Data Science with R and SQL Server Eğitimi

R, istatistiksel analizler, veri madenciliği ve makine öğrenimi için en popüler ortam ve programlama dilidir. R'nin yönetilen ve ölçeklenebilir sürümü SQL Server, Power BI ve Azure ML'de çalışır. Bu 4 günlük eğitimin ana konusu R dilidir. Ancak eğitim ayrıca Python, T-SQL, Power BI, Azure ML ve Excel dahil olmak üzere MS BI paketinde veri bilimi uygulamaları için mevcut dillerin ve araçların nasıl kullanılacağını da gösterir. Laboratuvarlar R'ye odaklanır; demolar ayrıca diğer dillerdeki kodu da gösterir.

Katılımcıların veri analizi hakkında temel bir anlayışa ve SQL Server araçları hakkında temel bir bilgiye sahip olması gerekir.

"Data Science with R and SQL Server" Eğitim Formatı

Bu eğitim, eğitmen sunumları ve laboratuvarlar sırasında bireysel çalışmalardan oluşur. Laboratuvarlar sırasında katılımcılar çoğunlukla R dilini kullanır.

Her katılımcıya sunulan demolar ve laboratuvar egzersizleri için tüm slaytların ve tüm kodların ve çözümlerin bir .PDF çıktısı verilir.

Ayrıca her katılımcıya Dejan Sarka, Packt, 2018 tarafından yazılan Data Science with SQL Server Quick Start Guide kitabının elektronik bir versiyonu verilir.

Her katılımcı, aşağıdaki yazılımların önceden yüklendiği sanal bir makinede önceden hazırlanmış bir bilgisayarda çalışır:

• SQL Server 2017 veya 2019 Veritabanı Motoru ML Hizmetleriyle (Veritabanı İçinde)
• AdventureWorksDW2017 demo veritabanı
• Microsoft R İstemcisi
• RStudio IDE
• SQL Server Management Studio

Neler Öğreneceksiniz 

Bu eğitime katılanlar sıfırdan R ile programlamayı öğrenirler. Ücretsiz R motoru ve RStudio IDE kullanılarak temel R kodu tanıtılır. Bir veri bilimi projesinin yaşam döngüsü ayrıntılı olarak açıklanır. Katılımcılar veri genel bakışını nasıl gerçekleştireceklerini ve bir projedeki en sıkıcı görev olan veri hazırlama görevini nasıl yapacaklarını öğrenirler. Veri genel bakışı ve hazırlamanın ardından, analitik kısım değişken çiftleri arasındaki ilişkileri analiz etmek için ara istatistiklerle başlar. Daha sonra eğitim doğrusal bağımlılıkları araştırmak için daha gelişmiş yöntemler sunar.

Bir modeldeki çok fazla değişken kendi sorununu oluşturabilir. Eğitim, matris hesaplamalarının temelleriyle başlayarak özellik seçiminin nasıl yapılacağını gösterir. Daha sonra eğitim, denetlenen ve denetlenmeyen öğrenme dahil olmak üzere daha gelişmiş veri madenciliği ve makine öğrenimi analizlerine geçer. Eğitim ayrıca tahmin, metin madenciliği ve takviyeli öğrenme gibi güncel konuları da sunar.

Son olarak katılımcılar laboratuvarlar aracılığıyla SQL Server, Azure ML ve Power BI'da R kodunun nasıl kullanılacağını ve demolar aracılığıyla belirtilen tüm araçların içinde Python'ın nasıl kullanılacağını öğrenecekler.

Eğitim Anahattı

Girişin ardından modüller şu şekilde olacaktır:

1. Veri bilimi ve R'ye giriş
   1. İstatistik, veri madenciliği, makine öğrenimi nedir…
   2. Veri bilimi projeleri ve ömürleri
   3. R'ye giriş
   4. R araçları
   5. R veri yapıları

Lab 1

1. Python'a giriş
   1. Temel sözdizimi ve nesneler
   2. NumPy ve Pandas ile veri işleme
   3. Matplotlib ve seaborn kütüphaneleriyle görselleştirmeler
   4. Scikit-Learn ile veri bilimi

Tartışma: R ve Python

1. Veri genel bakışı
   1. Veri kümeleri, durumlar ve değişkenler
   2. Değişken türleri
   3. Ayrık değişkenler için giriş istatistikleri
   4. Sürekli değişkenler için tanımlayıcı istatistikler
   5. Temel grafikler
   6. Örnekleme, güven düzeyi, güven aralığı

Lab 2

1. Veri hazırlama
   1. Türev değişkenler
   2. Eksik değerler ve aykırı değerler
   3. Yumuşatma ve normalleştirme
   4. Zaman serileri
   5. Eğitim ve test setleri

Lab 3

1. İki değişken arasındaki ilişkiler ve ilişkilerin görselleştirilmesi
   1. Kovaryans ve korelasyon
   2. Olasılık tabloları ve ki-kare testi
   3. T-testi ve varyans analizi
   4. Bayesçi çıkarım
   5. Doğrusal modeller

Lab 4

1. Özellik seçimi ve matris işlemleri
   1. Doğrusal modellerde özellik seçimi
   2. Temel matris cebiri
   3. Temel bileşen analizi
   4. Araştırmacı faktör analizi

Lab 5

1. Gözetimsiz öğrenme
   1. Hiyerarşik kümeleme
   2. K-ortalamalar kümeleme
   3. Birleştirme kuralları

Lab 6

1. Gözetimli öğrenme
   1. Sinir ağları
   2. Lojistik regresyon
   3. Karar ve regresyon ağaçları
   4. Rastgele ormanlar
   5. Eğim artırma ağaçları
   6. K-en yakın komşular

Lab 7

1. Modern konular
   1. Destek vektör makineleri
   2. Zaman serileri
   3. Metin madencilik
   4. Derin öğrenme
   5. Güçlendirmeli öğrenme

Lab 8

1. SQL Server ve MS BI'da R
   1. ML Hizmetleri (Veritabanı İçi) yapısı
   2. SQL Server'da harici betikleri yürütme
   3. Bir modeli depolama ve yerel tahminler gerçekleştirme
   4. Azure ML ve Power BI'da R

Lab 9