{"id":30550,"date":"2025-09-29T05:31:17","date_gmt":"2025-09-29T02:31:17","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/"},"modified":"2025-09-29T05:31:17","modified_gmt":"2025-09-29T02:31:17","slug":"kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/","title":{"rendered":"Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n"},"content":{"rendered":"<p><body><\/p>\n<p>Verileriniz, size f\u0131s\u0131ldayan gizli hikayelerle dolu. Ancak bu f\u0131s\u0131lt\u0131lar\u0131 duymak, do\u011fru ara\u00e7lara ve yakla\u015f\u0131ma sahip olmakla m\u00fcmk\u00fcn. Ke\u015fif\u00e7i Veri Analizi (EDA), ham verilerin karma\u015f\u0131k d\u00fcnyas\u0131nda yolunuzu bulman\u0131z\u0131, kal\u0131plar\u0131 ve anormallikleri ke\u015ffetmenizi sa\u011flayan sanatsal bir s\u00fcre\u00e7tir. Bu rehberde, EDA&#8217;n\u0131n temellerinden ileri d\u00fczey tekniklerine, ger\u00e7ek d\u00fcnya senaryolar\u0131ndan etkili g\u00f6rselle\u015ftirmelere kadar her \u015feyi ad\u0131m ad\u0131m \u00f6\u011freneceksiniz.<\/p>\n<p>G\u00fcn\u00fcm\u00fcz\u00fcn dijital \u00e7a\u011f\u0131nda, her an muazzam miktarda veri \u00fcretiliyor ve toplan\u0131yor. Ancak bu devasa veri y\u0131\u011f\u0131nlar\u0131, tek ba\u015f\u0131na bir anlam ifade etmez. Adeta \u015fifreli bir mesaj gibi, bu verilerin i\u00e7inde sakl\u0131 olan paha bi\u00e7ilmez bilgiler, do\u011fru teknikler ve yakla\u015f\u0131mlar kullan\u0131lmad\u0131\u011f\u0131 s\u00fcrece ke\u015ffedilemez. \u0130\u015fte tam da bu noktada, Ke\u015fif\u00e7i Veri Analizi (EDA) devreye girer. EDA, bir dedektifin ipu\u00e7lar\u0131n\u0131 titizlikle incelemesi gibi, ham veriyi derinlemesine ara\u015ft\u0131rarak alt\u0131nda yatan yap\u0131lar\u0131, kal\u0131plar\u0131, e\u011filimleri ve hatta potansiyel sorunlar\u0131 (eksik de\u011ferler, ayk\u0131r\u0131 g\u00f6zlemler) ortaya \u00e7\u0131karmam\u0131z\u0131 sa\u011flayan temel bir veri bilimi disiplinidir. Bu s\u00fcre\u00e7, sadece say\u0131lara bakmaktan \u00e7ok daha fazlas\u0131d\u0131r; verilerle sohbet etmek, onlara sorular sormak ve onlar\u0131n bize anlatt\u0131\u011f\u0131 hikayeleri anlamaya \u00e7al\u0131\u015fmakt\u0131r. Bir veri bilimi projesinin ba\u015far\u0131s\u0131 b\u00fcy\u00fck \u00f6l\u00e7\u00fcde, ilk a\u015famadaki Ke\u015fif\u00e7i Veri Analizi&#8217;nin ne kadar iyi yap\u0131ld\u0131\u011f\u0131na ba\u011fl\u0131d\u0131r. \u00c7\u00fcnk\u00fc EDA sayesinde, daha sonra uygulanacak modelleme tekniklerinin ne kadar ba\u015far\u0131l\u0131 olaca\u011f\u0131n\u0131n zeminini haz\u0131rlar\u0131z. \u00d6rne\u011fin, eksik verilerle dolu bir s\u00fctunla \u00e7al\u0131\u015f\u0131yorsak, EDA bize bu eksikliklerin nedenini ve en uygun doldurma stratejisini bulmam\u0131zda yol g\u00f6sterir. Ayr\u0131ca, veriler aras\u0131ndaki beklenmedik ili\u015fkileri ke\u015ffetmek, i\u015f stratejilerini \u015fekillendirecek yeni i\u00e7g\u00f6r\u00fcler sunabilir. Veri setinin genel yap\u0131s\u0131n\u0131 anlamadan, rastgele bir algoritma uygulamak, karanl\u0131kta g\u00f6z\u00fc kapal\u0131 y\u00fcr\u00fcmeye benzer; \u00e7o\u011fu zaman ba\u015far\u0131s\u0131zl\u0131kla sonu\u00e7lan\u0131r. Dolay\u0131s\u0131yla, Ke\u015fif\u00e7i Veri Analizi, sadece bir ba\u015flang\u0131\u00e7 ad\u0131m\u0131 de\u011fil, ayn\u0131 zamanda t\u00fcm veri analizi s\u00fcrecinin kalbidir. Veri bilimciler i\u00e7in bir t\u00fcr \u00f6n ke\u015fif, bir zihin haritas\u0131 \u00e7\u0131karma i\u015flemidir. Bu sayede, daha karma\u015f\u0131k analizlere ge\u00e7meden \u00f6nce veri kalitesini de\u011ferlendirir, da\u011f\u0131l\u0131mlar\u0131 g\u00f6zlemler ve olas\u0131 hipotezleri form\u00fcle ederiz. Bu ba\u011flamda, EDA; veri m\u00fchendisli\u011fi, istatistiksel analiz ve makine \u00f6\u011frenimi gibi di\u011fer veri bilimi alanlar\u0131 aras\u0131nda k\u00f6pr\u00fc g\u00f6revi g\u00f6r\u00fcr. Her ba\u015far\u0131l\u0131 veri projesinin temelinde g\u00fc\u00e7l\u00fc bir Ke\u015fif\u00e7i Veri Analizi yatmakta olup, bu analiz sayesinde elde edilen i\u00e7g\u00f6r\u00fcler, projenin y\u00f6n\u00fcn\u00fc ve nihai ba\u015far\u0131s\u0131n\u0131 do\u011frudan etkiler. Bu nedenle, EDA&#8217;y\u0131 sadece bir teknik set olarak de\u011fil, ayn\u0131 zamanda verilerle derin bir ba\u011f kurma sanat\u0131 olarak g\u00f6rmek gerekir.<\/p>\n<h2>Ke\u015fif\u00e7i Veri Analizi (EDA) Nedir ve Neden Hayati \u00d6neme Sahiptir?<\/h2>\n<p>Ke\u015fif\u00e7i Veri Analizi (EDA), bir veri setini \u00f6zetlemek, ana \u00f6zelliklerini belirlemek, anomalileri tespit etmek, hipotezler olu\u015fturmak ve daha derinlemesine analizler i\u00e7in bir yol haritas\u0131 \u00e7\u0131karmak amac\u0131yla kullan\u0131lan bir dizi teknik ve g\u00f6rselle\u015ftirme y\u00f6ntemidir. John Tukey taraf\u0131ndan 1970&#8217;lerde ortaya at\u0131lan bu kavram, veri analizine resmi istatistiksel hipotez testlerinden ziyade, veriye do\u011frudan bakarak ve onu g\u00f6rselle\u015ftirerek bir &#8220;veri dedektifi&#8221; gibi yakla\u015fmay\u0131 savunur. EDA&#8217;n\u0131n temel amac\u0131, bir veri setinin &#8220;hikayesini&#8221; anlamakt\u0131r; hangi \u00f6zelliklerin \u00f6nemli oldu\u011funu, verilerin nas\u0131l da\u011f\u0131ld\u0131\u011f\u0131n\u0131, de\u011fi\u015fkenler aras\u0131nda ne gibi ili\u015fkiler bulundu\u011funu ve veri kalitesinin genel durumunu anlamakt\u0131r. Peki, bu neden bu kadar \u00f6nemlidir? \u00d6ncelikle, EDA, veri setindeki hatalar\u0131, eksik de\u011ferleri ve ayk\u0131r\u0131 g\u00f6zlemleri (outlier) erken a\u015famada tespit etmemizi sa\u011flar. Bu t\u00fcr sorunlar, veri temizleme (data cleaning) s\u00fcrecinin temelini olu\u015fturur ve yanl\u0131\u015f sonu\u00e7lara yol a\u00e7abilecek potansiyel sorunlar\u0131 ortadan kald\u0131r\u0131r. D\u00fc\u015f\u00fcn\u00fcn ki, bir e-ticaret \u015firketinin m\u00fc\u015fteri sat\u0131n alma verilerini analiz ediyorsunuz. EDA yapmadan do\u011frudan bir tahmin modeli kurmaya \u00e7al\u0131\u015f\u0131rsan\u0131z, eksik ya\u015f bilgileri veya hatal\u0131 fiyat giri\u015fleri gibi sorunlar modelinizin performans\u0131n\u0131 ciddi \u015fekilde d\u00fc\u015f\u00fcrebilir. Ke\u015fif\u00e7i Veri Analizi sayesinde bu problemleri fark eder ve gerekli d\u00fczeltmeleri yapars\u0131n\u0131z. \u0130kinci olarak, EDA, veri setindeki de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkileri anlamam\u0131za yard\u0131mc\u0131 olur. \u00d6rne\u011fin, bir \u00fcr\u00fcn\u00fcn sat\u0131\u015flar\u0131n\u0131 etkileyen fakt\u00f6rleri incelerken, fiyat ile sat\u0131\u015f hacmi aras\u0131nda negatif bir korelasyon (fiyat artt\u0131k\u00e7a sat\u0131\u015f d\u00fc\u015fer) oldu\u011funu g\u00f6rmek, pazarlama stratejileri i\u00e7in de\u011ferli bir i\u00e7g\u00f6r\u00fc sunar. G\u00f6rselle\u015ftirmeler (histogramlar, sa\u00e7\u0131l\u0131m grafikleri, kutu grafikleri), bu t\u00fcr ili\u015fkileri h\u0131zl\u0131ca kavramam\u0131z\u0131 sa\u011flar ve karma\u015f\u0131k istatistiksel modellerden \u00f6nce bile \u00f6nemli kararlar almam\u0131za olanak tan\u0131r. \u00dc\u00e7\u00fcnc\u00fc olarak, EDA, modelleme \u00f6ncesi veri \u00f6n i\u015fleme (data preprocessing) ad\u0131mlar\u0131 i\u00e7in rehberlik eder. Hangi de\u011fi\u015fkenlerin d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi gerekti\u011fini, hangi \u00f6zelliklerin yeni \u00f6zellikler olarak olu\u015fturulabilece\u011fini (feature engineering), hangi de\u011fi\u015fkenlerin do\u011frudan kullan\u0131labilece\u011fini belirlememize yard\u0131mc\u0131 olur. Bu \u00f6n haz\u0131rl\u0131k, makine \u00f6\u011frenimi modellerinin daha do\u011fru ve g\u00fcvenilir sonu\u00e7lar \u00fcretmesi i\u00e7in kritik \u00f6neme sahiptir. Son olarak, EDA, yeni hipotezler olu\u015fturmam\u0131za ve mevcut i\u015f sorular\u0131n\u0131 daha iyi anlamam\u0131za yard\u0131mc\u0131 olur. Verilerdeki beklenmedik desenler veya e\u011filimler, yeni ara\u015ft\u0131rma alanlar\u0131na veya i\u015f f\u0131rsatlar\u0131na i\u015faret edebilir. \u00d6zetle, Ke\u015fif\u00e7i Veri Analizi, sadece bir teknik de\u011fil, ayn\u0131 zamanda veri bilimcilerin veriyle etkile\u015fim kurma bi\u00e7imini \u015fekillendiren bir d\u00fc\u015f\u00fcnce yap\u0131s\u0131d\u0131r. Verilerin potansiyelini tam olarak ortaya \u00e7\u0131karmak ve bilin\u00e7li kararlar almak i\u00e7in EDA, veri bilimi yolculu\u011funun vazge\u00e7ilmez bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r.<\/p>\n<h2>EDA&#8217;n\u0131n Temel Ad\u0131mlar\u0131 Nelerdir? Uygulamal\u0131 Bir Yakla\u015f\u0131m<\/h2>\n<p>Ke\u015fif\u00e7i Veri Analizi (EDA), genellikle belirli bir s\u0131raya g\u00f6re ilerleyen ancak esnek bir dizi ad\u0131mdan olu\u015fur. Bu ad\u0131mlar, veriyi derinlemesine anlamak ve gizli i\u00e7g\u00f6r\u00fcleri ortaya \u00e7\u0131karmak i\u00e7in bir \u00e7er\u00e7eve sunar. Bu b\u00f6l\u00fcmde, bir vaka analizi \u00fczerinden temel EDA ad\u0131mlar\u0131n\u0131 ve uygulamalar\u0131n\u0131 ad\u0131m ad\u0131m inceleyece\u011fiz. Bir telekom\u00fcnikasyon \u015firketinin m\u00fc\u015fteri kayb\u0131 (churn) verilerini analiz etti\u011fimizi d\u00fc\u015f\u00fcnelim. Ama\u00e7, hangi fakt\u00f6rlerin m\u00fc\u015fterilerin aboneliklerini sonland\u0131rmas\u0131na neden oldu\u011funu anlamakt\u0131r. Veri setimizde m\u00fc\u015fteri ID&#8217;si, cinsiyet, ya\u015f, s\u00f6zle\u015fme t\u00fcr\u00fc, ayl\u0131k \u00fccret, toplam \u00fccret ve churn durumu gibi bilgiler bulunuyor.<\/p>\n<h3>Veri Edinimi ve Temizli\u011fi: Ba\u015flang\u0131\u00e7 Noktas\u0131<\/h3>\n<p>Her EDA s\u00fcreci, veri edinimiyle ba\u015flar. Veriyi bir CSV dosyas\u0131ndan veya veritaban\u0131ndan y\u00fckledikten sonra, ilk ad\u0131m genellikle veri setinin genel yap\u0131s\u0131n\u0131 anlamakt\u0131r. Bu, veri t\u00fcrlerini, eksik de\u011ferleri ve toplam sat\u0131r\/s\u00fctun say\u0131s\u0131n\u0131 kontrol etmeyi i\u00e7erir. \u00d6rne\u011fin, bir Pandas DataFrame y\u00fckledikten sonra <code>.info()<\/code> ve <code>.describe()<\/code> fonksiyonlar\u0131 bu ilk inceleme i\u00e7in paha bi\u00e7ilmezdir.<\/p>\n<pre><code>\nimport pandas as pd\nimport numpy as np\n\n# Veri setini y\u00fckle\ndf = pd.read_csv('telecom_churn.csv')\n\n# \u0130lk 5 sat\u0131r\u0131 g\u00f6r\u00fcnt\u00fcle\nprint(df.head())\n\n# Veri setinin genel bilgilerini al\nprint(df.info())\n\n# Say\u0131sal de\u011fi\u015fkenlerin \u00f6zet istatistiklerini al\nprint(df.describe())\n\n# Eksik de\u011ferleri kontrol et\nprint(df.isnull().sum())\n<\/pre>\n<p><\/code><\/p>\n<p>Bu ad\u0131mlar sayesinde, \u00f6rne\u011fin 'TotalCharges' s\u00fctununda baz\u0131 eksik de\u011ferler oldu\u011funu veya 'MonthlyCharges' s\u00fctununun ortalamas\u0131n\u0131n ne kadar oldu\u011funu h\u0131zl\u0131ca g\u00f6rebiliriz. Eksik de\u011ferlerin nas\u0131l ele al\u0131naca\u011f\u0131 (doldurma, silme) EDA'n\u0131n sonraki ad\u0131mlar\u0131n\u0131 etkileyecektir. Diyelim ki 'TotalCharges' s\u00fctununda bo\u015f stringler, dolay\u0131s\u0131yla say\u0131sal olmayan de\u011ferler oldu\u011funu fark ettik. Bu durumu d\u00fczeltmek, veri tiplerini uygun hale getirmek ve eksik de\u011ferleri (\u00f6rne\u011fin ortalama veya medyan ile) doldurmak veri temizli\u011finin bir par\u00e7as\u0131d\u0131r. Bu temizlik, analizin do\u011frulu\u011fu i\u00e7in temeldir.<\/p>\n<h3>Tek De\u011fi\u015fkenli Analiz (Univariate Analysis): Her De\u011fi\u015fkeni Ayr\u0131 Ayr\u0131 Anlamak<\/h3>\n<p>Tek de\u011fi\u015fkenli analiz, her bir de\u011fi\u015fkenin kendi i\u00e7indeki da\u011f\u0131l\u0131m\u0131n\u0131 ve \u00f6zelliklerini incelemeyi i\u00e7erir. Say\u0131sal de\u011fi\u015fkenler i\u00e7in histogramlar, kutu grafikleri ve yo\u011funluk grafikleri, kategorik de\u011fi\u015fkenler i\u00e7in ise s\u00fctun grafikleri ve frekans tablolar\u0131 kullan\u0131l\u0131r.<\/p>\n<ul>\n<li><strong>Say\u0131sal De\u011fi\u015fkenler:<\/strong> 'MonthlyCharges' veya 'Age' gibi de\u011fi\u015fkenlerin da\u011f\u0131l\u0131m\u0131n\u0131 incelemek i\u00e7in histogramlar ve kutu grafikleri kullanabiliriz. Bir histogram, verilerin hangi aral\u0131klarda yo\u011funla\u015ft\u0131\u011f\u0131n\u0131, da\u011f\u0131l\u0131m\u0131n simetrik mi yoksa \u00e7arp\u0131k m\u0131 oldu\u011funu g\u00f6sterir. Kutu grafi\u011fi ise medyan\u0131, \u00e7eyreklikleri ve ayk\u0131r\u0131 de\u011ferleri g\u00f6rselle\u015ftirir.<\/li>\n<li><strong>Kategorik De\u011fi\u015fkenler:<\/strong> 'Gender', 'Contract' veya 'Churn' gibi de\u011fi\u015fkenler i\u00e7in frekans tablolar\u0131 ve s\u00fctun grafikleri (bar plots) kullan\u0131r\u0131z. Bu, her bir kategorinin veri setinde ne s\u0131kl\u0131kta g\u00f6r\u00fcnd\u00fc\u011f\u00fcn\u00fc anlamam\u0131za yard\u0131mc\u0131 olur. \u00d6rne\u011fin, m\u00fc\u015fterilerin ne kadar\u0131n\u0131n s\u00f6zle\u015fmesini sonland\u0131rd\u0131\u011f\u0131n\u0131 (churn) g\u00f6steren bir s\u00fctun grafi\u011fi, ana problemimizi anlamak i\u00e7in kritik bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r.<\/li>\n<\/ul>\n<pre><code>\nimport matplotlib.pyplot as plt\nimport seaborn as sns\n\n# 'MonthlyCharges' da\u011f\u0131l\u0131m\u0131 i\u00e7in histogram\nplt.figure(figsize=(8, 6))\nsns.histplot(df['MonthlyCharges'], kde=True)\nplt.title('Ayl\u0131k \u00dccretlerin Da\u011f\u0131l\u0131m\u0131')\nplt.xlabel('Ayl\u0131k \u00dccret')\nplt.ylabel('M\u00fc\u015fteri Say\u0131s\u0131')\nplt.show()\n\n# 'Contract' t\u00fcrleri i\u00e7in s\u00fctun grafi\u011fi\nplt.figure(figsize=(8, 6))\nsns.countplot(x='Contract', data=df)\nplt.title('S\u00f6zle\u015fme T\u00fcr\u00fcne G\u00f6re M\u00fc\u015fteri Say\u0131s\u0131')\nplt.xlabel('S\u00f6zle\u015fme T\u00fcr\u00fc')\nplt.ylabel('M\u00fc\u015fteri Say\u0131s\u0131')\nplt.show()\n<\/pre>\n<p><\/code><\/p>\n<p>Bu analizler, 'MonthlyCharges'\u0131n sa\u011fa \u00e7arp\u0131k bir da\u011f\u0131l\u0131ma sahip oldu\u011funu veya 'Month-to-month' s\u00f6zle\u015fme tipinin di\u011ferlerine g\u00f6re \u00e7ok daha yayg\u0131n oldu\u011funu g\u00f6sterir. Bu t\u00fcr g\u00f6zlemler, churn oran\u0131n\u0131n nedenleri hakk\u0131nda ilk hipotezleri olu\u015fturmam\u0131z\u0131 sa\u011flar.<\/p>\n<h3>\u00c7ok De\u011fi\u015fkenli Analiz (Bivariate\/Multivariate Analysis): \u0130li\u015fkileri Ke\u015ffetmek<\/h3>\n<p>\u00c7ok de\u011fi\u015fkenli analiz, iki veya daha fazla de\u011fi\u015fken aras\u0131ndaki ili\u015fkileri incelemeye odaklan\u0131r. Bu, bir de\u011fi\u015fkenin di\u011ferini nas\u0131l etkiledi\u011fini anlamak i\u00e7in hayati \u00f6neme sahiptir. Sa\u00e7\u0131l\u0131m grafikleri, \u0131s\u0131 haritalar\u0131 ve gruplanm\u0131\u015f s\u00fctun grafikleri bu a\u015famada s\u0131k\u00e7a kullan\u0131l\u0131r.<\/p>\n<ul>\n<li><strong>Say\u0131sal vs. Say\u0131sal:<\/strong> \u0130ki say\u0131sal de\u011fi\u015fken aras\u0131ndaki ili\u015fkiyi g\u00f6rmek i\u00e7in sa\u00e7\u0131l\u0131m grafikleri (scatter plots) kullan\u0131l\u0131r. \u00d6rne\u011fin, 'MonthlyCharges' ile 'TotalCharges' aras\u0131ndaki ili\u015fkiyi inceleyebiliriz. Beklenti, ayl\u0131k \u00fccret artt\u0131k\u00e7a toplam \u00fccretin de artmas\u0131d\u0131r. Bu grafikteki herhangi bir sapma, veri hatas\u0131na veya ilgin\u00e7 bir m\u00fc\u015fteri davran\u0131\u015f\u0131na i\u015faret edebilir.<\/li>\n<li><strong>Say\u0131sal vs. Kategorik:<\/strong> Bir say\u0131sal de\u011fi\u015fkenin farkl\u0131 kategorik gruplardaki da\u011f\u0131l\u0131m\u0131n\u0131 incelemek i\u00e7in kutu grafikleri veya keman grafikleri (violin plots) kullan\u0131l\u0131r. \u00d6rne\u011fin, 'Churn' durumuna g\u00f6re ('Yes' veya 'No') 'MonthlyCharges'\u0131n da\u011f\u0131l\u0131m\u0131n\u0131 kar\u015f\u0131la\u015ft\u0131rmak, churn eden m\u00fc\u015fterilerin ayl\u0131k harcamalar\u0131n\u0131n churn etmeyenlerden farkl\u0131 olup olmad\u0131\u011f\u0131n\u0131 g\u00f6sterebilir.<\/li>\n<li><strong>Kategorik vs. Kategorik:<\/strong> \u0130ki kategorik de\u011fi\u015fken aras\u0131ndaki ili\u015fkiyi anlamak i\u00e7in \u00e7apraz tablolar (crosstabs) ve gruplanm\u0131\u015f s\u00fctun grafikleri kullan\u0131l\u0131r. \u00d6rne\u011fin, 'Contract' t\u00fcr\u00fc ile 'Churn' durumu aras\u0131ndaki ili\u015fkiyi incelemek, hangi s\u00f6zle\u015fme t\u00fcr\u00fcn\u00fcn churn oran\u0131n\u0131 daha fazla etkiledi\u011fini g\u00f6sterebilir.<\/li>\n<\/ul>\n<pre><code>\n# Churn durumuna g\u00f6re ayl\u0131k \u00fccret da\u011f\u0131l\u0131m\u0131\nplt.figure(figsize=(8, 6))\nsns.boxplot(x='Churn', y='MonthlyCharges', data=df)\nplt.title('Churn Durumuna G\u00f6re Ayl\u0131k \u00dccret Da\u011f\u0131l\u0131m\u0131')\nplt.xlabel('Churn Durumu')\nplt.ylabel('Ayl\u0131k \u00dccret')\nplt.show()\n\n# S\u00f6zle\u015fme t\u00fcr\u00fc ve churn aras\u0131ndaki ili\u015fki\nchurn_contract = pd.crosstab(df['Contract'], df['Churn'], normalize='index')\nchurn_contract.plot(kind='bar', stacked=True, figsize=(10, 7))\nplt.title('S\u00f6zle\u015fme T\u00fcr\u00fcne G\u00f6re Churn Oran\u0131')\nplt.xlabel('S\u00f6zle\u015fme T\u00fcr\u00fc')\nplt.ylabel('Oran')\nplt.show()\n\n# Korelasyon matrisi i\u00e7in \u0131s\u0131 haritas\u0131 (sadece say\u0131sal s\u00fctunlar)\nnumerical_df = df.select_dtypes(include=np.number) # Sadece say\u0131sal s\u00fctunlar\u0131 se\u00e7\nplt.figure(figsize=(10, 8))\nsns.heatmap(numerical_df.corr(), annot=True, cmap='coolwarm', fmt=\".2f\")\nplt.title('Say\u0131sal De\u011fi\u015fkenler Aras\u0131 Korelasyon Matrisi')\nplt.show()\n<\/pre>\n<p><\/code><\/p>\n<p>Bu \u00e7ok de\u011fi\u015fkenli analizler sonucunda, \u00f6rne\u011fin, 'Month-to-month' s\u00f6zle\u015fmelerin di\u011fer s\u00f6zle\u015fme t\u00fcrlerine g\u00f6re \u00f6nemli \u00f6l\u00e7\u00fcde daha y\u00fcksek bir churn oran\u0131na sahip oldu\u011funu net bir \u015fekilde g\u00f6rebiliriz. Bu, \u015firketin m\u00fc\u015fteri sadakatini art\u0131rmak i\u00e7in uzun vadeli s\u00f6zle\u015fmeler \u00fczerinde daha fazla durmas\u0131 gerekti\u011fi gibi \u00f6nemli bir i\u015f i\u00e7g\u00f6r\u00fcs\u00fcn\u00fc ortaya \u00e7\u0131kar\u0131r. Ayr\u0131ca, 'MonthlyCharges'\u0131n churn eden m\u00fc\u015fterilerde ortalamada daha y\u00fcksek oldu\u011funu g\u00f6rebiliriz, bu da belirli bir fiyat noktas\u0131n\u0131n \u00fczerinde m\u00fc\u015fterilerin ayr\u0131lma e\u011filiminde olabilece\u011fine dair bir hipotez olu\u015fturur. Bu derinlemesine incelemeler, sadece istatistiksel sonu\u00e7lar elde etmekle kalmaz, ayn\u0131 zamanda i\u015f ba\u011flam\u0131nda anlaml\u0131 ve uygulanabilir stratejiler geli\u015ftirmemize yard\u0131mc\u0131 olur. Ke\u015fif\u00e7i Veri Analizi'nin bu a\u015famas\u0131, verideki karma\u015f\u0131k ili\u015fkileri basitle\u015ftirerek karar vericilere sunma sanat\u0131d\u0131r.<\/p>\n<h2>Veri G\u00f6rselle\u015ftirme: Say\u0131lar\u0131 Anlaml\u0131 Hikayelere D\u00f6n\u00fc\u015ft\u00fcrmek<\/h2>\n<p>Ke\u015fif\u00e7i Veri Analizi'nin (EDA) en g\u00fc\u00e7l\u00fc bile\u015fenlerinden biri hi\u00e7 \u015f\u00fcphesiz veri g\u00f6rselle\u015ftirmedir. Veriler, ham haliyle sadece bir say\u0131 y\u0131\u011f\u0131n\u0131d\u0131r; ancak do\u011fru g\u00f6rselle\u015ftirmelerle sunuldu\u011funda, bu say\u0131lar anlaml\u0131 hikayelere, anla\u015f\u0131labilecek kal\u0131plara ve eyleme ge\u00e7irilebilir i\u00e7g\u00f6r\u00fclere d\u00f6n\u00fc\u015f\u00fcr. \u0130nsan beyni, g\u00f6rsel bilgiyi metinsel veya say\u0131sal bilgiden \u00e7ok daha h\u0131zl\u0131 ve etkili bir \u015fekilde i\u015fler. Bu nedenle, karma\u015f\u0131k veri setlerindeki e\u011filimleri, ili\u015fkileri, ayk\u0131r\u0131 de\u011ferleri ve da\u011f\u0131l\u0131mlar\u0131 saniyeler i\u00e7inde kavramak i\u00e7in g\u00f6rselle\u015ftirmeler vazge\u00e7ilmezdir. Bir histogram, y\u00fczlerce say\u0131n\u0131n da\u011f\u0131l\u0131m\u0131n\u0131 tek bir bak\u0131\u015fta \u00f6zetlerken, bir sa\u00e7\u0131l\u0131m grafi\u011fi iki de\u011fi\u015fken aras\u0131ndaki korelasyonu an\u0131nda ortaya koyar. Veri g\u00f6rselle\u015ftirme, sadece raporlama veya sunum arac\u0131 olman\u0131n \u00f6tesinde, EDA s\u00fcrecinin bizzat kendisinde bir ke\u015fif arac\u0131d\u0131r. Grafikler sayesinde, istatistiksel \u00f6zetlerde g\u00f6zden ka\u00e7abilecek detaylar\u0131 fark edebilir, hipotezlerimizi g\u00f6rsel olarak test edebilir ve veri setinin yap\u0131s\u0131n\u0131 sezgisel olarak anlayabiliriz. \u00d6rne\u011fin, bir \u0131s\u0131 haritas\u0131 (heatmap) ile de\u011fi\u015fkenler aras\u0131ndaki korelasyon matrisine bakt\u0131\u011f\u0131m\u0131zda, g\u00fc\u00e7l\u00fc pozitif veya negatif ili\u015fkileri renk tonlar\u0131na g\u00f6re an\u0131nda ay\u0131rt edebiliriz. Bu, hangi \u00f6zelliklerin modelleme i\u00e7in potansiyel olarak \u00f6nemli oldu\u011funu veya hangi \u00f6zelliklerin \u00e7ok fazla ba\u011f\u0131ml\u0131l\u0131\u011fa sahip oldu\u011funu h\u0131zl\u0131ca anlamam\u0131z\u0131 sa\u011flar. G\u00f6rselle\u015ftirmelerin g\u00fcc\u00fc, teknik olmayan payda\u015flara bile karma\u015f\u0131k veri i\u00e7g\u00f6r\u00fclerini a\u00e7\u0131klayabilme yetene\u011finden gelir. Bir y\u00f6netici, uzun bir istatistiksel tablo yerine, churn oran\u0131ndaki art\u0131\u015f\u0131 g\u00f6steren basit bir \u00e7izgi grafi\u011fini veya m\u00fc\u015fteri segmentlerinin da\u011f\u0131l\u0131m\u0131n\u0131 g\u00f6steren bir pasta grafi\u011fini \u00e7ok daha kolay kavrar. Bu, veri bilimcilerin bulgular\u0131n\u0131 daha geni\u015f bir kitleye ula\u015ft\u0131rmas\u0131na ve i\u015f kararlar\u0131n\u0131 do\u011frudan etkilemesine olanak tan\u0131r. Etkili veri g\u00f6rselle\u015ftirme, do\u011fru grafik t\u00fcr\u00fcn\u00fc se\u00e7mekle ba\u015flar. Kimi zaman bir s\u00fctun grafi\u011fi kategorik da\u011f\u0131l\u0131mlar i\u00e7in idealken, kimi zaman bir kutu grafi\u011fi farkl\u0131 gruplar\u0131n say\u0131sal da\u011f\u0131l\u0131mlar\u0131n\u0131 kar\u015f\u0131la\u015ft\u0131rmak i\u00e7in daha uygundur. Zaman serisi verileri i\u00e7in \u00e7izgi grafikler, co\u011frafi veriler i\u00e7in haritalar ve \u00e7ok de\u011fi\u015fkenli ili\u015fkiler i\u00e7in e\u015fle\u015ftirilmi\u015f grafikler (pair plots) gibi bir\u00e7ok se\u00e7enek mevcuttur. Her grafik t\u00fcr\u00fcn\u00fcn kendine \u00f6zg\u00fc bir amac\u0131 ve en iyi hizmet etti\u011fi bir veri t\u00fcr\u00fc vard\u0131r. Bu nedenle, g\u00f6rselle\u015ftirme se\u00e7imi, iletmek istedi\u011fimiz mesaja ve analiz etti\u011fimiz verinin do\u011fas\u0131na g\u00f6re dikkatlice yap\u0131lmal\u0131d\u0131r. \u00d6zetle, veri g\u00f6rselle\u015ftirme, Ke\u015fif\u00e7i Veri Analizi'nin yaln\u0131zca bir par\u00e7as\u0131 de\u011fil, ayn\u0131 zamanda ruhudur. Say\u0131lar\u0131 anlaml\u0131 hikayelere d\u00f6n\u00fc\u015ft\u00fcrerek, verilerin bize f\u0131s\u0131ldad\u0131\u011f\u0131 gizli mesajlar\u0131 duymam\u0131z\u0131 ve bu mesajlar\u0131 kullanarak daha bilin\u00e7li, daha etkili kararlar almam\u0131z\u0131 sa\u011flar. Bu, veri bilimcinin sadece bir analist de\u011fil, ayn\u0131 zamanda bir hikaye anlat\u0131c\u0131s\u0131 olmas\u0131n\u0131n da anahtar\u0131d\u0131r.<\/p>\n<div class=\"interactive-tip\">\n  Uzman \u0130pucu: Karma\u015f\u0131k veri setlerinde, \u00f6zellikle \u00e7ok say\u0131da de\u011fi\u015fken varken, tek tek grafikler yerine 'pairplot' gibi \u00e7oklu grafik matrisleri kullanarak t\u00fcm de\u011fi\u015fken \u00e7iftleri aras\u0131ndaki ili\u015fkileri h\u0131zl\u0131ca g\u00f6zden ge\u00e7irebilirsiniz. Bu, erken a\u015famada beklenmedik korelasyonlar\u0131 veya desenleri yakalamak i\u00e7in \u00e7ok etkilidir.\n<\/div>\n<h2>Gizli \u0130li\u015fkileri Ortaya \u00c7\u0131karmak: \u0130leri D\u00fczey EDA Teknikleri<\/h2>\n<p>Ke\u015fif\u00e7i Veri Analizi (EDA) sadece temel istatistiksel \u00f6zetler ve g\u00f6rselle\u015ftirmelerden ibaret de\u011fildir. Veri setlerinde daha derinlemesine gizlenmi\u015f ili\u015fkileri ve yap\u0131lar\u0131 ortaya \u00e7\u0131karmak i\u00e7in bir dizi ileri d\u00fczey teknik de mevcuttur. Bu teknikler, \u00f6zellikle b\u00fcy\u00fck ve karma\u015f\u0131k veri setleriyle \u00e7al\u0131\u015f\u0131rken, g\u00f6zle g\u00f6r\u00fclmesi zor kal\u0131plar\u0131 ve i\u00e7g\u00f6r\u00fcleri elde etmek i\u00e7in kritik \u00f6neme sahiptir. Bu b\u00f6l\u00fcmde, deneyimli veri bilimcilerinin EDA ara\u00e7 kutusunda bulunan baz\u0131 ileri d\u00fczey tekniklere de\u011finece\u011fiz.<\/p>\n<h3>\u00d6zellik M\u00fchendisli\u011fi (Feature Engineering) ile Yeni Bak\u0131\u015f A\u00e7\u0131lar\u0131<\/h3>\n<p>\u00d6zellik m\u00fchendisli\u011fi, mevcut de\u011fi\u015fkenlerden yeni, daha anlaml\u0131 \u00f6zellikler olu\u015fturma sanat\u0131d\u0131r. Bu, bir modelin performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir ve EDA'n\u0131n bir par\u00e7as\u0131 olarak, yeni \u00f6zelliklerin mevcut hedef de\u011fi\u015fkenle ili\u015fkisini ke\u015ffetmek i\u00e7in kullan\u0131labilir. \u00d6rne\u011fin, telekom\u00fcnikasyon veri setimizde, 'TotalCharges' (toplam \u00fccret) ve 'Tenure' (m\u00fc\u015fteri kal\u0131\u015f s\u00fcresi) de\u011fi\u015fkenleri varken, 'AverageMonthlyCharge' (ortalama ayl\u0131k \u00fccret) gibi yeni bir \u00f6zellik olu\u015fturabiliriz. Bu yeni \u00f6zellik, uzun s\u00fcreli m\u00fc\u015fterilerin ayl\u0131k \u00fccretlerinin zamanla nas\u0131l de\u011fi\u015fti\u011fini veya ortalama olarak ne kadar \u00f6deme yapt\u0131klar\u0131n\u0131 daha net g\u00f6sterebilir.<\/p>\n<pre><code>\n# Yeni bir \u00f6zellik olu\u015fturma: Ortalama Ayl\u0131k \u00dccret\n# 'TotalCharges' ve 'tenure' s\u00fctunlar\u0131n\u0131 kullanarak (eksik de\u011ferleri ele ald\u0131ktan sonra)\n# \u00d6rne\u011fin, 0 tenure de\u011feri olan m\u00fc\u015fteriler i\u00e7in b\u00f6lme hatas\u0131n\u0131 \u00f6nlemek amac\u0131yla bir kontrol ekleyelim\ndf['AverageMonthlyCharge'] = df.apply(\n    lambda row: row['TotalCharges'] \/ row['tenure'] if row['tenure'] > 0 else 0,\n    axis=1\n)\n\n# Yeni olu\u015fturulan \u00f6zelli\u011fin churn ile ili\u015fkisini incele\nplt.figure(figsize=(8, 6))\nsns.boxplot(x='Churn', y='AverageMonthlyCharge', data=df)\nplt.title('Churn Durumuna G\u00f6re Ortalama Ayl\u0131k \u00dccret Da\u011f\u0131l\u0131m\u0131')\nplt.xlabel('Churn Durumu')\nplt.ylabel('Ortalama Ayl\u0131k \u00dccret')\nplt.show()\n<\/pre>\n<p><\/code><\/p>\n<p>Bu yeni \u00f6zellik, churn eden m\u00fc\u015fterilerin ortalama ayl\u0131k \u00fccretlerinin, churn etmeyenlere g\u00f6re farkl\u0131 bir da\u011f\u0131l\u0131ma sahip olup olmad\u0131\u011f\u0131n\u0131 anlamam\u0131za yard\u0131mc\u0131 olabilir.<\/p>\n<h3>Boyut Azaltma Teknikleri (Dimensionality Reduction)<\/h3>\n<p>Bazen veri setleri y\u00fczlerce hatta binlerce de\u011fi\u015fkene sahip olabilir. Bu kadar \u00e7ok boyutla \u00e7al\u0131\u015fmak hem g\u00f6rselle\u015ftirmeyi hem de yorumlamay\u0131 zorla\u015ft\u0131r\u0131r. Boyut azaltma teknikleri, veri setindeki \u00f6nemli bilgi kayb\u0131n\u0131 en aza indirerek de\u011fi\u015fken say\u0131s\u0131n\u0131 azaltmaya yard\u0131mc\u0131 olur. Temel Bile\u015fenler Analizi (PCA) ve t-Da\u011f\u0131l\u0131ml\u0131 Stokastik Kom\u015fu G\u00f6mme (t-SNE) gibi teknikler, y\u00fcksek boyutlu verileri iki veya \u00fc\u00e7 boyutta g\u00f6rselle\u015ftirmemizi sa\u011flayarak, g\u00f6zle g\u00f6r\u00fclemeyen k\u00fcmelenmeleri veya desenleri ortaya \u00e7\u0131kar\u0131r. \u00d6zellikle PCA, verideki en b\u00fcy\u00fck varyans\u0131 a\u00e7\u0131klayan yeni, ortogonal bile\u015fenler olu\u015fturarak verinin ana yap\u0131s\u0131n\u0131 yakalamaya \u00e7al\u0131\u015f\u0131r. t-SNE ise daha \u00e7ok k\u00fcmeleme desenlerini ortaya \u00e7\u0131karmak i\u00e7in kullan\u0131l\u0131r.<\/p>\n<pre><code>\n# Boyut azaltma (PCA) ile veri g\u00f6rselle\u015ftirmesi (kavramsal \u00f6rnek)\n# Ger\u00e7ek uygulamada StandardScaler ile veri \u00f6l\u00e7eklenmelidir.\nfrom sklearn.decomposition import PCA\n# df_numeric, sadece say\u0131sal ve temizlenmi\u015f verileri i\u00e7eren DataFrame olsun\n# pca = PCA(n_components=2)\n# principalComponents = pca.fit_transform(df_numeric)\n# df_pca = pd.DataFrame(data = principalComponents, columns = ['principal component 1', 'principal component 2'])\n# df_pca['Churn'] = df['Churn'] # Hedef de\u011fi\u015fkeni ekle\n# sns.scatterplot(x='principal component 1', y='principal component 2', hue='Churn', data=df_pca)\n# plt.title('PCA ile Churn Durumu G\u00f6rselle\u015ftirmesi')\n# plt.show()\n<\/pre>\n<p><\/code><\/p>\n<p>Bu t\u00fcr bir g\u00f6rselle\u015ftirme, farkl\u0131 churn durumlar\u0131n\u0131n veri uzay\u0131nda ayr\u0131labilir k\u00fcmelere ayr\u0131l\u0131p ayr\u0131lmad\u0131\u011f\u0131n\u0131 bize g\u00f6sterebilir.<\/p>\n<h3>Ayk\u0131r\u0131 G\u00f6zlem Tespiti (Outlier Detection)<\/h3>\n<p>Ayk\u0131r\u0131 g\u00f6zlemler, veri setindeki genel kal\u0131ptan \u00f6nemli \u00f6l\u00e7\u00fcde sapan veri noktalar\u0131d\u0131r. Bunlar veri giri\u015f hatalar\u0131 olabilece\u011fi gibi, nadir g\u00f6r\u00fclen ancak \u00f6nemli olaylar\u0131 da temsil edebilir. EDA a\u015famas\u0131nda ayk\u0131r\u0131 g\u00f6zlemleri tespit etmek, model performans\u0131n\u0131 art\u0131rmak ve do\u011fru sonu\u00e7lar elde etmek i\u00e7in kritik \u00f6neme sahiptir. Kutu grafikleri, Z-skoru veya IQR (\u00c7eyrekler Aras\u0131 Aral\u0131k) y\u00f6ntemi gibi istatistiksel teknikler, ayk\u0131r\u0131 g\u00f6zlemleri belirlemek i\u00e7in kullan\u0131labilir. Daha ileri d\u00fczeyde, Isolation Forest veya Local Outlier Factor (LOF) gibi makine \u00f6\u011frenimi tabanl\u0131 algoritmalar da kullan\u0131labilir.<\/p>\n<pre><code>\n# IQR y\u00f6ntemi ile ayk\u0131r\u0131 g\u00f6zlem tespiti (\u00f6rne\u011fin 'MonthlyCharges' i\u00e7in)\nQ1 = df['MonthlyCharges'].quantile(0.25)\nQ3 = df['MonthlyCharges'].quantile(0.75)\nIQR = Q3 - Q1\nlower_bound = Q1 - 1.5 * IQR\nupper_bound = Q3 + 1.5 * IQR\n\noutliers = df[(df['MonthlyCharges'] < lower_bound) | (df['MonthlyCharges'] > upper_bound)]\nprint(f\"Ayk\u0131r\u0131 g\u00f6zlem say\u0131s\u0131 (MonthlyCharges i\u00e7in): {len(outliers)}\")\nprint(outliers[['MonthlyCharges', 'Churn']].head())\n<\/pre>\n<p><\/code><\/p>\n<p>Bu sayede, a\u015f\u0131r\u0131 y\u00fcksek veya d\u00fc\u015f\u00fck ayl\u0131k \u00fccrete sahip m\u00fc\u015fterilerin churn etme e\u011filimlerinin nas\u0131l oldu\u011funu inceleyebiliriz. Belki de \u00e7ok y\u00fcksek \u00fccret \u00f6deyen m\u00fc\u015fteriler daha s\u0131k churn ediyor veya tam tersi. Bu ileri d\u00fczey teknikler, Ke\u015fif\u00e7i Veri Analizi'ni s\u0131radan bir veri incelemesinden \u00e7ok daha fazlas\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Verilerin derinliklerine inerek, sadece y\u00fczeydeki kal\u0131plar\u0131 de\u011fil, ayn\u0131 zamanda gizlenmi\u015f ili\u015fkileri ve anormallikleri de ortaya \u00e7\u0131kar\u0131r\u0131z, b\u00f6ylece daha sa\u011flam ve i\u00e7g\u00f6r\u00fcl\u00fc modellemeler i\u00e7in zemin haz\u0131rlar\u0131z.<\/p>\n<h2>Mobil Uyumlu EDA Raporlar\u0131 Olu\u015fturma: Her Ekran \u0130\u00e7in Eri\u015filebilir Analiz<\/h2>\n<p>G\u00fcn\u00fcm\u00fczde veri analizleri ve raporlar\u0131 sadece masa\u00fcst\u00fc bilgisayarlarda de\u011fil, ak\u0131ll\u0131 telefonlardan tabletlere kadar geni\u015f bir yelpazedeki cihazlarda t\u00fcketilmektedir. Bu nedenle, Ke\u015fif\u00e7i Veri Analizi (EDA) bulgular\u0131n\u0131 sunarken, olu\u015fturulan raporlar\u0131n ve g\u00f6rselle\u015ftirmelerin mobil uyumlu olmas\u0131, i\u00e7g\u00f6r\u00fclerin daha geni\u015f bir kitleye ula\u015fmas\u0131 ve daha h\u0131zl\u0131 kararlar al\u0131nmas\u0131 a\u00e7\u0131s\u0131ndan hayati \u00f6neme sahiptir. Mobil uyumlu bir EDA raporu, farkl\u0131 ekran boyutlar\u0131na ve y\u00f6nelimlerine dinamik olarak uyum sa\u011flayarak, kullan\u0131c\u0131 deneyimini optimize eder ve verilerin okunabilirli\u011fini, anla\u015f\u0131labilirli\u011fini korur. Bu, sadece estetik bir tercih de\u011fil, ayn\u0131 zamanda veriye eri\u015filebilirli\u011fi ve demokratikle\u015fmeyi sa\u011flayan kritik bir teknik gerekliliktir.<\/p>\n<p>Mobil uyumlulu\u011fu sa\u011flaman\u0131n temel yollar\u0131ndan biri, web teknolojilerinde \"Responsive Design\" (Duyarl\u0131 Tasar\u0131m) prensiplerini uygulamakt\u0131r. Bu prensiplerin kalbinde, ekran boyutuna g\u00f6re stil kurallar\u0131 belirlememizi sa\u011flayan CSS Media Queries (Medya Sorgular\u0131) bulunur. \u00d6rne\u011fin, bir masa\u00fcst\u00fcnde yan yana duran iki grafik, mobil ekranda alt alta gelecek \u015fekilde otomatik olarak yeniden d\u00fczenlenebilir. Ya da k\u00fc\u00e7\u00fck ekranlarda, \u00f6nemli detaylar\u0131 vurgulamak i\u00e7in daha basit grafik t\u00fcrleri veya interaktif bile\u015fenler kullan\u0131labilir.<\/p>\n<p>Bir EDA raporunu HTML format\u0131nda olu\u015fturdu\u011funuzda, g\u00f6rselle\u015ftirmeleriniz (\u00f6rne\u011fin Matplotlib veya Seaborn'dan d\u0131\u015fa aktar\u0131lm\u0131\u015f g\u00f6rseller) ve metin i\u00e7eri\u011finiz i\u00e7in responsive kurallar tan\u0131mlayabilirsiniz. \u0130\u015fte kavramsal bir media query \u00f6rne\u011fi ve bunun bir EDA raporuna nas\u0131l uygulanabilece\u011finin a\u00e7\u0131klamas\u0131:<\/p>\n<pre><code class=\"language-css\">\n\/* Genel stil kurallar\u0131 *\/\nbody {\n    font-family: Arial, sans-serif;\n    line-height: 1.6;\n    color: #333;\n    margin: 0 auto;\n    max-width: 1200px;\n    padding: 20px;\n}\n\nimg {\n    max-width: 100%; \/* G\u00f6rsellerin ekran\u0131 ta\u015fmas\u0131n\u0131 \u00f6nler *\/\n    height: auto; \/* G\u00f6rsel oranlar\u0131n\u0131 korur *\/\n    display: block; \/* Kenarlarda bo\u015fluk b\u0131rakmaz *\/\n    margin-bottom: 20px;\n}\n\n\/* K\u00fc\u00e7\u00fck ekranlar i\u00e7in medya sorgusu (\u00f6rne\u011fin telefonlar) *\/\n@media (max-width: 768px) {\n    h2 {\n        font-size: 1.8em;\n    }\n    h3 {\n        font-size: 1.4em;\n    }\n    p, li {\n        font-size: 0.9em;\n    }\n    \/* E\u011fer iki s\u00fctunlu bir d\u00fczen varsa, tek s\u00fctuna d\u00f6n\u00fc\u015ft\u00fcr *\/\n    .two-column-layout {\n        flex-direction: column;\n    }\n    \/* G\u00f6rselle\u015ftirmeler i\u00e7in daha fazla alan sa\u011flamak *\/\n    .chart-container {\n        padding: 10px;\n    }\n}\n\n\/* Orta ekranlar i\u00e7in medya sorgusu (\u00f6rne\u011fin tabletler) *\/\n@media (min-width: 769px) and (max-width: 1024px) {\n    body {\n        padding: 15px;\n    }\n    \/* Daha b\u00fcy\u00fck grafikler veya yan yana d\u00fczenler i\u00e7in ayarlar *\/\n    .chart-container {\n        max-width: 80%;\n        margin: 0 auto;\n    }\n}\n<\/pre>\n<p><\/code><\/p>\n<p>Yukar\u0131daki CSS \u00f6rne\u011finde, <code>img { max-width: 100%; height: auto; }<\/code> kural\u0131, t\u00fcm g\u00f6rsellerin (yani veri g\u00f6rselle\u015ftirmelerinizin) kendi kapsay\u0131c\u0131lar\u0131n\u0131n geni\u015fli\u011fini a\u015fmamas\u0131n\u0131 ve oranlar\u0131n\u0131 korumas\u0131n\u0131 sa\u011flar. <code>@media (max-width: 768px)<\/code> blo\u011fu ise, ekran geni\u015fli\u011fi 768 pikselden k\u00fc\u00e7\u00fck oldu\u011funda (tipik bir telefon ekran\u0131), ba\u015fl\u0131klar\u0131n ve metinlerin boyutunu k\u00fc\u00e7\u00fclterek okunabilirli\u011fi art\u0131r\u0131r ve e\u011fer varsa, iki s\u00fctunlu d\u00fczenleri tek s\u00fctunluya d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Bu, kullan\u0131c\u0131lar\u0131n kayd\u0131rma yapmak zorunda kalmadan i\u00e7eri\u011fi kolayca t\u00fcketebilmelerini sa\u011flar.<\/p>\n<p>Mobil uyumlu raporlar olu\u015ftururken dikkat edilmesi gereken di\u011fer noktalar \u015funlard\u0131r:<\/p>\n<ul>\n<li><strong>Basitlik:<\/strong> Mobil cihazlarda karma\u015f\u0131k ve detayl\u0131 grafikler okunmas\u0131 zor olabilir. M\u00fcmk\u00fcnse, anahtar i\u00e7g\u00f6r\u00fcleri g\u00f6steren daha basit grafik t\u00fcrlerini tercih edin veya interaktif \u00f6zellikler (zoom, pan) ekleyin.<\/li>\n<li><strong>Performans:<\/strong> B\u00fcy\u00fck boyutlu g\u00f6rseller veya \u00e7ok say\u0131da interaktif bile\u015fen, mobil cihazlarda y\u00fcklenme s\u00fcresini art\u0131rabilir. G\u00f6rsel boyutlar\u0131n\u0131 optimize edin ve sadece ger\u00e7ekten gerekli olan interaktif \u00f6\u011feleri kullan\u0131n.<\/li>\n<li><strong>Duyarl\u0131 \u00c7er\u00e7eveler:<\/strong> E\u011fer interaktif g\u00f6rselle\u015ftirmeler (\u00f6rne\u011fin Plotly, Bokeh) kullan\u0131yorsan\u0131z, bu k\u00fct\u00fcphanelerin genellikle yerle\u015fik duyarl\u0131 \u00f6zelliklere sahip oldu\u011fundan emin olun veya bunlar\u0131 HTML\/CSS ile sarmalayarak duyarl\u0131 hale getirin.<\/li>\n<li><strong>Eri\u015filebilirlik:<\/strong> Sadece mobil uyumlu olmakla kalmay\u0131p, raporlar\u0131n\u0131z\u0131n g\u00f6rme engelliler i\u00e7in metin a\u00e7\u0131klamalar\u0131 (alt metinleri) veya klavye navigasyonu gibi eri\u015filebilirlik \u00f6zelliklerini de i\u00e7ermesi \u00f6nemlidir.<\/li>\n<\/ul>\n<p>\u00d6zetle, Ke\u015fif\u00e7i Veri Analizi bulgular\u0131n\u0131z\u0131n etkisini art\u0131rmak ve i\u00e7g\u00f6r\u00fcleri daha geni\u015f bir kitleye ula\u015ft\u0131rmak i\u00e7in mobil uyumlu raporlar olu\u015fturmak g\u00fcn\u00fcm\u00fczde bir zorunluluktur. Responsive tasar\u0131m prensiplerini ve medya sorgular\u0131n\u0131 kullanarak, verilerinizin her ekranda en iyi \u015fekilde g\u00f6r\u00fcnmesini ve her kullan\u0131c\u0131 taraf\u0131ndan kolayca eri\u015filebilir olmas\u0131n\u0131 sa\u011flayabilirsiniz. Bu yakla\u015f\u0131m, veri odakl\u0131 kararlar\u0131n yayg\u0131nla\u015fmas\u0131na \u00f6nemli \u00f6l\u00e7\u00fcde katk\u0131da bulunur.<\/p>\n<h2>Sonu\u00e7: EDA \u0130le Veri Maceran\u0131za Ba\u015flay\u0131n<\/h2>\n<p>Bu makale boyunca Ke\u015fif\u00e7i Veri Analizi (EDA) kavram\u0131n\u0131, neden hayati \u00f6nem ta\u015f\u0131d\u0131\u011f\u0131n\u0131, temel ad\u0131mlar\u0131n\u0131 ve ileri d\u00fczey tekniklerini derinlemesine inceledik. EDA'n\u0131n, ham verileri anlaml\u0131 hikayelere d\u00f6n\u00fc\u015ft\u00fcrme sanat\u0131 oldu\u011funu, veri bilimcilerinin veriyle ilk ve en kritik etkile\u015fimini sa\u011flad\u0131\u011f\u0131n\u0131 vurgulad\u0131k. Herhangi bir modelleme veya ileri d\u00fczey analize ba\u015flamadan \u00f6nce, verilerinizin i\u00e7 yap\u0131s\u0131n\u0131, potansiyel sorunlar\u0131n\u0131 (eksik de\u011ferler, ayk\u0131r\u0131 g\u00f6zlemler) ve de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkileri anlaman\u0131n ne kadar \u00f6nemli oldu\u011funu g\u00f6rd\u00fck. EDA sayesinde, sadece veri temizleme ve \u00f6n i\u015fleme ad\u0131mlar\u0131 i\u00e7in bir yol haritas\u0131 \u00e7\u0131karmakla kalm\u0131yor, ayn\u0131 zamanda i\u015f problemini daha derinlemesine anl\u0131yor ve yeni hipotezler olu\u015fturabiliyoruz. Veri g\u00f6rselle\u015ftirmenin g\u00fcc\u00fcn\u00fc, say\u0131sal verileri insan beyninin kolayca i\u015fleyebilece\u011fi grafiklere d\u00f6n\u00fc\u015ft\u00fcrmedeki rol\u00fcn\u00fc, bu sayede hem teknik ekiplere hem de teknik olmayan payda\u015flara i\u00e7g\u00f6r\u00fcleri etkili bir \u015fekilde iletebilme yetene\u011fini ele ald\u0131k. \u00d6zellik m\u00fchendisli\u011fi ve boyut azaltma gibi ileri d\u00fczey tekniklerin, daha karma\u015f\u0131k veri setlerinde gizlenmi\u015f kal\u0131plar\u0131 ve yap\u0131lar\u0131 ortaya \u00e7\u0131karmadaki de\u011ferine de\u011findik. Son olarak, g\u00fcn\u00fcm\u00fcz\u00fcn \u00e7ok ekranl\u0131 d\u00fcnyas\u0131nda, EDA raporlar\u0131n\u0131n mobil uyumlu olmas\u0131n\u0131n, i\u00e7g\u00f6r\u00fclerin yayg\u0131nla\u015fmas\u0131 ve h\u0131zl\u0131 karar almay\u0131 kolayla\u015ft\u0131rmas\u0131 a\u00e7\u0131s\u0131ndan ne kadar kritik oldu\u011funu vurgulad\u0131k.<\/p>\n<p>Ke\u015fif\u00e7i Veri Analizi, sadece bir teknikler b\u00fct\u00fcn\u00fc de\u011fil, ayn\u0131 zamanda bir d\u00fc\u015f\u00fcnce bi\u00e7imidir. Merakl\u0131 bir zihin, verileri sorgulama ve onlardan hikayeler dinleme iste\u011fi gerektirir. Bu s\u00fcre\u00e7, veri bilimcinin yarat\u0131c\u0131l\u0131\u011f\u0131n\u0131 ve sezgisini kullanarak, potansiyel bir i\u015f de\u011ferini veya kritik bir sorunu daha ilk a\u015famada tespit etmesini sa\u011flar. Veri setiniz ne kadar b\u00fcy\u00fck veya karma\u015f\u0131k olursa olsun, iyi yap\u0131lm\u0131\u015f bir EDA, size g\u00fcvenilir bir ba\u015flang\u0131\u00e7 noktas\u0131 sunar ve veri maceran\u0131z\u0131n geri kalan\u0131n\u0131n ba\u015far\u0131s\u0131 i\u00e7in sa\u011flam bir temel olu\u015fturur. Unutmay\u0131n, verileriniz size f\u0131s\u0131ld\u0131yor; onlar\u0131 dinlemeye zaman ay\u0131r\u0131rsan\u0131z, size paha bi\u00e7ilmez s\u0131rlar a\u00e7\u0131\u011fa \u00e7\u0131karacaklard\u0131r. \u015eimdi s\u0131ra sizde! Kendi veri setlerinizle bu ke\u015fif yolculu\u011funa ba\u015flay\u0131n ve gizli hikayeleri kendiniz ortaya \u00e7\u0131kar\u0131n.<\/p>\n<h3>S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n<dl>\n<dt><strong>Ke\u015fif\u00e7i Veri Analizi (EDA) neden makine \u00f6\u011frenimi modellemesinden \u00f6nce yap\u0131lmal\u0131d\u0131r?<\/strong><\/dt>\n<dd>EDA, veri setindeki eksik de\u011ferleri, ayk\u0131r\u0131 g\u00f6zlemleri ve yanl\u0131\u015f veri giri\u015flerini tespit etmenizi sa\u011flar. Bu sorunlar, model performans\u0131n\u0131 ciddi \u015fekilde etkileyebilir. Ayr\u0131ca, de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkileri ve veri da\u011f\u0131l\u0131mlar\u0131n\u0131 anlamak, do\u011fru model se\u00e7imini, \u00f6zellik m\u00fchendisli\u011fini ve model yorumlamas\u0131n\u0131 kolayla\u015ft\u0131r\u0131r. K\u0131sacas\u0131, modelinizi kirli veya yanl\u0131\u015f anla\u015f\u0131lm\u0131\u015f veri \u00fczerine kurmaktan ka\u00e7\u0131nmak i\u00e7in bir \u00f6n ko\u015fuldur.<\/dd>\n<dt><strong>EDA i\u00e7in hangi ara\u00e7lar veya diller pop\u00fclerdir?<\/strong><\/dt>\n<dd>Python ve R, EDA i\u00e7in en pop\u00fcler dillerdir. Python'da Pandas (veri manip\u00fclasyonu), Matplotlib ve Seaborn (veri g\u00f6rselle\u015ftirme) k\u00fct\u00fcphaneleri yayg\u0131n olarak kullan\u0131l\u0131r. R'da ise dplyr (veri manip\u00fclasyonu) ve ggplot2 (veri g\u00f6rselle\u015ftirme) tercih edilir. \u0130\u015f zekas\u0131 ara\u00e7lar\u0131 (Tableau, Power BI) da interaktif EDA i\u00e7in kullan\u0131labilir.<\/dd>\n<dt><strong>Ayk\u0131r\u0131 g\u00f6zlemler (outlier) her zaman veri setinden \u00e7\u0131kar\u0131lmal\u0131 m\u0131d\u0131r?<\/strong><\/dt>\n<dd>Hay\u0131r, her zaman de\u011fil. Ayk\u0131r\u0131 g\u00f6zlemler, veri giri\u015f hatalar\u0131 veya \u00f6l\u00e7\u00fcm yanl\u0131\u015fl\u0131klar\u0131 ise genellikle \u00e7\u0131kar\u0131lmal\u0131 veya d\u00fczeltilmelidir. Ancak, bazen ayk\u0131r\u0131 g\u00f6zlemler, veri setindeki nadir ancak ger\u00e7ek olaylar\u0131 veya \u00f6nemli anormallikleri temsil edebilir (\u00f6rne\u011fin, bir doland\u0131r\u0131c\u0131l\u0131k tespiti senaryosunda). Bu durumlarda, ayk\u0131r\u0131 de\u011ferleri \u00e7\u0131karmak yerine, onlar\u0131 ayr\u0131 bir kategori olarak ele almak veya modelin onlara kar\u015f\u0131 daha sa\u011flam olmas\u0131n\u0131 sa\u011flayacak y\u00f6ntemler kullanmak daha do\u011fru olabilir. Karar, verinin ba\u011flam\u0131na ve analizin amac\u0131na g\u00f6re verilmelidir.<\/dd>\n<dt><strong>Veri g\u00f6rselle\u015ftirme neden bu kadar \u00f6nemlidir?<\/strong><\/dt>\n<dd>Veri g\u00f6rselle\u015ftirme, karma\u015f\u0131k say\u0131sal verileri insan beyninin kolayca anlayabilece\u011fi ve i\u015fleyebilece\u011fi grafiksel formatlara d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Bu, kal\u0131plar\u0131, e\u011filimleri, ili\u015fkileri ve ayk\u0131r\u0131 g\u00f6zlemleri h\u0131zl\u0131ca tespit etmeyi sa\u011flar. Ayr\u0131ca, teknik olmayan payda\u015flara bile analiz sonu\u00e7lar\u0131n\u0131 ve i\u00e7g\u00f6r\u00fcleri etkili bir \u015fekilde iletmek i\u00e7in kritik bir ara\u00e7t\u0131r. G\u00f6rselle\u015ftirmeler olmadan, verideki bir\u00e7ok de\u011ferli bilgi g\u00f6zden ka\u00e7abilir.<\/dd>\n<dt><strong>EDA yaparken kar\u015f\u0131la\u015f\u0131lan en yayg\u0131n zorluklar nelerdir?<\/strong><\/dt>\n<dd>En yayg\u0131n zorluklar aras\u0131nda eksik ve hatal\u0131 verilerle ba\u015fa \u00e7\u0131kmak, \u00e7ok b\u00fcy\u00fck veri setlerini i\u015flemek, y\u00fcksek boyutlu verileri anlamland\u0131rmak, do\u011fru g\u00f6rselle\u015ftirme t\u00fcr\u00fcn\u00fc se\u00e7mek ve i\u015f ba\u011flam\u0131nda anlaml\u0131 i\u00e7g\u00f6r\u00fcler elde etmek yer al\u0131r. Bazen, veri setindeki bir de\u011fi\u015fkenin ne anlama geldi\u011fini tam olarak anlamak (veri s\u00f6zl\u00fc\u011f\u00fc eksikli\u011fi nedeniyle) da bir zorluk olabilir.<\/dd>\n<\/dl>\n<p><\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Verileriniz, size f\u0131s\u0131ldayan gizli hikayelerle dolu. Ancak bu f\u0131s\u0131lt\u0131lar\u0131 duymak, do\u011fru ara\u00e7lara ve yakla\u015f\u0131ma sahip olmakla m\u00fcmk\u00fcn. Ke\u015fif\u00e7i&hellip;","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-30550","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v20.5 (Yoast SEO v25.3.1) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n<\/title>\n<meta name=\"description\" content=\"Verileriniz, size f\u0131s\u0131ldayan gizli hikayelerle dolu. Ancak bu f\u0131s\u0131lt\u0131lar\u0131 duymak, do\u011fru ara\u00e7lara ve yakla\u015f\u0131ma sahip olmakla m\u00fcmk\u00fcn. Ke\u015fif\u00e7i Veri Analizi (EDA), ham verilerin karma\u015f\u0131k d\u00fcnyas\u0131nda yolunuzu bulman\u0131z\u0131, kal\u0131plar\u0131 ve anormallikleri ke\u015ffetmenizi sa\u011flayan sanatsal bir s\u00fcre\u00e7tir. Bu rehberde, EDA&#039;n\u0131n temellerinden ileri d\u00fczey tekniklerine, ger\u00e7ek d\u00fcnya senaryolar\u0131ndan etkili g\u00f6rselle\u015ftirmelere kadar her \u015feyi ad\u0131m ad\u0131m \u00f6\u011freneceksiniz.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n\" \/>\n<meta property=\"og:description\" content=\"Verileriniz, size f\u0131s\u0131ldayan gizli hikayelerle dolu. Ancak bu f\u0131s\u0131lt\u0131lar\u0131 duymak, do\u011fru ara\u00e7lara ve yakla\u015f\u0131ma sahip olmakla m\u00fcmk\u00fcn. Ke\u015fif\u00e7i Veri Analizi (EDA), ham verilerin karma\u015f\u0131k d\u00fcnyas\u0131nda yolunuzu bulman\u0131z\u0131, kal\u0131plar\u0131 ve anormallikleri ke\u015ffetmenizi sa\u011flayan sanatsal bir s\u00fcre\u00e7tir. Bu rehberde, EDA&#039;n\u0131n temellerinden ileri d\u00fczey tekniklerine, ger\u00e7ek d\u00fcnya senaryolar\u0131ndan etkili g\u00f6rselle\u015ftirmelere kadar her \u015feyi ad\u0131m ad\u0131m \u00f6\u011freneceksiniz.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2025-09-29T02:31:17+00:00\" \/>\n<meta name=\"author\" content=\"Fatih Soysal\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Yazan:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Fatih Soysal\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tahmini okuma s\u00fcresi\" \/>\n\t<meta name=\"twitter:data2\" content=\"27 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n\",\"datePublished\":\"2025-09-29T02:31:17+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/\"},\"wordCount\":4735,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/#respond\"]}],\"copyrightYear\":\"2025\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/\",\"name\":\"Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2025-09-29T02:31:17+00:00\",\"description\":\"Verileriniz, size f\u0131s\u0131ldayan gizli hikayelerle dolu. Ancak bu f\u0131s\u0131lt\u0131lar\u0131 duymak, do\u011fru ara\u00e7lara ve yakla\u015f\u0131ma sahip olmakla m\u00fcmk\u00fcn. Ke\u015fif\u00e7i Veri Analizi (EDA), ham verilerin karma\u015f\u0131k d\u00fcnyas\u0131nda yolunuzu bulman\u0131z\u0131, kal\u0131plar\u0131 ve anormallikleri ke\u015ffetmenizi sa\u011flayan sanatsal bir s\u00fcre\u00e7tir. Bu rehberde, EDA'n\u0131n temellerinden ileri d\u00fczey tekniklerine, ger\u00e7ek d\u00fcnya senaryolar\u0131ndan etkili g\u00f6rselle\u015ftirmelere kadar her \u015feyi ad\u0131m ad\u0131m \u00f6\u011freneceksiniz.\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/\",\"name\":\"Fatihsoysal.com\",\"description\":\"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim\",\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"tr\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\",\"name\":\"Fatih Soysal\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"tr\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"contentUrl\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"width\":512,\"height\":512,\"caption\":\"Fatih Soysal\"},\"logo\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\"},\"description\":\"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n","description":"Verileriniz, size f\u0131s\u0131ldayan gizli hikayelerle dolu. Ancak bu f\u0131s\u0131lt\u0131lar\u0131 duymak, do\u011fru ara\u00e7lara ve yakla\u015f\u0131ma sahip olmakla m\u00fcmk\u00fcn. Ke\u015fif\u00e7i Veri Analizi (EDA), ham verilerin karma\u015f\u0131k d\u00fcnyas\u0131nda yolunuzu bulman\u0131z\u0131, kal\u0131plar\u0131 ve anormallikleri ke\u015ffetmenizi sa\u011flayan sanatsal bir s\u00fcre\u00e7tir. Bu rehberde, EDA'n\u0131n temellerinden ileri d\u00fczey tekniklerine, ger\u00e7ek d\u00fcnya senaryolar\u0131ndan etkili g\u00f6rselle\u015ftirmelere kadar her \u015feyi ad\u0131m ad\u0131m \u00f6\u011freneceksiniz.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/","og_locale":"tr_TR","og_type":"article","og_title":"Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n","og_description":"Verileriniz, size f\u0131s\u0131ldayan gizli hikayelerle dolu. Ancak bu f\u0131s\u0131lt\u0131lar\u0131 duymak, do\u011fru ara\u00e7lara ve yakla\u015f\u0131ma sahip olmakla m\u00fcmk\u00fcn. Ke\u015fif\u00e7i Veri Analizi (EDA), ham verilerin karma\u015f\u0131k d\u00fcnyas\u0131nda yolunuzu bulman\u0131z\u0131, kal\u0131plar\u0131 ve anormallikleri ke\u015ffetmenizi sa\u011flayan sanatsal bir s\u00fcre\u00e7tir. Bu rehberde, EDA'n\u0131n temellerinden ileri d\u00fczey tekniklerine, ger\u00e7ek d\u00fcnya senaryolar\u0131ndan etkili g\u00f6rselle\u015ftirmelere kadar her \u015feyi ad\u0131m ad\u0131m \u00f6\u011freneceksiniz.","og_url":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2025-09-29T02:31:17+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"27 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n","datePublished":"2025-09-29T02:31:17+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/"},"wordCount":4735,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/#respond"]}],"copyrightYear":"2025","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/","url":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/","name":"Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2025-09-29T02:31:17+00:00","description":"Verileriniz, size f\u0131s\u0131ldayan gizli hikayelerle dolu. Ancak bu f\u0131s\u0131lt\u0131lar\u0131 duymak, do\u011fru ara\u00e7lara ve yakla\u015f\u0131ma sahip olmakla m\u00fcmk\u00fcn. Ke\u015fif\u00e7i Veri Analizi (EDA), ham verilerin karma\u015f\u0131k d\u00fcnyas\u0131nda yolunuzu bulman\u0131z\u0131, kal\u0131plar\u0131 ve anormallikleri ke\u015ffetmenizi sa\u011flayan sanatsal bir s\u00fcre\u00e7tir. Bu rehberde, EDA'n\u0131n temellerinden ileri d\u00fczey tekniklerine, ger\u00e7ek d\u00fcnya senaryolar\u0131ndan etkili g\u00f6rselle\u015ftirmelere kadar her \u015feyi ad\u0131m ad\u0131m \u00f6\u011freneceksiniz.","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/kesifci-veri-analizi-gizli-veri-hikayelerini-ortaya-cikarin\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"Ke\u015fif\u00e7i Veri Analizi: Gizli Veri Hikayelerini Ortaya \u00c7\u0131kar\u0131n"}]},{"@type":"WebSite","@id":"https:\/\/fatihsoysal.com\/blog\/#website","url":"https:\/\/fatihsoysal.com\/blog\/","name":"Fatihsoysal.com","description":"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim","publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"tr"},{"@type":["Person","Organization"],"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1","name":"Fatih Soysal","image":{"@type":"ImageObject","inLanguage":"tr","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","contentUrl":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","width":512,"height":512,"caption":"Fatih Soysal"},"logo":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/"},"description":"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.","url":"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/"}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/30550","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/comments?post=30550"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/30550\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=30550"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=30550"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=30550"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}