnekleme ve ilk grafik çizimi.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Yeni bir veri setini standart metotlarla inceleyerek kalitesi ve yapısı hakkında hızlı bir değerlendirme yapabilir.
2. Sayısal ve kategorik değişkenler için uygun tanımlayıcı istatistikleri üretip yorumlayabilir.
3. Bir DataFrame üzerinde filtreleme ve alt küme alma işlemleriyle ihtiyacı olan veriyi çıkarabilir.
4. Excel hücrelerinden parametre alan, kaynak veri değiştiğinde anında güncellenen gruplama ve pivot yapıları kurabilir.
5. Tarih sütunundan yeniden örnekleme yaparak aylık veya farklı periyotlarda zaman serisi oluşturabilir.
Eğitmen (1):
1 video
Bu bölüm, veri analizinin görselleştirme ayağını Matplotlib kütüphanesi üzerinden ele alıyor. Önce hangi grafik türünün neyi anlattığı özetleniyor: zaman içindeki değişim için çizgi, dağılım için histogram, medyan ile aykırı değerler için kutu grafiği, iki değişken arasındaki ilişki için serpme grafiği. Ardından aylık satış trendi gruplanıp ilk çizgi grafiği çiziliyor ve grafiğin nasıl bir görsel nesne olarak döndüğü, bunun hücre içinde mi yoksa hücrelerin üzerinde serbest bir nesne olarak mı gösterileceği inceleniyor. Bir grafiğin bileşenleri — eksenler, eksen etiketleri, işaret etiketleri, başlık ve gösterge — tek tek tanıtılıp biçimlendiriliyor: eksen başlıkları ekleniyor, üst üste binen tarih etiketleri döndürülüyor, çizgi stili, rengi, kalınlığı ve veri noktası işaretleri değiştiriliyor. Bölümün en öğretici bölümü ise etkileşim kurgusu: bölgelere göre gruplanmış bir yatay sütun grafiği çiziliyor, ardından Excel'in dilimleyici bileşeni devreye alınıyor. Dilimleyici seçimlerinin nasıl okunacağı, boş değerlerin nasıl düşürüleceği ve elde edilen verinin filtre parametresi olarak kullanılabilmesi için neden listeye dönüştürülmesi gerektiği adım adım çözülüyor. Sonuçta seçim değiştikçe arka planda filtreleyen ve grafiği yeniden üreten canlı bir pano ortaya çıkıyor. Bölüm üç boyutlu yüzey grafiği ve dört grafiğin tek düzende gösterilmesiyle tamamlanıyor.
Bölümde Ele Alınan Temel İçerikler
1. Grafik türleri ve kullanım alanları: Çizgi, histogram, kutu, yoğunluk, serpme ve sütun grafikleri.
2. İlk çizgi grafiğinin çizilmesi ve görselin hücre içinde ya da hücrelerin üzerinde konumlandırılması.
3. Grafik bileşenlerinin biçimlendirilmesi: Eksen başlıkları, etiket döndürme, çizgi stili, renk, kalınlık ve işaretler.
4. Excel dilimleyicisiyle etkileşim: Seçimin okunması, boş değerlerin düşürülmesi ve listeye dönüştürülerek filtreye verilmesi.
5. İleri düzenler: Üç boyutlu yüzey grafiği ve birden çok grafiğin tek bir düzende gösterilmesi.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Anlatmak istediği içgörüye uygun grafik türünü gerekçelendirerek seçebilir.
2. Bir grafiğin eksen, etiket, başlık ve stil bileşenlerini ihtiyaca göre biçimlendirebilir.
3. Grafiği hücre içinde ya da serbest nesne olarak konumlandırarak rapor düzenine uygun hâle getirebilir.
4. Excel dilimleyicisinden gelen seçimi Python tarafına aktararak filtreye tepki veren canlı grafikler kurabilir.
5. Birden çok grafiği tek bir düzende, ortak eksen paylaşımıyla bir arada gösterebilir.
Eğitmen (1):
1 video
Bu bölüm, istatistiksel görselleştirmede öne çıkan Seaborn kütüphanesini örnek veri setleri üzerinden tanıtıyor. Bölüm, platformun bir kısıtını doğrudan deneyimleyerek başlıyor: kütüphanenin hazır veri setlerini indiren metot, dış ağ erişimi bulunmadığı için hata veriyor; çözüm olarak aynı veri setlerinin açık kaynaklardan indirilip Power Query ile çalışma kitabına bağlanması gösteriliyor. Ardından grafik türleri sırayla işleniyor. Serpme grafiğiyle iki değişken arasındaki ilişki incelenirken, renk parametresiyle grafiğe üçüncü bir boyut kazandırılıyor ve sütun parametresiyle veri alt gruplara bölünüyor. Regresyon grafiğiyle ilişkinin eğilim çizgisi görselleştiriliyor. Dağılım grafiğiyle histogram ve yoğunluk eğrisi katmanlı biçimde gösteriliyor; kategorik grafiklerle gruplar karşılaştırılıyor. Kutu grafiğinde hafta sonu verisindeki aykırı değer artışı gibi somut içgörülerin görselden nasıl doğrudan okunabildiği örnekleniyor. Korelasyon ısı haritasına geçilmeden önce kovaryans ile korelasyon arasındaki fark açıklanıyor; korelasyonun normalize edilmiş ve ilişki gücünü gösteren bir ölçü olduğu vurgulanıyor. Bölüm, birden çok grafiği tek bir palette birleştiren birleşik grafik ve tüm sayısal sütunların ikili ilişkilerini bir matriste özetleyen eşleşme grafiğiyle tamamlanıyor; büyük veri setlerinde bu grafiğin maliyetine dair uyarı da yapılıyor.
Bölümde Ele Alınan Temel İçerikler
1. Platform kısıtı ve çözümü: Hazır veri setlerinin dış erişim olmadan Power Query ile çalışma kitabına alınması.
2. İlişki grafikleri: Serpme ve regresyon grafikleriyle iki değişken arasındaki bağın ve eğilim çizgisinin gösterilmesi.
3. Renk ve sütun parametreleriyle grafiğe üçüncü boyut kazandırma ve veriyi alt gruplara ayırma.
4. Dağılım ve kategori grafikleri: Histogram, yoğunluk eğrisi, kategorik grafikler ve kutu grafiğiyle aykırı değer okuma.
5. Korelasyon ısı haritası ve eşleşme grafiği ile çok değişkenli ilişkilerin tek görselde özetlenmesi.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Dış erişim kısıtı nedeniyle yüklenemeyen veri setlerini alternatif yolla çalışma kitabına aktarabilir.
2. İki değişken arasındaki ilişkiyi uygun grafik türüyle görselleştirip yorumlayabilir.
3. Renk ve alt grup parametrelerini kullanarak tek bir grafikte çok değişkenli anlatım kurabilir.
4. Kutu grafiğinden medyan, çeyreklik ve aykırı değer bilgilerini okuyarak veri hakkında çıkarım yapabilir.
5. Korelasyon matrisi üretip ısı haritasıyla görselleştirerek değişkenler arası ilişkinin gücünü değerlendirebilir.
Eğitmen (1):
1 video
Bu bölüm, önceki bölümlerde öğrenilen kütüphaneleri gerçek bir veri seti üzerinde uçtan uca birleştiriyor. Filmlere ait gelir, bütçe, tür ve popülerlik gibi alanları içeren veri seti üzerinde önce sütun doluluk durumu inceleniyor; eksik verilerin hangi sütunlarda yoğunlaştığı bir ısı haritasıyla görselleştirilerek soyut bir tablo anlaşılır bir görsele dönüştürülüyor. Eksik veriyle ne yapılacağının analizin amacına bağlı olduğu vurgulanıyor: yalnızca istatistiksel çıkarım hedefleniyorsa dokunmamak mümkünken, veri makine öğrenmesinde kullanılacaksa doldurma veya çıkarma gerekir. İki sütun sırasıyla ortalama ve medyan değerleriyle doldurularak her iki yaklaşım da uygulanıyor; ayrıca Excel'in kendi görsel araçlarının bazı durumlarda kod yazmaktan daha pratik olabileceği dürüstçe belirtiliyor. Ardından tanımlayıcı istatistikler alınıyor, tüm sayısal sütunların dağılımı tek bir histogram düzeninde inceleniyor ve kritik iki alan için keman ile kutu grafikleri çiziliyor. Kategorik alanlar sayım grafiğiyle görselleştiriliyor; bu sırada Seaborn ile üretilen bir grafiğin etiketlerinin Matplotlib ile düzeltilebildiği, iki kütüphanenin birlikte kullanılabildiği gösteriliyor. Bölümün en Excel'e özgü anı sonda geliyor: bir regresyon grafiği formülü, hücre referansı sabitlenerek aşağı doğru kopyalanıyor ve tüm sayısal sütunların gelirle ilişkisini gösteren grafikler tek hamlede üretiliyor.
Bölümde Ele Alınan Temel İçerikler
1. Eksik verinin tespiti ve ısı haritasıyla görselleştirilmesi ile hangi sütunların ilgi gerektirdiğinin belirlenmesi.
2. Eksik veriyle başa çıkma stratejileri: Çıkarma, ortalama, medyan veya sabit değerle doldurma ve amaca göre tercih.
3. Tanımlayıcı istatistikler ve tüm sayısal sütunların dağılımının tek düzende histogramla incelenmesi.
4. Keman, kutu ve sayım grafikleriyle detay analiz ile Seaborn ve Matplotlib'in aynı grafikte birlikte kullanımı.
5. Excel formülü kopyalar gibi grafik üretimi: Hücre referansı sabitleyerek tüm sütunlar için ilişki grafiği çoğaltma.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Bir veri setindeki eksik verileri tespit edip görselleştirerek müdahale gerektiren alanları belirleyebilir.
2. Analizin amacına uygun eksik veri doldurma stratejisini seçip uygulayabilir.
3. Sayısal ve kategorik değişkenlerin dağılımını uygun grafiklerle inceleyip yorumlayabilir.
4. Seaborn ve Matplotlib'i aynı grafik üzerinde birlikte kullanarak görseli istediği biçime getirebilir.
5. Hücre referansı sabitleme tekniğiyle bir Python grafiğini çok sayıda sütun için hızla çoğaltabilir.
Eğitmen (1):
1 video
Bu bölüm, makine öğrenmesini Excel içinden uygulamalı olarak ele alıyor. Önce kavramsal çerçeve kuruluyor: klasik programlamada komut verilirken makine öğrenmesinde veriden örüntü keşfedilir; gözetimli, gözetimsiz ve pekiştirmeli öğrenme türleri tanıtıldıktan sonra bölümün odağı gözetimli öğrenme ve doğrusal regresyon olarak belirleniyor. Çalışma saati ile sınav puanı arasındaki ilişkiyi içeren sade bir veri seti üzerinde önce serpme grafiği çizilerek ilişkinin doğrusal olduğu görsel olarak doğrulanıyor. Ardından modelin arka planda ne yaptığı anlatılıyor: eğim ve kesişim değerlerini deneyerek veri setini en iyi temsil eden doğruyu arar. Süreç adım adım ilerliyor — parametre ve hedef değişkenlerin ayrılması ve kütüphanenin beklediği biçime dönüştürülmesi, veri setinin eğitim ve test olarak bölünmesi, bölmenin her çalıştırmada aynı kalmasını sağlayan ayar, farklı ölçeklerdeki değişkenleri aynı düzleme getiren ölçekleme ve eğitim ile test verisine neden farklı ölçekleme yöntemleri uygulandığının gerekçesi. Model eğitildikten sonra bulduğu katsayı ve kesişim değerleri okunuyor, tahmin doğrusu grafik üzerinde gösteriliyor ve bir Excel hücresine girilen çalışma saatine göre anlık tahmin üreten bir yapı kuruluyor. Bölüm doğrulama ile kapanıyor: hata metrikleri ve başarı skoru hesaplanarak modelin gerçekten kullanılabilir olup olmadığı kanıtlanıyor.
Bölümde Ele Alınan Temel İçerikler
1. Makine öğrenmesinin temelleri: Gözetimli, gözetimsiz ve pekiştirmeli öğrenme ile regresyon türleri.
2. Veri hazırlığı: Parametre ve hedef değişkenin ayrılması, eğitim ile test bölünmesi ve tekrarlanabilirlik ayarı.
3. Ölçekleme: Farklı birimlerdeki değişkenlerin aynı düzleme getirilmesi ve eğitim ile test için farklı yöntem kullanımı.
4. Model eğitimi: En iyi uyan doğrunun bulunması, katsayı ile kesişim değerlerinin okunması ve tahmin üretilmesi.
5. Model doğrulama: Hata metrikleri ve başarı skoruyla modelin gerçekten kullanılabilir olup olmadığının ölçülmesi.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Bir problemin hangi makine öğrenmesi türüne ve hangi regresyon modeline uygun olduğunu değerlendirebilir.
2. Bir veri setini eğitim ve test olarak bölerek tekrarlanabilir bir çalışma kurgusu oluşturabilir.
3. Ölçekleme işlemini doğru yöntemle uygulayarak modelin sağlıklı çalışmasını sağlayabilir.
4. Bir doğrusal regresyon modeli eğitip Excel hücresinden girilen değere göre anlık tahmin üretebilir.
5. Hata metrikleri ve başarı skorunu hesaplayarak modelin güvenilirliği hakkında gerekçeli karar verebilir.
Eğitmen (1):
1 video
Bu bölüm, zamana bağlı verilerin analizini ve geleceğe yönelik tahminlemeyi ele alıyor. Önce zaman serisinin üç temel bileşeni tanıtılıyor: serinin uzun dönemli yönünü gösteren trend, belirli aralıklarla tekrar eden mevsimsellik ve istatistiksel özelliklerin zaman içinde sabit kalıp kalmadığını anlatan durağanlık. Tahminleme için kullanılabilecek düzleştirme modelleri ile istatistiksel modeller özetleniyor ve hangi modelin hangi bileşen kombinasyonunda tercih edildiği açıklanıyor. Uygulama tarafında veri seti önce zaman serisine dönüştürülüyor: yıl ve ay bilgisi belirtilen formatla tarihe çevriliyor, tarih indeks yapılıyor ve sıralanıyor. Ayrıştırma işlemiyle seri dört bileşene ayrılarak ortak eksen paylaşan dört panelli bir grafikte gösteriliyor; bu grafiğin döngü içinde üretilmesi sırasında etiket, seri ve renk listelerinin eşleştirilmesi de öğreniliyor. Ardından kritik bir fark vurgulanıyor: zaman serisinde veri rastgele bölünemez, eğitim ve test ayrımı belirli bir tarihten itibaren elle yapılır. Üç düzleştirme modeli sırayla kurulup tahmin üretiliyor ve sonuçlar tek bir grafikte karşılaştırılıyor. Sonuç öğretici: yalnızca durağanlığa bakan model düz bir çizgi üretiyor, yalnızca trendi yakalayan model mevsimselliği kaçırıyor, her üç bileşeni de modelleyen üçüncü model gerçek satışlara paralel ve yüksek başarı skorlu bir tahmin üretiyor.
Bölümde Ele Alınan Temel İçerikler
1. Zaman serisinin üç bileşeni: Trend, mevsimsellik ve durağanlık ile bunların tahminlemedeki rolü.
2. Veri hazırlığı: Yıl ve ay bilgisinin tarihe dönüştürülmesi, indeks olarak atanması ve sıralanması.
3. Ayrıştırma: Serinin bileşenlerine ayrılıp ortak eksen paylaşan çok panelli bir grafikte gösterilmesi.
4. Zaman serisine özgü bölme: Eğitim ve test ayrımının rastgele değil belirli bir tarihten itibaren yapılması.
5. Üç düzleştirme modelinin karşılaştırılması ve başarı skorlarıyla hangisinin neden daha isabetli olduğunun gösterilmesi.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Bir zaman serisinin trend, mevsimsellik ve durağanlık bileşenlerini ayırt edip yorumlayabilir.
2. Ham tarih verisini zaman serisi analizine hazır hâle getirebilir.
3. Seriyi bileşenlerine ayırıp çok panelli bir grafikte görselleştirebilir.
4. Zaman serisinde eğitim ve test ayrımını neden elle yapması gerektiğini açıklayarak uygulayabilir.
5. Birden çok tahminleme modelini kurup başarı metrikleriyle karşılaştırarak en uygun olanı seçebilir.
Eğitmen (1):
1 video
Kapanış bölümü iki konuyu birlikte ele alıyor: metin verisinin analizi ve bunu üretirken yapay zekâ eklentilerinin kullanımı. Bir departman değerlendirme anketine gelen serbest metin yorumları üzerinde kelime bulutu, duygu analizi ve kelime sıklığı analizi hedefleniyor. Ancak bölümün asıl dersi yöntemde: kodlar satır satır elle yazılmıyor, Excel içinde eklenti olarak çalışan yapay zekâ araçlarına yazdırılıyor. Yapılacak işi, kullanılacak kütüphaneyi ve istenen üç çıktıyı tanımlayan bir prompt hazırlanıyor; ayrıca kod bloklarının arasına açıklama satırları eklenmesi isteniyor. Eklentinin verileri okuyup adım adım ilerlemesi izleniyor ve bir sınır ortaya çıkıyor: eklenti Excel hücrelerini okuyup basit işlemler yapabilse de platform kısıtları nedeniyle Python kodunu doğrudan hücreye yazıp çalıştıramıyor; bunun yerine hazır kodu sunuyor. Aynı prompt ikinci bir eklentiye de veriliyor ve iki aracın davranış farkı karşılaştırılıyor. Bölümün en değerli uyarısı üretilen kodun körü körüne kullanılamayacağı: kod belirli hücre aralıklarına referans verdiği için yanlış sayfaya yapıştırıldığında çalışmıyor, hatta döngüsel referans hatası veriyor. Buradan net bir sonuç çıkıyor: yapay zekâ kodu yazabilir, ancak hangi kütüphanenin nerede kullanılacağını bilmek, kodu okuyabilmek ve sonucu yorumlayabilmek kullanıcının sorumluluğunda kalır.
Bölümde Ele Alınan Temel İçerikler
1. Doğal dil işleme kütüphanesiyle metin analizi: Kelime bulutu, duygu analizi ve kelime sıklığı çıktıları.
2. Excel içinde çalışan yapay zekâ eklentileri: Hücreleri okuma, işlem yapma ve kod üretme yetenekleri.
3. Etkili prompt kurgusu: Problemin tanımı, kütüphane belirtimi, istenen çıktılar ve açıklama satırı talebi.
4. Platform sınırı: Eklentilerin Python kodunu doğrudan hücreye yazıp çalıştıramaması ve iki aracın davranış farkı.
5. Üretilen kodun doğrulanması: Hücre referanslarından kaynaklanan hatalar ve kodu okuyabilmenin önemi.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Serbest metin verisi üzerinde kelime bulutu, duygu analizi ve sıklık analizi üretebilir.
2. Bir yapay zekâ eklentisine istediği analizi net biçimde tarif eden yapılandırılmış bir prompt yazabilir.
3. Eklentilerin Excel içindeki yetenek sınırlarını bilerek beklentisini doğru kalibre edebilir.
4. Yapay zekânın ürettiği kodu okuyup hücre referansı gibi hatalarını tespit ederek düzeltebilir.
5. Metin analizi çıktılarını bir arada sunarak anket sonuçlarından bir gösterge paneli oluşturabilir.
Eğitmen (1):
