***Yapay Zeka Destekli Ekonometri ve Veri Analizi Yaz Okulu ilan edilmiştir.***
Yapay Zeka Destekli Veri Analizi - Python Uygulamalı
(18-19 Temmuz 2026 - 2 gün - 10 Saat (9.30-15.30)
Python Programına Giriş
Veri Okuma
Pandas, Numpy, matplotlib, seaborn, scipy, statsmodels Kütüphaneleri
Betimsel İstatistiklerin Elde Edilmesi
Veri Görselleştirme
Hipotez Testleri
Regresyon Modelleri
Kolaylaştırıcı Algoritmaların Oluşturulması
Bu eğitim programı, Python programlama dili kullanılarak gerçekleştirilen veri analizi süreçlerini yapay zeka araçlarıyla destekleyerek daha hızlı, doğru ve etkili hale getirmeyi amaçlamaktadır. İki gün sürecek eğitim kapsamında katılımcılar; veri okuma, veri düzenleme, betimsel istatistikler, veri görselleştirme, hipotez testleri ve regresyon modelleri gibi temel veri analizi konularını uygulamalı olarak öğreneceklerdir. Ayrıca Pandas, NumPy, Matplotlib, Seaborn, SciPy ve Statsmodels gibi yaygın Python kütüphanelerinin kullanımı detaylı biçimde ele alınacaktır.
Eğitimin en önemli özelliği, yapay zeka araçlarının veri analizi süreçlerinde nasıl etkin ve doğru kullanılabileceğinin gösterilmesidir. Katılımcılar yalnızca analizlerin Python ortamında nasıl gerçekleştirileceğini değil, aynı zamanda elde edilen sonuçların tez, bilimsel makale ve akademik raporlarda uluslararası standartlara uygun şekilde nasıl yorumlanıp raporlanacağını da öğreneceklerdir. Eğitim sonunda katılımcılar, yapay zeka destekli analiz süreçleri
geliştirebilecek, rutin analizler için kolaylaştırıcı algoritmalar oluşturabilecek ve akademik çalışmalarında veri analizini daha verimli şekilde yürütebilecek bilgi ve beceriye sahip olacaklardır.
Gelecek Tahmin Teknikleri ve Volatilite Modelleri - Eviews ve Win-RATS Uygulamalı
27-31 Temmuz 2026 - 5 gün - 15 saat (19.30-22.30)
Doğrusal Modellerle Gelecek Tahmini
ARMA ve ARIMA Modeller
Mevsimsel ARMA (SARMA), Mevsimsel ARIMA (SARIMA) Modeller
Doğrusal Olmayan Modellerle Gelecek Tahmini
Üssel Yumuşak Geçişli Otoregresif (ESTAR) Model
Lojistik Yumuşak Geçişli Otoregresif (LSTAR) Model
Lojistik Yumuşak Geçişli (LSTR) Model
Volatilite Modelleri
ARCH Modeli
GARCH Modeli
ARCH-M Modeli
GARCH-M Modeli
EGARCH Modeli
TARCH Modeli
Üretken Yapay Zeka Destekli Makine Öğrenmesi (Claude, ChatGPT, Github Copilot Uygulamalı)
25-26 Temmuz, 1-2 Ağustos 2026 24 saat (9.30-12.30 - 13.30-16.30)
Giriş Düzeyinde Veri Analizi- Veri seti keşfinde AI kullanımı, Otomatik EDA (Exploratory Data Analysis), AI ile veri kalitesi kontrolü
Veri Görselleştirilmesi- Grafik Çeşitleri, Korelasyon Matrisi, Öznitelik Seçimi, AI desteği ile grafik seçimi ve içgörü üretimi, grafikleri yorumlama, dashboard özetlerinin otomatik üretilmesi
Makine Öğrenmesine Giriş ve Yöntemler: CRISP-DM, Overfitting , Underfitting, Bias-Variance Tradeoff, Train/Test/Validation
Gözetimli Öğrenme Metotları
Lineer Regresyon, Regresyon Hata Metrikleri Teorisi, Polinomal Regresyon ve uygulama, Regülarizasyon ile modele hata metrikleri eklenmesi, LogReg Teorisi, Hata metriklerinin sınıflandırılması, KNN Teorisi, SVM (Destek Vektör Makineleri) Teorisi, DT (Decision Tree, Karar Ağaçları) Teorisi, RF (Rastgele Orman Ağaçları, Bagging Algoritması ) , Boosting Algoritmaları (AdaBoost, Gradient Boost, XGBoost Algoritmaları)
AI ile Feature önerileri alma, Hyperparameter önerileri uygulama, Hata analizi yaptırma, Model çıktılarının açıklanması
Gözetimsiz Öğrenme Metotları
Kmeans Algoritması, Kümeleme Analizi Teorisi ve uygulamaları
Temel Bileşen Analizi (PCA)
Modellerin Doğrulanması
AI destekli Confusion Matrix (Karmaşıklık Matrisi)yorumlama, Hata analizi, AI destekli oversampling ve undersampling uygulamaları, AI destekli çapraz geçerlilik kuralına göre kod üretimi, Explainable AI( SHAP, feature importance çıktılarının açıklanması ve rapor üretilmesi), iş süreçlerine uygun rapor üretme
Genel Uygulama: Uçtan uca AI Destekli Makine Öğrenmesi Projesi
Veri analizi, feature engineering, model geliştirme, model değerlendirme, AI ile hata analizi ve sonuç raporu oluşturma