Kodluyoruz, yazılım alanında hayali olan gençlere 2020’de Türkiye’nin farklı bölgelerinde ulaşmaya devam ediyor! Bu formu doldurarak bootcamp’e başvurunuzu yapabilir, değerlendirme sürecine katılabilirsiniz.
Süre: Bootcamp toplam 72 saat; ev ödevleri ise en az 25-40 saat arasında değişecek.
Bootcamp her hafta sonu Cumartesi ve Pazar günleri “Online” olarak gerçekleşecek. Kesinleşen tarih ve saatler web sitemizde duyurulacaktır.
Bootcamp tamamen ÜCRETSİZDİR ve katılımcılar kendi bilgisayarlarıyla katılmak durumundadır.
Başvuru ve değerlendirme süreci hakkında:
Tüm süreçte, sizinle bu başvuru formunda yazdığınız e-posta üzerinden iletişime geçeceğiz. Bu yüzden düzenli olarak e-posta kutunu kontrol etmeyi unutma!
1. Başvuru formunu dolduran herkese ön değerlendirme için bir yazılım testi göndereceğiz.
2. Test sonuçları ve başvuru formu değerlendirmelerine göre seçilen adaylar, bir sonraki seçim sürecine girecek (mülakat veya teknik ödev)
3. Tüm süreçleri başarıyla tamamlayan adaylar bootcamp’lere başlayacak.
Önemli not:
Kodluyoruz tarafından hayata geçirilen bootcamp’ler, özellikle teknoloji sektöründe kariyer yapmak isteyen, motivasyonu yüksek, öğrenmeye meraklı, sosyal ve ekonomik açıdan bu fırsata ihtiyacı olan, üniversite son sınıf öğrencisi, yeni mezun, iş arayan, en fazla 2 yıl yazılım tecrübesi olan adayların başvurusu için uygundur.
Üniversite 1. veya 2. sınıf öğrencileri, vakıf üniversitelerinde herhangi bir başarı bursu olmadan okuyan öğrenciler, 2 yıldan fazla iş tecrübesi olan adaylara fırsat eşitliği ilkesi doğrultusunda genellikle OLUMSUZ dönüş yapılacaktır.
Sen de yazılım kariyerine ilk adımı Kodluyoruz’la atmak istersen eğitimlerimize başvur!
İlginiz için şimdiden teşekkürler!
Süre: Bootcamp toplam 72 saat sürecek.
Eğitimler, 12 Eylül – 25 Ekim 2020 tarihleri arasında her hafta sonu Cumartesi ve Pazar günleri saat 10:00 – 16:00 arası gerçekleşecek. Bootcamp mezunu olabilmeniz için, derslerin en az %80’ine devam etme ve ödevlerin en az %80’ini yapma zorunluluğu var.
Not: Bootcamp programımız Covid-19 önlemleri dolayısıyla “online” olarak gerçekleşecektir.
Son Başvuru Tarihi: 17 Ağustos Pazartesi 2020
Uygulamalı Veri Bilimi Müfredatı
1- Business Understanding
a. Business Goal Declaration
b. Expected Value Framework (EVF)
c. Business Strategy Declaration
2- Data Understanding
a. Data Preprocessing
i. Collection Of Raw Data
ii. Concatenation Of Dataframes
b. Variable Type and Data Structure Consistency
i. Demystifying Variables Type (Numerical/Categorical)
ii. Data Structure Control (Float/String)
c. Building The Target Variable (Regression Or Classification)
3- Data Analysis
a. Preparatory Data Analysis (Pda)
i. Data Dropping
1. Row Uniqueness (Drop Duplicates)
2. Column Uniqueness (Drop Singletons)
3. Drop Illogical Rows
4. Drop Null-target Rows
ii. Data Splitting (Train/Test)
iii. Outlier Handling
1. Outlier Detection
2. Outlier Cleaning (Deletion Or Convertion)
iv. Missing Data Handling
1. Demystifying Missing Ratio (Mr) Classes Of Variables (Low,Moderate,High,Extreme)
2. Matching Features and Actions
3. Performing Actions In Order
v. Feature Engineering
1. Determining Possible Enrichments
2. Extracting New Variables
3. External Data Resources (If Possible)
b. Exploratory Data Analysis (Eda)
i. Basic Visualizations
1. Univariate Plots (Pdf-pmf/Boxplot/Qq-plot)
2. Multivariate Plots (Scatter-plot/Histogram)
ii. Custom Plots for Extra Inferences
c. Confirmatory Data Analysis (Cda)
i. Feature Selection (Importances, Associations and Significances)
1. Chi-square Test for Nominal Features
2. Spearman Rank Correlations for Ordinal Features
3. Anova Test for Numerical Features
4. Information Values (Iv), Permutation Importances (Pi) and Stepwise Regression (P-values After Woe-transformation) for All Features
4- Modelling
a. Data Transformation and Encoding
i. Transformation (Scaling Numerical Variables)
ii. Encoding Categorical Variables (Classic/Contrast/Bayesian)
b. Metric, Baseline and Estimator/Classifier Selection
i. Metric and Baseline Selection for Model Evaluation
1. Metric Selection
2. Baseline Selection
c. Estimator/Classifier Selection
i. K-nearest Neighbors (Knn)
ii. Naive Bayes Classifier
iii. Logistic Regression Classifier
iv. Support Vector Machines Classifier
v. Neural Network Classifiers
1. Multi-layer Perceptron (Mlp)
2. Convolutional Neural Networks (Cnn)
3. Recurrent Neural Networks (Rnn)
vi. Ensembled Classifiers
1. Random forest Classifier (Bagging)
2. Gradient Boosting Classifier
3. Stacked Generalization (Stacking)
d. Model Selection (Hyperparameter Tuning)
5. Evaluation
a. Using Expected Value To Frame Model Evaluation
6. Deployment
a. Optimization
b. Micro-service Construction
https://docs.google.com/forms/d/e/1FAIpQLScOJvssJCCncAifn68anwkk4rbaDpK1gCKyxtYlXPaIE7Iz4g/viewform