As the Department of Industrial Engineering at Hacettepe University, we are dedicated to enhancing our curriculum to align with the latest advancements in fields such as programming, data science, artificial intelligence, and more. With this goal in mind, we recently introduced the EMU430 - Data Analytics course to our curriculum. Detailed information about the course can be found here: EMU430- Data Analytics. Last fall, I was fortunate enough to immediately offer EMU430 to Hacettepe students. This course holds a special place in my heart because I designed it from the ground up, and its content aligns with the tools I use in my research and practice. My aim was to create a unique and memorable learning experience for the students, making the course as “special” as possible. The students exceeded my expectations, keeping pace with me and producing outstanding work throughout the semester. The feedback collected at the course’s conclusion further validated my observations. I am writing this article to document our experiences and share the achievements of this year with interested parties. I believe it will be beneficial for students enrolled in similar courses and for educators who teach them.

General Information on EMU430 for the 2023-2024 Fall Semester

EMU430 is a course featured in our department’s list of technical elective subjects. As such, it was available to students in their 3rd and 4th years. The course was conducted in English, in alignment with our department’s English-language curriculum. A total of 73 students enrolled in the course this semester, which is a notable figure considering our department’s capacity of 72 students, especially for an elective course. The duration of the course was 15 weeks, with one week each dedicated to a midterm exam, a final exam, and project presentations, thereby totaling 12 weeks of instructional content. The detailed curriculum for these 12 weeks is available on the EMU430- Data Analytics page. Within these 12 weeks, we invited experts in data science to enrich four of the sessions. Given the large number of participants, we opted for a classroom setup rather than a laboratory setting for our sessions. Each week, I presented relevant coding practices through live demonstrations. We emphasized extensive hands-on practice through homework, group projects, and DataCamp exercises. Although this resulted in a constant workload for the students throughout the semester, it was essential for developing proficiency in the field. With only a few exceptions, there were no significant complaints about the workload. The adage “No rose without a thorn” aptly described our journey :)

Throughout the term, we aimed to:

• Define the fundamentals of data analytics
• Provide practical experience in applying data analytics tools and techniques
• Collect and reshape raw data in different formats
• Derive meaningful conclusions from data using advanced visualizations
• Organize data analytics projects
• Use productivity tools to create reproducible reports

Our weekly syllabus covered the following topics:

• An overview of data analytics, including descriptive, predictive, and prescriptive analytics
• The basics of programming for data analytics, covering data types, vectors and vector arithmetic, indexing, conditional statements, loops and iterations, and functions
• Productivity tools for managing data analytics projects, such as git, GitHub, and the creation of reproducible reports
• Techniques in data visualization, including plot types, graphic components, layering, customization, scaling, labeling, coloring, grouping, ordering, surface creation, transformations, and visualization principles
• Methods for importing data, including spreadsheet imports and web data scraping
• Strategies for reshaping and cleaning data, such as filtering, deleting, appending, and performing join operations
• String processing techniques, including splitting, extracting, cleaning, replacing, and using regular expressions
• Approaches to text analysis

The weekly breakdown of these topics is available here: EMU430 - Data Analytics, 2023-2024 Fall Semester Syllabus

Which programming language did we use?

We conducted the course using the R programming language. I have various reasons for choosing R. First, I believe it enables individuals without programming experience to adapt to writing code more quickly, especially for students without a Computer Science background, making it a more understandable language. This is partly because its creators come from a Statistics background rather than Computer Science. For example, grasping that the first element of a vector is accessed with [1] is easier than understanding it as [0]. Similarly, selecting columns 3 to 5 of a data frame with [3:5] feels more intuitive than [2:5]. Second, the setup and transition to coding in R are quicker. I consider it an excellent prototyping language. For my own work, I often create a prototype in R and, once assured of its functionality, I may transition to Python if the project requires further development and formalization. Third, the use of Quarto for reporting, or more precisely, writing code-based reproducible reports, is a significant part of the course. It’s worth noting that Quarto can also work with Python, but it is a product of the R community. Fourth, exposing students who will inevitably encounter Python to Ras well, diversifying their knowledge of data science languages. Lastly, R holds a special place for me as my first love. Even though I now use Python for about 70% of my work, I find a unique satisfaction in R that I don’t quite get from Python.

References

For this term’s course content, I benefited from the following excellent references. I prepared my lecture notes mainly using the highly esteemed book by Dr. Rafael Irizarry’nin.

• Irizarry, Rafael A. Introduction to Data Science
• Irizarry, Rafael A. Advanced Data Science
• Charles Russel Severance. Python for Everybody
• Peng, R. D., & Matsui, E. (2016). The art of data science. A Guide for Anyone Who Works with Data. Skybrude Consulting, LLC, ISBN-978-1365061462
• Zamora Saiz, A., Quesada González, C., Hurtado Gil, L., & Mondéjar Ruiz, D. (2020). An Introduction to Data Analysis in R. Springer, Cham, Switzerland, ISBN- 978-3-030-48996-0

For my use of GitHub Classroom, I embraced the methodology employed by Dr. Berk Orbay in his BDA 503 - Essentials of Data Analytics course at MEF University. In the creation of my assignment and project guidelines, I continually drew upon the valuable resources and insights provided by him.

Key Tools That Set Our Course Apart

Git, GitHub, GitHub Classroom, and Quarto

Git and GitHub were integral to our course structure, significantly affecting how we managed the course. We utilized GitHub Classroom for administering assignments and projects throughout the term. From the outset, students were tasked with creating their own websites on GitHub, a process streamlined by the synergistic use of GitHub Classroom and Quarto, a tool for generating reproducible reports. This approach allowed students to publish their work on personal and project websites, providing a comprehensive showcase accessible to both myself and interested viewers. The use of Quarto-based web pages enabled a seamless integration of text and code, facilitating an efficient review process for me.

GitHub Classroom represents a valuable resource provided by GitHub to educators, making the setup and management of classroom assignments straightforward and seamlessly integrated with GitHub. It grants us a communal user account, EMU Hacettepe Analytics, under which students create repositories for each given assignment. This setup led to each student and project team having their own repository for their web pages.

Quarto is an adaptable documentation tool that facilitates the concurrent writing of code, data, and text in a unified document, compatible with both R and Python. The compatibility between Quarto and GitHub enhances the workflow, with students editing their Quarto-based websites locally and pushing updates to their GitHub repositories. Configuring the GitHub repository to serve the /docs branch enables GitHub to host the Quarto websites, streamlining the monitoring and evaluation of students’ progress. The project pages also follow a similar setup. Here, students focus on project work rather than individual assignments. Our project work was structured into three stages, with students refining their pages progressively with each phase. This structure has been successfully implemented by Dr. Berk Orbay in the BDA 503 - Essentials of Data Analytics course at MEF University for some time. Upon consulting Dr. Berk at the start of the term, he affirmed its effectiveness. My experience mirrored this, yielding similarly beneficial outcomes.

Invited Talks

This term, we were privileged to welcome four experts in data science to our class, resulting in an enriching experience. Details about our guest speakers are provided below.

• Cem Vardar (Ph.D.), Data Scientist, Former data scientist at Intel (2002-2010), Revionics (2010-2015) and Carvana (2015-2021), Founder of Decision Science Lab decisionsciencelab.com
• Mustafa Baydoğan (Ph.D.), Data Scientist, Associate Professor of IE Bogazici, Founder of Algopoy, www.mustafabaydogan.com/
• Baykal Hafızoğlu (Ph.D.), Data Scientist, Platform Management Director, FICO, Atlanta, USA
• Sami Serkan Özarık (Ph.D.), Data Scientist, Operations Research Scientist, Amazon, Luxembourg

The initial three presentations were delivered remotely, whereas the final session was held face-to-face. I have recorded the remote sessions and made them available on my YouTube channel. I highly recommend them to those interested. Please note that the talks are in Turkish.

DataCamp

Our course incorporated DataCamp Classroom, a feature of the DataCamp platform that offers a 6-month complimentary membership to academics and university students. Following a straightforward application and verification process, instructors are provided with a six-month free group subscription, enabling the setup of classes and full access to DataCamp’s extensive paid features. Students are invited via email to join the platform, where they gain free access to a wide range of courses and interactive coding exercises led by data science professionals for six months. Instructors have the freedom to select courses and assignments, which are then allocated as homework. Beyond these assignments, students have unrestricted access to all resources on DataCamp, facilitating a broad learning experience. The completion of tasks rewards students with XP, offering a gauge of their effort and engagement.

Over the term, I launched around 10 assignments, participation in which was optional. Yet, those who engaged received bonus points towards their final grades proportional to the number of completed assignments. Our experience with DataCamp was insightful:

• As outlined in the Syllabus, DataCamp assignments were positioned as a bonus activity.
• We began each week by examining the DataCamp leaderboard, evaluating student rankings and monitoring leadership over the last month and the term overall. These moments were enjoyable, and I believe they were well-received by the students.
• On average, about 35 students completed each assignment, indicating that half of the class took advantage of this learning opportunity.
• The end-of-term feedback highlighted some students’ concerns about the volume and difficulty of DataCamp assignments, which was intriguing considering the optional nature of these tasks.
• Mert Bekir Kaplan concluded the term as the leader. We celebrated his achievement at the term’s end and awarded him a gift (Mert and I are in the photo).

Slack

At EMU Hacettepe, we’ve recently adopted Slack as our primary communication tool with students and alumni. This term, I took a step further by integrating Slack into my courses, creating specific channels within our department’s Slack server for class interactions. This move aimed to replace traditional, fixed office hours with a more flexible, always-on communication channel via Slack. Additionally, the platform facilitated peer awareness and support for problem-solving among students. Out of the 73 students enrolled, 51 participated in the Slack channel. Feedback collected at term’s end confirmed that students found this communication strategy exceptionally useful. While similar engagement could potentially be achieved through educational platform forums like Moodle, Slack’s familiar, user-friendly interface made it a more effective choice. The benefits of leveraging Slack included:

• Direct query engagement where I, or often peers, provided answers, significantly reducing redundant queries.
• Enhanced awareness among students regarding their peers’ challenges.
• Identification of previously unnoticed issues by students.
• Rapid and efficient communication between students and myself.
• Avoidance of the clutter typically associated with email communication, with all interactions and files centrally located and easily accessible.
• Obviated the need for physical office hours.
• Motivated students who were unable or unwilling to attend physical office hours to engage and solve their issues, thereby minimizing course fail rates.

Assignments and Term Projects

We strived to make the course interactive, collaborative, and aligned with the latest trends in data analytics by utilizing various productivity tools. Following the approach I detailed in the GitHub section, I had all students create personal web pages for their assignments and projects. This was an integral part of their first assignment. The students published their assignments on these web pages, and these assignments, along with their code, were made publicly available on EMU Hacettepe Analytics, accessible to their peers. This openness was intended to foster one of our key objectives: peer learning, a unique feature of the university environment. Concerns might arise about students copying work from one another. However, I opted to place my trust in my students, as trust has been one of my guiding principles from the start of my career. Misuse was rare, if not non-existent. After all, the course is elective, and the essence of learning comes from engagement, not avoidance.

Students performed exceptionally well both on individual and team projects. Our GitHub Classroom area, EMU Hacettepe Analytics, hosts individual student and project pages for the Fall 2023-2024.

Individual Student Pages

Out of 73 students, several excelled in personalizing their websites with exceptional design and content. I’m highlighting three notable examples below. Aykut Simsek, who stood out for his meticulous attention to his website throughout the term, received a book from me as a gift at the semester’s end (Aykut and I are in the photo).

• Aykut Simsek - www.aykutsimsek.net (Aykut took the extra step of purchasing a domain name for his site.)
• Mert Kaplan’s Analytics Lab
• Sena Nur Enşici’s Analytics Lab

Projects

The term projects resulted in unexpectedly high-quality work from the students. Below are the project pages and the issues they addressed. The first four were my favorites, but most are worth exploring.

• Team Safe Istanbul This project aims to identify districts in Istanbul at high risk for earthquakes by analyzing three datasets obtained from the Istanbul Metropolitan Municipality. Utilizing data on the number of buildings, construction years, number of floors, and population, the team created a risk map to prioritize neighborhoods for earthquake preparedness.

• synergy Focused on the cultural sector, this project examines statistics of libraries and museums across cities in Turkey. By analyzing visitor numbers, registered users, and book counts, the team aims to assess the utilization of cultural institutions and identify areas needing development.

• CTRL-S This project explores the competitive landscape of mobile communication technologies and the market shares of global mobile suppliers, focusing on how national dynamics influence market positions.

• Data Ciphers Using the Turkey Health Survey, this project analyzes health indicators, disease prevalence, alcohol consumption, and body mass indexes to shed light on national health trends and contribute to international health comparisons.

• data_vizards Analyzing Turkey’s 2021 internal migration data, this project aims to understand migration trends, demographic factors, and economic indicators to comprehend regional migration patterns and their outcomes.

• EMUTrend Explorers This project examines student preferences for Industrial Engineering departments in Ankara universities, focusing on demand and placement trends using the YÖK ATLAS dataset.

• icaRdi The project investigates the relationship between team performance metrics and aims to identify metrics that significantly affect team rankings.

• semicolon Focusing on developing suicide prevention strategies among different age groups and genders, this project aims to identify effective approaches to reduce suicide rates.

• 4k1e_rda Examining crime data from 2011 to 2020, focusing on the gender and education status of offenders, this study analyzes crime trends using data from the Turkish Statistical Institute.

• mission prediction This study analyzes the potential impacts of a hypothetical 7.5 magnitude earthquake in Istanbul on infrastructure and population, aiming to guide local authorities and emergency response teams in enhancing the city’s resilience and preparedness.

• red_flag By analyzing and comparing Consumer Price Index (CPI) data from Turkey and the USA, this project aims to understand inflation trends and the economic and sociological factors influencing these trends.

• Altı Üstü Data Investigating the relationship between air pollution and forested areas, this study uses PM10 levels and forest area per square kilometer data to analyze and understand the impact of forested areas on air quality.

• data_criminals A direct project aiming to understand the correlation between education levels and crime rates.

• Germen Obasi Using TUIK data from 2003 to 2022, this study investigates the relationship between education and happiness, exploring the correlation between education status and levels of happiness and demonstrating the potential independence of these factors.

• Quant Flare This study analyzes Turkey’s population growth rate and the number of foreign births based on TUIK data, aiming to understand demographic changes and their impacts on Turkey’s future.

Photos

Hacettepe Endüstri Mühendisliği Bölümü olarak müfredatımızı güncel gelişmelerle uyumlu olacak şekilde (programlama, veri bilimi, yapay zeka vb.) zenginleştirmeye çalışıyoruz. Bu doğrultuda bölümümüzün müfredatına kısa bir süre önce EMÜ430 - Veri Analitiği dersini ekledik. Dersin detaylı içeriğine şuradan (İngilizce) ulaşabilirsiniz: EMU430- Veri Analitiği. Geçtiğimiz güz döneminde de, EMÜ430’u sıcağı sıcağına EMU Hacettepe öğrencilerine açma şansım oldu. Açıkçası bu ders benim için özel, çünkü dersi sıfırdan kendim tasarladım ve ders içeriği araştırmalarımda ve pratikte kullandığım araçlarla örtüşüyor. Bu nedenle de dersi elimden geldiğince “özel” hale getirerek öğrencilere unutamayacakları bir deneyim yaşatmaya çalıştım. Öğrencilerim de beklediğimden çok daha iyi şekilde bana ayak uydurdular ve dönem boyunca harika işler çıkardık. Ders sonunda topladığım geri bildirim formları da bu gözlemimi teyit etti. Bu seneki tecrübemizi yazılı hale getirerek kalıcı yapmak ve yaptığımız işleri ilgilenenlerle paylaşabilmek için de bu yazıyı yazıyorum. Benzer dersleri alan öğrenciler ve bezer dersler veren öğretim üyeleri için de faydalı olacağını umuyorum.

EMÜ430 2023-2024 Güz Dönemine İlişkin Genel Bilgiler

EMÜ430, bölümümüzün teknik seçmeli dersler listesinde yer alan bir ders. Bu nedenle dersi 3 ve 4. sınıf öğrencileri aldı. Bölüm müfredatımız İngilizce olduğu için dersi İngilizce yaptık. 73 öğrenci dersimi aldı. Bölüm kontenjanımızın 72 olduğunu düşünürsek seçmeli bir ders için iyi bir sayıydı. Ders 15 haftadan oluştu. Bunun birer haftasını ara sınav, final sınavı ve proje sunumları için ayırdık. Böylelikle 12 hafta ders yaptık. Bu 12 haftalık ders içeriğini EMU430- Veri Analitiği sayfasında paylaşıyorum. Bu 12 haftanın 4 tanesinde ver bilimi alanında uzmanları misafir ettik. Derslerimizi, sayının yüksek olması nedeniyle lab değil, sınıf ortamında yaptık. Her hafta ilgili kodları canlı uygulamalarla öğrencilere aktardım. Ödevler, grup projeleri ve DataCamp alıştırmaları ile bol pratik yapmaya çalıştık. Öğrencilerin dönem boyu bitmeyen bir iş yükü oldu ama bu işte yetkinlik kazanabilmeleri için bu gerekliydi. Bir iki serzeniş dışında genel olarak iş yükünden şikayetçi olan olmadı. Gülü seven dikenine katlandı :)

Dönem boyunca şunları amaçladık:

• Veri analitiğinin temellerini tanımlamak
• Veri analitiği araç ve tekniklerini uygulama pratiği kazandırmaktır
• Farklı formatlardaki ham verileri toplayabilmek ve yeniden şekillendirebilmek
• Gelişmiş görselleştirmeler ile verilerde anlamlı sonuçlar çıkarabilmek
• Veri analitiği projelerini organize edebilmek
• Tekrarlanabilir raporlar oluşturmak için üretkenlik araçlarını kullanabilmek

Bu amaçlar doğrultusunda da haftalık ders planımızda şu konulara yer verdik:

• Veri analitiğine giriş (tanımlayıcı, tahmin edici ve reçete verici analitik yöntemler)
• Veri analitiği için programlamanın temelleri (veri tipleri, vektörler ve vektör aritmetiği, dizinleme, koşullu ifadeler, döngüler ve iterasyon, fonksiyonlar)
• Veri analitiği projeleri için üretkenlik araçları (git, GitHub, tekrarlanabilir raporlar hazırlama)
• Veri görselleştirme (çizim türleri, grafik bileşenleri, katmanlar, özelleştirme, ölçekler, etiketler, renkler, gruplama, sıralama, yüzey oluşturma, dönüşümler, veri görselleştirme ilkeleri)
• Veriyi içe aktarma (elektronik tabloları içe aktarma, webden veri toplama)
• Veriyi yeniden şekillendirme ve düzenleme (filtreleme, silme, ekleme, join işleri vb.)
• Dizgi işleme (bölme, çıkarma, ayıklama, değiştirme, regex)
• Metin analizi

Bu konuların haftalık dağılımını şuradan görebilirsiniz: EMU430 - Data Analytics, 2023-2024 Güz Dönemi Ders İzlencesi (Syllabus)

Hangi programlama dilini kullandık?

Dersi R programlama ile yaptık. R kullanmak için kendimce çeşitli nedenlerim var. Birincisi, programlama tecrübesi olmayanların kod yazmaya daha hızlı adapte olmasını sağladığını düşünüyorum. Özellikle de Bilgisayar Bilimleri (Comptuer Science) altyapısı olmayan öğrenciler için daha anlaşılır bir dil. Bunun nedeni de yaratıcılarının Bilgisayar Bilimleri değil İstatistik alt yapılı insanlar olması. Örneğin, bir vektörün ilk elemanına [1] ile ulaşmayı sindirmek [0] ile ulaşmayı sindirmekten daha kolay. Benzer şekilde bir data frame’in 3’ten 5’e kadar olan sütunlarını [3:5] ile seçmek [2:5] ile seçmeye göre daha anlaşılır. İkincisi, R ile kurulum (setup) ve kod yazmaya geçiş süresi daha kısa. Bence tam bir prototype dili. Ben kendi işlerimde de önce R’da bir prototype yapıp çalıştığından emin olduktan sonra eğer çalışmaya devam edeceksem ve yaptığım işi projelendireceksem Python’a taşıyorum. Üçüncüsü, Quarto raporlama aracının, daha doğrusu kod tabanlı tekrarlanabilir raporlar yazmanın, dersin önemli bir parçası olması. Quarto, Python ile de çalışabiliyor. Yine de R community ürünü olduğunu vurgulayalım. Dördüncüsü, Python ile eninden sonunda bir yerlerde tanışmak zorunda olacak öğrencileri R’a da maruz bırakmak. Böylelikle bildikleri veri bilimi dillerini çeşitlendirmek. Sonuncusu da ilk göz ağrım olması. Kendi işlerimde artık %70 oranda Python kullanıyor olsam da R’dan aldığım hazzı Python’da bir türlü alamıyorum.

Referanslarım

Bu dönemki ders içeriğini oluştururken aşağıdaki mükemmel referanslardan yararlandım. Slaytlarımı daha çok Dr. Rafael Irizarry çok beğendiğim kitabından faydalanarak hazırladım.

• Irizarry, Rafael A. Introduction to Data Science
• Irizarry, Rafael A. Advanced Data Science
• Charles Russel Severance. Python for Everybody
• Peng, R. D., & Matsui, E. (2016). The art of data science. A Guide for Anyone Who Works with Data. Skybrude Consulting, LLC, ISBN-978-1365061462
• Zamora Saiz, A., Quesada González, C., Hurtado Gil, L., & Mondéjar Ruiz, D. (2020). An Introduction to Data Analysis in R. Springer, Cham, Switzerland, ISBN- 978-3-030-48996-0

GitHub Classroom kullanma stratejimde Dr. Berk Orbay‘ın BDA 503 - Essentials of Data Analytics course at MEF University dersinde kullandığı yaklaşımı benimsedim. Ödev ve proje rehberlerimi hazırlarken de yine Berk hocanın içeriklerinden faydalandım.

Dersi farklı kılan araçlar nelerdi?

Git, Github, Github Classroom ve Quarto

Git ve GitHub dersin işleyişinde önemli bir yere sahip oldu. Dönem boyu ödev ve projelerimizi GitHub Classroom üzerinde yönettik. Bunu biraz daha açayım. Dersin ilk ödeviyle birlikte, tüm öğrenciler GitHub üzerinde barındıracak şekilde kendi web sayfalarını hazırladılar. Bunu aşağıda anlatacağım GitHub Classroom ve bir sonraki bölümde anlatacağım Quarto tekrarlanabilir rapor üretkenlik aracıyla çok kolay bir şekilde organize edebildik. Öğrenciler, dönem içerisindeki ödevlerini ve projelerini, kişisel ve proje web sayfaları üzerinden yayınlayarak bana ve ilgilenenlere sundular. Web sayfaları Quarto tabanlı olduğu için de metin ve kodları birbirine entegre şekilde oldu. Böylelikle hem kodlarını kontrol etmek hem de çıktılarını görmek benim açımdan kolay ve verimli oldu.

GitHub Classroom, GitHub’ın yine öğretim üyelerine sunduğu güzel bir imkan. Burada sınıf ödevlerini ayarlamak ve yönetmek kolaylaşıyor ve GitHub ile sorunsuz bir şekilde entegre oluyor. Temel olarak, GitHub Classroom, bize sınıfı yöneteceğimiz ortak bir kullanıcı olan EMU Hacettepe Analytics kullanıcısını sağlıyor. Burada, verilen her ödev için öğrenciler repository açıyor. Ben de her öğrenci için bir kişisel bir de takım ödevi açtım. Böylelikle tüm öğrenciler kişisel web sayfaları için birer repo açtılar. Benzer şekilde her bir proje takımının da bir reposu oldu.

Quarto tek bir dokümanda kod, veri ve metni birlikte yazmayı sağlayan çok yönlü bir belgeleme aracı. Hem R hem de Python ile çalışabiliyor. Quarto ve GitHub oldukça uyumlu çalışıyor. Öğrenciler, kod tabanlı Quarto web sitelerini yerel bilgisayarlarında düzenledikten sonra, bunları GitHub repolarına push ediyor. GitHub’da da repository pages ayarlarını /docs branch’ından okuyacak şekilde ayarlayınca GitHub, Quarto web sayfalarını host ediyor. Bu yöntemle öğrencileri takip etmek benim için verimli ve kolay oldu. Benzer bir yapı proje sayfalarında var. Burada da bireysel ödevler değil proje çalışmalarını yapıyorlar. Proje çalışmamız 3 aşamadan oluşuyordu. Her aşamada sayfalarını biraz daha olgunlaştırdılar.

Bu yapı, Dr. Berk Orbay tarafından MEF’te BDA 503 - Essentials of Data Analytics course at MEF University dersinde bir süredir kullanılıyor. Berk hocaya dönem başında danıştığımda bu şekilde kullanışlı olduğunu söylemişti. Ben de benzer şekilde iyi bir tecrübe yaşadım.

Davetli Konuşmalar

Bu dönem 4 veri bilimi uzmanini dersimize konuk ettik. Oldukça verimli geçti. Misafirlerimizin bilgilerini aşağıda veriyorum.

• Cem Vardar (Ph.D.), Data Scientist, Former data scientist at Intel (2002-2010), Revionics (2010-2015) and Carvana (2015-2021), Founder of Decision Science Lab decisionsciencelab.com
• Mustafa Baydoğan (Ph.D.), Data Scientist, Associate Professor of IE Bogazici, Founder of Algopoy, www.mustafabaydogan.com/
• Baykal Hafızoğlu (Ph.D.), Data Scientist, Platform Management Director, FICO, Atlanta, USA
• Sami Serkan Özarık (Ph.D.), Data Scientist, Operations Research Scientist, Amazon, Luxembourg

İlk üç konuşmayı uzaktan yaptık. Bu sayaede onları kaydedebildim ve YouTube kanalıma yükledim. Bu işlere ilgili olanlara mutlaka izlemelerini tavsiye ederim. Konuşmalar Türkçe.

DataCamp

Dersimizde Datacamp Classroom kullandık. DataCamp platformu, Datacamp Classroom adıyla akademisyenler ve üniversite öğrencilerine 6 aylık ücretsiz üyelik imkanı sağlıyor. Platforma başvuru yapan öğretim üyesine, kısa süren bir başvuru ve doğrulama süreci sonrasında, altı aylık bir süre için ücretsiz grup aboneliği veriliyor. Böylelikle dersleriniz için sınıf oluşturup DataCamp’in genel olarak ücretli tüm özelliklerine erişebiliyorsunuz. Sınıfınızdaki öğrencileri e-mail adresleriyle platforma davet edebiliyorsunuz. Gruba katılan öğrenciler de DataCamp’teki veri biliminde uzman eğitmenler tarafından oluşturulan derslere ve interaktif kodlama egzersizlerine 6 aylığına ücretsiz erişim sağlıyor. Sınıfınızı oluşturduktan sonra, öğrencilere açacağınız kurslar ve ödevleri siz seçebiliyorsunuz. Bunlar öğrencilere ödev olarak atanıyorlar. Öğrencilerin erişimi bunlarla sınırlı değil, onlar genel olarak dersle ilgili veya değil, tüm kaynaklara erişebiliyorlar. Görevler, öğrencilerin belirli bir XP miktarı kazanmalarını sağlıyor. Böylelikle kimin ne kadar çalıştığını görebiliyorsunuz.

Dönem boyunca yaklaşık 10 ödev açtım. Ödevleri yapmak zorunlu değildi. Yapanlara ise, ödev tamamlama sayılarına göre, dönem sonu notlarına eklenecek bonus puanlar verdim. DataCamp kullanımımız ile ilgili tecrübelerimiz de şöyle:

• DataCamp ödevlerini ders izlencemizde de görebileceğiniz üzere bonus olarak yaptık.
• Her hafta ders başında DataCamp liderlik tablosunu açarak öğrencilerin sıralamasına baktık ve hem son 30 gün hem de dönem geneli liderlik durumunu takip ettik. Ben bu anlarda çok eğlendim, öğrencilerin de sevdiğini düşünüyorum.
• Açtığım ödevleri tamamlayan öğrenci sayısı ortalama 35 civarıydı. Yani öğrencilerin %50’si buradan faydalandı.
• Ödevleri yapmanın hiç bir zorunluluğu olmadığı halde dönem sonu geribildirim formlarında DataCamp ödev sayısının çokluğundan ve bazı ödevlerin zorluğundan şikayet edenlerin sayısını görünce gülsem mi ağlasam mı bilemedim :)
• Dönemi Mert Bekir Kaplan lider bitirdi. Dönem sonunda kendisini alkışladık ve hediyesini verdik (fotoğraftakiler Mert ve Ben).

Slack

Bir süredir EMU Hacettepe olarak öğrencilerimiz ve mezunlarımızla iletişim için Slack kullanmaya başladık. Bu dönem, kendi derslerime de bölüm Slack serverımızda kanallar tanımladım ve sınıf içi iletişimi Slack üzerinden yürüttüm. Sabit ofis saatleri yapmak yerine Slack üzerinden her an erişilir olmayı amaçladım. Ayrıca, öğrencilerin akranlarının problemlerinden haberdar olması ve bu problemlerin çözümlerine destek olmalarını hedefledim. Dersi alan 73 öğrencinin 51 tanesi Slack kanalına dahil oldu. Dönem sonunda topladığım geri bildirim formlarından gördüğüm kadarıyla bu yaklaşım öğrenciler için oldukça faydalı oldu. Bu strateji moodle gibi öğrenme platformlarında forum aracılığıyla da kurulabilir ama Slack WhatsApp’tan alışkın olduğumuz bir iletişim platformu türünde olduğu için kullanması daha pratik oluyor. Slack kullanmanın getirilerini şu şekilde özetleyebilirim:

• Öğrenciler sorularını ortaya sordu. Bu soruları bazen ben cevapladım, bazen de akranları cevapladı. Böylelikle aynı sorularla gelen öğrenci sayısı azaldı. Aynı şeylere tekrar tekrar cevap vermeye gerek kalmadı.
• Öğrenciler birbirlerinin problemlerinden haberdar oldular.
• Öğrenciler fark etmedikleri problemleri görmüş oldular.
• Öğrenciler bana, ben de öğrencilere çok hızlı erişebildim.
• Email kutusundaki karman çorman ortamda gelen soruları takip etme mücadelesine gerek kalmadı. Tüm yazışmalar ve dosyalar tek bir yerde sürekli erişilebilir haldeydi.
• Fiziksel olarak ofis saatleri düzenleme ihtiyacı ortadan kalktı.
• Fiziksel ofis saatinde soru sormaya gelme imkanı olmayan veya buna üşenen öğrencileri problemlerini çözmeye teşvik etmiş oldu. Böylelikle dersten kopan öğrenci sayısı azaldı.

Ödevler ve Dönem Projeleri

Ders boyunca çeşitli üretkenlik araçları kullanarak dersi interaktif, paylaşımlı ve güncel veri analitiği trendlerine uyumlu şekilde yürütmeye çalıştık. Yukarıda GitHub bölümünde anlattığım yaklaşımla ödev ve projeleri için tüm öğrencilere kişisel web sayfalarını yaptırdım. Bu birinci ödevimizin bir parçasıydı. Öğrenciler ödevlerini bu web sayfaları üzerinden yayınladılar. Öğrencilerin yaptığı ödevler,kodlarıyla birlikte, EMU Hacettepe Analytics adresinde herkese açık. Doğal olarak öğrencilerin birbirine de açık. Böylelikle akran öğrenmesini teşvik etmek temel amaçlardan biri. Zaten üniversite dediğimiz yerin en farklı noktası akran öğrenmesi. Bu noktada öğrencilerin birbirlerinin ödevlerini hazır alıp kullanması gibi bir endişe doğabilir. Bu konuda öğrencilerime güvenmeyi seçtim. Bu mesleğe başlarken de temel prensiplerimden biri öğrencilerime güvenmekti. Bir iki istisna dışında suistimal eden de olmadı. Zaten suistimal etmenin anlamı yok, ders seçmeli, bu işleri yaparak öğrenmekten kaçacak birileri varsa, bu dersi almayarak bu zahmetten kurtulabilirler.

Öğrenciler hem bireysel hem de proje ekibi düzeyinde harika bir iş çıkardılar. GitHub Classroom alanımız EMU Hacettepe Analytics, 2023-2024 güz dönemine ait bireysel öğrenci ve proje sayfalarını içeriyor.

Bireysel Sayfalar

73 öğrenciden bazı öğrenciler web sitelerini hem tasarım hem de içerik açısından kişiselleştirme konusunda harika bir iş çıkardılar. Bunlardan üç tanesini aşağıya örnek olarak koyuyorum. Dönem boyunca web sayfasına gösterdiği özenle ön plana çıkan Aykut Şimşek’e dönem sonunda kitap hediye ettim (fotoğrafta Aykut ve ben).

• Aykut Şimşek - www.aykutsimsek.net (Aykut daha da ileri giderek web sayfası için bir alan adı aldı.)
• Mert Kaplan’ın Analitik Laboratuvarı
• Sena Nur Enşici’nin Analitik Laboratuvarı

Projeler

Dönem projelerinde öğrenciler beklemediğim kadar iyi iş çıkardı. Bir kaç grup fire verdik ama onun dışındakiler gerçek anlamda iyi işler yaptılar. Bu projelerin sayfaları ve çalıştıkları problemler aşağıda. İlk dört benim favorilerimdi ama çoğu keşfetmeye değer.

• Team Safe İstanbul Bu proje, İstanbul Büyükşehir Belediyesi’nden alınan üç veri setini analiz ederek depremlere karşı yüksek risk taşıyan ilçeleri belirlemeyi amaçlamaktadır. Bina sayıları, inşaat yılları, kat sayıları ve nüfus verilerini kullanarak ekip, depreme hazırlık için mahalleleri önceliklendirecek bir risk haritası oluşturuyor.

• synergy Kültürel sektöre odaklanan bu proje, Türkiye’deki şehirlerdeki kütüphane ve müzelerin istatistiklerini inceliyor. Ziyaretçi sayıları, kayıtlı kullanıcılar ve kitap sayımlarını analiz ederek, ekip kültürel kurumların kullanımını değerlendirmeyi ve geliştirilmesi gereken alanları belirlemeyi hedefliyor.

• CTRL-S Bu proje, mobil iletişim teknolojilerinin rekabetçi manzarasını ve küresel mobil tedarikçilerin pazar paylarını araştırıyor, ülkesel dinamiklerin pazar pozisyonlarını nasıl etkilediğine odaklanıyor.

• Data Ciphers Türkiye Sağlık Anketi aracılığıyla, bu proje sağlık göstergeleri, hastalık prevalansı, alkol kullanımı ve vücut kitle indekslerini analiz ederek ulusal sağlık eğilimlerine ışık tutmayı ve uluslararası sağlık karşılaştırmalarına katkıda bulunmayı amaçlıyor.

• data_vizards 2021 Türkiye iç göç verilerini analiz eden bu proje, göç eğilimlerini, demografik faktörleri ve ekonomik göstergeleri inceleyerek bölgesel göç modellerini ve bunların sonuçlarını anlamayı amaçlıyor.

• EMUTrend Explorers Bu proje, Ankara üniversitelerinde Endüstri Mühendisliği bölümlerine olan öğrenci tercihlerini, YÖK ATLAS veri setini kullanarak talep ve yerleştirme eğilimlerine odaklanarak inceliyor.

• icaRdi Bu projenin, takım performans metrikleri arasındaki ilişkiyi inceliyor ve takım derecelendirmelerini önemli ölçüde etkileyen metrikleri belirlemeyi amaçlıyor.

• semicolon Farklı yaş grupları ve cinsiyetler arasında intihar önleme stratejileri geliştirmeye odaklanan bu proje, intihar oranlarını azaltmaya yönelik etkili yaklaşımları belirlemeyi amaçlıyor.

• 4k1e_rda 2011 ile 2020 yılları arasındaki suç verilerini, suçluların cinsiyeti ve eğitim durumuna odaklanarak inceleyen bu çalışma, Türkiye İstatistik Kurumu’ndan alınan verileri kullanarak suç eğilimlerini analiz eder.

• mission prediction İstanbul’da olası bir 7.5 büyüklüğündeki depremin altyapı ve nüfus üzerindeki potansiyel etkilerini analiz eden bu çalışma, yerel otoriteleri ve acil durum müdahale ekiplerini şehrin direncini ve hazırlığını artırmada yönlendirmeyi amaçlar.

• red_flag Türkiye ve ABD’den Tüketici Fiyat Endeksi (TÜFE) verilerini analiz ederek ve karşılaştırarak, enflasyon eğilimlerini ve bu eğilimleri etkileyen ekonomik ve sosyolojik faktörleri anlamayı hedefler.

• Altı Üstü Data Hava kirliliği ile ormanlık alanlar arasındaki ilişkiyi inceleyen bu çalışma, PM10 seviyeleri ve kilometrekare başına düşen orman alanı verilerini kullanarak ormanlık alanların hava kalitesi üzerindeki etkisini analiz eder ve anlamaya çalışır.

• data_criminals Eğitim seviyeleri ile suç oranları arasındaki korelasyonu anlamayı hedefleyen doğrudan bir proje.

• Germen Obasi 2003 ile 2022 yılları arasında TUIK verilerini kullanarak eğitim ile mutluluk arasındaki ilişkiyi inceleyen bu çalışma, eğitim durumunun mutluluk seviyeleri ile korelasyonunu araştırır ve bu faktörlerin potansiyel bağımsızlığını göstermeyi amaçlar.

• Quant Flare Bu çalışma, Türkiye’nin nüfus artış hızını ve yabancı bebek sayısını TÜİK verilerine dayanarak analiz eder, demografik değişiklikleri ve bu değişikliklerin Türkiye’nin geleceği üzerindeki etkilerini anlamayı hedefler.

Fotoğraflar

I am often asked by students in our department, “I want to be a Data Scientist - can you draw me a roadmap?” I am always delighted to answer these inquiries and have been doing so for some time. Doing so has enabled me to refine my responses and generate richer answer content. For a while, I have been seeking the opportunity to write this post - not only to reduce the inefficiency of providing different answers to the same question repeatedly, but also to be of assistance to other Industrial Engineering students who are searching for a response to this question. Ultimately, I was able to compile my thoughts and advice on this subject into this post.

The positive perception that the term Data Scientist has achieved over the past decade is truly admirable. It seems as if the methods and tools contained within it had never existed before, and the emergence of the term “Data Science” has sparked excitement among us all. There is no need to debate that it is a very intelligently chosen name. ‘Data’ is already the apple of the eye of today’s decision-making processes. When ‘Science’ is added to it, it becomes even cooler.

“I am a Data Scientist - I am an expert in data and also do the science behind it - wow, I am really cool!”

We used to see job descriptions such as statistician, data analyst, business analyst, data miner, applied mathematician, operations researcher, and machine learning engineer; now, we see a single term for all of them: Data Scientist. The methods under the umbrella of Data Science have actually been around for many years, under different names. The primary reason these methods weren’t as “trendy” as they are now was the limits of data amounts, data access, and computing technology. With the increasing amount of data and developing computing technology, theoretical knowledge has now become easily applicable in practice. For example, when we look at Operations Research, one of the important subfields of Data Science, whose foundations were laid in the 1940s, we see that it was unable to achieve the desired success until the 2000s. In fact, in the late 1970s, there were even articles about the lack of a future for Operations Research:

• Hall Jr, J. R., & Hess, S. W. (1978). OR/MS: Dead or dying? RX for survival. Interfaces, 8(3), 42-44.

• Ackoff, R. L. (1979). The future of operational research is past. Journal of the operational research society, 30(2), 93-104.

The following observation of Ackoff (1979), known as the father of Operations Research, is truly interesting:

“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.”

Yet, today Operations Research is recognised as one of the fastest growing professions by FORBES: Operations Research Analyst - The fastest growing job you have never heard of.

So what has changed in the last 20 years? The answer is actually quite simple: they couldn’t predict the increase in data, the ease of access to data, and the advancements in computer programming and computing technologies we experience today. Of course, it is not fair to critique these past opinions with the luxury of our current conditions, as it can be reasonably assumed that in a period when simplex tables were done by hand, the problems solvable by Operations Research methods were very limited, and hence the expectation of success from Operations Research was diminished. We cannot expect everyone to have a vision like our esteemed Professor Cahit Arf.

Arf, Cahit, Makine Düşünebilir Mi ve Nasıl Düşünebilir?, Atatürk Üniversitesi – Üniversite Çalışmalarını Muhite Yayma ve Halk Eğitimi Yayınları Konferanslar Serisi No: 1, 1959, Erzurum, s. 91-103

I want to become a Data Scientist, where do I start?

To be honest, this is a difficult question to answer for me, as becoming a Data Scientist is a long and complex process with no definitive starting point, route, or endpoint. In addition, the phrase “Data Scientist” is relatively new and encompasses many different roles, making it difficult to provide concrete instructions on which methods and tools to learn. My advice is twofold:

• (a) First, you should acquire a strong foundation of analytical knowledge, and then decide the fields of Data Science you would like to specialize in.
• (b) Secondly, you should learn to communicate with computers, through programming, in order to translate your analytical knowledge into the digital world.

As an Industrial Engineering student, you can gain the essential analytical foundation for becoming a Data Scientist through the natural course of your curriculum; however, you may need to make extra effort to acquire the programming knowledge that will combine this foundation with computational power. There is nothing as foolish as wanting to become a Data Scientist, but being afraid of coding. Hence, it is essential to prioritize programming and remove any barriers between you and computational technologies. A Data Scientist can only showcase their skills with the help of computational power. Furthermore, the starting point, route, and end of the process of acquiring the required amount of programming knowledge are clear. You can make quick and short progress. Once you can communicate with the computer, your enthusiasm in this matter will increase, allowing for rapid progress. Quality written, audio, and visual resources including courses from the best universities and professors in the world are available for free and can be easily accessed.

According to which subfield of Data Science you specialize in, your coding needs may change, but generally speaking, you don’t need to be an expert coder, however, you need to build up your basic programming knowledge, be able to read written code and reach a level where you can understand the resources you look up for help. I have also seen an increased perception among students that coding skills will not be necessary due to the latest AI trends. I’m not an old-fashioned thinker, I believe this is possible one day. Even if one day AI engines reach a level where they can write perfect code, I believe we will always need the programming knowledge to be able to feed the AI with code, test the correctness of it, and intervene when needed.

Let’s look at the above two items in more detail now:

(a) Gaining a Fundamental Analytical Knowledge and Choosing a Data Science Field to Specialize In

The core analytical methods that make up the foundation of data science can be grouped into three classes: descriptive, predictive, and prescriptive. I use these three classes to classify data scientists according to their work. In general, we can say that such a classification has already been made. For a better and more detailed classification than mine, you can read Cem Vardar’s article The Types of Data Science. Although the logic behind Cem’s framework is similar to mine, he provides a more specific classification.

• Descriptive Analytics: These people are experts in summarizing, visualizing, and thus uncovering the performance of a system from data that cannot be interpreted through manual calculations and observations.

• Predictive Analytics: These people develop models that use existing data to predict future outcomes. Machine learning studies are the pioneers of this field.

• Prescriptive Analytics: These people develop models that use past data to generate prescriptive results to decision makers. Generating prescriptive results means providing certain recommendations for decision problems. The dominating field of study for this area is Operations Research. They differ from the previous two analytics in that they can provide the decision maker with a ready-made decision and also prove that it is the optimal one. It is gaining increasing popularity and is also well suited to the background of Industrial Engineering students.

In my opinion, to be able to claim the title of a Data Scientist, one must acquire adequate knowledge and skills in at least one of these three areas. My suggestion is to select two areas of specialization, with one of them being Descriptive. To put it another way, one can focus on either the pair of Descriptive and Predictive, or Descriptive and Prescriptive. It is important to remember that this is a long and arduous path. There is no definite beginning, route, or end. It is likely to be a journey of learning that will continue throughout one’s life.

The good news is that as Industrial Engineering students, you are relatively luckier than other competing fields in this long and arduous process. In my opinion, the Industrial Engineering curriculum is tailored to produce Data Scientists. Our curricula generally contain courses related to descriptive, predictive, and prescriptive analytics, and the department has a mathematically inclined progression that enhances our analytical aptitude. In many courses, you learn algorithms that will develop your analytical power. Upon graduation, you can read and write algorithms, and you have knowledge and ideas about popular sub-fields of Data Science such as statistics, data analysis and visualization, operations research, and machine learning. Since you are familiar with the terminology in these fields, you are at ease in the subsequent specialization studies you will do.

It is my belief that it is quite difficult, if not impossible, to acquire analytical methods for Data Science without enrolling in a specific long-term training program. As you will see in the next section, I will be directing you to many free resources related to programming. However, this is not possible for analytical methods. For example, it is quite difficult to find a free course on statistics, simulation, or optimization that is appropriate for your level and of high quality. Therefore, my advice is to pay attention to your classes during your Industrial Engineering education. Do not underestimate what will be useful for you in the future and consider them unnecessary. Give your curriculum its due respect and do not disregard the instructors who are teaching you something. Reach out to your professors who work on these topics with project ideas or tell them that you want to work on their existing projects. Set a goal for yourself to become an expert in two of the above analytical fields. If possible, do many projects without questioning the necessity or magnitude of them while you are a student, or after you graduate. If possible, pursue postgraduate training in that field and write a thesis.

I am sure that if you have a good four years in the program, you will be a good candidate for a Data Scientist when you graduate. After that, you can initiate your journey from candidate to expert with the applied projects and postgraduate studies you will do.

(b) Computer Programming

Having a knowledge of computer programming is essential in order to apply the basic analytical methods you will find in your curriculum and to automate your work. You can be sure that you would not want to do simplex tables or carry out matrix multiplications by hand for your Operations Research exams in real life problems. Even if you really love to do this manually (I haven’t seen a student who loves this yet) or to do gradient descent iterations by hand for your Artificial Neural Network model, you must realize the impracticality of this approach when it comes to larger-scale real life problems.

Sadly, Industrial Engineering students don’t have the same luck in computer programming as they do in (a). Although there have been improvements in many departments, unfortunately, we are still lagging behind in terms of programming courses. We still have departments primarily teaching languages such as Java, C, and derivatives while Python, R, and Julia are being overlooked. What can we say about teaching Matlab? How logical is it to teach a paid software language to students when there are free and better alternatives? These languages are certainly great in their own right. They can even do things that cannot be done with Python, R, or Julia, but the typical Industrial Engineer’s work in computer science is rarely very technical. Instead, they usually work on using and manipulating data. For such tasks, the ideal trio of Python, R, and Julia should be preferred due to its being free, easy to learn, and having a vast and high-quality open-source repository. Therefore, it is my wish that all Industrial Engineering curricula switch to these languages as soon as possible.

The first good news about this topic is that it is not difficult to acquire programming skills. In fact, you can access better ones for free than what is taught in our schools. It is wise to choose this learning path considering that you can access free courses from Harvard, MIT, and the University of Michigan.

The second good news is that the Python, R, and Julia programming languages are user-friendly and easy to learn. I refer to this trio as the ‘Super PRJ’ trio. As data scientists, we can use these languages to collect, understand, visualize, and apply analytical methods such as machine learning and mathematical optimization. Fortunately, these three languages offer us more than we need, they are all free, and have large support communities. You have no chance of not finding the answer to any of your questions. Out of respect for those who code with disks in old times, I don’t want to exaggerate by talking too much about the past, but when we were learning programming in our undergraduate program, all we could do when we got stuck was to go to the program’s own help and try to get a clue. This was very inadequate for specific problems. Nowadays, even if you have a very specific problem, I’m sure you’ll find the answer with a simple Google search using the right keywords.

The third good news is that when you reach the level of being able to code in one of the Python, R, and Julia trio, it is also easy to switch to the other two. I started programming with R and I have been a fan of R since the first day. Whenever I get a new task, I can’t help but open R first. About three years ago, when I started consulting in the business world, I began coding in Python due to customer requests. To be honest, it was very easy for me to transition between the two languages. I’m sure it will be the same for you. Already, initiatives like Posit are showing that these languages will be “one” in the near future. When we see the progress in AI engines, I suspect that in the near future we will be able to write a code in R and have the AI write the Python version.

Starting to Computer Programming

Learning a programming language for the first time can seem strange and difficult. Computers may seem smart, but they don’t always understand what you’re saying. The commands you give them must be in a precise and correct format. If you say something wrong, they return an error message and figuring out the cause of the error can take hours initially. I assure you that the hardest part is the beginning. Once you’ve made a start, your progress will be very rapid. Furthermore, the Python, R and Julia super-trio have huge communities that answer nearly every question you may have. I can’t remember a single question I haven’t been able to find an answer to. So don’t worry, it will be easy to access answers to your questions. Plus, if you have a question you can’t find an answer to, you’re likely on the brink of finding something new and exciting. Lastly, once you’ve become familiar with the Python, R and Julia trio, it can be helpful to learn some web design and programming at a very basic level.

Which language?

As I mentioned above, I believe this question won’t be asked in 10 years’ time. With the emergence of current startups such as Posit and advancements in artificial intelligence engines, I believe that data science programming languages will eventually be seen as one language under the same roof.

Still, if you have a structure that cannot accept anything other than a definitive answer, my answer would be this: you can learn Python first and then R. Not because Python is better than R. In fact, even though I have been forced to work more in Python lately, I always miss R. The reason for this ranking is because the best programming course (at least the best one I know of) that offers access to its entire content for free is Dr. Chuck’s Python for Everybody course.

Python Begining Guide

Without hesitation, I recommend the Python for Everybody course Python for Everybody. All of the course material is available for free to everyone.

If you want to follow the course on its own website, go to https://www.py4e.com/.

If you want to follow the course on Coursera, you can take the following courses in succession:

1. Programming for Everybody (Getting Started with Python)
2. Python Data Structures
3. Using Python to Access Web Data
4. Using Databases with Python

The content of its own website and Coursera is generally the same. Following it on Coursera may more organized. The course can be followed for free without getting a certificate. There is also a free way to get a certificate. Although these certificates may not have much of an impact, knowing that there is a certificate at the end of the course can sometimes motivate you better. You can read the details about enrolling in the course and getting a certificate in my post An Introductory Guide to MOOC.

After taking these basic courses, this course is also quite good for learning more about Python’s Data Science Libraries: Python Data Analysis.

Since the content of these courses is quite comprehensive, I won’t suggest any additional books. If you can’t attend the course and want to study from a book, you can follow the book of the https://www.py4e.com/ course and gain access to all the course content in written form.

R Begining Guide

I recommend the Data Science program of professor Rafael Irizarry from Harvard for R. It’s a beautiful course designed from start to finish for data work with R: Harvardx Data Science.

Of course there is a lot of detail in this program. I’m writing down the parts I would recommend below. You can access the courses for free with the Audit Track option. For more information about enrolling for free and getting a certificate, you can read my article An Introductory Guide to MOOC.

1. Data Science: R Basics

2. Data Science: Visualizations

3. Data Science: Productivity Tools

I also recommend the following books. All are available for free access:

1. Introduction to Data Science (Rafael A. Irizarry): This is the book by professor Rafael, who gives the HarvardX course above. He also follows the book in his videos above.

2. Hands-On Programming with R (Garrett Grolemund): If you want to start from the basics, this book is ideal.

3. R for Data Science (Hadley Wickham, Garrett Grolemund): A book recommended by the R community.

Web Programming Begining Guide

Finally, I didn’t mention it above, but I believe a Data Scientist should have some understanding of web programming and design as well. Eventually, when you start pulling data from the web or using application APIs, you will need it. Once you are comfortable with one of Python, R, or Julia I would recommend making the jump. This sequence may help you to keep your energy more focused.

For web design, you should aim for a basic level of knowledge in HTML and CSS, and for web programming in PHP and SQL. Dr. Chuck’s series, Web Applications For Everybody, is very good, similar to Python’s, and provides basic level knowledge in HTML and CSS. This should be enough, if you are not going to delve into extra web design work. All the content is available for free here: Web Applications For Everybody.

If you prefer to follow the course on Coursera, you can take the following courses in order:

1. Building Web Applications in PHP
2. Introduction to Structured Query Language (SQL)
3. Building Database Applications in PHP

If you enjoy web design and wish to expand your knowledge, I would recommend the following program:

1. Web Design for Everybody: Basics of Web Development & Coding Specialization

2. Introduction to HTML5
3. Introduction to CSS3
4. Interactivity with JavaScript
5. Advanced Styling with Responsive Design

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.

• Hall Jr, J. R., & Hess, S. W. (1978). OR/MS: Dead or dying? RX for survival. Interfaces, 8(3), 42-44.

• Ackoff, R. L. (1979). The future of operational research is past. Journal of the operational research society, 30(2), 93-104.

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.

Arf, Cahit, Makine Düşünebilir Mi ve Nasıl Düşünebilir?, Atatürk Üniversitesi – Üniversite Çalışmalarını Muhite Yayma ve Halk Eğitimi Yayınları Konferanslar Serisi No: 1, 1959, Erzurum, s. 91-103

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:

1. Programming for Everybody (Getting Started with Python)
2. Python Data Structures
3. Using Python to Access Web Data
4. 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.

1. Data Science: R Basics

2. Data Science: Visualizations

3. Data Science: Productivity Tools

Kitap olarak da aşağıdakileri öneririm. Hepsi ücretsiz erişime açık.

1. Introduction to Data Science (Rafael A. Irizarry): Bu yukarıdaki HarvardX dersini veren Rafael hocanın kitabı. Videolarda da bu kitabı takip ediyor.

2. Hands-On Programming with R (Garrett Grolemund): Daha basitten almak isterseniz bu kitap ideal.

3. 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:

1. Building Web Applications in PHP
2. Introduction to Structured Query Language (SQL)
3. Building Database Applications in PHP

Eğer web tasarım işi çok hoşunuza giderse ve bilginizi artırmak isterseniz de şu programı önereceğim:

1. Web Design for Everybody: Basics of Web Development & Coding Specialization

2. Introduction to HTML5
3. Introduction to CSS3
4. Interactivity with JavaScript
5. Advanced Styling with Responsive Design

10 Ekim 2022 tarihinde New York eyaletinde gerçekleştirdiğim eylem. Türkiye’den Amerika’ya taşınma tarihim 1 Ekim 2022, yani daha jetlag’ımı atamadan araba aldım. Daha önce Amerika’da kısa süreli iki kez yaşamışlığım var (3 ay ve 1 sene) ama ilk araba alma tecrübem. Eşimin hamile olması ve tuttuğumuz eşyasız evin içini doldurmamız gerektiği için çok fazla vaktimiz yoktu ve ilk haftamızın çoğunluğunu araba bakarak geçirdim.

Öncelikle anlatacaklarım NY eyaletinde yaşanmıştır, diğer eyaletlerde kurallar farklı olabilir. Anlatacaklarım genel olarak ikinci el araba alımı içindir.

Başlamadan önce çok merak edilen ama webde farklı cevaplara ulaşılan şu iki soruya cevap vereyim:

Soru 1: TR ehliyetiyle araç satın alabilir miyim?

Buraya gelirken kafamdaki temel soru TR ehliyetiyle araba alabilir miyim sorusuydu. Buna webde farklı cevaplar buldum. Alırsın diyen de oldu alamazsın diyen de.

Kısa Cevap: ALABİLİRSİNİZ ama bir şart var: Ruhsatı çıkaracağınız Motorlu Taşıtlar Bölümü (DMV) 6 puanlık kimlik doğrulaması yapmanızı istiyor. Bu 6 puanı sağlayan belgeleri sunmanız gerek.

NY ehliyeti direk 6 puan. O olmadığı için ekmeğimizi taştan çıkaracağız. Puan alabileceğiniz seçeneklerin tam listesi şurada: DMV Belge Listesi

ABD’ye yeni taşınmış bir Türk için puan toplayabileceğiniz makul seçenekler:

• Vize ve I94’lü Pasaport: 3 puan
• US Social Security Card (SSN): 2 puan
• Employee ID Card: 1 puan
• US Health Insurance Card: 1 puan
• Utility Bill: 1 puan

Pasaporttan 3 puan cepte. Kalan 3 puanı toplamak gerek. Turist vizesiyle geldiyseniz pek mümkün olmayabilir. Benim gibi J1 ile geldiyseniz, SSN alabileceksiniz, geldiğiniz kurumun kartı (Employee ID) olacak, sağlık sigortası yaptırmanız zorunlu olduğu için US Health Insurance Card’da olacak, e bir telefon hattı da alırsanız utility bill’de cepte. İstediğiniz kombinasyonla kalan 3 puanı tamamlayabilirsiniz.

Bu 6 puanı sağladıktan sonra önemli bir nokta daha var: Satın alacağınız sigorta için zorunlu trafik sigortası satın almanız gerekiyor. Bu da Soru 2 olarak karşımıza çıkıyor.

Soru 2: Araç satın almak için trafik sigortası zorunlu. Peki TR Ehliyetiyle sigorta yaptırabilir miyim?

Kısa Cevap: YAPTIRABİLİRSİNİZ ancak yine amaları var.

Birincisi bunu yapan sigorta şirketi az olduğu için fiyat seçeneğiniz az. İkincisi geçmişe ait bir sigorta veya ehliyet kaydınız olmadığı için sigorta fiyatı yüksek çıkacak. TR ehliyetiyle sigorta yapan en popüler ve büyük şirket Progressive. Direk web sayfaları üzerinden teklif alıp sigortanızı başlatabiliyorsunuz.

Şimdi detaylara geçebiliriz. Bu yazının başlıkları şunlardır, bütünü okumanızı tavsiye etsem de direk ilgilenen bölüme atlanabilir. Ayrıca daha özet bilgiler için ekşisözlükteki şu entry’e de bakmanızı da tavsiye ederim.

1. Araba nereden alınır?
2. Araba nasıl seçilir?
3. Arabayı seçtikten sonra yapılacaklar (ruhsat vb.)
4. Nakit ve kredi kullanımı

1. Araba nereden alınır?

a. Bayi:

Bizdeki gibi markaların bayilerinden alabilirsiniz. Bunların temel amacı sıfır araba satmak olsa da birçoğu ikinci el araba satışı da yapar.

Artısı: Güvenilir olmaları. Buradan alacağınız ikinci el arabalar genelde eli yüzü düzgün ve az kilometreli (az mil yapmış) olacağı için sonradan başınızın derde girme ihtimali düşüktür. Ayrıca ekstra ödeme yapmaksızın belirli bir süre veya km için örneğin 6 ay veya 10.000 km gibi (hangisi önce gelirse) bir garanti de veriyorlar.

Eksisi: Fiyatlar olması gerekenden 25% daha fazla. Daha kötüsü ise satış temsilcilerinin sizinle oyun oynamaya çalışmasının yarattığı kesin kazıklanıyorum hissi.

Sonuç olarak eğer çıldırmamayı başarır ve sakin kalırsanız buradaki arabalar temiz, yılı yeni ve km’si düşük. Ellerinde de çok seçenek oluyor. Bayiden almanın verdiği güven de var. Ancak satış süreci bence çok rahatsız edici. Ayrıca fiyatlar da %25pahalı. Ben de bu nedenlerle bayiden almadım.

b. Kurumsal Dealer

Bizdeki kurumsal oto galericilere denk geliyor (VavaCars vb. gibi) ama bizdeki en kurumsalı bile sıkıntılı tabi. Neyse bunlarda da hem süreç yağ gibi akıyor hem de eli yüzü düzgün iş yerleri ve insanlarla muhatap oluyorsunuz.

Bunlarda CarMax, Carvana gibi online satış yapanları da var, internetten alıyorsunuz evinize geliyor.

REKLAM — Carvana’ya operasyonlarının optimizasyonunda danışmanlık yapan ekipte yer aldığım için ayrı bir sempatim var, en güvenilir onlar, en iyi onlar, en süper onlar ama maalesef ben onlardan alamadım. — REKLAM.

Çevrim içi satış olayı güzel ama yeni Amerika’ya gelmiş biri için hem ödeme işi (henüz banka hesabı olmaması vb.) hem de görmeden sipariş verecek olmak süreci gözünüzde büyütmenize neden oluyor. Bunların bazı yerlerde arabaları görebileceğiniz galerileri de var. Özellikle CarMax’ın daha yaygın. Orada gidip bayideki gibi oyun oynamayan satış temsilcileriyle yüz yüze görüşmek ve araba bulunduğunuz bölgedeyse getirtip deneme sürüşü yapabilmek güvenli hissettiriyor. Bunların dışında tabi çevrimiçi çalışmayan ancak bölgesel ve ülke genelinde onlarca şubesi olan kurumsal şirketlerde var.

Artısı: Güvenilir olmaları ve çeşitlilik. Bunların elinde genelde tonla araba oluyor ve bayidekine benzer şekilde buradan alacağınız arabalar genelde eli yüzü düzgün.

Eksisi: Fiyatların bayidekilere yakın olması, yani yerel sayıcılara göre %20 civarı daha fazla olması. Ellerindeki seçeneğin çok olmasına rağmen bu araçların birçoğunun farklı şehirlerde bulunması nedeniyle deneme sürüşü yapamamanız.

c. Yerel Dealer

Bu benim en sevdiğim çünkü sorumluluk alıyor ve halka iniyoruz. Bunlar genellikle sokak aralarındaki tamirciler ve yerel aile işletmeleri. Muhatap olduğumuz tiplerin %50’si eli yüzü düzgün olmayan kişiler. Buffalo’da böyle 10-15 yer gezdim. Benim için güzel olanı tamirhaneleri görmek, yerel satıcılarla sohbet etmek oldu. Ustalığın buradaki değerini gördüm. Çoğu tamirhanenin dandik olduğunu ve usta ihtiyacını gördüm. Amerikan markaları nezdinde problem yok ama özellikle Avrupa menşeli araçlar (BMW, Mercedes, Volvo vb.) ustasını bulmak epey zor. Birkaç yerde bizim Türkiye’de ve balkan ülkelerinde bu işi öğrenip buraya gelmiş olan ustalara denk geldim. Benim Bartın Sanayi’deki ustam motorcu Hüseyin usta burada olsa paraya para demezdi.

Bu abilerde genelde fiyatlar düşük. Ellerinde her çeşit araba var. 2005 model 300.000 km arabadan tutun 2021 model 10.000 km arabaya kadar. Fiyatlar da yukarıdaki (a) ve (b) seçeneklerine göre uygun ancak kurumsallık olmadığı için aldığınız araçların güvenilirliği tartışılır. Arabadan anlıyorsanız biraz riski azaltmış olursunuz. Ben orta derece anlayan bir insanım. Bir iki beğendiğim arabada sürüş esnasında ses ve titreşim gibi tuhaf şeyler hissedip vazgeçtim. Buradan araç alacaksınız arabanın geçmiş kayıtlarına iyi bakmak lazım. Burada her aracın VIN (vehicle identification number) denen bir kimlik numarası var. Bu numara ile CARFAX.com’dan araba geçmişine (bizdeki tramer kaydı) bakmakta fayda var. CARFAX ücretli tabi ve bence pahalı. Bir rapor 40$, altı rapor 100$ gibi bir şeydi. Paraya kıyamazsanız da Google’dan arayıp alternatif ücretsiz rapor sağlayıcılara bakabilirsiniz. Bunların kayıtlar limitli oluyor ama yine de fikir veriyor. Bir seçenek olarak da aracı aldığınız dealer’ların sınırsız CARFAX üyelikleri var. Onlara madem aracın temiz diye iddia ediyorsun CARFAX raporunu göster de görelim diye gaz verebilirsiniz. Ben böyle yaptım, göstermeyene denk gelmedim. Göstermiyorsa zaten uzak durun. Özellikle alacağınız araba geçmişte hırsızlık, büyük kazalar vb. gibi olaylara karışmışsa zorunlu trafik sigorta ücretinizi de artıracak. Bu nedenle dikkat etmekte fayda var.

Artıları: Düşük fiyatlar.

Eksiler: Aldığınız arabanın patlama ve başınızı tamircilerden kaldıramama riski.

d. Şahıs

Bu TR’de bizim yaygın olarak kullandığımız başka birinden aracı satın almak. Craiglist olmak üzere bizim sarı siteye benzer araç satış ilanları olan yerler var. Beğendiğiniz araçların sahibini arıyor, gidip aracı görüyor, sonra da alıyorsunuz. Tanıdık biri olursa ve ondan alırsanız en mükemmeli tabi.

Ben bu seçeneği hiç düşünmedim çünkü ABD’ye yeni taşınmış olmam ve ABD’de ilk kez araba alacak olmam nedeniyle formalite işlerinden korkuyordum. Şahıstan satın alımlarda temel olarak 2 prosedür var. İlki New York eyaletinde her aracın satış öncesi muayeneye girmesi gerekiyor. Bizdeki araç muayenesi gibi. Bu muayeneyi geçebilmek için arabanın iyi durumda olması ve varsa eksik bakımlarının yaptırılması gerek. İkincisi de aracın ruhsatınızı kendi isminize çevirmeniz. Bu ikisi de aslında basit süreçler ama bilmeyenin gözü korkabiliyor. Normalde muayene işini satıcının halletmesi lazım, ruhsat işini de satıcıdan alacağınız bir imza ile DMV’ye gittiğinizde kolayca halledebiliyorsunuz.

Artısı: Arada bir dealer yani aracı olmadığı için en uygun fiyat seçeneğinin bu olması.

Eksisi: Formalite işleriyle (muayene, ruhsat çıkarma vb.) sizin uğraşacak olmanız, (c) seçeneğindeki gibi aldığınız arabanın patlama ve tamircilerle boğuşma riski

2. Araba nasıl seçilir?

Genel olarak TR’de nasıl seçiyorsanız öyle seçilir. Arabalardan anlıyorsanız bir sıfır öndesiniz. Anlamıyorsanız iş biraz şansa kalacak. Konumuzun ikinci el araba olduğunu unutmadan aşağıdakiler benim Amerika özelindeki kişisel tavsiyelerimdir:

I. Amerikan arabalarından (jeep, ford, chevrolet vb.) uzak duralım: Tüm dealerlarda zibil gibi Amerikan arabası var. Bunların fiyatları nispeten cezbedici ve tipleri de güzel. Özellikle Jeep SUV’lar şekil şükül. TR’den gelip bu güzel tipli SUV’ları görünce insanı ağzı düşüyor. Peki neden uzak duruyoruz? Öncelikle malzeme kaliteleri ve güvenilirlikleri düşük. Aksini söyleyen de olsak düşük kere düşük efendim. Ömürleri kısa Çok dikkatli olmazsanız başınızı tamirciden çıkarmayacak bir araba alıyor olabilirsiniz. Alacağımız arabalarda ikinci el olacağı için dikkat seviyemizi maksimuma çıkarmamız lazım. 5 yıldan eski ve 100.000’kmden yüksek Amerikan arabaları genel olarak uzak durmamız gereken arabalar. Ayrıca bu arabaları satarken zorlanacaksınız veya ölü fiyatına vereceksiniz. Sıfırı zaten ucuz ve ömrü kısa diye ikinci ellerin fiyatlar düşük.

II. Avrupa menşeli arabalardan vazgeçelim: BMW, Mercedes, Volvo ve nispeten Opel ve Volkswagen’den uzak duruyoruz. Peugeot, Renault ve Fiat arabayı isteseniz de zaten bulamazsınız. Aklıma başka marka gelmedi, ama liste büyüyebilir. Peki neden uzak duruyoruz? Aslında çok güzel BMW’lere Mercedes’lere uygun fiyatlara denk geldim. Almayı da düşündüm ta ki Türkiye’de ustalık öğrenmiş bir Bosa-Hersekli usta bana işin sırrını söyleyene kadar. Bu arabaları tamir edecek usta bulmak zor dostlar ve bizim sanayici deyimiyle malzemesi pahalı. Bizim Bosnalı ve Filistinli arkadaşı, bu işleri Türkiye ve Balkanlar’da öğrenmişler. Japon arabasının arızasının tamiri x dolarsa, aynı tamiri Alman arabasında 2x dolara yapıyoruz dediler. Sanayimize sahip çıkalım, beyin göçü veriyor.

III. Çekiklere güvenelim: Geriye zaten seçenek bırakmadım ama Japon ve Güney Kore arabalarını tercih edebiliriz. Bu araçları TR’den de bildiğiniz üzere uzun ömürlü arabalar. Genel olarak düzgün sürülmüş bir arabanın motor arızası çıkaracağı km’ler 400.000’ler üzeri. Ustası çok, malzemesi ucuz. Satarken de piyasası iyi. Çok değer kaybetmeden kısa süre içerisinde satabilirsiniz. Benim sıralamam Mazda, Honda, Toyota, Hyundai, Kia şeklinde.

IV. Alacağımız arabanın geçmişine bakalım: Girişte bahsetmiştim ama yazının bütünlüğü için burada tekrar edeceğim. Amerika’da araçların VIN (vehicle identification number) denen bir kimlik numarası var. Bu numara ile CARFAX.com’dan araba geçmişine (bizdeki tramer kaydı) bakmakta fayda var. CARFAX ücretli tabi ve bence pahalı. Bir rapor 40$, altı rapor 100$ gibi bir şeydi. Paraya kıyamazsanız da Google’dan arayıp alternatif ücretsiz rapor sağlayıcılara bakabilirsiniz. Bir seçenek olarak da aracı aldığınız dealer’ların sınırsız CARFAX üyelikleri var. Onlara madem aracın temiz diye iddia ediyorsun CARFAX raporunu göster de görelim diye gaz verebilirsiniz. Ben böyle yaptım, göstermeyene denk gelmedim. Göstermiyorsa zaten uzak durun. Özellikle alacağınız araba geçmişte hırsızlık, büyük kazalar vb. gibi olaylara karışmışsa zorunlu trafik sigorta ücretinizi de artıracak. Bu nedenle dikkat etmekte fayda var.

Formalitesi çok mu?

KSIA CEVAP: Çok değil ama yapılması gerekenler ilk kez yapacaklar için çantada keklik değil.

Arabayı bir dealer’dan (madde 1 – a, b veya c seçeneği) alırsanız DMV (motorlu taşıtlar bölümü) ile yapılan tüm formaliteyi onlar hallediyor. Arabaya karar verdiniz ve dealer ile fiyat konusunda anlaştınız. Sizden bir miktar kaporta (benden 200$ istemişti) ve iki şey isteyecekler:

I. Zorunlu trafik sigortası: Sigorta olmadan ruhsat işlemi yapılmıyor. Burada her arabanın VIN (vehicle identification number) denen bir numarası var. Bu numara ön cam üzerinde gözükebilecek şekilde yazılı oluyor. Bu numarayı kullanarak araca sigorta yaptırıyorsunuz. Burada cevabını bulması zor olan soru şu: “TR Ehliyetimle sigorta yaptırabilir miyim?”, cevap EVET ancak amaları var. Birincisi bunu yapan sigorta şirketi az olduğu için fiyat seçeneğiniz az. İkincisi geçmişe ait bir sigorta veya ehliyet kaydınız olmadığı için fiyatın yüksek çıkması. Ben sigortamı Progressive şirketi ile internet üzerinden yaptım. 6 Ay için 875$ dolar tuttu. İlk iki ayı peşin, kalanları aylık olarak ödeyeceğim bir plan verdiler.,

II. Ruhsat için gerekli olan kimlik doğrulama belgeleri: NY eyaletinde kimlik bilgilerinizi doğrulayabilmeleri için 6 puan toplamalısınız. Bu yazının girişinde bahsettim ama yazı bütünlüğünü korumak için burada da tekrar edelim. NY eyaletinden alınmış ehliyet direk 6 puan. Diğer eyaletlerden alınmış olanlar 4 puan. TR’den geldik, bizde ikisi de yok, o zaman ekmeğimizi taştan çıkaracağız. Puan alabileceğiniz seçeneklerin tam listesi şurada: DMV Belge Lisetsi

ABD’ye yeni taşınmış bir Türk için puan toplayabileceğiniz seçenekler:

• Vize ve I94’lü Pasaport: 3 puan
• US Social Security Card (SSN): 2 puan
• Employee ID Card: 1 puan
• US Health Insurance Card: 1 puan
• Utility Bill: 1 puan

Pasaporttan 3 puan cepte. Kalan 3 puanı toplamak turist vizesiyle pek mümkün değil. Benim gibi J1 ile geldiyseniz örneğin, SSN alacaksanız, geldiğiniz kurumun kartı (Employee ID) olacak, sağlık sigortası yaptırmanız zorunlu olduğu için (US Health Insurance Card)’da olacak, e bir telefon hattı’da alırsanız utility bill’de cepte. İstediğiniz kombinasyonla kalan 3 puanı tamamlayabilirsiniz.

Sigorta ve kimlik doğrulama işini hallettiğiniz anda sizin yapacağınız bir prosedür kalmıyor. Beklemeye geçiyorsunuz. Şimdi satıcının yapması gereken iki işlem var:

I. Araç muayenesi: NY’de satış öncesi araba muayenesi zorunlu. Kurumsal bir yerse bu işi önceden yapmış olabilir. Benim gözlemim yerel satıcılar arabaya alıcı çıkana kadar bunu yaptırmıyorlar. Muayene 12 ay geçerli ve son ana yani alıcı çıkana kadar beklemek istiyorlar. Bunun bir tık üstünü yapanlar da gördüm. Arabanın muayeneden geçmesi için gereken bakımı alıcı çıkana kadar bekletiyorlar, örneğin yağ değişimi, lastik değişimi vb. Bu durumda dealer’in bakım ve muayene sürecini tamamlamasını bekliyorsunuz. Yaklaşık 1 hafta kadar sürebiliyor.

II. Sizin adınıza ruhsat düzenlenmesi: Dealer’in bölgenizde bulunan motorlu taşıtlar bölümüne (DMV) gidip, verdiğiniz kimlik doğrulama bilgileriyle ruhsatı sizin adınıza kaydediyor. Aracınızın da plakasını çıkarıyor.

Bu işlemleri tamamlayan dealer sizi arıyor. Gidip kalan parayı ödeyip aracı teslim alıyorsunuz. Aracınızın plakasını takıyorlar. Size geçici bir registration title (bizdeki ruhsat gibi) veriyorlar. Arabanın ön camına yapıştırıyorsunuz. Bunun aslı da 15 gün içerisinde Amerika’daki her resmi evrak gibi postayla evinize geliyor.

Aracınızı dealer değil de 1.d seçeneğini izleyip şahıstan alırsanız ruhsat ve plaka işini DMV’ye giderek sizin halletmeniz gerek.

4. Nakit ve kredi kullanımı

Amerika’da 2 yöntemle araç edinebilirsiniz: (a) satın alarak, (b) uzun dönem kiralama (leasing).

Amerika’da 2 yöntemle satın aldığınız aracın ödemesini yapabilirsiniz: (a) nakit (cash), (b) kredi kullanarak (financing)

Uzun dönem (leasing) seçeneğini bu yazıda atlıyorum çünkü bu seçenek benim gördüğüm kadarıyla sadece sıfır arabalarda geçerli. Bunu benden 3 ay önce Amerika’ya gelen kız kardeşim yaptı. Arabanızı seçip, sıraya girip, arabanızın gelmesini bekliyorsunuz. Araba geldikten sonra size teslim ediliyor ama sizin olmuyor. Arabanın kullanım hakkı belirli süreliğine sizin oluyor. Örneğin kardeşim iki yıllık yaptı bunu. İki yıl boyunca aylık ödeme yapıyor. O iki yıl sonunda bu aracı alacaksan şu kadar daha ödeme yapmalısın diyorlar.

Güzel yanı araba konusunda acemiyseniz kiralama dönemi boyunca inciğine cıncığına karışmıyorsunuz. Araç bakımlarıydı vb. hep aldığınız yer yapıyor. Araba satın alma işinde yeni olan, risk almak istemeyen veya parası bol olan biriyseniz bu seçenek uygun olabilir. Sevmediğim yönleri şunlar: Birincisi arabanın fiyatının yarısını kiralama süresince ödüyorsunuz. Sonra arabayı almak için yine ciddi bir miktar ödemeniz lazım Arabanın bu sürede değeri düşmüş oluyor. Yani diyelim araba 20k, sen 10k kiradayken ödedin, 10’da kiralama bitince ödedin arabayı aldın. Arabanın değeri zaten 12k’ya düştü. Arabayı almazsan da ödediğin 10k boşa gitti. İkinci mantıksızlık km sınırı. Kardeşime yıllık 10.000 mil (yaklaşık 16.000km) limit koymuşlar. Yav zaten Amerika’da yayılımcı yerleşim var. Her şey birbirine uzak. Her yere arabayla gidiyorsun. İki road trip yapayım desen dünya yol gideceksin. Bu km ister istemez hemen doluyor. Geçtiğin km için para ödemeye başlıyorsun. Bu limit şöyle bir saçmalık yaşamamıza sebep oldu: Kardeşim Michigan Flint’de yaşıyor. Ben Buffalo’da. İkisinin arası yaklaşık 700 km. İkimizin tam ortasında Clevland var. Bizi ziyarete gelecek. Kardeşim “abi benim km limiti dolacak, ben Clevland’a kadar gelsem, sen beni oradan alsan nasıl olur?”. Haydaaaaa.

Şimdi (a) satın aldığımız araç için ödeme yöntemlerine geçelim:

I. Nakit (cash): Bildiğin gidip nakit parayı veriyorsunuz. Banka hesabı açtıysanız çek de yazabilirsiniz. Çok açıklayacak bir şey yok ama kurumsal olmayan bir yerden aracı alıyorsanız (madde 1 c ve d seçenekleri) banka aracılığıyla çek vb. yapmanız veya ödeme yaptığınıza dair bir belge almanız daha güvenli olur. Araç için anlaştığınız fiyat üzerine bulunduğunuz eyalet ve bölgenin vergileri de binecek. Bunu dikkate alarak pazarlıklarınızı yapın.

II. Kredi kullanarak (financing): Bu bizim TR’den aşina olduğumuz kredi kullanımına benzer. Aracın fiyatının bir bölümünü nakit bir bölümünü ise kredi kullanarak aylık ödemelerle yapabilirsiniz. Tamamı da kredi olabilir sanırım ama iyi bir kredi skoru gerekebilir. Madde 1(a) ve (b)’deki bayi ve kurumsal dealer’ların birçok bankayla anlaşmaları var. 1(c) yerellerde size seçenek sunuyor. 1(d) şahıstan araç alırsanız kendiniz bankalara gitmelisiniz.

Buradaki problem şu: KREDİ SKORU. Evet dostlar, Amerika’ya yeni geldiyseniz kredi skorunuz maalesef yok. Benim bu üçüncü gelişim, ilkinde bir su parkında 3 ay maaşlı çalıştım, ikincisinde bir senelik j1 ile bir üniversiteye doktora sırası araştırmacı olarak geldim. İlk iki gelişimde ev tuttum, kiralar, faturalar ödedim. Banka hesapları açtım. İkinci gelişimde kredi kartı çıkardım, ödemelerini düzgün yaptım. Yine de burada kredi skorum sıfır çıkıyordu. Dealer abiler sağ olsunlar hemen moral verip: “Having no credit is better than having bad credit” (hiç kredi skorunun olmaması kötü skora sahip olmaktan iyidir) diye moral veriyorlar, yardımcı olmaya çalışıyorlar ama sonra size sunabilecekleri seçenekler çok az ve yüksek faizli. Bu nedenle kredi kullanamadan aracımı nakit aldım. Şimdi bu yazıyı yazarken kredi puanıma (FICO score) baktım da Ocak 2023 itibariyle 634 fair olmuş. Acaba bir mal varlığı mı edinmek gerekiyordu, arabayı aldık diye mi oldu? Neyse as bayrakları as as as.

Benden bu kadar dostlar. Sorularınız olursa yazabilirsiniz.

I am happy to share that I joined the Industrial and Systems Engineering Department of University at Buffalo as a visiting scholar. I’d like to thank to Professor Rajan Batta and the department for their invitation, and corresponding UB staff for their support throughout the process. I am very excited about this opportunity.

I was a visiting Ph.D. student at the same department during 2019. I had great time during my stay. We published two research papers with Professor Rajan Batta from the studies we conducted during this visit. I made very good friends that I still keep in touch with. Now a new adventure begins. I am very excited for returning to the same department as a faculty member with a Ph.D. degree. I hope I can collaborate well with my new colleagues, and contribute to science and practice well.

PS: This is a temporary position and once I complete my research visit, I will return to my permanent position at Hacettepe University.

Türkçe

Buffalo Üniversitesi Endüstri ve Sistem Mühendisliği Bölümüne misafir öğretim üyesi olarak katıldığımı sizlerle paylaşmaktan mutluluk duyuyorum. Profesör Rajan Batta’ya ve bölüme beni davet ettikleri için, ilgili UB personeline de süreç boyunca verdikleri destek için teşekkür ederim.

Aynı bölümde 2019 yılı boyunca ziyaretçi doktora öğrencisi olarak bulunmuştum. Kaldığım süre boyunca harika zaman geçirdim. Bu ziyaret sırasında yaptığımız çalışmalardan Profesör Rajan Batta ile iki araştırma makalesi yayınladık. Hala iletişim halinde olduğum çok iyi arkadaşlar edindim. Şimdi yeni bir macera başlıyor. Doktora derecesine sahip bir öğretim üyesi olarak aynı bölüme geri döndüğüm için çok heyecanlıyım. Umarım yeni meslektaşlarımla iyi bir işbirliği içinde olabilirim ve bilime ve pratik uygulamalara katkıda bulunabilirim.

Not: Bilginize, bu geçici bir pozisyon ve araştırma ziyaretimi tamamladıktan sonra Hacettepe Üniversitesi’ndeki kalıcı pozisyonuma geri döneceğim.

Our latest paper that was accepted for publication in the prestigious INFORMS Journal on Computing (IJOC) is now available online at “Unmanned Aerial Vehicle Information Collection Missions with Uncertain Characteristics”.

We carried out this study with my colleague Michael D. Moskal II and Professor Rajan Batta from the Department of Industrial and Systems Engineering at the State University of New York at Buffalo.

If you are interested in learning more about “Route planning problem of UAVs” this paper may fit well to your interests. Specifically, we study UAV route planning problem for information collection missions performed in terrains with stochastic attributes. We developed a mathematical optimization model that is robust to the different problem types (military or civilian) and terrain properties and can be used for practical-sized missions, and showed with a simulation study that the failure rate of its optimal routes in actual missions is negligibly small.

Note: This paper is also interesting in terms of the extensive and efficient usage of analytics. More specifically, we programmed the all experiments using R programming language and solve the mathematical models using the GUROBI Optimizer 9.0.0 through R 3.5.3. All experiments were performed at the Center for Computational Research of University at Buffalo, on a Dell 32-core computer running Linux Centos 7.5.x with processor Intel Xeon Gold 6130 CPU, 32 x 2.10GHz and 192 GB usable RAM. We are grateful to the University at Buffalo for allowing us access to their Center for Computational Research for high performance computing resources.

We share the input data and R scripts of the military and civilian applications of our case study on GitHub to promote reproducibility and support the findings of this study. They are available within the paper and its Supplementary Information https://pubsonline.informs.org/doi/suppl/10.1287/ijoc.2022.1245 or are available from the IJOC GitHub software repository https://github.com/INFORMSJoC at http://dx.doi.org/10.5281/zenodo.7055494.

Access

If you have trouble with accessing the paper, please feel free to contact me so that I can provide you with the full text.

Abstract

We study the unmanned aerial vehicle (UAV) route planning problem for information collection missions performed in terrains with stochastic attributes. Uncertainty is associated with the availability of information, the effectiveness of the search and collection sensors the UAV carries, and the flight time required to travel between target regions in the mission terrain. Additionally, uncertainties in flight duration vary the detection threat exposed in missions performed in nonfriendly terrains. We develop a mixed integer programming model to maximize the expected information collection while limiting the risks of not completing the mission on time and of being detected and restricting the variance imposed on flight duration. The model allows multiple path alternatives between target pairs and revisits to the same target regions. Computational experiments are performed on randomly generated instances to investigate the impact of problem parameters and mission restrictions. We also develop a case study with a military and a civilian application, each of which with different specifications. In addition, we validate that the actual performance of the optimal solution of the model is close to the result reported by the solver via a simulation study. We conclude that the developed model is robust and can be used for practical-sized missions, and the failure rate of its optimal routes in actual missions is negligibly small.

Keywords:

OR in defense, UAV route planning, Information collection, Integer programming, Stochastic programming

Our latest paper that was accepted for publication in the prestigious Computers & Operations Research (COR) is now available online at “UAV routing for reconnaissance mission: A multi-objective orienteering problem with time-dependent prizes and multiple connections”.

We carried out this study with Professors Rajan Batta, Murat Koksalan and Diclehan Tezcaner Ozturk during my research visit to the Department of Industrial and Systems Engineering at the State University of New York at Buffalo.

If you are interested in learning more about “Route planning problem of UAVs” this paper may fit well to your interests. We study the UAV route planning problem in a radar-monitored environment as a multi-objective orienteering problem with time dependent prizes and multiple connections. I believe the paper has the potential to trigger important developments in the field. In addition, our approach is quite general in nature and can be adapted to problems such as inspection of wild life, search and rescue operations, crowd monitoring, border patrolling, video recording in sport games, as well as to the operations of underwater and ground vehicles.

Note: This paper is also interesting in terms of the extensive and efficient usage of analytics. More specifically, we programmed the all experiments using R programming language and solve the mathematical models using the GUROBI Optimizer 8.1.0 through R 3.5.3. All experiments were performed at the Center for Computational Research of University at Buffalo, on a Dell 32-core computer running Linux Centos 7.5.x with processor Intel Xeon Gold 6130 CPU, 32 x 2.10GHz and 192 GB usable RAM. We are grateful to the University at Buffalo for allowing us access to their Center for Computational Research for high performance computing resources.

Free Access

The publisher, Elsevier, gave me a personalized URL that provides 50 days’ free access (until July 16, 2022) to anyone with the link. You are welcome to read or download. No sign up, registration or fees are required.

Free Access Link: UAV routing for reconnaissance mission: A multi-objective orienteering problem with time-dependent prizes and multiple connections

After July 16, 2022 the paper will be available on COR’s web site.

If you have trouble with accessing the paper, please feel free to contact me so that I can provide you with the full text.

Highlights

I strongly encourage you to read this paper if you are interested in:

• Routing of a UAV collecting information in a threat environment,
• An orienteering problem with time-dependent prizes and multiple connections,
• Mathematical programming, heuristic solution approaches, and computational experiments with analytical tools.
• Multi-objective optimization, and investigation of trade-offs between distance and radar detection threat
• A case study based on the terrain properties of the State of Colorado, US.

Abstract

We address the route planning problem of an unmanned air vehicle (UAV) tasked with collecting information from a radar-monitored environment for a reconnaissance mission. The UAV takes off from a home base, visits a set of targets, and finishes its movement at a final base. Collectable information at a target depends on the time the target is visited by the UAV. There are multiple trajectory alternatives between the target pairs with different travel time and threat attributes. A route plan involves the selection of the targets to visit, the order of visit to the targets, and the trajectories to follow between the targets. Multiple routing objectives, information collection, mission duration and mission safety, are considered to present the trade-offs among the objectives to the route planner. The problem is classified as a multi-objective orienteering problem with time-dependent prizes and multiple connection options. A mixed integer programming model that can be used for small-sized problems is formulated. Larger problems are addressed with a hybrid algorithm involving heuristics and exact approaches. A case study based on a terrain in the State of Colorado is presented. Finally, some practical issues for the UAV route planning problem is discussed.

Keywords:

Multiple objective programming, UAV routing, Orienteering, Time-dependent prizes, Mixed integer programming

I have some exciting news to share! I am excited to announce that I joined the Industrial Engineering Department of Hacettepe University faculty as an assistant professor. I am very excited about this opportunity. I’d like to thank the department chair Professor Murat Caner Testik, and all the faculty for their support throughout the recruitment process.

I feel like I’m returning home as I was a BSc and MSc student at this department, and worked as a research and teaching assistant. Now a new adventure begins. I hope I can collaborate well with all my colleagues and students, and contribute to science and practice well.

Below, I share a few photos from my archive to summarize my timeline (2008-2022) in Hacettepe in my website post.

Türkçe

Paylaşmak istediğim güzel bir haberim var. Bugün itibariyle Hacettepe Üniversitesi Endüstri Mühendisliği Bölümü’ne Dr. Öğretim Üyesi olarak katılıyorum. Bu fırsattan dolayı oldukça heyecanlıyım. Süreç boyunca desteklerini esirgemeyen bölüm başkanı Prof. Dr. Murat Caner Testik’e ve tüm öğretim üyelerine teşekkür ederim.

Bu bölümde daha önce lisans ve yüksesk lisans öğrencisi olduğum ve araştırma görevlisi olarak çalıştığım için eve dönüyor gibi hissediyorum. Şimdi yeni bir macera başlıyor. Umarım tüm çalışma arkadaşlarım ve öğrencilerimle iyi iş birlikleri kurar, bilim ve gerçek uygulamalara katkıda bulunabilirim.

Hacettepe’deki zaman tünelimi (2008-2022) özetlemek için arşivimden birkaç fotoğrafı aşağıda paylaşıyorum.

Photos | Fotoğraflar

Günümüzde birçok türde içeriğe internet aracılığıyla erişmek artık oldukça kolay. Örneğin, Spotify veya Apple Music gibi platformlarla sesli içeriklere, Netflix ve Amazon Prime gibi platformlarla da görüntülü içeriklere düşük ücretlerle, anında ve cep telefonumuzdan bile erişebiliyoruz. Ancak ne yazık ki yazılı içeriklere ve eğitim materyallerine ulaşmak hala çok zor ve masraflı. Bu problemi tam anlamıyla çözecek platformlar bir türlü tam anlamıyla geliştirilemedi. Hal böyleyken, karşımıza çıkan “Kitlesel Açık Çevrimiçi Ders (KAÇD)” kavramı çok güçlü bir vaatte bulunuyor:

Erişilmesi zor olan eğitim içeriklerini, görüntülü, sesli ve yazılı materyaller aracılığıyla, katılımcıların etkileşimde bulunabildiği çevrimiçi platformlar üzerinden ücretsiz bir şekilde kitlelere ulaştırmak.

Çevremdeki birçok insanın KAÇD’ın varlığından haberdar olduğunu ancak buradaki potansiyeli henüz fark edemediğinden başlamak için yeterli iç motivasyonu sağlayamadığını gözlemliyorum. Hatta sosyal medya mecralarında bu dersleri tamamlayanların sertifikalarına maruz kalmaktan yorulan ve bu paylaşımlarla bıyık altından dalga geçenleri de biliyorum.

KAÇD bu kadar popülerleşmişken, ben de bu konuyla ile ilgili bilgi, tecrübe ve görüşlerimin bir kenarda durması ve belki birilerine faydası olması için bu mini yazı dizisini hazırlamaya karar verdim. 2019 yılı sonlarında KAÇD’lara ilgi duymaya başladım. Kariyer hedeflerim doğrultusunda yirmiye yakın KAÇD tamamladım. Bunlarla edindiğim yetenekleri alt yapımla harmanlayarak iki sene içerisinde köklü değişiklikler elde ettim. Örneğin, edindiğim veri analitiği bilgilerini UpWork üzerinden freelancer olarak yaptığım uluslararası projelerde kullandım. Bu web sayfasını öğrendiğim web tasarım bilgileriyle hazırlayıp, yine edindiğim git, unix gibi bilgiler sayesinde GitHub üzerinde barındırdım. Biraz iç motivasyon, biraz günlük rutindeki boşa geçen zamanları azaltmak ve biraz da doğru bir gelecek planlamasıyla KAÇD’dan maksimum verimin alınabileceğine inanıyorum.

Bu arada ben KAÇD’ın temel değil tamamlayıcı bir eğitim modeli olduğunu düşünüyorum. Yani vadettiği gibi eğitimde fırsat eşitliği yaratıyor mu tam emin değilim. Bu konudaki tartışmalar da zaten devam ediyor. Örneğin, Hollands ve Tirthali (2014) Columbia Üniversitesi Eğitim Fakültesi’nde yaptıkları araştırmada KAÇD’dan faydalananların zaten halihazırda iyi bir eğitim geçmişine sahip oldukları, bu nedenle KAÇD’ın eğitime erişmekte güçlük yaşayanlarla yaşamayanlar arasındaki uçurumu daha da derinleştirdiği sonucuna varmışlar. Bu yazı dizisinde bu tür tartışmaları kenara bırakıp, KAÇD’ın olumlu yönlerine odaklanacak ve nereden başlayacaklarını bilmeyenler için bir giriş rehberi sunuyorum.

Bu yazı dizisi üç yazıdan oluşacak:

1. KAÇD Başlangıç Rehberi: Bu yazıda temel olarak KAÇD’ın özelliklerinden ve popüler platformlardaki derslere nasıl ücretsiz erişebileceğinizden bahsediyorum. Sertifika severleri de unutmayarak popüler platformlardan nasıl ücretsiz sertifika alabileceğinize dair bazı ipuçları ve taktikler veriyorum.

2. KAÇD ile Veri Bilimine Giriş: Bu yazıda belirli bir alt yapısı olan, veri bilimi alanına ilgi duyan ancak nereden başlayacağını bilemeyenler için bir başlangıç rehberi sunacağım. Katılmanızı önerdiğim KAÇD’lardan içerikleri ile bahsedecek, dersleri almanızı önerdiğim sıralamayı ve platformları anlatacağım.

3. KAÇD ile Web Tasarımı ve Programlamaya Giriş: İkinci yazıya benzer bir akış ile web tasarımı ve programlamaya ilgi duyanlar için bir başlangıç rehberi sunacağım.

KAÇD - Başlangıç Rehberi

Serinin ilk yazısı olan bu yazıda, “Kitlesel Çevrimiçi Açık Ders” kavramının geçmişinden, popüler platformlarından, bu platformlardan nasıl faydalanabileceğinizden ve ücretsiz sertifika alabilmek için neler yapabileceğinizden bahsedeceğim.

1. KAÇD’ın Temel Özellikleri

Çevremdekilere KAÇD’dan bahsederken genelde KAÇD’in sıradan çevrimiçi derslerden farklı olduğunu vurgulamaya özen gösteriyorum. Burada da KAÇD’ın sadece bir çevrimiçi ders olmadığını baştan söyleyeyim. Kavrama kelime kelime bakarsak, ilk olarak elimizde kitlesel kelimesi var. “Kitlesel”, sıfat yapan -sal (-sel) ekini alarak “kitle’den” türüyor.

“Kitle” ise TDK’da bir yerde toplanmış, bir araya gelmiş insan topluluğu” ve “belirli işleviyle özellik gösteren büyük insan kalabalığı” olarak tanımlanmış. Klasik çevrimiçi derslerden temel fark da işte tam bu noktada başlıyor.

Bir KAÇD, eğitimi veren bilim insanın, ders asistanlarının ve dersi alan insan topluluğun, aralarında iletişim ve etkileşimi ile gerçekleştiriliyor. Videolar, kitaplar, slaytlar, ders notları, ödevler, projeler gibi araçlarla ders içeriği zengin bir şekilde sunuluyor. Sınıf arkadaşlarınız ve ders sorumluları ile etkileşimde bulunabileceğiniz ve merak ettiklerinizi tartışabileceğiniz forumlar bulunuyor. Sınıf arkadaşlarınızın ödevlerini değerlendiriyor, onlarla problemleriniz hakkında fikir alışverişi yapabiliyor veya ders asistanlarından destek alabiliyorsunuz.

KAÇD’ın ikinci kelimesi ise açık.

KAÇD’ın açık olma özelliği kabaca tüm ders materyallerinin, etkileşimlerin ve diğer aktivitelerinin ücretsiz bir şekilde katılımcılara açık olması anlamına geliyor.

Bu konuda KAÇD’ın ne kadar “açık” olduğu tabi tartışılabilir. Mevcut platformlarda derslerin tüm materyal ve imkanlarına ücretsiz erişilebiliyor, burası doğru. Ancak bana göre “açık” dendiği zaman bu materyaller üzerinde hak probleminin de olmaması gerekiyor. Oysa platformlar bu konuda hala çok açık değiller. Örneğin, Coursera, platformdaki ders içeriklerinin haklarının tek sahibi olduğunu söylüyor. Bu tartışmaları da bu yazıda bir kenara bırakıp, kısaca ders içeriklerine ücretsiz erişebildiğimizi ancak içerikleri ders dışında kullanma konusunun tartışmalı olduğunu vurgulayalım.

KAÇD’ın son iki kelimesi, çevrimiçi ders, zaten pandemiyle birlikte de iyice aşina olduğumuz bir kavram.

Sonuç olarak KAÇD’ı, görüntülü, sesli ve yazılı türdeki zengin içeriklere sahip, çok sayıda katılımcı ve eğitmenler arasındaki etkileşimlerle gerçekleştirilen ve internet aracılığıyla ücretsiz olarak erişilebilen çevrimiçi ders olarak tanımlayabiliriz.

2. KAÇD’ın Tarihçesi ve Popüler Platformlar

KAÇD felsefesinin ortaya çıkışı daha eskilere gitse de bir terim olarak ilk kez 2008 yılında Kanada’da, Stephen Downes, George Siemens ve Dave Cormier tarafından geliştirilen “Connectivism and Connectivity Knowledge” başlıklı bir dersi tanımlamak için kullanılıyor. Bu hocalarımızın temel amacı, derse farklı yetkinliklere sahip çok sayıda katılımcının çevrimiçi araçlar sayesinde katılabilmesini sağlamak ve katılımcılar aralarındaki etkileşimlerden faydalanarak daha zengin bir öğrenme ortamı yaratmak. Bu derse 25 öğrenci yüz yüze katılırken, tam 2300 öğrenci dünyanın çeşitli yerlerinden çevrimiçi katılıyor.

KAÇD ile ilgili farkındalığın artması Standford Üniversitesi hocalarının buradaki potansiyeli fark etmeleri ve bu işin üstüne gitmesiyle başlıyor. İlk olarak 2011 yılında üç tane ücretsiz ders açılıyor, sonrasında ise Andrew Ng and Daphne Koller hocalarımız tarafından bugünün en popüler KAÇD platformlarından olan Coursera Coursera kuruluyor. Yine benzer zamanlarda, 2012 yılında, Udacity kuruluyor. Sonrasında ise MIT Üniversitesi MITx platformunu kuruyor. Kısa bir süre sonrada Harvard Üniversitesi ile ortaklık yapmaya karar verip platformun ismini edX olarak değişiyorlar.

Yeri gelmişken, Andrew Ng hocamızın Coursera’daki ilk derslerden biri olan “Machine Learning (Makine Öğrenmesi)” dersi şu ana kadar 4,7 milyondan fazla öğrencinin katılımıyla bir efsane olmuş durumda. Bu alanla ilgileniyor ancak nereden başlayacağınız bilmiyorsanız, dünyanın en iyi ML hocalarından birinin KAÇD’ı ile başlayabilirsiniz.

Günümüzün en popüler ve başarılı KAÇD platformlarının Coursera ve edX olduğunu düşünüyorum. O yüzden sizleri bu iki platforma yönlendireceğim. Evet biliyorum, Udemy ve Khan Academy gibi çok başarılı platformlar var. Ben bu platformları tam bir KAÇD platformu olarak görmüyorum çünkü bunlar üniversite sistemi dışında kurulmuş, daha çok bireysel eğitimlerle ilerleyen platformlar. Bunları e-öğrenme platformu olarak değerlendiriyorum. KAÇD platformlarının sunduğu ders hocalarıyla, ders asistanlarıyla ve dersi alan diğer öğrencilerle yaratılan etkileşim ortamının buralarda yeterince mevcut olmadığını düşünüyorum.

3. Coursera ve edX’deki Derslere Nasıl Ücretsiz Katılırım?

Gözlemlediğim KAÇD yanılgılardan biri Coursera ve edX’deki derslerin ücretli olduğunun düşünülmesi. Maalesef bu platformlar temel misyonlarından biraz uzaklaşmaya başladıkları için ders tanıtımlarında ücretleri ön planlara çıkarıyorlar.

Altını çizmek isterim, bu iki platformda da derslere ücretsiz katılabilir, ders içeriklerinin tamamına yakınına ücretsiz erişebilirsiniz. Ücretli olan ise üniversiteler veya itibarlı şirketler gibi ders sağlayıcılarının dersi bitirdiğinize dair verdikleri sertifikalar. Yani ücreti ödediğinizde aslında eğitimi değil eğitimi tamamladığınızı gösteren sertifikayı satın alıyorsunuz.

Eğer KAÇD’ları kişisel gelişiminiz için alıyorsanız ve sertifika çok umurunuzda değilse endişeleneceğiniz bir şey yok. Açıkçası Linkedin’de bir sertifika paylaşma çılgınlığı olduğunu görmüşsünüzdür. Bu sertifikaların geçerliliği ve nerede nasıl işe yaradığıyla ilgili pek bir bilgim yok. Ancak bu sertifikaların, sertifikayı veren kurum tarafından bile tam anlamıyla geçerli sayılmadığına dair bir şeyler okumuştum. Eğer dersi tamamlamışken sertifika almak da fena olmaz, dursun bir kenarda diyorsanız, bir sonraki bölümde bunu ücretsiz yapmanın yöntemlerinden de bahsedeceğim. Ancak öncesinde Coursera ve edX platformlarında bir KAÇD’a ücretsiz katılmak için ne yapılması gerektiğine değinelim.

3.1 Coursera

Coursera - www.coursera.org platformuna gittiğinizi, üye olduğunuzu ve giriş yaptıktan sonra Google’ın “Foundations: Data, Data, Everywhere” dersini almaya karar verdiğinizi varsayalım. Derse kayıt esnasında bizi ilk olarak Şekil 1’deki sayfa karşılayacak.

“Enfoll for Free” (Ücretsiz kaydolun)’u tıkladığımızda karşımıza Şekil 2’deki beyaz pencere açılacak. Burada Coursera’nın görmeyelim diye özen gösterdiği sol alttaki “Audit the Course” seçeneğini seçeceğiz.

Başardık, derse kaydolduk ve tüm ders materyallerine ve etkinliklerine artık erişimimiz var. Coursera “Audit” seçeneğini şöyle tanımlıyor:

Bir kursa “Audit” ettiğinizde, kurs malzemelerinin çoğunu ücretsiz olarak görebileceksiniz, ancak belirli ödevleri gönderemeyecek veya çalışmanız için not alamayacaksınız. Kurs Sertifikası almayacaksınız, ancak kurs sırasında veya sonrasında istediğiniz zaman bir sertifika için ödeme yapabilirsiniz.

Buradaki gözlemim dersi veren kurum bir üniversiteyse genelde ücretsiz seçenekte de ödevlere erişebiliyor hatta ödevlerinizi değerlendirtebiliyorsunuz. Ancak bazı özel şirketlerin verdiği derslerde ödevlere erişemediğim, bazen de ödevlere erişsem bile değerlendirmesini göremediğim oldu. Değerlendirilmediği derslerde de ödev sorularınızdan doğru anahtar kelimeleri google arama çubuğuna yazarsanız cevaplar karşınıza çıkacaktır. Birçok forumda bu ödevler ve çözümleri paylaşılmış. Ne kadar etik bilemiyorum ama açık ders iddiasıyla kapalı ödev uygulaması yaptıkları için de sanırım gönlümüzü ferah tutabiliriz. :nerd_face:

3.2 edx

edX - www.edx.org platformuna gittiğimizi, platforma üye olduğumuzu ve giriş yaptıktan sonra IBM’in “R Programming Basics for Data Science” dersini almaya karar verdiğimizi varsayalım. Derse kayıt esnasında bizi ilk olarak Şekil 3’deki sayfa karşılayacak.

Burada “Enroll” seçeneğini tıkladığımızda Şekil 4’deki pencere ile karşılaşacağız. Sağ altta “Audit This Course” yani sertifikasız seçeneğeni seçiyoruz.

Böylelikle derse kaydolmuş ve ders içeriklerine erişmiş olduk. edx ücretsiz olarak derse katıldığımız “Audit” seçeneği ile ücretin ödediği seçenek “Verified” arasındaki farkı Şekil 5’deki karşılaştırmayla özetlemiş.

Görüleceği üzere sadece ilk iki özellik, yani “Sertifika” ve “Ödevlerin Değerlendirilmesi ve Sınavlar” özelliklerinden mahrumuz. Her ne kadar ödevler değerlendirilmiyor dese de birçok derste ödevleriniz de değerlendiriliyor. Değerlendirilmediği derslerde de ödev sorularınızdan doğru anahtar kelimeleri google arama çubuğuna kopyalayarak cevaplara ulaşabiliyoruz. Bir kez daha açık ders iddiasıyla kapalı ödev uygulaması yaptıkları için de gönlümüzü ferah tutabiliriz diyorum.

Burada dikkatimizi çekmesi gereken bir not “Expires after the estimated course length has passed”, yani “Tahmini bir süre geçtikten sonra erişimin sona ermesi.” Zaman zaman unuttuğum noktalar için tamamladığım derslerin materyallerine bakıyorum. “Verified” yani ücretli seçenekle aldığım dersler tahmini süresi sona erdiğinde arşivleniyor. Bu arşivden tüm materyallere erişim mümkün. Ancak “Audit” ettiğim bazı derslerde yaklaşık yedi sekiz ay sonra tekrar bakmak istediğimde arşivlenmediğini ve ders materyaline erişemediğimi gördüm. Hani KAÇD’ın özelliği “Açık” olmasıydı? Burada şöyle bir çözüm bulunabilir. Dersin ileri tarihli bir açılışına tekrar kaydolup ders materyallerine erişmek mümkün. Ancak önceki dersteki etkileşimlerinize ait veriler (ödevler vb.) kayboluyor.

4. Coursera ve edX’deki Derslerden Nasıl Ücretsiz Sertifika Alabilirim?

Sertifika sizler için olmazsa olmaz ise ücretsiz sertifika almak için de birkaç ipucu vereyim.

4.1 ODTÜ mensubu olmak

Öncelikle Orta Doğu Teknik Üniversitesi mensubuysanız oldukça şanslısınız çünkü ODTÜ 2 yıldır edx ile anlaşma yapıyor ve 150’ye yakın çok iyi dersten ücretsiz sertifika alabiliyorsunuz. Ben ODTÜ’de doktora öğrencisi olduğum sürede bu imkândan faydalanarak KAÇD’lara katıldım ve sertifika aldım.

Bunun için yapmanız gereke şuradaki basit talimatları uygulamak: ODTÜ edx derslerine erisim

4.2 Finansal yardım başvurusu

Bu seçenek biraz daha zahmet gerektiriyor ancak zor değil. Her iki platform da finansal yardım için başvuru seçeneği sunuyor.

Coursera başvurunuza onay verdiğinde ders sertifikasını size tamamen ücretsiz veriyor. edX ise %90 gibi ciddi bir indirim yapıyor.

Coursera üzerinden nasıl yapacağınızı anlatayım. edX’de de benzer işlemler geçerli.

Bir kez daha Google’ın “Foundations: Data, Data, Everywhere” dersini almaya karar verdiğimizi varsayalım. Dersin kayıt ekranında, kayıt işlemlerine başlamadan, aşağıdaki Şekil 6’da gösterilen “Financial Aid Available” yani “Finansal Yardım Mümkün” seçeneğini tıklıyoruz. Sonra da “Continue Application” ile başvuruya başlıyoruz.

Karşımıza gelen formda bize dersi tamamlayacağımıza dair bir söz verdirdikten sonra eğitim geçmişimiz, çalışma durumumuz, yıllık gelirimiz ve ne kadar ödeyebileceğimizle ilgili bilgiler soruyor. İki soruya cevap vermemiz gerekiyor: Neden finansal yardıma başvuruyorsun, bu ders kariyer hedeflerine nasıl yardımcı olacak. Bu sorular için cevapları örnek olarak aşağıya bırakıyorum. Sizler benzer yapıda kendinize göre cevaplar yazabilirsiniz. Değerlendirme 15 gün sürüyor. Bu konuda bir sayı sınırı yok. Google’da arama yaparsanız bu yöntemle çok sayıda dersten sertifika alanları görebilirsiniz.

Ben aşağıya size örnek olabilecek bir taslak başvuru örneği koyuyorum. Siz kendinize göre değiştirip kullanabilirsiniz. Bu arada mektubu yazdığımda bir dolar 8.5 TL ediyormuş ve ben döviz kuru Türkiye’de berbat diye yazmışım. Şimdi 8.5 olacak deseler koşa koşa tamam deriz sanırım. :sob:

5. Kapanış

Yazımın başında KAÇD’ın çok güçlü vaatlerde bulunduğunu ve belki de demokrasinin en ileri safhalarından biri olduğunu söylemiştim. Her ne kadar bazı çalışmalar KAÇD’ın vadettiği gibi eğitimde bir fırsat eşitliği yaratmadığını hatta eşitsizliği artırdığını söylese de KAÇD hala çok güçlü bir imkân olarak karşımızda duruyor. Ben KAÇD’ın temel değil tamamlayıcı bir eğitim modeli olduğuna, derslerden maksimum verimi sağlamak için belirli bir altyapımızın olması gerektiğine inanıyorum.

KAÇD’dan oldukça verim elde etmiş biri olarak, bu konuyla ilgili bilgi, tecrübe ve görüşlerimi hem birilerine faydası olabileceğini umarak hem de bir kenarda derli toplu durmasını istediğim için yazıya döktüm. Bu yazıda KAÇD’ın tanımı, tarihçesi, popüler platformlar, ücret ödemeden derslere katılmanın ve sertifika almanın yöntemleri gibi konulara değindim. KAÇD hakkında az çok firik sahibi olanlar ancak nereden başlayacaklarını bilmeyenler için bir giriş rehberi sunmak istedim.

Yazıyla ilgili yorumlarınızı aşağıya bırakabilir, bana e-mail gönderebilir, eğer içeriği faydalı bulduysanız sosyal medya hesaplarında paylaşabilirsiniz. Umarım çok kısa süre içerisinde serinin “KAÇD ile Veri Bilimine Giriş Rehberi” ve “KAÇD ile Web Tasarımı ve Programlamaya Giriş Rehberi” isimli yazıları da paylaşabilirim.

Herkese sağlık, şans ve bol KAÇD’lı günler dilerim!

Referanslar

• Bates, A.W.T. (2014) Dijital Çağda Öğretim. Çeviren: Müge Adnan, Editörler: Müge Adnan / Yasemin Gülbahar Güven

• Hollands, F. and Tirthali, D. (2014) MOOCs: Expectations and Reality. Center for Benefit-Cost Studies of Education, Teachers College, Columbia University