Veri Bilimi & Analitik

Python, Pandas ve NumPy ile verinizi temizleyip inceliyor; istatistiksel modeller ve görselleştirmelerle karar vermeyi kolaylaştıran sonuçlara dönüştürüyorum.

Telekomünikasyon verisiyle yaptığım müşteri kaybı analizinde lojistik regresyondan XGBoost'a kadar birkaç yöntemi karşılaştırdım; en iyi sonucu hiperparametre optimizasyonuyla ayarlanan Random Forest verdi. Baraj su seviyesi çalışmasında ARIMA, SARIMA, ARIMAX ve SARIMAX modellerini karşılaştırıp mevsimselliğin ve dış değişkenlerin etkisini ortaya koydum.

Neler dahil

• Veri temizleme: eksik ve aykırı değerler, kategorik değişkenlerin kodlanması
• Keşifsel veri analizi ve ilişkilerin incelenmesi
• İstatistiksel modelleme ve zaman serisi tahmini
• Matplotlib ve Seaborn ile anlaşılır grafikler
• Bulguların ve önerilerin yazılı raporu

Süreç

1. Soruyu netleştiriyoruz Veriyle hangi soruya cevap aradığınızı ve hangi kararı vermek istediğinizi birlikte belirliyoruz.
2. Veriyi hazırlıyorum Eksik, hatalı ve aykırı değerleri ayıklıyor, veriyi analize hazır hâle getiriyorum.
3. Analiz edip modelliyorum İlişkileri ve eğilimleri inceliyor, gerekiyorsa istatistiksel ya da zaman serisi modeli kuruyorum.
4. Bulguları sunuyorum Sonuçları grafiklerle ve sade bir dille, neyin neden önemli olduğunu göstererek paylaşıyorum.

Teknolojiler

Python, Pandas, NumPy, Statsmodels, scikit-learn, XGBoost, Matplotlib, Seaborn

Örnek projeler

• Müşteri Kaybı Analizi
• Zaman Serisi Modelleriyle Baraj Su Seviyesi Tahmini

Sık sorulan sorular

Verilerim Excel dosyalarında; bu yeterli mi?

Başlamak için yeterli. Excel, CSV ya da bir veritabanı tablosu olabilir; önce verinin yapısına ve kalitesine birlikte bakıyoruz.

Süre ve fiyat nasıl belirleniyor?

İşin kapsamına göre. Ne istediğinizi kısaca yazmanız yeterli; verinizin yapısına baktıktan sonra size süreyi ve fiyatı içeren bir teklif iletiyorum.