Adım 1
Python temelleriÖzel sayfa
Bu adıma başlaBaşlaDeğişkenler, koşullar, döngüler, fonksiyonlar ve listeler: Python kursunun, sonrasındaki her şeyin üzerine kurulduğu iki bölümü. Sınıflar ve dosyalar bekleyebilir.BaşlaÖzel sayfa2 bölüm, sırayla
Öğrenme yolu
Yeni Başlayanlar için Veri Bilimi Yol Haritası
İlk Python satırından güvenebileceğin modellere: SQL, grafikler, istatistik, ardından scikit-learn ile makine öğrenmesi. Tarayıcında gerçek kod, her makine öğrenmesi dersinde bir grafik.
2,421,911+ codder bu kurslara kayıtlı
487 ders539 görev2,161 quiz sorusu
- Başlangıç dostu
Yapay zeka destekli kodlama yardımı
Uygulamalı interaktif dersler
Her derste sesli anlatım
Bilgini sınamak için testler
Yol boyunca 8 ücretsiz sertifika
Tarayıcında bir model eğit
Gerçek scikit-learn kodu ve gerçek çıktısı. Kaydırıcıyı sürükleyerek bir satırı değiştir ve modelin ne öğrendiğini gör.
Küçük k her eğitim noktasını ezberler ve tırtıklı bir sınır çizer. Daha büyük k sınırı yumuşatır.
main.py
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = make_moons(n_samples=200, noise=0.3, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
k = 5
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"train accuracy: {model.score(X_train, y_train):.2f}")
print(f"test accuracy: {model.score(X_test, y_test):.2f}")
xx, yy = np.meshgrid(np.linspace(-2, 3, 56), np.linspace(-1.5, 2, 40))
proba = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
proba = proba.reshape(xx.shape)
plt.figure(figsize=(5, 4))
plt.pcolormesh(xx, yy, proba, cmap="coolwarm", alpha=0.35)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,
cmap="coolwarm", edgecolors="k")
plt.title(f"k-nearest neighbors, k = {k}")
plt.show()
Grafikler yükleniyor
Çıktı
Adım adım veri bilimi yol haritası
Her adım mevcut bir Coddy kursu. Sırayla ilerle ya da eksik olduğun adıma atla: ilerlemen her durumda kurs bazında kaydedilir.
- 1
- 2Adım 2
Veriyi almak için SQLÖzel sayfa
Bu adıma başlaBaşlaGerçek tablolarda seçme, filtreleme, birleştirme, gruplama ve toplama. Şirket verisinin çoğu bir veritabanında durur; onu sorgulayabilen bir veri bilimci, başkasının dışa aktarmasını beklemez.BaşlaÖzel sayfa - 3Adım 3
Veri ve grafiklerÖzel sayfa
Bu adıma başlaBaşlaNumPy dizileri, pandas tabloları ve matplotlib grafikleri, ardından hazır iris, wine ve digits veri setleri. Her makine öğrenmesi projesinin başladığı araç seti, her derste bir grafikle.BaşlaÖzel sayfa - 4Adım 4
Makine öğrenmesi için istatistikÖzel sayfa
Bu adıma başlaBaşlaMerkez ve yayılım, dağılımlar, simülasyonla olasılık, aykırı değerler, korelasyon, eğilim çizgileri, p-değerleri, ölçekleme ve kodlama. Formül ezberleyerek değil, simüle edip grafik çizerek öğrenilir.BaşlaÖzel sayfa - 5Adım 5
Denetimli öğrenmeÖzel sayfa
Bu adıma başlaBaşlascikit-learn ile böl, eğit, tahmin et ve puanla: k-NN, doğrusal ve lojistik regresyon, ağaçlar, ormanlar, boosting, çapraz doğrulama ve pipeline'lar; sonunda bir penguen türü sınıflandırıcısı.BaşlaÖzel sayfa - 6Adım 6
Denetimsiz öğrenmeÖzel sayfa
Bu adıma başlaBaşlaEtiket olmadan yapı bul: k-means, hiyerarşik kümeleme, DBSCAN, PCA ve anomali tespiti; sonunda el yazısı rakamları haritalayan ve gruplayan bir proje.BaşlaÖzel sayfa
Neler elde edersin
Kod yazmayı öğrenmek için kullanacağın her şey
Yaparak Öğren
Gerçek kod yazın, veritabanlarını sorgulayın, web siteleri oluşturun ve AI promptlarını öğrenin. İnteraktif derslerimiz modern geliştiricilerin ihtiyaç duyduğu tüm becerileri kapsar.
playground.js
Kod Editörü
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3 return greeting + " " + name
4}
5
Test #1
Test #2
Test #3
Girdi
"Alex"
Çıktı
"Hello, Coddy! Alex"
Serinizi Oluşturun
Tutarlı olun ve ilerlemenizin büyümesini izleyin! Günlük kodlama alışkanlığınızı takip edin, dondurma günleriyle serinizi koruyun ve her gün geldiğiniz için ödüller kazanın.
12 gün seri
Serinizi korumak için yarın geri dönün!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Ya Hep Ya Hiç
7 günün 5. günü
Seri Dondurma
2 left
Yalnız Değilsiniz
Küresel sıralamalarda yarışın, ödüller kazanmak için arkadaşlarınızı davet edin ve birbirinizin başarılarını kutlayın. Kodlama arkadaşlarla daha iyi!
Challenger Ligiİlk 7 yükselir
1
Alex7+ Days
2840
2
Jordan7+ Days
2650
3
Sam7+ Days
2420
4
Casey
2180
5
Morgan7+ Days
1950
Yükselme bölgesiHer şekilde öğren
Okuyun, dinleyin, kendinizi sınayın, AI'ya sorun veya daha önce öğrendiklerinize geri bakın. Her ders size uyum sağlar.
Değişkenlere Giriş
Ses
Değişken, programınızda daha sonra başvurabileceğiniz bir değeri saklayan adlandırılmış bir kaptır.
Python'da bir tane oluşturmak için önce adı, sonra eşittir işaretini, sonra saklamak istediğiniz değeri yazın.
Değer zamanla değişebilir - yeniden atama, adı yeni bir değere yönlendirir.
1xSarah
Sertifika Kazanın
Tamamladığınız her kurs için sertifika kazanın. LinkedIn profilinize ve özgeçmişinize ekleyerek işverenlere programlama uzmanlığınızı gösterin.
Tamamlama SertifikasıBu belge şunu onaylar:Ahmet Yılmazbaşarıyla tamamlamıştır
Python Temelleri
Python Temelleri
TarihOca 2026
LinkedIn'e EkleNeden bu veri bilimi yol haritasını Coddy'de izlemelisin
- Tek bir sıra, tahmin yok. Önce Python, sonra veriyi almak için SQL, ardından onu anlamak için grafikler ve istatistik, sonra ondan tahmin yapmak için modeller. Her adım bir öncekinin öğrettiğini kullanır.
- Veriyi görürsün. Her makine öğrenmesi dersinde bir grafik ya da diyagram var ve kodunun çizdiği grafikler hemen yanında, Grafikler sekmesinde belirir; böylece bir dağılım, bir korelasyon ya da bir karar sınırı yalnızca okuduğun değil, gözünle gördüğün bir şey olur.
- Gerçek araçlar, kurulum yok: Python, SQL, NumPy, pandas, matplotlib, SciPy ve scikit-learn, hepsi tarayıcında, veri bilimcilerin kullandığı sürümlerle çalışır.
- İki bitmiş proje, bir penguen türü sınıflandırıcısı ve bir el yazısı rakam kaşifi, ayrıca müşteri kaybı, dolandırıcılık ve A/B testleri üzerine final görevleri. Her kurs ücretsiz bir sertifikayla biter.
Veri bilimci olmak hakkında sık sorulan sorular
Sıfırdan nasıl veri bilimci olunur?
Önce Python, sonra SQL, sonra pandas ve matplotlib ile veriyi keşfetmeyi ve grafiğe dökmeyi, sonra bir örüntüyü gürültüden ayıracak kadar istatistiği, en son da scikit-learn ile makine öğrenmesini öğren. Bu yol haritası tam olarak bu, bu sırayla. Ardından açık veri setleri üzerinde birinin gerçekten merak edeceği bir soruya cevap veren iki üç proje yap ve bulduklarını yaz.
Veri analisti ile veri bilimci arasındaki fark nedir?
Analist ne olduğunu açıklar: sorgular, tablolar, grafikler ve raporlar. Veri bilimci ayrıca ne olacağını tahmin eder ve bir etkinin gerçek olup olmadığını test eder: istatistik, makine öğrenmesi ve deneyler. İkisinin ortak noktası SQL, Python ve pandas. Hedefin gösterge panelleri ve raporlamaysa Veri Analisti yolu sana daha uygun.
Veri bilimi için önce ne öğrenmeliyim?
Python. Neredeyse her veri bilimi iş ilanının dili o ve yolun geri kalanının kullandığı kütüphaneler (pandas, matplotlib, scikit-learn) Python kütüphaneleri. İlk adım, Python'un yalnızca sonraki adımların ihtiyaç duyduğu kısımlarını kapsar: değişkenler, koşullar, döngüler, fonksiyonlar ve listeler.
Veri bilimi için diploma ya da ileri matematik gerekir mi?
Başlamak için hayır, pek çok iş için de hayır. İşverenler SQL ile veriyi alabilen, pandas ile temizleyip grafiğe dökebilen, istatistikle üzerine akıl yürütebilen ve savunabileceği bir model kurabilen insanlar arar. Bu yol istatistiği simülasyonlar ve grafiklerle, kalkülüs olmadan öğretir. Diploma araştırma rolleri için işe yarar; dürüst projelerden oluşan bir portfolyo her yerde işe yarar.
Bu veri bilimi eğitimi ne kadar sürer?
Günde bir saatle yaklaşık beş ila yedi ay. Python temelleri altı hafta kadar, SQL üç dört hafta, dört makine öğrenmesi bölümü ise toplam yaklaşık 40 saat sürer. Sonrasında kendi projelerine ayırdığın zaman, becerileri bir portfolyoya dönüştürür.
Bu veri bilimi yolu derin öğrenmeyi kapsıyor mu?
Hayır, sayfanın aşağısında da yazıyor. Klasik makine öğrenmesini, yani iş problemlerinin çoğunu çözen modelleri kapsar: regresyon, ağaçlar, ormanlar, boosting, kümeleme ve PCA. Sinir ağları, derin öğrenme framework'leri ve büyük dil modelleri bunlardan sonra gelir ve bir modeli düzgünce bölmeyi, eğitmeyi ve değerlendirmeyi bildiğinde onları öğrenmek daha kolaydır.
