Vaka Çalışması · Finans
TBB: bankacılar için veri bilimi eğitimi
Türkiye Bankalar Birliği'nin eğitim programı kapsamında, işinde veri kullanan banka çalışanları için 62 saatlik, 21 günlük 'Veri Analitiği Yolculuğu' programı: veri bilimine giriş, SQL, Python, istatistik ve EDA, görselleştirme, makine öğrenmesi, sektör vakaları. Oturumlar akşamları yapıldı, her modülün ödevi vardı, uygulamalar Colab'da yürüdü. TBB her modülü katılımcı anketiyle 10 üzerinden puanladı; ortalama 9'un üzerinde çıktı.
- 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 veriyle her gün çalışan pek çok kişi SQL ya da Python kullanmıyor, raporların arkasındaki modelleri de görmüyor. Türkiye Bankalar Birliği’nin eğitim programı için hedefimiz, işinde veri kullanan banka çalışanını sıfırdan alıp bir makine öğrenmesi modelini kendisi kurabileceği noktaya getirmekti. Bu yüzden programın ağırlığı uygulamadaydı: katılımcılar her akşam klavye başındaydı.
Yedi modül
Programa “Veri Analitiği Yolculuğu” adını verdik. Her modül bir öncekinin üstüne kuruluyor; son modül bittiğinde katılımcı bir veri bilimi projesinin bütün adımlarından geçmiş oluyor.
| # | Modül | Saat | Ne öğrenildi |
|---|---|---|---|
| 1 | Veri analizi, veri bilimi ve yapay zekaya giriş | 2 | Veri okuryazarlığı; analist ve veri bilimci ne yapar; program boyunca kullanılacak 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 | Baştan sona 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 arasında Teams üzerinden yapıldı. Her modülün ödevi bir sonraki oturumda çözüldü, kod Google Colab’da paylaşıldı, dosyalar ortak bir Drive’da tutuldu.
Sektör çalışmaları
Son modül bir tür bitirme sınavıydı: iki gerçek veri seti üzerinde baştan sona çalışıldı. Perakende vakasında bir mağaza zincirinin günlük satışları takvim, promosyon ve rakip mesafesi gibi değişkenlerle tahmin edildi; çalışma EDA’dan başlayıp model karşılaştırmasına kadar gitti. Banka vakasında yüzlerce anonim değişkenden müşteri işlemini sınıflandıran bir model kuruldu ve dengesiz sınıf, özellik seçimi ve gradient boosting üzerinde duruldu. İlk modülde SQL yazmayı öğrenen katılımcılar, son modülde XGBoost parametrelerini tartışıyordu.
Ölçüm
TBB her modülün sonunda katılımcılara standart bir anket uyguladı. Ankette eğitimin bilgi ve beceriye katkısı, uygulamaların öğrenmeyi destekleyip desteklemediği, sunum ve materyalin yeterliliği soruldu. 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 aldı. En düşük puanı SQL modülü aldı. İçeriği en yoğun, ödevi en fazla olan modül de oydu. Bu puan üzerine sonraki programlarda SQL süresini ve ödev yükünü yeniden ele aldık.
Neden böyle
- Akşam oturumları uygulamalıydı. Mesai sonrası üç saat yorucu; içerik anlatım olarak kurulsaydı katılım üçüncü haftada düşerdi.
- Sektör vakaları ilk günden belliydi. Katılımcı ilk oturumda programın sonunda neler yapabileceğini görüyor, SQL’i neden öğrendiğini de biliyordu.
- Anket puanları programı düzeltmeye yaradı. Hangi modülün süresinin ve ödev yükünün değişmesi gerektiğini puanlara bakarak konuştuk.