Alican Kaya Data-Science-RoadMap

Portfolio | LinkedIn

[!CAUTION] Bu projenin yoğun ilgi görmesi sebebiyle Git LFS veri kotası hızla dolabilmektedir. Kotanın dolduğu durumlarda repoyu klonlarsanız PDF dokümanları ve veri setleri eksik inecektir. Tüm dosyalara eksiksiz ulaşabilmek için lütfen GitHub reposundaki 'Son Sürümü İndir' (Download ZIP) seçeneğini kullanınız.

Python'dan Generative AI'a — Kapsamlı Veri Bilimi Yolculuğu 🚀

✨ Öne Çıkanlar

🛠️ Teknoloji Stack

📑 İçindekiler

Not: Repository içerisindeki klasörler, öğrenim sırasına göre numaralandırılmıştır. Her modülün detaylı içeriği kendi klasöründeki README.md dosyasında yer almaktadır. Lütfen aşağıdaki bağlantılara tıklayarak ilgili modüle gidiniz.

• 📌 Repository Hakkında
• 📚 Öğrenim Yol Haritası ve İçerikler
  • 0️⃣ Python Temelleri
  • 1️⃣ Çalışma Ortamı Ayarları
  • 2️⃣ Veri Yapıları
  • 3️⃣ Fonksiyonlar, Koşullar, Döngüler ve Comprehensions
  • 4️⃣ Egzersizler (Python ve List Comprehensions)
  • 5️⃣ Numpy
  • 6️⃣ Pandas
  • 7️⃣ Veri Görselleştirme (Matplotlib & Seaborn)
  • 8️⃣ Gelişmiş Fonksiyonel Keşifçi Veri Analizi (EDA)
  • 9️⃣ CRM Analitik
  • 1️⃣0️⃣ Ölçümleme Problemleri
  • 1️⃣1️⃣ Tavsiye Sistemleri (Recommendation Systems)
  • 1️⃣2️⃣ Feature Engineering (Özellik Mühendisliği)
  • 1️⃣3️⃣ Machine Learning (Makine Öğrenimi)
  • 1️⃣4️⃣ GIT
  • 1️⃣5️⃣ SQL
  • 1️⃣6️⃣ Time Series
  • 1️⃣7️⃣ Docker
  • 1️⃣8️⃣ Deep Learning Path
  • 1️⃣9️⃣ Natural Language Processing (NLP)
  • 2️⃣0️⃣ Generative AI & Prompt Engineering
• 📂 Ekstra Projeler ve Kaynaklar
  • 🔄 n8n Otomasyon Koleksiyonu (267+ Hazır Workflow)
• 📖 Proje Durumu ve İlerleme
• 💡 Önerilen Çalışma Yöntemleri
• 🤝 Katkıda Bulunma
• 📜 Lisans

📌 Repository Hakkında

Bu repository, Python programlama dili öğrenim sürecimde oluşturduğum notları, örnek kodları ve projeleri içeren kapsamlı bir kaynaktır. Veri Bilimi ve Makine Öğrenimi yol haritasını takip ederek; temel Python konularından başlayıp, ileri seviye veri analizi, özellik mühendisliği ve makine öğrenimi modellerine kadar uzanan bir yapı sunmaktadır.

Amacım, bu süreçte öğrendiklerimi organize bir şekilde belgelemek ve benzer yoldan geçenler için faydalı bir rehber oluşturmaktır.

⬆️ Başa Dön

[!CAUTION]

⚠️ Kritik: Gerekli Bağımlılıkların Kurulumu

Bu repository'deki kodları çalıştırabilmek için requirements.txt dosyasındaki tüm kütüphanelerin yüklenmesi gerekmektedir.

requirements.txt Nedir?

Bu dosya, projenin ihtiyaç duyduğu Python kütüphanelerinin listesini içerir. İçeriğinde; pandas, numpy, scikit-learn, matplotlib, seaborn, xgboost, lightgbm, catboost, streamlit, openai, google.generativeai ve daha birçok veri bilimi, makine öğrenimi ve üretken AI kütüphanesi bulunmaktadır.

Kurulum Adımları:

# 1. Repository'yi klonlayın
git clone https://github.com/AlicanKaya192/Data-Science-RoadMap.git

# 2. Proje dizinine gidin
cd Data-Science-RoadMap

# 3. (Önerilen) Sanal ortam oluşturun ve aktif edin
python -m venv venv
# Windows:
venv\Scripts\activate
# macOS/Linux:
source venv/bin/activate

# 4. Tüm bağımlılıkları yükleyin
pip install -r requirements.txt

Not: Bazı kütüphaneler (örn: google.generativeai, openai) API anahtarı gerektirebilir. İlgili modüllerin dokümantasyonlarını inceleyiniz.

📂 Ekstra Projeler ve Kaynaklar

• Armut ARL Projesi: Birliktelik Kuralı Öğrenimi (Association Rule Learning) üzerine gerçek hayat senaryosu.
• CheatSheets: Python, Pandas, Numpy, Matplotlib, Seaborn, SQL, Docker, Machine Learning ve AI Agents için hızlı başvuru kağıtları.
• Datasets: Çalışmalarda kullanılan veri setleri arşivi.
• Mülakat Soruları: Teknik mülakatlara hazırlık için soru ve çözümler.
• Mentor Çözümleri: Örnek problemlerin alternatif ve profesyonel çözümleri.
• Kahoot! Soruları: Öğrenilen bilgileri test etmek için eğlenceli quizler.
• Global CO₂ Analysis & Future Projections: Küresel CO₂ emisyon analizi ve gelecek projeksiyonları projesi. Zaman serisi analizi, veri görselleştirme ve tahminleme modelleri içerir.

  Not: Bu proje, Machine Learning (13) ve Time Series (16) konularından sonra incelenmelidir.

• 21 Farklı Python Projesi: Python öğrenme yolculuğunda pratik yapmak için hazırlanmış, başlangıçtan ileri seviyeye kadar 21 farklı proje koleksiyonu. Web Scraping, Dijital Masaüstü Saati, QR Kod oluşturma ve daha fazlası.

  Not: Bu projeler, Python Temelleri (0) bölümünden sonra bağımsız olarak incelenebilir.

🔄 n8n Otomasyon Koleksiyonu (267+ Hazır Workflow)

n8n, açık kaynaklı bir iş akışı otomasyon platformudur. Bu koleksiyon; AI, e-posta, sosyal medya, CRM, doküman işleme ve daha birçok alanda kullanıma hazır 267+ otomasyon workflow'u içermektedir. Her workflow, .txt formatında n8n'e import edilebilir JSON yapısındadır.

📁 Konum: n8n-otomasyon/267 otomasyon (n8n) - HAZIR/ 📄 Bonus: n8n Cheat Sheet Guide.pdf — n8n kullanım kılavuzu ve ipuçları

📌 Not: Her workflow dosyası, n8n platformuna doğrudan import edilebilir JSON formatındadır. Kullanmak için:

1. n8n arayüzünde Workflows → Import from File seçeneğini kullanın.
2. İlgili .txt dosyasını seçip import edin.
3. Gerekli API anahtarlarını ve bağlantı bilgilerini kendi hesap bilgilerinizle güncelleyin.

⬆️ Başa Dön

📖 Proje Durumu ve İlerleme

Not: 18, 19 ve 20. maddelerin sıralaması ihtiyaca göre değiştirilebilir. Gerekli görülen ek başlıklar ilave edilecektir. Ayrıca, bilinmesi gereken matematiksel konular da kapsama dahil edilecektir.

⬆️ Başa Dön

💡 Önerilen Çalışma Yöntemleri

1. Sırayı Takip Edin: Konular birbirinin üzerine inşa edildiği için klasör numaralarına göre ilerlemeniz tavsiye edilir.
2. Uygulama Yapın: Sadece kodları okumak yerine, Datasets klasöründeki verileri kullanarak kendi analizlerinizi yapın.
3. Projeleri İnceleyin: Özellikle CRM ve Machine Learning klasörlerindeki uçtan uca projeleri (pipeline) anlamaya çalışın.

Algoritma ve Kod Pratiği Siteleri

• Hackerrank: Başlangıç ve orta seviye sorular için.
• Codewars: Küçük, pratik odaklı görevler.
• Leetcode: Orta ve ileri seviye kullanıcılar için (önce Hackerrank/Codewars yapılmalı).
• Spoj: Sadece sorular içerir, kod editörü yok. Diğer sitelerden sonra kullanılabilir.

Not: Bu sitelere istediğiniz zaman girip ufak pratikler yapabilirsiniz. Veri seti pratiğine daha fazla vakit ayırmanız önerilir.

⬆️ Başa Dön

🤝 Katkıda Bulunma

Bu kaynakların geliştirilmesine katkıda bulunmak isteyenler için PR (Pull Request) ve issue'lar açmak tamamen açıktır.

Nasıl Katkıda Bulunulur?

# 1. Repository'yi fork edin (GitHub üzerinden)

# 2. Fork'unuzu klonlayın
git clone https://github.com/KULLANICI_ADINIZ/Data-Science-RoadMap.git

# 3. Yeni bir branch oluşturun
git checkout -b feature/yeni-ozellik

# 4. Değişikliklerinizi yapın ve commit edin
git add .
git commit -m "feat: Yeni özellik açıklaması"

# 5. Branch'inizi push edin
git push origin feature/yeni-ozellik

# 6. GitHub üzerinden Pull Request açın

📌 Katkı Kuralları:

• Commit mesajlarında açıklayıcı ifadeler kullanın
• Yeni eklenen dosyalar için README'de ilgili bölümü güncelleyin
• Kod dosyalarına yeterli Türkçe yorum ekleyin
• Mümkünse mevcut klasör yapısına uygun şekilde düzenleyin

📜 Lisans

Bu proje MIT License altında lisanslanmıştır. Detaylar için LICENSE dosyasına bakınız.

Özet: Bu repository açık kaynaklıdır. İçerikleri kişisel, ticari veya eğitim amaçlı kullanabilir, değiştirebilir ve dağıtabilirsiniz. Ancak kaynağın belirtilmesi (atıf yapılması) ve lisans bildiriminin korunması gerekmektedir. Projenin açık kaynak doğasına katkı vermeniz her zaman takdir edilir.

⬆️ Başa Dön