📊 Veri Bilimi Yolculuğu
Bu depo, veri biliminin temellerini kapsayan kapsamlı bir keşifsel veri analizi (EDA) çalışmasını içermektedir. Proje, popüler veri setleri üzerinden veri temizleme, görselleştirme ve özellikler arası ilişkileri anlama üzerine odaklanmaktadır.
🚀 Proje Hakkında
Bu çalışma, bir veri bilimcisinin araç çantasındaki temel teknikleri uygulamak amacıyla hazırlanmıştır. İçerik şu ana başlıkları kapsamaktadır:
-
Temel Araçlar: Python veri bilimi kütüphanelerinin (Pandas, Numpy) kullanımı.
-
Temel İstatistikler: Veri setinin genel yapısının ve istatistiksel özetlerinin incelenmesi.
-
Veri Temizleme (Data Munging): Eksik verilerin yönetimi ve veri tiplerinin optimizasyonu.
-
Veri Görselleştirme: Matplotlib ve Seaborn kütüphaneleri ile veriyi hikayeleştirme.
-
Makine Öğrenmesi Hazırlığı: Özellik mühendisliği ve korelasyon analizi.
📦 Kullanılan Teknolojiler
Python 3.x
Pandas: Veri manipülasyonu ve analizi.
Numpy: Bilimsel hesaplamalar.
Matplotlib: Temel veri görselleştirme.
Seaborn: Gelişmiş istatistiksel görselleştirme (Heatmap, Scatter vb.).
🔍 Analiz İçeriğinden Kesitler
Pokemon Veri Seti Analizi
Korelasyon Haritası (Heatmap): Pokemonların savunma, saldırı, hız gibi özellikleri arasındaki ilişkiler Seaborn Heatmap kullanılarak incelenmiştir. Örneğin; "Sp. Def" (Özel Savunma) arttığında genel savunma (Defense) değerinin nasıl değiştiği analiz edilmiştir.
Veri Tipi Optimizasyonu: Bellek kullanımı ve işlem hızını artırmak için object tipi verilerin category tipine dönüştürülmesi üzerine notlar içerir.
🛠️ Kurulum ve Çalıştırma
- Bu depoyu klonlayın:
git clone [https://github.com/kullaniciadi/proje-adi.git](https://github.com/Rasittekin18/Data_Science.git)
2- Gerekli kütüphaneleri yükleyin:
pip install pandas numpy matplotlib seaborn
3- Jupyter Notebook'u başlatın ve DataScience.ipynb dosyasını açın.