Veri Bilimi Nedir?

Veriler günden güne akıl almaz bir hızla büyüyen havuzları oluşturuyor. Büyümesinin yanında açık havuz niteliği görerek sınırsız veriden meydana gelmeye devam ediyor. Veri tabanlarını dolduran bu veriler ilgi çekici bir alan olan veri bilimini de gündemize getirdi.

Peki bu süreçte hangi verilere erişilmeli?

Örneğin Google verilerin hepsini kullanıyor mu sizce? Elbette hayır! Google önemli kararları alırken tüm verilerini kullanmaz. Yalnızca verilerin küçük bir örneklemini kullanır. Bir diğer deyişle önemli bilgileri bulmak için her zaman çok fazla veriye ihtiyacımız yok. Yani sadece doğru verilere ihtiyacımız var. Buna ek olarak doğru veriyi elde etmek istiyorsak doğru soruyu sormalıyız. Ki bununla beraber doğru metodolojiyi uygulamalıyız.

Göründüğü üzere ince ince işlenmiş bir sürecin ana kaynağı olan verilerin değeri paha biçilemez. Keza işlemediğimiz verilerin de kıymetinden söz edebiliriz. Öyleyse bütün veri biçimlerinden değer elde etme gayesi taşıyan Veri Bilimi oldukça önemli bir disiplin.

Veri Bilimi Nedir?

Veri bilimi, veri yapısının yanı sıra verileri değere dönüştürmek için kullanabileceğimiz üst düzey süreçleri içeren bir alan. Bu noktada veri bilimi metedolojisi genel bir strateji oluşturabilmek adına etkili bir yöntem. Keza veri analisti yalnızca bir dizi teknik ya da tanımdan oluşmadığı için metodolojiden faydalanır. Belirli bir teknolojiye bağlı değil. Buna ek olarak süreçler ve yöntemlere dair fikir edinebilmemiz için oldukça etkin bir role sahip.

Bu bilgiler doğrultusunda baktığımızda veri bilimi, verileri analiz ederek bir soruyu cevaplamak ya da bir problemi çözmekle ilgileniyor diyebiliriz. Genellikle, öngörücü ve açıklayıcı modellerle beraber sonuçları tahmin etmek veyahut altta yatan kalıpları keşfetmek için bir model oluşturur. Modellemenin amacına gelirsek gelecekte doğacak olan sonuçları ya da davranışları etkileyecek eylemleri ifade eden bilgileri elde etmek istememiz. Bu amacımız içinse veri bilimi metodolojisine ihtiyaç duyuyoruz.

Veri Bilimi Projesi Nasıl Oluşturulur?

Veri bilimine dair biraz fikir sahibi olduğumuza göre bir proje oluşturmak için hangi adımlar gerektiğine değinelim. Öncelikle bu adımlara bir veri bilimcinin gözünden bakalım.

‘Think Like a Data Scientist’ kitabının yazarı olan Brian Godsey, yazmış olduğu bu kitapta veri bilimi projesini üç aşamalı olarak tasarlıyor:

• İlk aşama hazırlık süreci,
• Bir projenin başlangıcında bilgi toplamak için harcanan çaba, daha sonra büyük baş ağrılarından kurtarabilir.
• İkinci aşama ürünün oluşturulması,
• Planlamadan uygulamaya, hazırlık aşamasında öğrendiklerinizi istatistik ve yazılımın sağlayabileceği tüm araçları kullanarak ürünü oluşturmak.
• Üçüncü ve son aşama,
• Ürünün teslimini bitirmek, geri bildirim almak, revizyonlar yapmak, ürünü desteklemek ve projeyi tamamlamaktır.

Öyleyse veri bilimi projesi için genel birkaç maddeden söz edebiliriz. Bunlardan ilki araçların resmin yalnızca bir kısmı olduğunu görmemiz. Yani Veri Bilimi kullanılan araçlardan çok daha fazlasını ifade ediyor. Bir diğeri ise Veri Bilimini bir düşünme biçimi olarak benimsememiz. Ve son olarak farklı yetkinliklerden oluşan uyumlu bir takım çalışmasını gerektirdiği!

Veri Bilimi Projesinde Gerekli Alt Alanlar

Çeşitli bir takım çalışması söz konusu olduğuna göre bu çeşitliliğin ana başlıklarına bakalım. Bu noktada üç ana başlıktan söz edebiliriz. Bunlar Yapay Zekâ, Makine Öğrenimi ve Derin Öğrenme.

• Yapay Zekâ

Yapay zekâ, bilinç ve duygusallığı içeren doğal zekânın aksine, makineler tarafından bir insanın davranışlarının taklit edilmesi olarak adlandırabileceğimiz zekâdır.

• Makine Öğrenimi

Makine öğrenimi, deneyim ve veri kullanımıyla otomatik olarak gelişen bilgisayar algoritmaları üzerine yapılan çalışmalardır. Bilgisayarların verilerden anlam çıkarmasıyla beraber yapay zekâ uygulamaları sunmasını sağlayan teknikleri de barındırır. Buna ek olarak yapay zekânın bir alt kümesi olduğunu söyleyebiliriz.

• Derin Öğrenme

Derin öğrenme, temsil öğrenmeli yapay sinir ağlarına dayalı daha geniş bir makine öğrenimi yöntemleri ailesinin bir parçasıdır. Öğrenme denetimli, yarı denetimli veya denetimsiz gibi alt başlıklara sahip olmasıyla beraber bilgisayarların daha karmaşık sorunları çözmesini sağlayan makine öğreniminin bir alt kümesi olduğunu belirtebiliriz.

Bu konuda biraz daha bilgi sahibi olmak isterseniz bu yazımızı da okuyabilirsiniz. Bunlara ek olarak bazı tekniklere değinelim.

Bilinmesi Gereken Yapay Zekâ Teknikleri

• Regresyon
• Basitçe tanımlamamız gerekirse geçmiş verilere bakarak bir sonraki sonucu kabul edilebilir bir hata ile tahmin etmemiz. Buna ek olarak bazı ‘Regresyon Algoritmaları’mız var. Bu algoritmaları sayılar adına tahminde bulunmak için kullanıyoruz.
• Sınıflandırma
• Sistematik olarak benzer ve ortak özellikler doğrultusunda yaptığımız sistematik işlemlerdir. Yapılan işlemleri ayırt edebilmemizi sağlayarak kolaylaştırmamızı sağlar. Bir diğer ifadeyle Denetimli ve Eğitici bir biçimde öğrenmeyi sağlarız.
• Kümeleme
• Kümeleme işlemini bir dizi nesneyi aynı gruptaki nesnelerin diğer gruplardakilere göre birbirine daha çok benzeyeceği şekilde gruplamamız olarak adlandırabiliriz. Fakat bu işlemde önceden tanımlanmış ya da öğretilmiş sınıflar yoktur. Yani bu kez Denetimsiz ve Eğitimsiz bir öğrenme sürecini oluştururuz.
• Aykırılık Bulma
• Son olarak bu teknikte ise beklenmedik bir şekilde gelişen durumlar göz önüne alınır. Bir diğer deyişle alışılmadık, farklı ve bir şekilde öne çıkan bir şey arıyorsak bu tekniği kullanırız.

Veri Bilimci ve Veri Bilimi Uzmanı

Öyleyse çeşitli araçlar kullanarak sahip olduğu veriyi tasvirleyen bireylere Veri Bilimci diyebiliriz. Öngörüsel modellemeler yapan veri bilimciler oldukça kıymetli. Lakin tamamlayıcı becerilere sahip bir ekibi oluşturmak için gerçek Veri Bilimcileri bulmak oldukça zor. Bu takımı oluşturan bireyler ise ‘ Yazılım Mühendisi, Veri Mühendisi, Veri Bilimci ve İş Analistleri’ gibi alanlardan mezun olmaktalar.

Veri Bilimi Uzmanları ise veri biliminin daha çok içsel disiplinlerdeki arasılığını ortaya çıkarmakta etkinler. Bilgisayar bilimi, istatistik, yapay zekâ, veri yönetimi, tasarım ve analitik gibi daha birçok alana hakim olmaları beklenir. Görünüşte zor görünen bu etkenler becerilerin geliştirmesiyle beraber kendimizi eğitebileceğimiz çeşitli faktörler. Bu noktada Büyük Veri konusunda tutkulu olmanız uygulamalı bir şekilde öğrenme sürecinize teşvik olmanızı destekleyen etkenlerden birisi olabilir.

Sonuçlandırmamız gerekirse bu alanda uzman olmak istiyorsanız verileri gerçekten sevdiğinizden emin olun. Buna ek olarak pratiklerle beraber teorik alanı beraber ilerletiyor olmanız veri bilimini öğrenmenizde önemli bir etki yaratacaktır. 😊