Vaka Çalışması · Finans
TBB: bankacılar için uçtan uca veri bilimci eğitimi
Türkiye Bankalar Birliği'nin eğitim programı kapsamında, işinde veri kullanan banka çalışanları için 62 saatlik, 21 günlük 'Veri Analitiği Yolculuğu': veri bilimine giriş, SQL, Python, istatistik ve EDA, görselleştirme, makine öğrenmesi, sektör vakaları. Akşam oturumları, her modülün ödevi, Colab üzerinde uygulama; her modül TBB'nin katılımcı anketiyle 10 üzerinden puanlandı — ortalama 9'un üzerinde.
- 62 saat
- Süre
- 9+ / 10
- Değerlendirme
- 10 / 10
- En yüksek
- 2
- Sektör vakası
21 gün, 7 modül
Her modülde TBB katılımcı anketi
Giriş ve makine öğrenmesi modülleri
Perakende satış tahmini · banka işlem sınıflandırma
Problem
Bankalarda veri her yerde; ama veriyle çalışan çoğu kişi SQL yazmadan, Python açmadan, raporun arkasındaki modeli görmeden çalışıyor. Türkiye Bankalar Birliği’nin eğitim programı için hedef, işinde veri kullanan banka çalışanını sıfırdan alıp bir makine öğrenmesi modelini kendi kurabileceği noktaya taşımaktı — teorik değil, her akşam klavyede.
Yedi modül, bir yolculuk
Programı “Veri Analitiği Yolculuğu” olarak tasarladık: her modül bir öncekinin üstüne çıkar, yolculuğun sonunda katılımcı bir veri bilimi projesinin her adımından geçmiş olur.
| # | Modül | Saat | Ne öğrenildi |
|---|---|---|---|
| 1 | Veri analizi, veri bilimi ve yapay zekâya giriş | 2 | Veri okuryazarlığı; analist ve veri bilimci ne yapar; yolculukta gerekecek araçlar |
| 2 | Veritabanı ve SQL sorgulama | 12 | İlişkisel yapılar, veri tipleri; select, where, group by, join, subquery, DML; rank, case, while |
| 3 | Python programlama | 15 | Veri yapıları, koşul, döngü, fonksiyon, dosya; pandas, numpy, matplotlib |
| 4 | Temel istatistik ve Python ile EDA | 3 | Eksik ve aykırı değer, dağılım, korelasyon; keşifçi analiz |
| 5 | Veri görselleştirme ve araçları | 6 | Görselleştirme ilkeleri; Power BI ile pano |
| 6 | Python ile temel makine öğrenmesi | 18 | Veri hazırlığı, regresyon ve sınıflandırma, doğrulama, model seçimi |
| 7 | Veri bilimi sektör çalışmaları | 6 | Uçtan uca iki vaka: perakende mağaza satış tahmini, banka müşteri işlem sınıflandırması |
Dört eğitmen modülleri paylaştı: SQL’i Ahmet Can, Python ve makine öğrenmesini Burak, görselleştirmeyi Hasan, giriş ve sektör çalışmalarını Sabri anlattı. Oturumlar hafta içi akşam 17:00–20:00, Teams üzerinden; her modülün ödevi bir sonraki oturumda çözüldü, kod Google Colab’da paylaşıldı, dosyalar ortak bir Drive’da tutuldu.
Sektör çalışmaları
Son modül yolculuğun sınavı gibiydi: iki gerçek veri seti, baştan sona. Perakende vakasında bir mağaza zincirinin günlük satışları tahmin edildi — takvim, promosyon ve rakip mesafesi gibi değişkenlerle, EDA’dan model karşılaştırmasına. Banka vakasında yüzlerce anonim değişkenden müşteri işlemini sınıflandıran bir model kuruldu; dengesiz sınıf, özellik seçimi ve gradient boosting üzerinde duruldu. Katılımcılar ilk modülde SQL yazmayı öğrenen kişilerdi; son modülde XGBoost’un parametrelerini tartıştılar.
Ölçüm
TBB her modülün sonunda katılımcılara standart bir anket uyguladı: eğitim bilgi ve beceriye katkı sağladı mı, uygulamalar öğrenmeyi destekledi mi, sunum ve materyal yeterli miydi. Yedi modülün tamamı 10 üzerinden 8,5’in üzerinde puan aldı; giriş ve makine öğrenmesi modülleri tam puan, görselleştirme ve EDA 9,6–9,9. En düşük puan SQL modülündeydi — en yoğun içerik, en fazla ödev; bu puan sonraki programlarda SQL süresini ve ödev yükünü yeniden düşünmemizin girdisi oldu.
Neden böyle
- Akşam, ama her akşam klavyede. Mesai sonrası üç saat yorucu; içerik anlatım değil uygulama olarak kurulmasaydı üçüncü haftada katılım düşerdi.
- Sektör vakası en sonda, ama baştan bilinir. İlk oturumda katılımcı yolculuğun sonunda ne yapabileceğini görür; SQL’i neden öğrendiğini bilir.
- Anket veriyi verir. Modül puanları programı düzeltmenin girdisi oldu; hangi modülün süresinin ve ödev yükünün değişmesi gerektiği tahminle değil puanla konuşuldu.