Veri analizi yolculu\u011fumuzun 64. g\u00fcn\u00fcne ula\u015fmak, hem heyecan verici bir kilometre ta\u015f\u0131 hem de \u00f6\u011frenme s\u00fcrecinizin ne denli kararl\u0131 ilerledi\u011finin bir g\u00f6stergesidir. Peki, bu a\u015famada bilginizi nas\u0131l derinle\u015ftirebilir, yeteneklerinizi nas\u0131l parlatabilirsiniz? Bu makale, veri analizinin temelinden ileri d\u00fczey tekniklerine, ger\u00e7ek d\u00fcnya uygulamalar\u0131ndan kariyer ipu\u00e7lar\u0131na kadar geni\u015f bir yelpazede size rehberlik edecek.<\/p>\n
Veri analizi, s\u00fcrekli bir ke\u015fif ve \u00f6\u011frenme ser\u00fcvenidir. Yolculu\u011fumuzun 64. g\u00fcn\u00fcne geldi\u011finizde, muhtemelen temel kavramlar\u0131 ve baz\u0131 pratik ara\u00e7lar\u0131 kullanma becerisini edinmi\u015f olmal\u0131s\u0131n\u0131z. Bu a\u015famada, sadece verileri okuyup yorumlamakla kalmay\u0131p, ayn\u0131 zamanda daha karma\u015f\u0131k veri setleriyle ba\u015fa \u00e7\u0131kma ve i\u015f problemlerine y\u00f6nelik anlaml\u0131 i\u00e7g\u00f6r\u00fcler \u00fcretme becerilerinizi geli\u015ftirmeye odaklanmal\u0131s\u0131n\u0131z. Ba\u015flang\u0131\u00e7taki heyecan ve temel kavramlar\u0131n \u00f6\u011frenildi\u011fi d\u00f6nemden sonra, art\u0131k veri temizleme s\u00fcre\u00e7lerinin zorluklar\u0131, do\u011fru g\u00f6rselle\u015ftirme tekniklerini se\u00e7menin incelikleri ve istatistiksel modellerin derinlikleri gibi konularla daha yak\u0131ndan tan\u0131\u015fm\u0131\u015f olmal\u0131s\u0131n\u0131z. Bu, sadece teorik bilginizi peki\u015ftirmekle kalmay\u0131p, ayn\u0131 zamanda pratik projelerle elinizi kirletmeye ba\u015flad\u0131\u011f\u0131n\u0131z bir d\u00f6nemdir. SQL ile karma\u015f\u0131k sorgular yazmak, Python veya R ile veri manip\u00fclasyonu yapmak ve temel makine \u00f6\u011frenimi algoritmalar\u0131n\u0131 uygulamak, bu g\u00fcnlerdeki ana u\u011fra\u015flar\u0131n\u0131z aras\u0131nda yer alabilir.<\/p>\n
Bu a\u015famada, genellikle kar\u015f\u0131la\u015f\u0131lan bir durum, \u00f6\u011frenilen bilgilerin nas\u0131l bir araya getirilip ger\u00e7ek bir i\u015f senaryosuna uygulanaca\u011f\u0131 konusunda belirsizliklerdir. Bir veri analisti aday\u0131 olarak, teorik bilgileri prati\u011fe d\u00f6kmek ve somut projeler \u00fczerinde \u00e7al\u0131\u015fmak hayati \u00f6nem ta\u015f\u0131r. \u00d6rne\u011fin, bir \u015firketin sat\u0131\u015f verilerini analiz ederek potansiyel m\u00fc\u015fteri segmentlerini belirlemek veya bir pazarlama kampanyas\u0131n\u0131n etkinli\u011fini \u00f6l\u00e7mek gibi g\u00f6revler, bu seviyede ele al\u0131nabilecek m\u00fckemmel pratik alanlard\u0131r. Ayr\u0131ca, veri g\u00f6rselle\u015ftirme becerilerinizi geli\u015ftirerek, karma\u015f\u0131k verileri anla\u015f\u0131l\u0131r ve etkileyici hikayelere d\u00f6n\u00fc\u015ft\u00fcrme yetene\u011finizi de bu d\u00f6nemde g\u00fc\u00e7lendirmelisiniz. Etkili bir g\u00f6rselle\u015ftirme, verinin arkas\u0131ndaki hikayeyi anlatman\u0131n ve karar al\u0131c\u0131lar\u0131 ikna etmenin en g\u00fc\u00e7l\u00fc yollar\u0131ndan biridir. Bu s\u00fcre\u00e7te, Power BI, Tableau gibi i\u015f zekas\u0131 ara\u00e7lar\u0131n\u0131 veya Matplotlib, Seaborn gibi Python k\u00fct\u00fcphanelerini aktif olarak kullanmak, bu yetene\u011finizi peki\u015ftirecektir. Unutmay\u0131n, veri analizi sadece teknik becerilerle s\u0131n\u0131rl\u0131 de\u011fildir; problem \u00e7\u00f6zme yetene\u011fi, ele\u015ftirel d\u00fc\u015f\u00fcnme ve ileti\u015fim becerileri de bu yolculukta sizinle birlikte geli\u015fmelidir.<\/p>\n
Sonu\u00e7 olarak, 64. g\u00fcn, temelden ileri d\u00fczeye ge\u00e7i\u015fin e\u015fi\u011fidir. Bu, sadece yeni bilgiler \u00f6\u011frenmeye devam etmekle kalmay\u0131p, mevcut bilginizi derinle\u015ftirme ve farkl\u0131 alanlarda uygulama f\u0131rsatlar\u0131n\u0131 de\u011ferlendirme zaman\u0131d\u0131r. Bu sayede, veri analizi yolculu\u011funuzda daha sa\u011flam ad\u0131mlar atarak kendinizi gelecekteki zorluklara haz\u0131rlayabilirsiniz. Ayn\u0131 zamanda, bu noktada \u00f6\u011frendi\u011finiz her yeni teknik, kar\u015f\u0131la\u015ft\u0131\u011f\u0131n\u0131z her yeni problem, sizi daha yetkin bir veri analisti yapma yolunda \u00f6nemli birer ad\u0131md\u0131r. Kar\u015f\u0131la\u015ft\u0131\u011f\u0131n\u0131z her sorunu bir \u00f6\u011frenme f\u0131rsat\u0131 olarak g\u00f6rmeli ve s\u00fcrekli pratik yaparak kendinizi geli\u015ftirmelisiniz.<\/p>\n
Veri analizi yolculu\u011funa yeni ba\u015flayanlar veya bilgilerini tazelemek isteyenler i\u00e7in, bu alan\u0131n temel ta\u015flar\u0131n\u0131 anlamak kritik \u00f6neme sahiptir. Veri analizi, ham veriyi de\u011ferli bilgilere d\u00f6n\u00fc\u015ft\u00fcrme s\u00fcrecidir ve bu s\u00fcre\u00e7 birka\u00e7 ana a\u015famadan olu\u015fur. \u0130lk olarak, veri toplama<\/strong> gelir. Bu a\u015famada, farkl\u0131 kaynaklardan (veritabanlar\u0131, web siteleri, API’ler, sens\u00f6rler vb.) veri elde edilir. Verinin kalitesi, analizin ba\u015far\u0131s\u0131n\u0131 do\u011frudan etkileyece\u011finden, bu ad\u0131mda do\u011fru ve g\u00fcvenilir kaynaklardan veri toplamak esast\u0131r. Veri topland\u0131ktan sonra, genellikle da\u011f\u0131n\u0131k, eksik veya hatal\u0131 olabilir. \u0130\u015fte burada veri temizleme ve \u00f6n i\u015fleme<\/strong> devreye girer. Bu, eksik de\u011ferleri doldurma, hatal\u0131 giri\u015fleri d\u00fczeltme, tekrarlayan kay\u0131tlar\u0131 kald\u0131rma ve veriyi analiz i\u00e7in uygun bir formata getirme gibi i\u015flemleri i\u00e7erir. Temizlenmi\u015f ve d\u00fczenlenmi\u015f veri, sonraki ad\u0131mlar i\u00e7in sa\u011flam bir temel olu\u015fturur. Bu a\u015fama genellikle zaman al\u0131c\u0131d\u0131r ancak analizin do\u011frulu\u011fu ve g\u00fcvenilirli\u011fi i\u00e7in vazge\u00e7ilmezdir.<\/p>\n Temizleme i\u015fleminden sonra, ke\u015fif\u00e7i veri analizi (EDA)<\/strong> a\u015famas\u0131na ge\u00e7ilir. EDA, verinin yap\u0131s\u0131n\u0131, da\u011f\u0131l\u0131m\u0131n\u0131, ayk\u0131r\u0131 de\u011ferlerini ve de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkileri anlamak i\u00e7in g\u00f6rsel ve istatistiksel tekniklerin kullan\u0131ld\u0131\u011f\u0131 bir s\u00fcre\u00e7tir. Bu a\u015famada, histogramlar, kutu grafikleri, sa\u00e7\u0131l\u0131m grafikleri gibi g\u00f6rselle\u015ftirmelerle veriye dair ilk i\u00e7g\u00f6r\u00fcler elde edilir. Ayr\u0131ca, korelasyon analizleri gibi istatistiksel y\u00f6ntemlerle de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkiler incelenir. EDA, hipotez geli\u015ftirme ve sonraki analiz ad\u0131mlar\u0131 i\u00e7in yol g\u00f6stericidir. Elde edilen i\u00e7g\u00f6r\u00fcleri ba\u015fkalar\u0131na aktarman\u0131n en etkili yolu ise veri g\u00f6rselle\u015ftirme<\/strong>dir. G\u00f6rselle\u015ftirme, karma\u015f\u0131k veri setlerini anla\u015f\u0131l\u0131r grafikler, tablolar ve panolar arac\u0131l\u0131\u011f\u0131yla sunma sanat\u0131d\u0131r. \u00c7ubuk grafikler, \u00e7izgi grafikler, pasta grafikler ve co\u011frafi haritalar gibi \u00e7e\u015fitli g\u00f6rselle\u015ftirme t\u00fcrleri, verinin arkas\u0131ndaki hikayeyi anlatmaya yard\u0131mc\u0131 olur. Do\u011fru g\u00f6rselle\u015ftirme, i\u015f kararlar\u0131n\u0131n daha h\u0131zl\u0131 ve do\u011fru al\u0131nmas\u0131n\u0131 sa\u011flar. Python’da Matplotlib ve Seaborn, R’da ggplot2 veya ticari ara\u00e7lar olan Tableau ve Power BI bu konuda s\u0131k\u00e7a kullan\u0131l\u0131r.<\/p>\n Son olarak, veri modelleme ve makine \u00f6\u011frenimi<\/strong> a\u015famas\u0131na gelinir. Bu a\u015famada, gelecekteki olaylar\u0131 tahmin etmek, verilerdeki kal\u0131plar\u0131 belirlemek veya belirli bir \u00e7\u0131kt\u0131y\u0131 s\u0131n\u0131fland\u0131rmak i\u00e7in algoritmalar kullan\u0131l\u0131r. Regresyon modelleri (\u00f6rne\u011fin, do\u011frusal regresyon), s\u0131n\u0131fland\u0131rma modelleri (\u00f6rne\u011fin, lojistik regresyon, karar a\u011fa\u00e7lar\u0131) ve k\u00fcmeleme algoritmalar\u0131 (\u00f6rne\u011fin, K-Means) bu alandaki yayg\u0131n \u00f6rneklerdir. Modeller olu\u015fturulduktan sonra, performanslar\u0131n\u0131 de\u011ferlendirmek i\u00e7in \u00e7e\u015fitli metrikler (do\u011fruluk, kesinlik, hat\u0131rlama, F1 puan\u0131 vb.) kullan\u0131l\u0131r. Bu temel kavramlar, veri analizi yolculu\u011funuzun her a\u015famas\u0131nda size rehberlik edecek ve daha karma\u015f\u0131k projeler \u00fczerinde \u00e7al\u0131\u015f\u0131rken sa\u011flam bir temel sa\u011flayacakt\u0131r. Her bir ad\u0131mda uzmanla\u015fmak, sizi daha yetkin ve de\u011ferli bir veri analisti yapacakt\u0131r.<\/p>\n Ger\u00e7ek d\u00fcnya i\u015f problemleri, veri analizinin g\u00fcc\u00fcn\u00fc en iyi sergileyen alanlard\u0131r. \u0130\u015fletmelerin en b\u00fcy\u00fck zorluklar\u0131ndan biri olan m\u00fc\u015fteri kayb\u0131 (churn) problemine odaklanarak, veri odakl\u0131 bir \u00e7\u00f6z\u00fcm\u00fcn nas\u0131l geli\u015ftirilece\u011fini ad\u0131m ad\u0131m inceleyelim. M\u00fc\u015fteri kayb\u0131, bir \u015firketin gelirini ve b\u00fcy\u00fcmesini do\u011frudan etkileyen kritik bir metriktir. Bu nedenle, hangi m\u00fc\u015fterilerin ayr\u0131lma e\u011filiminde oldu\u011funu \u00f6nceden tahmin etmek ve proaktif \u00f6nlemler almak, \u015firketler i\u00e7in b\u00fcy\u00fck bir avantaj sa\u011flar. Bu senaryoda, bir telekom\u00fcnikasyon \u015firketinin m\u00fc\u015fteri verilerini kullanarak, potansiyel m\u00fc\u015fteri kayb\u0131n\u0131 tahmin eden bir model geli\u015ftirece\u011fiz.<\/p>\n Analizimize ba\u015flamadan \u00f6nce, ilgili veriyi toplamam\u0131z ve yap\u0131s\u0131n\u0131 anlamam\u0131z gerekiyor. Bir telekom\u00fcnikasyon \u015firketinin m\u00fc\u015fteri verileri genellikle m\u00fc\u015fteri ID’si, demografik bilgiler (ya\u015f, cinsiyet, ikamet yeri), abonelik t\u00fcr\u00fc, ayl\u0131k harcama, s\u00f6zle\u015fme s\u00fcresi, kullan\u0131lan hizmetler (internet, telefon, streaming vb.) ve en \u00f6nemlisi, m\u00fc\u015fterinin “churn” olup olmad\u0131\u011f\u0131 (kay\u0131p durumu) gibi bilgileri i\u00e7erir. Bu verileri genellikle bir veritaban\u0131ndan (SQL) veya CSV\/Excel dosyalar\u0131ndan elde ederiz. \u0130lk ad\u0131mda, verinin genel bir \u00f6nizlemesini yaparak eksik de\u011ferler, veri tipleri ve olas\u0131 sorunlu alanlar\u0131 tespit ederiz.<\/p>\n <\/p>\n Yukar\u0131daki kod blo\u011fu, tipik bir veri y\u00fckleme ve ilk inceleme s\u00fcrecini g\u00f6sterir. Toplad\u0131\u011f\u0131m\u0131z veriler genellikle analiz i\u00e7in do\u011frudan kullan\u0131lamaz durumdad\u0131r. Bu a\u015famada, eksik de\u011ferleri ele alacak, kategorik de\u011fi\u015fkenleri say\u0131sal formata d\u00f6n\u00fc\u015ft\u00fcrecek ve gereksiz s\u00fctunlar\u0131 kald\u0131raca\u011f\u0131z. \u00d6rne\u011fin, eksik say\u0131sal de\u011ferler i\u00e7in ortalama veya medyan ile doldurma, kategorik de\u011fi\u015fkenler i\u00e7in mod ile doldurma veya en basit haliyle ilgili sat\u0131r\u0131 silme y\u00f6ntemleri kullan\u0131labilir. Kategorik de\u011fi\u015fkenler (\u00f6rne\u011fin, cinsiyet, abonelik t\u00fcr\u00fc) makine \u00f6\u011frenimi algoritmalar\u0131 taraf\u0131ndan do\u011frudan anla\u015f\u0131lamaz, bu y\u00fczden “one-hot encoding” gibi tekniklerle say\u0131sal formata d\u00f6n\u00fc\u015ft\u00fcr\u00fclmelidir. Ayr\u0131ca, “customerID” gibi model i\u00e7in do\u011frudan bir bilgi i\u00e7ermeyen ancak benzersiz tan\u0131mlay\u0131c\u0131 olan s\u00fctunlar genellikle kald\u0131r\u0131l\u0131r.<\/p>\n <\/p>\n Veriyi temizledikten sonra, EDA ile i\u00e7g\u00f6r\u00fcler elde etmeye ba\u015flar\u0131z. Bu a\u015famada, farkl\u0131 de\u011fi\u015fkenlerin m\u00fc\u015fteri kayb\u0131 \u00fczerindeki etkilerini g\u00f6rsel ve istatistiksel olarak inceleriz. \u00d6rne\u011fin, s\u00f6zle\u015fme s\u00fcresinin, ayl\u0131k harcaman\u0131n veya kullan\u0131lan hizmetlerin m\u00fc\u015fteri kayb\u0131yla ili\u015fkisini grafiklerle g\u00f6sterebiliriz. \u00c7ubuk grafikler, histogramlar ve kutu grafikleri bu a\u015famada s\u0131k\u00e7a kullan\u0131l\u0131r. \u00d6zellikle “Churn” de\u011fi\u015fkeni ile di\u011fer t\u00fcm de\u011fi\u015fkenler aras\u0131ndaki korelasyonu incelemek, hangi \u00f6zelliklerin model i\u00e7in daha \u00f6nemli olabilece\u011fi hakk\u0131nda fikir verir.<\/p>\n <\/p>\n Bu g\u00f6rselle\u015ftirmelerden, \u00f6rne\u011fin, k\u0131sa s\u00fcreli s\u00f6zle\u015fmeye sahip m\u00fc\u015fterilerin daha y\u00fcksek kay\u0131p oran\u0131na sahip oldu\u011funu veya belirli hizmetleri kullanan m\u00fc\u015fterilerin daha s\u0131k ayr\u0131ld\u0131\u011f\u0131n\u0131 g\u00f6zlemleyebiliriz. Bu t\u00fcr i\u00e7g\u00f6r\u00fcler, modelimizi kurarken hangi \u00f6zelliklere odaklanmam\u0131z gerekti\u011fi konusunda bize yol g\u00f6sterir.<\/p>\n Veriyi anlad\u0131k ve haz\u0131rlad\u0131k. \u015eimdi, m\u00fc\u015fteri kayb\u0131n\u0131 tahmin etmek i\u00e7in bir makine \u00f6\u011frenimi modeli olu\u015fturabiliriz. Bu problem bir ikili s\u0131n\u0131fland\u0131rma problemidir (m\u00fc\u015fteri ya “churn” olur ya da olmaz). Lojistik Regresyon, Karar A\u011fa\u00e7lar\u0131 veya Rastgele Orman gibi algoritmalar bu t\u00fcr problemler i\u00e7in uygundur. Veri setini e\u011fitim ve test setlerine ay\u0131rarak modelin genelleme yetene\u011fini de\u011ferlendiririz.<\/p>\n <\/p>\n Modelin do\u011fruluk oran\u0131, kesinlik (precision), hat\u0131rlama (recall) ve F1 puan\u0131 gibi metrikler, modelin ne kadar iyi performans g\u00f6sterdi\u011fini anlamam\u0131za yard\u0131mc\u0131 olur. Y\u00fcksek do\u011fruluk oran\u0131, modelin genel olarak do\u011fru tahminler yapt\u0131\u011f\u0131n\u0131 g\u00f6sterirken, kesinlik ve hat\u0131rlama, \u00f6zellikle pozitif s\u0131n\u0131f (churn) i\u00e7in modelin hata tiplerini anlamam\u0131z\u0131 sa\u011flar.<\/p>\n Modelimiz, belirli bir do\u011frulukla hangi m\u00fc\u015fterilerin ayr\u0131laca\u011f\u0131n\u0131 tahmin edebilir. Ancak veri analizi sadece tahmin yapmakla kalmaz; bu tahminleri i\u015f kararlar\u0131na d\u00f6n\u00fc\u015ft\u00fcrmek esast\u0131r. Modelin bize verdi\u011fi i\u00e7g\u00f6r\u00fclerle, hangi \u00f6zelliklerin m\u00fc\u015fteri kayb\u0131nda en etkili oldu\u011funu belirleyebiliriz. \u00d6rne\u011fin, “ayl\u0131k harcama”n\u0131n y\u00fcksek olmas\u0131 veya “s\u00f6zle\u015fme s\u00fcresi”nin k\u0131sa olmas\u0131, churn riskini art\u0131r\u0131yorsa, bu bilgiyi kullanarak hedefli pazarlama kampanyalar\u0131 veya \u00f6zel teklifler geli\u015ftirebiliriz. K\u0131sa s\u00fcreli s\u00f6zle\u015fmesi olan m\u00fc\u015fterilere sadakat programlar\u0131 sunmak, y\u00fcksek fatural\u0131 m\u00fc\u015fterilere indirimler sa\u011flamak gibi stratejiler, m\u00fc\u015fteri kayb\u0131n\u0131 azaltmaya yard\u0131mc\u0131 olabilir. Bu, veri analizinin nihai amac\u0131d\u0131r: elde edilen i\u00e7g\u00f6r\u00fclerle somut ve eyleme ge\u00e7irilebilir stratejiler olu\u015fturmak.<\/p>\n Veri analizi yolculu\u011funuzda ilerledik\u00e7e, kar\u015f\u0131la\u015faca\u011f\u0131n\u0131z veri setlerinin boyutu ve karma\u015f\u0131kl\u0131\u011f\u0131 artacakt\u0131r. Geleneksel y\u00f6ntemler ve tek makinede \u00e7al\u0131\u015fan ara\u00e7lar, b\u00fcy\u00fck veri (Big Data) ortamlar\u0131nda yetersiz kalabilir. Bu durumda, performans optimizasyonu ve ileri d\u00fczey tekniklere ba\u015fvurmak ka\u00e7\u0131n\u0131lmaz hale gelir. B\u00fcy\u00fck veri ile \u00e7al\u0131\u015f\u0131rken en \u00f6nemli stratejilerden biri, da\u011f\u0131t\u0131k hesaplama sistemlerini<\/strong> kullanmakt\u0131r. Apache Spark, bu alanda lider konumda olan, bellek i\u00e7i i\u015flem kapasitesi sayesinde b\u00fcy\u00fck veri setlerini \u00e7ok daha h\u0131zl\u0131 i\u015fleyebilen bir \u00e7at\u0131d\u0131r. Spark, ETL (Extract, Transform, Load) s\u00fcre\u00e7lerinden makine \u00f6\u011frenimi modelleri e\u011fitimine kadar geni\u015f bir yelpazede kullan\u0131labilir. Spark DataFrames ve Spark SQL, Python’daki Pandas’a benzer bir API sunarken, \u00e7ok daha b\u00fcy\u00fck veri setleri \u00fczerinde \u00e7al\u0131\u015fmay\u0131 m\u00fcmk\u00fcn k\u0131lar. \u00d6rne\u011fin, terabaytlarca veriyi i\u015flerken, bir Pandas DataFrame yerine Spark DataFrame kullanmak, i\u015flem s\u00fcrelerini saatlerden dakikalara indirebilir.<\/p>\n <\/p>\n Yukar\u0131daki \u00f6rnek, Spark kullanarak basit bir veri i\u015fleme ve analizi g\u00f6stermektedir. Bu t\u00fcr bir yakla\u015f\u0131m, tek bir makinenin kapasitesini a\u015fan veri setleriyle \u00e7al\u0131\u015f\u0131rken temel bir \u00e7\u00f6z\u00fcm sunar. Ayr\u0131ca, performans optimizasyonu i\u00e7in feature engineering (\u00f6zellik m\u00fchendisli\u011fi)<\/strong> teknikleri de hayati rol oynar. Mevcut \u00f6zelliklerden yeni ve daha anlaml\u0131 \u00f6zellikler t\u00fcretmek, modelin tahmin g\u00fcc\u00fcn\u00fc \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir. \u00d6rne\u011fin, tarih verisinden g\u00fcn\u00fcn saati, haftan\u0131n g\u00fcn\u00fc veya ay\u0131n ka\u00e7\u0131nc\u0131 g\u00fcn\u00fc gibi \u00f6zellikler \u00e7\u0131karmak; veya iki say\u0131sal \u00f6zellikten oranlar olu\u015fturmak, modelin altta yatan kal\u0131plar\u0131 daha iyi \u00f6\u011frenmesine yard\u0131mc\u0131 olur. Bellek kullan\u0131m\u0131 a\u00e7\u0131s\u0131ndan, veri tiplerini optimize etmek (\u00f6rne\u011fin, int64 yerine int8 kullanmak) veya seyrek matrisler (sparse matrices) kullanmak da \u00f6zellikle y\u00fcksek boyutlu veri setlerinde performans\u0131 art\u0131rabilir. Son olarak, daha karma\u015f\u0131k SQL sorgular\u0131 yazmak, veritaban\u0131 seviyesinde daha verimli i\u015flemler yapmak i\u00e7in pencere fonksiyonlar\u0131 (window functions)<\/strong> ve ortak tablo ifadeleri (CTE’ler)<\/strong> gibi ileri d\u00fczey SQL \u00f6zelliklerini kullanmak, b\u00fcy\u00fck veri k\u00fcmelerinde sorgu s\u00fcrelerini \u00f6nemli \u00f6l\u00e7\u00fcde k\u0131saltabilir ve daha karma\u015f\u0131k analizler yap\u0131lmas\u0131na olanak tan\u0131r.<\/p>\n Veri g\u00f6rselle\u015ftirme, sadece grafikler \u00e7izmekten ibaret de\u011fildir; ayn\u0131 zamanda verinin arkas\u0131ndaki hikayeyi anlatma sanat\u0131d\u0131r. Etkili bir hikaye anlat\u0131c\u0131l\u0131\u011f\u0131, karma\u015f\u0131k i\u00e7g\u00f6r\u00fcleri anla\u015f\u0131l\u0131r bir \u015fekilde sunar ve karar al\u0131c\u0131lar\u0131n veriye dayal\u0131 ad\u0131mlar atmas\u0131n\u0131 kolayla\u015ft\u0131r\u0131r. Birincil hedef, izleyiciyi verilerle bo\u011fmak yerine, onlar\u0131 bir yolculu\u011fa \u00e7\u0131karmak ve \u00f6nemli bulgular\u0131 ad\u0131m ad\u0131m aktarmakt\u0131r. Bunun i\u00e7in, g\u00f6rselle\u015ftirmenizin bir amac\u0131 olmal\u0131 ve bu amaca ula\u015fmak i\u00e7in en uygun grafik t\u00fcr\u00fcn\u00fc se\u00e7melisiniz. \u00d6rne\u011fin, zaman i\u00e7indeki de\u011fi\u015fimi g\u00f6stermek i\u00e7in \u00e7izgi grafikler, kategoriler aras\u0131 kar\u015f\u0131la\u015ft\u0131rmalar i\u00e7in \u00e7ubuk grafikler ve oranlar\u0131 g\u00f6stermek i\u00e7in pasta grafikler (ancak dikkatli kullan\u0131lmal\u0131) tercih edilebilir. Ancak, do\u011fru grafik se\u00e7imi tek ba\u015f\u0131na yeterli de\u011fildir; renk kullan\u0131m\u0131, etiketleme, ba\u015fl\u0131klar ve a\u00e7\u0131klamalar da hikaye anlat\u0131c\u0131l\u0131\u011f\u0131n\u0131n \u00f6nemli bir par\u00e7as\u0131d\u0131r.<\/p>\n G\u00f6rselle\u015ftirmelerinizde, ba\u011flam sa\u011flamak<\/strong> kritik \u00f6neme sahiptir. Verilerin ne anlama geldi\u011fini, hangi zaman dilimini kapsad\u0131\u011f\u0131n\u0131 ve neden \u00f6nemli oldu\u011funu a\u00e7\u0131klay\u0131n. \u00d6rne\u011fin, bir sat\u0131\u015f grafi\u011fi sunarken, “ge\u00e7en y\u0131l\u0131n ayn\u0131 d\u00f6nemine g\u00f6re %15 art\u0131\u015f” gibi bir ifade, sadece “sat\u0131\u015flar artt\u0131” demekten \u00e7ok daha fazla anlam ifade eder. Ayr\u0131ca, dikkat \u00e7ekici unsurlar\u0131 vurgulay\u0131n<\/strong>. En \u00f6nemli bulgular\u0131 veya e\u011filimleri \u00f6ne \u00e7\u0131karmak i\u00e7in renkleri, kal\u0131n fontlar\u0131 veya a\u00e7\u0131klama kutular\u0131n\u0131 kullan\u0131n. Fazla bilgiden ka\u00e7\u0131narak, sadece en kritik mesajlar\u0131 iletmeye odaklan\u0131n. Veri g\u00f6rselle\u015ftirmede hikaye anlat\u0131c\u0131l\u0131\u011f\u0131n\u0131n bir di\u011fer boyutu da interaktif panolar (dashboards)<\/strong> kullanmakt\u0131r. Tableau, Power BI veya Python’da Plotly Dash\/Streamlit gibi ara\u00e7lar, kullan\u0131c\u0131lar\u0131n verilerle etkile\u015fime girmesine, filtreler uygulamas\u0131na ve farkl\u0131 boyutlarda verileri ke\u015ffetmesine olanak tan\u0131r. Bu interaktiflik, kullan\u0131c\u0131n\u0131n kendi sorular\u0131na cevap bulmas\u0131na ve veriyi daha derinlemesine anlamas\u0131na yard\u0131mc\u0131 olur.<\/p>\n Modern web uygulamalar\u0131 ve panolar olu\u015ftururken, mobil uyumluluk (responsive design)<\/strong> sa\u011flamak da \u00f6nemlidir. G\u00fcn\u00fcm\u00fczde bir\u00e7ok kullan\u0131c\u0131 verilere mobil cihazlar\u0131ndan eri\u015fti\u011fi i\u00e7in, g\u00f6rselle\u015ftirmelerin farkl\u0131 ekran boyutlar\u0131na ve \u00e7\u00f6z\u00fcn\u00fcrl\u00fcklerine uyum sa\u011flamas\u0131 gerekmektedir. CSS Media Query’leri kullanarak, farkl\u0131 cihazlarda farkl\u0131 stil kurallar\u0131 uygulayabiliriz. Bu sayede, panolar\u0131n\u0131z\u0131n ve raporlar\u0131n\u0131z\u0131n her cihazda okunabilir ve kullan\u0131labilir oldu\u011fundan emin olursunuz.<\/p>\n Veri analizi yolculu\u011fu, sadece heyecan verici ke\u015fiflerle dolu de\u011fildir; ayn\u0131 zamanda \u00e7e\u015fitli zorluklar\u0131 da beraberinde getirir. Bu zorluklar\u0131 \u00f6nceden bilmek ve bunlara kar\u015f\u0131 haz\u0131rl\u0131kl\u0131 olmak, \u00f6\u011frenme ve uygulama s\u00fcrecinizi daha verimli hale getirecektir. Kar\u015f\u0131la\u015f\u0131lan ilk ve belki de en yayg\u0131n zorluk, veri kalitesi sorunlar\u0131d\u0131r<\/strong>. Ger\u00e7ek d\u00fcnya verileri genellikle da\u011f\u0131n\u0131k, eksik, hatal\u0131 veya tutars\u0131zd\u0131r. Bu durum, analizin ilk ad\u0131m\u0131 olan veri temizleme ve \u00f6n i\u015fleme a\u015famas\u0131n\u0131 olduk\u00e7a zaman al\u0131c\u0131 ve zahmetli hale getirebilir. \u00c7\u00f6z\u00fcm olarak, veri profil olu\u015fturma ara\u00e7lar\u0131n\u0131 (Pandas Profiling gibi) kullanarak veriyi ba\u015ftan sona incelemek, eksik de\u011ferler i\u00e7in uygun doldurma stratejileri geli\u015ftirmek ve veri do\u011frulama kurallar\u0131 belirlemek \u00f6nemlidir. Kaynak sistemlerle i\u015f birli\u011fi yaparak veri giri\u015f hatalar\u0131n\u0131 minimuma indirmek de uzun vadede faydal\u0131 olacakt\u0131r.<\/p>\n Bir di\u011fer \u00f6nemli zorluk, ara\u00e7 ve teknoloji yorgunlu\u011fudur (tool fatigue)<\/strong>. Veri analizi alan\u0131 h\u0131zla geli\u015fti\u011fi i\u00e7in, her g\u00fcn yeni ara\u00e7lar, k\u00fct\u00fcphaneler ve framework’ler ortaya \u00e7\u0131kmaktad\u0131r. T\u00fcm bu yenilikleri takip etmek ve hepsini \u00f6\u011frenmeye \u00e7al\u0131\u015fmak bunalt\u0131c\u0131 olabilir. Bu durumun \u00fcstesinden gelmek i\u00e7in, temel becerilerinize (SQL, Python\/R, Excel, bir g\u00f6rselle\u015ftirme arac\u0131) odaklan\u0131n ve derinlemesine ustala\u015f\u0131n. Yeni ara\u00e7lar\u0131 \u00f6\u011frenirken, her birinin belirli bir sorunu nas\u0131l \u00e7\u00f6zd\u00fc\u011f\u00fcn\u00fc ve mevcut ara\u00e7 setinize nas\u0131l entegre olabilece\u011fini anlamaya \u00e7al\u0131\u015f\u0131n. Her arac\u0131 de\u011fil, kendi ihtiya\u00e7lar\u0131n\u0131za ve \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131z projelerin gereksinimlerine en uygun olanlar\u0131 \u00f6\u011frenmeye \u00f6ncelik verin. Bir di\u011fer zorluk ise s\u00fcrekli \u00f6\u011frenme ihtiyac\u0131 ve g\u00fcncel kalma bask\u0131s\u0131d\u0131r<\/strong>. Veri analizi alan\u0131 dinamik bir yap\u0131ya sahiptir; yeni algoritmalar, teknikler ve en iyi uygulamalar s\u00fcrekli olarak ortaya \u00e7\u0131kar. Bu, s\u00fcrekli \u00f6\u011frenmeyi bir zorunluluk haline getirir. \u00c7\u00f6z\u00fcm olarak, d\u00fczenli olarak bloglar\u0131, makaleleri okuyun, online kurslara kat\u0131l\u0131n, sekt\u00f6r etkinliklerini takip edin ve bir mentor bulun. Ayr\u0131ca, \u00f6\u011frendiklerinizi pratik projelerle peki\u015ftirin. \u00d6\u011frenme topluluklar\u0131na kat\u0131larak ba\u015fkalar\u0131yla bilgi al\u0131\u015fveri\u015finde bulunmak da motivasyonunuzu y\u00fcksek tutman\u0131za yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n Son olarak, etik sorunlar ve veri gizlili\u011fi endi\u015feleri<\/strong>, veri analizi s\u00fcrecinde g\u00f6z ard\u0131 edilmemesi gereken \u00f6nemli zorluklard\u0131r. Ki\u015fisel verilerin toplanmas\u0131, saklanmas\u0131 ve analizi, GDPR, KVKK gibi yasal d\u00fczenlemelere uygun olmal\u0131d\u0131r. \u00c7\u00f6z\u00fcm olarak, veri gizlili\u011fi ilkelerini anlay\u0131n ve uygulay\u0131n (anonimle\u015ftirme, k\u0131s\u0131tlama, \u015fifreleme). Analizlerinizi yaparken veri yanl\u0131l\u0131\u011f\u0131n\u0131 (bias) en aza indirmeye \u00e7al\u0131\u015f\u0131n ve model sonu\u00e7lar\u0131n\u0131n adil ve ayr\u0131mc\u0131l\u0131k i\u00e7ermedi\u011finden emin olun. Bu zorluklar\u0131n her biri, veri analizi yolculu\u011funuzun bir par\u00e7as\u0131d\u0131r ve do\u011fru yakla\u015f\u0131mlarla a\u015f\u0131labilecek engellerdir. Her bir zorluk, sizi daha yetkin ve sorumlu bir veri analisti yapma potansiyeli ta\u015f\u0131r.<\/p>\n Veri analizi yolculu\u011funuzun 64. g\u00fcn\u00fcne ula\u015fmak, sadece bir ba\u015flang\u0131\u00e7t\u0131r; ancak bu, kararl\u0131l\u0131\u011f\u0131n\u0131z\u0131n ve \u00f6\u011frenme a\u015fk\u0131n\u0131z\u0131n \u00f6nemli bir g\u00f6stergesidir. Bu makale boyunca, temel veri analizi kavramlar\u0131ndan ger\u00e7ek d\u00fcnya vaka analizlerine, ileri d\u00fczey tekniklerden mobil uyumlu g\u00f6rselle\u015ftirmelere ve kar\u015f\u0131la\u015fabilece\u011finiz zorluklara kadar geni\u015f bir yelpazeyi ele ald\u0131k. \u00d6zetle, veri analizi; veri toplama, temizleme, ke\u015fif\u00e7i analiz, g\u00f6rselle\u015ftirme ve modelleme gibi ad\u0131mlar\u0131 i\u00e7eren \u00e7ok y\u00f6nl\u00fc bir s\u00fcre\u00e7tir. Ba\u015far\u0131ya ula\u015fmak i\u00e7in sadece teknik bilgi de\u011fil, ayn\u0131 zamanda problem \u00e7\u00f6zme yetene\u011fi, ele\u015ftirel d\u00fc\u015f\u00fcnme ve g\u00fc\u00e7l\u00fc ileti\u015fim becerileri de gereklidir. S\u00fcrekli pratik yapmak, projeler \u00fczerinde \u00e7al\u0131\u015fmak ve sekt\u00f6rdeki geli\u015fmeleri takip etmek, sizi alan\u0131n\u0131zda daha yetkin k\u0131lacakt\u0131r. Unutmay\u0131n, her g\u00fcn yeni bir \u015feyler \u00f6\u011frenme f\u0131rsat\u0131d\u0131r ve bu yolculukta ataca\u011f\u0131n\u0131z her ad\u0131m, sizi daha iyi bir veri analisti yapacakt\u0131r.<\/p>\n Veri analizi i\u00e7in en temel diller SQL<\/strong> (veritaban\u0131 sorgulama i\u00e7in), Python<\/strong> (veri manip\u00fclasyonu, istatistiksel analiz, makine \u00f6\u011frenimi) ve R<\/strong>‘d\u0131r (istatistiksel analiz ve g\u00f6rselle\u015ftirme). Bu \u00fc\u00e7\u00fcnden en az ikisine hakim olmak, sekt\u00f6rde geni\u015f kap\u0131lar a\u00e7acakt\u0131r.<\/p>\n Kaggle gibi platformlardaki yar\u0131\u015fmalara kat\u0131labilir, a\u00e7\u0131k kaynak veri setleri (UCI Machine Learning Repository, data.gov) \u00fczerinde kendi projelerinizi geli\u015ftirebilir veya GitHub’daki veri bilimi projelerine katk\u0131da bulunabilirsiniz. Kendi ilgi alanlar\u0131n\u0131za y\u00f6nelik bir problem bulup veri toplamaya \u00e7al\u0131\u015fmak da harika bir ba\u015flang\u0131\u00e7 olabilir.<\/p>\n Sertifikalar, bilginizi peki\u015ftirmek ve i\u015fverenlere belli bir yetkinli\u011fe sahip oldu\u011funuzu g\u00f6stermek i\u00e7in faydal\u0131 olabilir. Ancak, sertifikalardan daha \u00f6nemlisi, portfolyonuzda yer alan somut projeler ve ger\u00e7ek d\u00fcnya problemleri \u00fczerine yapt\u0131\u011f\u0131n\u0131z analizlerdir. Hem sertifikalar hem de pratik projelerle donanm\u0131\u015f olmak, size b\u00fcy\u00fck avantaj sa\u011flayacakt\u0131r.<\/p>\n 64 g\u00fcn, temel SQL, Python\/R s\u00f6zdizimi, veri temizleme, temel g\u00f6rselle\u015ftirme ve belki de basit regresyon\/s\u0131n\u0131fland\u0131rma algoritmalar\u0131n\u0131 \u00f6\u011frenmek i\u00e7in yeterli bir s\u00fcredir. Bu noktada, k\u00fc\u00e7\u00fck ve orta \u00f6l\u00e7ekli veri setleri \u00fczerinde ba\u011f\u0131ms\u0131z olarak \u00e7al\u0131\u015fabilir ve temel i\u015f problemlerine veri odakl\u0131 \u00e7\u00f6z\u00fcmler sunabilirsiniz. En \u00f6nemlisi, \u00f6\u011frenmeye devam etme motivasyonunuzu korumu\u015f olmal\u0131s\u0131n\u0131z.<\/p>\n Kariyerinizdeki bir sonraki ad\u0131m\u0131 belirlerken ilgi alanlar\u0131n\u0131z\u0131 ve g\u00fc\u00e7l\u00fc y\u00f6nlerinizi g\u00f6z \u00f6n\u00fcnde bulundurun. Veri m\u00fchendisli\u011fi (b\u00fcy\u00fck veri altyap\u0131lar\u0131), makine \u00f6\u011frenimi m\u00fchendisli\u011fi (model geli\u015ftirme ve da\u011f\u0131t\u0131m\u0131) veya i\u015f zekas\u0131 analistli\u011fi (dashboard ve raporlama) gibi alanlara y\u00f6nelebilirsiniz. Mentorluk almak, sekt\u00f6r profesyonelleriyle a\u011f kurmak ve farkl\u0131 rollerin gereksinimlerini ara\u015ft\u0131rmak, do\u011fru karar\u0131 vermenize yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n <\/p>\n","protected":false},"excerpt":{"rendered":"Veri analizi yolculu\u011fumuzun 64. g\u00fcn\u00fcne ula\u015fmak, hem heyecan verici bir kilometre ta\u015f\u0131 hem de \u00f6\u011frenme s\u00fcrecinizin ne denli…","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-34417","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nVaka Analizi: Ger\u00e7ek Bir \u0130\u015f Problemine Veri Odakl\u0131 \u00c7\u00f6z\u00fcmler Nas\u0131l Geli\u015ftirilir?<\/h2>\n
M\u00fc\u015fteri Kayb\u0131 Tahmini: Ad\u0131m Ad\u0131m Veri Analizi<\/h3>\n
Ad\u0131m 1: Veri Toplama ve Anlamland\u0131rma<\/h4>\n
\r\nimport pandas as pd\r\n\r\n# Veri setini y\u00fckleme\r\ndf = pd.read_csv('telecom_churn.csv')\r\n\r\n# \u0130lk 5 sat\u0131r\u0131 g\u00f6r\u00fcnt\u00fcleme\r\nprint(df.head())\r\n\r\n# Veri hakk\u0131nda genel bilgi\r\nprint(df.info())\r\n\r\n# Eksik de\u011ferleri kontrol etme\r\nprint(df.isnull().sum())\r\n<\/code><\/pre>\ndf.head()<\/code> ile verinin ilk birka\u00e7 sat\u0131r\u0131n\u0131 g\u00f6rerek s\u00fctun adlar\u0131 ve veri format\u0131 hakk\u0131nda fikir ediniriz. df.info()<\/code>, her s\u00fctunun veri tipini ve eksik olmayan de\u011fer say\u0131s\u0131n\u0131 g\u00f6sterirken, df.isnull().sum()<\/code> ise her s\u00fctundaki eksik de\u011fer say\u0131s\u0131n\u0131 detayland\u0131r\u0131r. Bu sayede, hangi s\u00fctunlarda veri temizli\u011fine ihtiya\u00e7 duyuldu\u011funu kolayca belirleyebiliriz.<\/p>\nAd\u0131m 2: Veri Temizleme ve \u00d6n \u0130\u015fleme<\/h4>\n
\r\n# 'TotalCharges' s\u00fctununda eksik de\u011ferler varsa, ortalama ile doldural\u0131m\r\n# Not: Bo\u015f stringler say\u0131sal s\u00fctunlarda hata verebilir, bu y\u00fczden \u00f6nce onlar\u0131 'NaN' yapal\u0131m\r\ndf['TotalCharges'] = pd.to_numeric(df['TotalCharges'], errors='coerce')\r\ndf['TotalCharges'].fillna(df['TotalCharges'].mean(), inplace=True)\r\n\r\n# 'Churn' hedef de\u011fi\u015fkenini say\u0131sal yapal\u0131m (Yes=1, No=0)\r\ndf['Churn'] = df['Churn'].map({'Yes': 1, 'No': 0})\r\n\r\n# Gereksiz s\u00fctunlar\u0131 kald\u0131rma\r\ndf = df.drop(['customerID'], axis=1)\r\n\r\n# Kategorik de\u011fi\u015fkenleri one-hot encoding ile d\u00f6n\u00fc\u015ft\u00fcrme\r\ndf = pd.get_dummies(df)\r\n\r\nprint(df.head())\r\n<\/code><\/pre>\nAd\u0131m 3: Ke\u015fif\u00e7i Veri Analizi (EDA)<\/h4>\n
\r\nimport seaborn as sns\r\nimport matplotlib.pyplot as plt\r\n\r\n# Cinsiyet ve Churn aras\u0131ndaki ili\u015fkiyi g\u00f6rselle\u015ftirme\r\nsns.countplot(x='gender', hue='Churn', data=df)\r\nplt.title('Cinsiyet ve M\u00fc\u015fteri Kayb\u0131 \u0130li\u015fkisi')\r\nplt.show()\r\n\r\n# S\u00f6zle\u015fme s\u00fcresi ve Churn aras\u0131ndaki ili\u015fkiyi g\u00f6rselle\u015ftirme\r\n# Sadece say\u0131sal s\u00fctunlar i\u00e7in korelasyon matrisi\r\nplt.figure(figsize=(12, 10))\r\nsns.heatmap(df.corr(numeric_only=True), annot=True, cmap='coolwarm', fmt=\".2f\")\r\nplt.title('De\u011fi\u015fkenler Aras\u0131 Korelasyon Matrisi')\r\nplt.show()\r\n<\/code><\/pre>\nAd\u0131m 4: Model Olu\u015fturma ve De\u011ferlendirme<\/h4>\n
\r\nfrom sklearn.model_selection import train_test_split\r\nfrom sklearn.linear_model import LogisticRegression\r\nfrom sklearn.metrics import accuracy_score, classification_report\r\n\r\n# Ba\u011f\u0131ms\u0131z de\u011fi\u015fkenler (X) ve ba\u011f\u0131ml\u0131 de\u011fi\u015fken (y) ay\u0131rma\r\nX = df.drop('Churn', axis=1)\r\ny = df['Churn']\r\n\r\n# E\u011fitim ve test setlerine ay\u0131rma\r\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)\r\n\r\n# Lojistik Regresyon modelini e\u011fitme\r\nmodel = LogisticRegression(solver='liblinear', random_state=42)\r\nmodel.fit(X_train, y_train)\r\n\r\n# Test seti \u00fczerinde tahmin yapma\r\ny_pred = model.predict(X_test)\r\n\r\n# Model performans\u0131n\u0131 de\u011ferlendirme\r\nprint(f'Do\u011fruluk Oran\u0131: {accuracy_score(y_test, y_pred):.2f}')\r\nprint('S\u0131n\u0131fland\u0131rma Raporu:')\r\nprint(classification_report(y_test, y_pred))\r\n<\/code><\/pre>\nAd\u0131m 5: Sonu\u00e7lar\u0131 Yorumlama ve Eyleme Ge\u00e7me<\/h4>\n
\u0130leri D\u00fczey Veri Analizi Teknikleri ve Optimizasyon \u0130pu\u00e7lar\u0131 Nelerdir?<\/h2>\n
B\u00fcy\u00fck Veri Ortamlar\u0131nda Performans\u0131 Art\u0131rma Yollar\u0131<\/h3>\n
\r\n# Apache Spark'ta bir DataFrame olu\u015fturma ve i\u015flem yapma \u00f6rne\u011fi\r\nfrom pyspark.sql import SparkSession\r\nfrom pyspark.sql.functions import col\r\n\r\n# SparkSession ba\u015flatma\r\nspark = SparkSession.builder \\\r\n .appName(\"BigDataAnalytics\") \\\r\n .getOrCreate()\r\n\r\n# \u00d6rnek bir Spark DataFrame olu\u015fturma\r\ndata = [(\"Alice\", 1, 1000), (\"Bob\", 2, 2000), (\"Charlie\", 1, 1500), (\"David\", 2, 2500)]\r\ncolumns = [\"Name\", \"Department\", \"Salary\"]\r\ndf_spark = spark.createDataFrame(data, columns)\r\n\r\n# Spark SQL ile sorgulama\r\ndf_spark.createOrReplaceTempView(\"employees\")\r\nresult = spark.sql(\"SELECT Department, AVG(Salary) as AvgSalary FROM employees GROUP BY Department\")\r\nresult.show()\r\n\r\n# DataFrame API ile filtreleme ve toplama\r\ndf_filtered = df_spark.filter(col(\"Salary\") > 1500)\r\ndf_filtered.show()\r\n\r\nspark.stop()\r\n<\/code><\/pre>\nVeri G\u00f6rselle\u015ftirmede Hikaye Anlat\u0131c\u0131l\u0131\u011f\u0131 Nas\u0131l Yap\u0131l\u0131r?<\/h3>\n
Veri Analizi Yolculu\u011funuzda Kar\u015f\u0131la\u015fabilece\u011finiz Zorluklar ve \u00c7\u00f6z\u00fcmleri Nelerdir?<\/h2>\n
Sonu\u00e7: Veri Analizi Kariyerinizde S\u00fcrekli Geli\u015fim Nas\u0131l Sa\u011flan\u0131r?<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
Veri analisti olmak i\u00e7in hangi programlama dillerini bilmeliyim?<\/h4>\n
Ger\u00e7ek d\u00fcnya projelerine nas\u0131l ba\u015flar\u0131m?<\/h4>\n
Veri analizi sertifikalar\u0131 ne kadar \u00f6nemlidir?<\/h4>\n
Day 64 gibi bir noktada ne kadar ilerlemi\u015f olmal\u0131y\u0131m?<\/h4>\n
Kariyerimde bir sonraki ad\u0131m\u0131 nas\u0131l belirlerim?<\/h4>\n