Data-Science-For-Beginners/translations/tr/6-Data-Science-In-Wild/20-Real-World-Examples/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "0f67a4139454816631526779a456b734",
  "translation_date": "2025-09-06T18:29:27+00:00",
  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
  "language_code": "tr"
}
-->
# Gerçek Dünyada Veri Bilimi

| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
| :--------------------------------------------------------------------------------------------------------------: |
|               Gerçek Dünyada Veri Bilimi - _Sketchnote by [@nitya](https://twitter.com/nitya)_                   |

Bu öğrenme yolculuğunun sonuna yaklaşıyoruz!

Veri bilimi ve etik tanımlarıyla başladık, veri analizi ve görselleştirme için çeşitli araç ve teknikleri keşfettik, veri bilimi yaşam döngüsünü inceledik ve bulut bilişim hizmetleriyle veri bilimi iş akışlarını ölçeklendirme ve otomatikleştirme yollarına baktık. Şimdi muhtemelen şunu merak ediyorsunuz: _"Tüm bu öğrendiklerimi gerçek dünya bağlamlarına nasıl uyarlayabilirim?"_

Bu derste, veri biliminin endüstrideki gerçek dünya uygulamalarını keşfedeceğiz ve araştırma, dijital beşeri bilimler ve sürdürülebilirlik bağlamlarında belirli örneklere dalacağız. Öğrenci proje fırsatlarına göz atacağız ve öğrenme yolculuğunuzu sürdürmenize yardımcı olacak faydalı kaynaklarla sonlandıracağız!

## Ders Öncesi Test

## [Ders öncesi test](https://ff-quizzes.netlify.app/en/ds/quiz/38)

## Veri Bilimi + Endüstri

Yapay zekanın demokratikleşmesi sayesinde, geliştiriciler artık yapay zeka destekli karar verme ve veri odaklı içgörüleri kullanıcı deneyimlerine ve geliştirme iş akışlarına entegre etmeyi daha kolay buluyor. İşte veri biliminin endüstrideki gerçek dünya uygulamalarına nasıl "uygulandığına" dair birkaç örnek:

 * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/), arama terimlerini grip eğilimleriyle ilişkilendirmek için veri bilimi kullandı. Yaklaşımın kusurları olsa da, veri odaklı sağlık tahminlerinin olanakları (ve zorlukları) konusunda farkındalık yarattı.

 * [UPS Rota Tahminleri](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - UPS'in hava durumu koşulları, trafik desenleri, teslimat son tarihleri gibi faktörleri dikkate alarak teslimat için en uygun rotaları tahmin etmek için veri bilimi ve makine öğrenimini nasıl kullandığını açıklar.

 * [NYC Taksi Rota Görselleştirmesi](http://chriswhong.github.io/nyctaxi/) - [Bilgi Edinme Yasaları](https://chriswhong.com/open-data/foil_nyc_taxi/) kullanılarak toplanan veriler, NYC taksilerinin bir gününü görselleştirdi ve yoğun şehirde nasıl hareket ettiklerini, kazandıkları parayı ve her 24 saatlik dönemdeki yolculuk sürelerini anlamamıza yardımcı oldu.

 * [Uber Veri Bilimi Çalışma Alanı](https://eng.uber.com/dsw/) - her gün milyonlarca Uber yolculuğundan toplanan veriler (örneğin, alma ve bırakma konumları, yolculuk süresi, tercih edilen rotalar) kullanılarak fiyatlandırma, güvenlik, dolandırıcılık tespiti ve navigasyon kararları için bir veri analitiği aracı oluşturuldu.

 * [Spor Analitiği](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - _öngörücü analitik_ (takım ve oyuncu analizi - [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) örneğini düşünün - ve hayran yönetimi) ve _veri görselleştirme_ (takım ve hayran panoları, oyunlar vb.) üzerine odaklanır. Uygulamalar arasında yetenek avcılığı, spor bahisleri ve envanter/mekan yönetimi bulunur.

 * [Bankacılıkta Veri Bilimi](https://data-flair.training/blogs/data-science-in-banking/) - finans sektöründe veri biliminin değerini vurgular ve risk modelleme, dolandırıcılık tespiti, müşteri segmentasyonu, gerçek zamanlı tahmin ve öneri sistemleri gibi uygulamaları içerir. Öngörücü analitik ayrıca [kredi puanları](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit) gibi kritik ölçütleri yönlendirir.

 * [Sağlıkta Veri Bilimi](https://data-flair.training/blogs/data-science-in-healthcare/) - tıbbi görüntüleme (örneğin, MRI, X-Ray, CT-Scan), genomik (DNA dizilimi), ilaç geliştirme (risk değerlendirmesi, başarı tahmini), öngörücü analitik (hasta bakımı ve tedarik lojistiği), hastalık takibi ve önleme gibi uygulamaları vurgular.

![Gerçek Dünyada Veri Bilimi Uygulamaları](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.tr.png) Görsel Kaynağı: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)

Şekil, veri bilimi tekniklerinin uygulanabileceği diğer alanları ve örnekleri göstermektedir. Diğer uygulamaları keşfetmek ister misiniz? Aşağıdaki [İnceleme ve Kendi Kendine Çalışma](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) bölümüne göz atın.

## Veri Bilimi + Araştırma

| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
| :---------------------------------------------------------------------------------------------------------------: |
|              Veri Bilimi & Araştırma - _Sketchnote by [@nitya](https://twitter.com/nitya)_              |

Gerçek dünya uygulamaları genellikle ölçekli endüstri kullanım durumlarına odaklanırken, _araştırma_ uygulamaları ve projeleri iki açıdan faydalı olabilir:

* _yenilik fırsatları_ - ileri konseptlerin hızlı prototiplenmesini ve bir sonraki nesil uygulamalar için kullanıcı deneyimlerinin test edilmesini keşfetmek.
* _uygulama zorlukları_ - veri bilimi teknolojilerinin gerçek dünya bağlamlarında potansiyel zararlarını veya istenmeyen sonuçlarını araştırmak.

Öğrenciler için bu araştırma projeleri, konuyu daha iyi anlamanızı sağlayacak öğrenme ve iş birliği fırsatları sunabilir ve ilgi alanlarınızdaki ilgili kişiler veya ekiplerle farkındalığınızı ve etkileşiminizi artırabilir. Peki, araştırma projeleri nasıl görünür ve nasıl bir etki yaratabilir?

Bir örneğe bakalım - Joy Buolamwini'nin (MIT Media Labs) [MIT Gender Shades Çalışması](http://gendershades.org/overview.html) ve Timnit Gebru (o dönemde Microsoft Research'te) ile birlikte yazdığı [önemli bir araştırma makalesi](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf):

 * **Ne:** Araştırma projesinin amacı, _otomatik yüz analizi algoritmalarında ve veri setlerinde cinsiyet ve ten rengine dayalı önyargıları değerlendirmekti_.
 * **Neden:** Yüz analizi, kolluk kuvvetleri, havaalanı güvenliği, işe alım sistemleri gibi alanlarda kullanılır - bu bağlamlarda yanlış sınıflandırmalar (örneğin, önyargı nedeniyle) etkilenen bireyler veya gruplar için potansiyel ekonomik ve sosyal zararlara neden olabilir. Önyargıları anlamak (ve ortadan kaldırmak veya hafifletmek) kullanımda adalet için anahtardır.
 * **Nasıl:** Araştırmacılar, mevcut ölçütlerin ağırlıklı olarak açık tenli denekleri kullandığını fark etti ve cinsiyet ve ten rengine göre _daha dengeli_ yeni bir veri seti (1000+ görüntü) oluşturdu. Veri seti, üç cinsiyet sınıflandırma ürününün (Microsoft, IBM ve Face++'tan) doğruluğunu değerlendirmek için kullanıldı.

Sonuçlar, genel sınıflandırma doğruluğunun iyi olmasına rağmen, çeşitli alt gruplar arasında hata oranlarında belirgin bir fark olduğunu gösterdi - **yanlış cinsiyet ataması** kadınlar veya daha koyu ten rengine sahip kişiler için daha yüksekti, bu da önyargıya işaret ediyordu.

**Anahtar Sonuçlar:** Veri biliminin daha _temsil edici veri setlerine_ (dengeli alt gruplar) ve daha _kapsayıcı ekiplere_ (çeşitli geçmişler) ihtiyaç duyduğuna dair farkındalık yarattı. Bu tür araştırma çabaları, birçok kuruluşun AI ürünleri ve süreçlerinde adaleti artırmak için _sorumlu AI_ ilkelerini ve uygulamalarını tanımlamasında da önemli bir rol oynar.

**Microsoft'taki ilgili araştırma çabalarını öğrenmek ister misiniz?**

* [Microsoft Araştırma Projeleri](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) sayfasına göz atın.
* [Microsoft Research Veri Bilimi Yaz Okulu](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) öğrenci projelerini keşfedin.
* [Fairlearn](https://fairlearn.org/) projesi ve [Sorumlu AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) girişimlerine göz atın.

## Veri Bilimi + Beşeri Bilimler

| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
| :---------------------------------------------------------------------------------------------------------------: |
|              Veri Bilimi & Dijital Beşeri Bilimler - _Sketchnote by [@nitya](https://twitter.com/nitya)_          |

Dijital Beşeri Bilimler, [şöyle tanımlanmıştır](https://digitalhumanities.stanford.edu/about-dh-stanford): "hesaplamalı yöntemleri insani sorgulamalarla birleştiren bir uygulama ve yaklaşımlar bütünü". [Stanford projeleri](https://digitalhumanities.stanford.edu/projects) gibi _"tarihi yeniden başlatma"_ ve _"şiirsel düşünce"_ örnekleri, [Dijital Beşeri Bilimler ve Veri Bilimi](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) arasındaki bağlantıyı vurgular - ağ analizi, bilgi görselleştirme, mekansal ve metin analizi gibi tekniklerin, tarihi ve edebi veri setlerini yeniden incelememize ve yeni içgörüler ve perspektifler elde etmemize nasıl yardımcı olabileceğini gösterir.

*Bu alanda bir projeyi keşfetmek ve genişletmek ister misiniz?*

["Emily Dickinson ve Ruh Halinin Ölçüsü"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - [Jen Looper](https://twitter.com/jenlooper) tarafından harika bir örnek - şiirleri yeniden incelemek ve onların anlamını ve yazarının katkılarını yeni bağlamlarda değerlendirmek için veri bilimi kullanmanın yollarını sorar. Örneğin, _bir şiirin tonu veya duygusunu analiz ederek hangi mevsimde yazıldığını tahmin edebilir miyiz_ - ve bu, yazarın ilgili dönemdeki ruh hali hakkında bize ne anlatır?

Bu soruyu yanıtlamak için veri bilimi yaşam döngüsünün adımlarını takip ederiz:
 * [`Veri Toplama`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - analiz için ilgili bir veri seti toplamak. Seçenekler arasında bir API kullanmak (örneğin, [Poetry DB API](https://poetrydb.org/index.html)) veya web sayfalarını kazımak (örneğin, [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) bulunur.
 * [`Veri Temizleme`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - metinlerin nasıl biçimlendirilebileceğini, temizlenebileceğini ve basitleştirilebileceğini açıklar. Bunun için Visual Studio Code ve Microsoft Excel gibi temel araçlar kullanılabilir.
 * [`Veri Analizi`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - veri setini Python paketleri (örneğin, pandas, numpy ve matplotlib) kullanarak organize etmek ve görselleştirmek için "Not Defterleri"ne nasıl aktarabileceğimizi açıklar.
 * [`Duygu Analizi`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - metin analitiği gibi bulut hizmetlerini, otomatik veri işleme iş akışları için [Power Automate](https://flow.microsoft.com/en-us/) gibi düşük kodlu araçlarla nasıl entegre edebileceğimizi açıklar.

Bu iş akışını kullanarak, şiirlerin duygusuna mevsimsel etkileri keşfedebilir ve yazar hakkında kendi perspektiflerimizi oluşturabiliriz. Kendiniz deneyin - ardından not defterini diğer soruları sormak veya verileri yeni yollarla görselleştirmek için genişletin!

> Bu sorgulama yollarını takip etmek için [Dijital Beşeri Bilimler araç setindeki](https://github.com/Digital-Humanities-Toolkit) bazı araçları kullanabilirsiniz.

## Veri Bilimi + Sürdürülebilirlik

| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
| :---------------------------------------------------------------------------------------------------------------: |
|              Veri Bilimi & Sürdürülebilirlik - _Sketchnote by [@nitya](https://twitter.com/nitya)_              |

[2030 Sürdürülebilir Kalkınma Gündemi](https://sdgs.un.org/2030agenda) - 2015 yılında tüm Birleşmiş Milletler üyeleri tarafından kabul edilen - **Gezegeni koruma** ve iklim değişikliğinin etkilerinden koruma gibi 17 hedef belirlemiştir. [Microsoft Sürdürülebilirlik](https://www.microsoft.com/en-us/sustainability) girişimi, bu hedefleri destekleyerek teknoloji çözümlerinin daha sürdürülebilir gelecekler inşa etmesine nasıl yardımcı olabileceğini araştırır ve [4 hedefe](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) odaklanır: 2030 yılına kadar karbon negatif, su pozitif, sıfır atık ve biyolojik çeşitlilik.

Bu zorlukların ölçeklenebilir ve zamanında ele alınması, bulut ölçeğinde düşünmeyi ve büyük ölçekli verileri gerektirir. [Planetary Computer](https://planetarycomputer.microsoft.com/) girişimi, veri bilimciler ve geliştiricilere bu çabada yardımcı olmak için 4 bileşen sunar:

 * [Veri Kataloğu](https://planetarycomputer.microsoft.com/catalog) - Dünya Sistemleri verilerinden petabaytlarca (ücretsiz ve Azure barındırmalı).
 * [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - kullanıcıların uzay ve zaman boyunca ilgili verileri aramasına yardımcı olur.
 * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - bilim insanlarının büyük ölçekli coğrafi veri setlerini işlemesi için yönetilen bir ortam.
 * [Uygulamalar](https://planetarycomputer.microsoft.com/applications) - sürdürülebilirlik içgörüleri için kullanım durumlarını ve araçları sergiler.
**Gezegen Bilgisayar Projesi şu anda önizleme aşamasında (Eylül 2021 itibarıyla)** - veri bilimi kullanarak sürdürülebilirlik çözümlerine katkıda bulunmaya nasıl başlayabileceğinizi öğrenin.

* Keşfe başlamak ve diğer kişilerle bağlantı kurmak için [erişim talep edin](https://planetarycomputer.microsoft.com/account/request).
* Desteklenen veri setlerini ve API'leri anlamak için [dokümantasyonu keşfedin](https://planetarycomputer.microsoft.com/docs/overview/about).
* Uygulama fikirleri için [Ekosistem İzleme](https://analytics-lab.org/ecosystemmonitoring/) gibi uygulamaları inceleyin.

Veri görselleştirmeyi, iklim değişikliği ve ormansızlaşma gibi alanlarda ilgili içgörüleri ortaya çıkarmak veya güçlendirmek için nasıl kullanabileceğinizi düşünün. Ya da içgörülerin, daha sürdürülebilir bir yaşam için davranış değişikliklerini motive eden yeni kullanıcı deneyimleri oluşturmak için nasıl kullanılabileceğini düşünün.

## Veri Bilimi + Öğrenciler

Endüstri ve araştırmadaki gerçek dünya uygulamalarından bahsettik ve dijital beşeri bilimler ile sürdürülebilirlikte veri bilimi uygulama örneklerini inceledik. Peki, veri bilimi başlangıç seviyesindeki öğrenciler olarak becerilerinizi nasıl geliştirebilir ve uzmanlığınızı nasıl paylaşabilirsiniz?

İşte ilham alabileceğiniz bazı veri bilimi öğrenci projeleri örnekleri:

* GitHub [projeleri](https://github.com/msr-ds3) ile [MSR Veri Bilimi Yaz Okulu](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects), şu konuları keşfediyor:
    - [Polis Güç Kullanımında Irksal Önyargı](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
    - [NYC Metro Sistemi Güvenilirliği](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
* [Malzeme Kültürünü Dijitalleştirme: Sirkap'taki sosyo-ekonomik dağılımları keşfetmek](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - [Ornella Altunyan](https://twitter.com/ornelladotcom) ve Claremont ekibinden, [ArcGIS StoryMaps](https://storymaps.arcgis.com/) kullanılarak.

## 🚀 Meydan Okuma

Başlangıç seviyesindeki veri bilimi projelerini öneren makaleler arayın - örneğin [bu 50 konu alanı](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/), [bu 21 proje fikri](https://www.intellspot.com/data-science-project-ideas) veya [kaynak kodlu bu 16 proje](https://data-flair.training/blogs/data-science-project-ideas/) gibi. Öğrenme yolculuklarınızı bloglamayı ve içgörülerinizi bizimle paylaşmayı unutmayın.

## Ders Sonrası Quiz

## [Ders sonrası quiz](https://ff-quizzes.netlify.app/en/ds/quiz/39)

## Gözden Geçirme ve Kendi Kendine Çalışma

Daha fazla kullanım senaryosu keşfetmek ister misiniz? İşte birkaç ilgili makale:
* [17 Veri Bilimi Uygulaması ve Örnekleri](https://builtin.com/data-science/data-science-applications-examples) - Temmuz 2021
* [Gerçek Dünyada 11 Nefes Kesici Veri Bilimi Uygulaması](https://myblindbird.com/data-science-applications-real-world/) - Mayıs 2021
* [Gerçek Dünyada Veri Bilimi](https://towardsdatascience.com/data-science-in-the-real-world/home) - Makale Koleksiyonu
* [12 Gerçek Dünya Veri Bilimi Uygulaması ve Örnekleri](https://www.scaler.com/blog/data-science-applications/) - Mayıs 2024
* Veri Bilimi Şu Alanlarda: [Eğitim](https://data-flair.training/blogs/data-science-in-education/), [Tarım](https://data-flair.training/blogs/data-science-in-agriculture/), [Finans](https://data-flair.training/blogs/data-science-in-finance/), [Filmler](https://data-flair.training/blogs/data-science-at-movies/), [Sağlık Hizmetleri](https://onlinedegrees.sandiego.edu/data-science-health-care/) ve daha fazlası.

## Ödev

[Bir Gezegen Bilgisayar Veri Setini Keşfedin](assignment.md)

---

**Feragatname**:  
Bu belge, [Co-op Translator](https://github.com/Azure/co-op-translator) adlı yapay zeka çeviri hizmeti kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlama veya yanlış yorumlamalardan sorumlu değiliz.