Veri Bilimi Alanında Kariyer Yapmak İsteyen Endüstri Mühendisliği Öğrencilerine Bir Mektup
Share on | Paylaş
LinkedIn Twitter
Bölümümüzün öğrencilerinden son zamanlarda sıklıkla aldığım bir soru var: “Veri Bilimci olmak istiyorum, bana bir yol haritası çizer misiniz?” Öğrencilerdeki motivasyon hoşuma gittiği için gelen mesajları özenle ve keyifle cevaplamaya çalışıyorum. Tabi cevap verdikçe cevaplarımın içeriği zenginleşti. Bir süredir hem aynı soruya her defasında ayrı cevap vermenin yarattığı verimsizliği ortadan kaldırmak (işte örnek bir Endüstri Mühendisi) hem de bu soruya cevap arayan diğer Endüstri Mühendisliği öğrencilerine faydalı olabilmek için bu yazıyı yazmaya fırsat kolluyordum. Nihayet bu konudaki görüşlerimi ve yönlendirmelerimi bu yazıda derli toplu hale getirebildim.
Veri Bilimci sıfatının son on yılda ulaştığı pozitif algı gerçekten takdire şayan. Sanki içerdiği yöntem ve araçlar daha önce yokmuşçasına ve her şey Veri Bilimi terimimin ortaya çımasıyla başlamışçasına hepimizde bir heyecan uyandırıyor. Çok akıllıca seçilmiş bir isim öbeği olduğunu tartışmaya gerek yok. “Veri” zaten günümüz karar verme süreçlerinin göz bebeği. Yanına “Bilim” eklendiği zaman da iyice havalı oluyor.
“Ben Veri Bilimciyim, hem veri konusunda uzmanım hem de bunun bilimini yapıyorum, vay be, çok havalı olmalıyım.”
Önceleri profillerde istatistikçi, veri analisti, iş analisti, veri madencisi, uygulamalı matematikçi, yöneylem araştırmacısı ve makine öğrenmesi geliştiricisi gibi tanımlamalar görürken şimdi hepsinde ortak olarak sadece Veri Bilimci tanımını görüyoruz. Veri Bilimi çatısı altındaki yöntemler aslında farklı isimlerle çok eski yıllardan beri varlar. Bu yöntemlerin günümüzdeki kadar “havalı” olmamalarının temel nedeni veri miktarları, veriye ulaşım ve hesaplama teknolojilerindeki limitlerdi. Büyüyen veri miktarı ve gelişen hesaplama teknolojisi ile birlikte teorik bilgiler artık pratikte kolayca uygulanabilir hale geldi. Örneğin, 1940’larda temelleri atılan ve günümüzde Veri Bilimi’nin önemli alt dallarından biri olan Yöneylem Araştırması’na baktığımızda, 2000’lere kadar bir türlü istediği başarıyı yakalayamadığını görüyoruz. Hatta 1970’lerin sonunda Yöneylem Araştırması’na ciddi eleştiriler yöneltildiğini biliyoruz.
Yöneylem Araştırmasının babası olarak bildiğimiz Ackoff’un (1979) şu tespiti gerçekten şaşırtıcı:
“Operations Research is dead even though it has yet to be buried. I also think there is little chance for its resurrection because there is so little understanding of the reasons for its demise.”
Yani kabaca diyor ki Yöneylem Araştırması henüz gömülmemiş olsa da öldü. Ayrıca dirilme şansının çok az olduğunu düşünüyorum çünkü ölümünün sebeplerini anlayamıyoruz. Oysa günümüzde Yöneylem Araştırması FORBES tarafından en hızlı büyüyen mesleklerden biri olarak tanımlanıyor: Operations Research Analyst - The fastest growing job you have never heard of
Peki ne oldu da 20 yılda işler 180 derece değişti? Cevap aslında basit: Veri miktarının artacağını, veriye erişimin kolaylaşacağını, bilgisayar programlama ve hesaplama teknolojilerinin bugünkü seviyelerine ulaşabileceğini tahmin edemediler. Tabi şu anki şartların lüksü ile geçmişteki bu görüşleri eleştirmek çok adil değil çünkü el yordamıyla simplex tabloları yapılan bir dönemde Yöneylem Araştırması yöntemleri ile çözülebilecek problemlerin çok küçük olduğunun söylenmesi ve bu nedenle Yöneylem Araştırması’ndan umudun kesilmesi normal karşılanabilir. O günlerdeki uzmanların bugün saliseler içerisinde gelişmiş yöntemler uygulayabilen Gurobi gibi optimizasyon çözücülerine sahip olacağımızı hayal etmelerini beklemek de gerçekçi değil. Herkesin Cahit Arf hocamız gibi bir vizyona sahip olmasını bekleyemeyiz.
Veri Blimci olmak istiyorum, nereden başlamalıyım?
Açıkçası bu soruya cevap vermek zor çünkü Veri Bilimci olmak uzun bir yolculuk ve net bir başlangıcı, güzergahı veya sonu yok. Üstelik bu terimin popülerleşmesi çok yakın tarihte olduğu için neleri kapsadığını tam olarak cevaplamak da zor. Çok farklı işler yapan insanlar kendilerini “Veri Bilimci” olarak tanımlıyor. Bu nedenle tüm yöntem ve araçları sıralayıp, bunları öğrenmelisin gibi bir yönlendirme yapmak mümkün değil. Bu konudaki görüşlerimi iki tavsiye altında yapmak isterim:
- (a) Temel bir analitik bilgisi oluşturmalı ve sonrasında uzmanlaşmak istediğiniz Veri Bilimi alanını seçmelisiniz.
- (b) Bilgisayarlarla aynı dili konuşabilmeli yani analitik bilgini bilgisayara aktarmanı sağlayacak programlama becerisini kazanmalısınız.
Bir Endüstri Mühendisliği öğrencisi olarak Veri Bilimci olmak için gereken temel analitik alt yapıyı müfredatınızın doğal sürecinde kazanabilirsiniz ancak bu alt yapıyı hesaplama gücüyle birleştirecek programlama bilgisini ek çabayla edinmeniz gerekebilir. Veri Bilimci olmayı düşünmeniz ama kod yazmaktan korkmanız kadar dünyada abes çok az şey vardır. O yüzden programlama işine öncelik verip hesaplama teknolojileri ile aranızda olan bariyerin ortadan kaldırılması gerekir. Bir Veri Bilimci yeteneklerini ancak hesaplama gücünden faydalanarak sergileyebilir. Ayrıca sizin için gerekli olacak kadar programlama bilgisi edinme sürecinin başlangıç noktası, güzergahı ve sonu bellidir. Hızlı ve kısa bir şekilde yol alınılabilir. Bilgisayarla iletişime geçebildiğinizi görmek sizin bu konudaki hevesinizi artırır ve hızlı ilerlersiniz. Dünya kadar kaliteli yazılı, sesli ve görsel kaynak ücretsiz olarak mevcuttur ve kolayca erişilebilir. Dünyanın en iyi üniversitelerinin ve hocalarının dersleri erişilebilir durumdadır.
Veri Bilimi’nin hangi alt alanında uzmanlaşacağınıza göre kodlama ihtiyacınız değişecek olsa da genel anlamda mükemmel seviyede kod yazmanız gerekmez ancak temel programlama bilginizi oluşturmanız, yazılmış kodları okuyabilmeniz ve yardım için başvurduğunuz kaynakları anlayabilecek seviyeye gelmeniz gerekir. Son yapay zeka akımı ile birlikte öğrenciler arasında atık kod yazmaya gerek kalmayacak algısının da arttığını görüyorum. Eski kafalı değilim, bunun bir gün mümkün olacağına inanıyorum. Bir gün yapay zeka motorları mükemmel kodlar yazabilen seviyeye gelirse bile, o kodları yapay zekaya yazdırabilecek, yazdıktan sonra da doğruluğunu test edebilecek ve gerektiğinde de koda müdahale edecek kadar programlama bilgisine hep ihtiyaç duyacağımıza inanıyorum.
Şimdi yukarıdaki iki maddeye daha detaylı bakabiliriz.
(a) Temel bir analitik bilgisi oluşturmak ve uzmanlaşacak bir Veri Bilimi alanı seçmek
Veri biliminin temelini oluşturan analitik yöntemler üç sınıf altında toplanır: Tanımlayıcı (descriptive), Tahmin Edici (predictive) ve Tavsiye Verici (Prescriptive). Ben bu üç sınıfı Veri Bilimcileri yaptıkları işe göre sınıflandırmak için de kullanıyorum. Genel olarak da böyle bir sınıflandırmanın yapıldığını söyleyebiliriz. Benimkinden daha güzel ve ayrıntılı bir sınıflandırma için Cem Vardar’ın Veri Bilimciliğinin Çeşitleri yazısını da okuyabilirsiniz. Cem hocayla benzer bir bakış açımız olmakla birlikte o biraz daha spesifik bir sınıflandırma sunuyor.
-
Tanımlayıcı (descriptive) Analitik çalışanlar gözle ve el hesaplamalarıyla anlamlandıramadığımız verilerin özetlenmesi, görselleştirilmesi ve böylelikle bir sistemin mevcut performansın ortaya çıkarılması konularında uzmanlar.
-
Tahmin Edici (predictive) Analitik çalışanlar geçmiş veriyi kullanarak gelecekteki sonuçları tahmin eden modeller geliştirirler. Makine öğrenmesi çalışmaları bu alanın öncüsü.
-
Tavsiye Verici (prescriptive) Analitik çalışanlar geçmiş veriyi kullanarak karar vericilere tavsiye verici sonuçlar çıkaran modeller geliştirler. Bu modeller karar vericilere almaları gereken optimum kararları sunarlar. Bu alanın hakimi Yöneylem Araştırması çalışmalarıdır. Karar vericiye kullanacağı kararı hazır verebilmeleri ve bu kararın en iyisi olduğunu da kanıtlayabilmeleri nedeniyle diğer önceki iki analitikten farklılaşırlar. Popülerliğini giderek artırmaktadır. Ayrıca Endüstri Mühendisliği öğrencilerinin altyapısına da oldukça uygundur.
Kanaatimce Veri Bilimci’yim diyebilmek için bu üç alandan birinde veya bir kaçında bilgi ve yetenek birikimi elde etmek gerekir. Benim naçizane görüşüm bir tanesi Tanımlayıcı olmak üzere kendinize iki alanda uzmanlaşmayı hedef seçmenizdir. Bir başka deyişle Tanımlayıcı ve Tahmin Edici veya Tanımlayıcı ve Tavsiye Verici ikililerinden birini odağınıza koyabilirsiniz. Unutmayın bu uzun ve zahmetli bir yol. Net bir başlangıcı, güzergahı veya sonu yok. Muhtemelen bir ömür sürecek bir öğrenme yolculuğu.
İyi haber şu ki bu uzun ve zahmetli süreçte Endüstri Mühendisliği öğrencileri olarak rakip branşlara kıyasla daha şanslısınız. Bana göre Endüstri Mühendisliği müfredatı Veri Bilimci yetiştirmek için biçilmiş bir kaftan. Müfredatlarımız genel olarak tanımlayıcı, tahmin edici ve tavsiye verici analitiğe ait dersler barındırıyor ve bölümün analitik yöntemlere yatkınlığımızı artıran matematik ağırlıklı bir ilerleyişi var. Bir çok ders bünyesinde analitik gücünüzü geliştirecek algoritmalar öğreniyorsunuz. Mezun olduğunuzda algoritma okuyabiliyor ve yazabiliyor, Veri Biliminin popüler alt dallarından istatistik, veri analizi ve görselleştirme, yöneylem araştırması ve makine öğrenmesi gibi alanlar hakkında bilgi ve fikir sahibi oluyorsunuz. Bu alanlardaki terminolojiye aşina olduğunuz için sonrasında yapacağınız uzmanlaşma çalışmalarında rahat ediyorsunuz.
Veri Bilimi için bu analitik yöntemleri belirli bir eğitim programına dahil olmadan dışarıdan elde etmek kanaatimce oldukça zor, belki de mümkün değil. Bir sonraki bölümde göreceksiniz ki size programlama ile ilgili bir çok ücretsiz kaynağa yönlendirme yapacağım. Bunu analitik yöntemler için yapmam ise mümkün değil. Örneğin, seviyenize uygun ve yüksek kalitede ücretsiz bir istatistik, simülasyon veya optimizasyon dersini bulmak oldukça zor.
Özet olarak (a) ile ilgili tavsiyem Endüstri Mühendisliği eğitiminiz süresince derslerinize özen gösteriniz. Bunaldığınız ve gereksiz olduğunu düşündüğünüz aşamalarda bunlar ne işime yarayacak diye düşünmeyiniz. Müfredatınızın hakkını vermeli, size bir şeyler öğrettiğini hissettiğiniz öğretim üyelerinin yakasını bırakmayınız. Bu konularda çalışan hocalarınıza proje fikirleriyle gidiniz veya halihazırdaki projelerinde çalışmak istediğinizi iletiniz. Kendinize yukarıdaki analitik alanlarından iki tanesinde uzmanlaşmayı hedef koyunuz. Mümkünse öğrenciyken, değilse de mezun olduktan sonra uzmanlaşmayı planladığınız alanlarda gerekliliğini veya büyüklüğünü sorgulamadan bol bol proje gerçekleştiriniz. Mümkünse o alanda bir lisansüstü eğitim gerçekleştirerek tez yazınız.
Bölümdeki dört yılınızı iyi geçirdiğiniz taktirde mezun olduğunuzda iyi bir Veri Bilimci adayı olacağınızdan eminim. Sonrasında yapacağınız uygulamalı projeler ve lisansüstü çalışmalarla da adaylıktan uzmanlığa geçiş yolculuğunuzu başlatabilirsiniz.
(b) Bilgisayar programlama
Müfredatınızda göreceğiniz temel analitik yöntemleri uygulayabilmeniz ve yaptığınız işleri otomatikleştirebilmeniz için bilgisayar programlama bilgisi elzem. Yöneylem Araştırması sınavlarınızda yaptığınız simplex tablolarını gerçek hayat problemlerinde yapmak istemeyeceğinize emin olabilirsiniz. O tabloları ve matrix çarpımlarını elde yapmayı çok seviyor olsanız (bunu seven öğrenci henüz görmedim) veya Yapay Sinir Ağları modeliniz için gradient descent iterasyonlarını elde yapmak isteseniz bile gerçek hayat problemlerinin boyutlarını düşündüğünüzde bu sevginizi içinize gömmeniz gerekecek.
Endüstri Mühendisliği öğrencilerinin ne yazık ki bilgisayar programlama konusunda (a) maddesinde sahip oldukları müfredat şansına sahip olmadıklarını düşünüyorum. Bir çok bölümde bu alanda iyileştirmeler yapılmış olsa da maalesef programlama dersleri açısından hala yeterli değiliz. Hala Python, R ve Julia gibi ideal programlama dilleri varken Java, C ve türevleri gibi programlama dillerini öğreten bölümlerimiz var. Ya Matlab öğretmemize ne demeli? Ücretsiz ve daha iyi alternatifler varken öğrencilere ücretli bir yazılım dilinin öğretilmesi ne derece mantıklı? Bu diller kendi içlerinde eminim harikadırlar. Hatta Python, R veya Julia ile yapılmayacak şeyleri de yapıyor olabilirler ancak tipik bir Endüstri Mühendisinin bilgisayar bilimi alanında çok teknik çalışması nadirdir. Bunun yerine veriyi kullanacak ve işleyecek işlerde çalışmaları büyük olasılıktır. Bu işler için ideal olan Python, R veya Julia üçlüsünün ücretsiz olması, öğrenilmesinin kolay olması ve çok kapsamlı ve kaliteli bir açık kaynak birikimine olması nedeniyle temennim tüm Endüstri Mühendisliği müfredatlarında ivedilikle bu dillere geçilmesidir.
Bu konudaki ilk iyi haber programlama bilgisini dışardan edinmenin günümüzde oldukça kolay olması. Hatta öyle ki bizim okullarda öğretebileceğimizden çok daha iyilerine ücretsiz bir şekilde erişebilirsiniz. Harvard’dan, MIT’den, University of Michigan’dan hocaların ücretsiz derslerine erişmek böyle kolayken bu öğrenme yolunu seçmeniz de oldukça akıllıca bir tutum.
İkinci iyi haber Python, R ve Julia programlama dilleri kullanıcı dostu ve öğrenmesi kolay diller olmaları. Ben bu üçlüye süper PRJ üçlüsü diyorum. Veri Bilimci olarak bu dilleri veri toplamak, veriyi tanımak, görselleştirmek ve makine öğrenimi ve matematiksel optimizasyon gibi analitik yöntemleri uygulamak için kullanacağız. Şanslıyız ki bu üç dil bize ihtiyacımız olandan fazlasını sunuyor. Üstelik tamamen ücretsizler ve büyük destek toplulukları var. Herhangi bir sorununuza cevap bulamama şansınız yok. Disklerle kod yazan büyüklerimize saygısızlık etmemek için geçmişten çok abartarak bahsetmek istemiyorum ama biz lisans döneminde programlama öğrenirken tıkandığımızda tek yaptığımız programın kendi yardımına gidip bir ipucu yakalamaya çalışmaktı. Bu yaptığımız da spesifik problemlerde çok yetersiz kalırdı. Günümüzde çok spesifik bir sorununuz bile olsa, doğru anahtar kelimelerle yapacağınız bir Google aramasında cevabınızı bulacağınıza eminim.
Üçüncü iyi haber Python, R ve Julia üçlüsünün bir tanesinde kod yazabilir seviyeye geldiğinizde, diğerlerine geçiş yapmanızın da kolay olmasıdır. Ben programlamaya R ile başladım ve ilk günden beri R hayranıyım. Ne zaman elime bir iş gelse istemsizce ilk R açarım. Yaklaşık üç yıl önce iş dünyasında danışmanlık yapmaya başlamamla birlikte müşterilerin talepleri nedeniyle Python’da kod yazmaya başladım. Açıkçası iki dil arasında geçiş yapmam çok kolay oldu. Eminim sizin için de aynısı olacak. Zaten Posit gibi girişimler yakın bir gelecekte bu dillerin “bir” olacağını gösteriyor. Yapay zeka motorlarındaki çılgınlığı da gördüğümüzde muhtemelen yakın bir gelecekte örneğin R’da yazacağınız bir kodun Python versiyonunu yapay zekaya yazdırabileceğimizi zannediyorum.
Programlamaya başlamak
İlk kez bir programlama dili öğrenmek size garip ve zor gelebilir. Bilgisayarlar akıllı görünebilir, ancak ne dediğinizi her zaman anlamazlar. Onlara vereceğiniz komutların net ve doğru formatta olması gerekir. Yanlış bir şeyler söylediğinizde hata mesajı döndürürler ve bu hataların sebebini bulmak başlangıçta saatler alabilir. Sizi temin ederim ki en zor kısım başlangıçtır. Bir kez başlangıcı yaptığınız zaman ilerlemeniz çok hızlı olur. Ayrıca, Python, R ve Julia süper üçlüsü neredeyse her sorunuza cevap veren büyük topluluklara sahiptir. Cevabını bulamadığım bir sorumu hatırlamıyorum. Yani endişelenmeyin, bir sorunuz olduğunda cevabına erişmeniz kolay olacak. Zaten cevabını bulamadığınız bir sorunuz varsa, muhtemelen yeni ve heyecan verici bir şeyi bulmak üzeresiniz demektir. Son olarak Python, R ve Julia üçlüsüyle haşır neşir olduktan sonra çok temel düzeyde biraz web tasarım ve programlama öğrenmekte iyi olabilir.
Hangi programlama dili?
Yukarıda da bahsettim. Bu sorunun 10 sene sonra asla sorulmayacağına inanıyorum. Posit gibi güncel girişimler ve yapay zekada motorlarındaki gelişimeler ile veri bilimi programlama dillerini bir süre sonra aynı çatı altında tek dil olarak göreceğimize inanıyorum.
Yine de net bir cevap dışında bir şey kabul edemeyen bir yapınız varsa size cevabım şöyle olur: Önce Python sonra R öğrenebilirsiniz. Bu Python, R’dan daha iyi olduğu için değil. Hatta ben son zamanlarda daha çok Python’da çalışmak zorunda kalsam da R’ı her zaman özlüyorum. Bu sıralamanın nedeni ücretsiz olarak içeriğinin tamamına erişilebilen en iyi programlama dersinin (en azından benim bildiğim en iyisi) University of Michigan’dan Dr. Chuck hocamızın Python for Everybody dersi olması.
Python’a nasıl başlarım?
Python için tereddütsüz Python for Everybody dersini öneriyorum. Dersin tüm materyali ücretsiz olarak herkese açık.
Dersi kendi web sayfası üzerinden takip etmek isterseniz:https://www.py4e.com/
Eğer dersi Coursera üzerinden takip etmek isterseniz de sırasıyla şu dersleri alabilirsiniz:
- Programming for Everybody (Getting Started with Python)
- Python Data Structures
- Using Python to Access Web Data
- Using Databases with Python
Kendi web sayfası veya Coursera içeriği genel anlamıyla aynı. Coursera‘dan takip etmek daha organize olabiliyor. Sertifika almadan dersi takip etmek ücretsiz. Ayrıca sertifika almak için ücretsiz bir yöntemi var. Bu sertifikaların belki çok bir karşılığı yok ama işin ucunda bir sertifika olduğunu bilmeniz sizi bazen daha iyi motive edebiliyor. Derse ücretsiz kayıt olmak ve sertifika almakla ilgili detayları şu yazımda okuyabilirsin: KAÇD Giriş Rehberi.
Bu temel eğitimleri aldıktan sonra Python’ın Veri Bilimi kütüphaneleri hakkında daha çok şey öğrenebileceğiniz şu ders de oldukça iyi: Python Data Analysis.
Bu derslerin içeriği oldukça donanımlı olduğu için ayrıca kitap önermeyeceğim. Ders dinleyemiyorum ben kitaptan çalışacağım derseniz de https://www.py4e.com/ dersinin kitabını takip ederseniz tüm ders içeriğine yazılı olarak erişebilirsiniz.
R’a nasıl başlarım?
R için Harvard’dan Rafael Irizarry hocamızın Data Science programını öneririm. Baştan sona R ile veri işleri üzerine tasarlanmış, oldukça güzel bir ders: Harvardx Data Science
Bu programda çok detay var tabi. Size tavsiye edeceğim kısımlarını aşağıya yazıyorum. Audit Track seçeneği ile enroll olarak derslere ücretsiz erişebilirsiniz. Derse ücretsiz kayıt olmak ve sertifika almakla ilgili daha detay bilgileri şu yazımda okuyabilirsin: KAÇD Giriş Rehberi.
Kitap olarak da aşağıdakileri öneririm. Hepsi ücretsiz erişime açık.
-
Introduction to Data Science (Rafael A. Irizarry): Bu yukarıdaki HarvardX dersini veren Rafael hocanın kitabı. Videolarda da bu kitabı takip ediyor.
-
Hands-On Programming with R (Garrett Grolemund): Daha basitten almak isterseniz bu kitap ideal.
-
R for Data Science (Hadley Wickham, Garrett Grolemund): R community’nin öneridği kitap
Web Programlama
Son olarak yukarıda bahsetmedim ama bir Veri Bilimcinin web programlama ve tasarımdan da biraz anlaması gerektiğine inanıyorum. Bir süre sonra webden veri çekmeye veya uygulama apilerini kullanmaya başladığınızda bir yerlerde mutlaka karşınıza bu ihtiyaç çıkacaktır. Bu aşamaya Python, R veya Juila’dan biriyle haşır neşir olduktan sonra geçmenizi tavsiye ederim. Enerjinizi daha derli toplu tutmuş olursunuz.
Web tasarımı için HTML ve CSS, web programlama için ise PHP ve SQL’de temel bir bilgi seviyesi oluşturmayı hedefleyebilirsiniz.
Web programlama ve SQL için Python’dakine benzer şekilde Dr. Chuck abimizin Web Applications For Everybody serisi çok iyi. Temel düzeyde HTML ve CSS ile tasarım bilgisi de veriyor. Eğer ekstra web tasarımı işlerine girmeyecekseniz bu kadar bilgi size yeterli olabilir.
Tüm içerik ücretsiz olarak burada var: Web Applications For Everybody
Eğer dersi Coursera üzerinden takip etmek isterseniz de sırasıyla şu dersleri alabilirsiniz:
- Building Web Applications in PHP
- Introduction to Structured Query Language (SQL)
- Building Database Applications in PHP
Eğer web tasarım işi çok hoşunuza giderse ve bilginizi artırmak isterseniz de şu programı önereceğim:
Leave a comment