Eğitimler Eğitim takvimi Fine Arts !

Workshop Takvimi Referanslar İletişim

Eğitim, Workshop, Serti4ka Programı, Kurumsal Eğitim Ara...  444 1 476 Üye Girişi Ücretsiz Üye Ol

EĞİTİM DETAYLARI
işbirliğiyle

Kalan Kontenjan
17. Dönem ( Uzaktan Eğitim )
23 / 25
Data Science Uzmanlığı Son 2 kontenjan

Sertifika Programı ! 20 MAYIS 2023

İTÜ (İstanbul Teknik Üniversitesi) tarafından onaylı serti;ka. Bu program
" Cmt & Paz 10:00 / 13:00
süresince elde edeceğiniz alan bilgisiyle kariyeriniz ve çalıştığınız kurumda
fark yaratacaksınız. # 160 Saat (22 Hafta)

$ Online Eğitim
Eğitim Detayları Kayıt ve Ödeme

Uzaktan Eğitim Canlı Sınıf

NAKİT FİYATI
DÖNEM TARİH GÜNLER SAAT KONTENJAN
KREDİ KARTI

160 Fiyatı görmek için form doldurun Form

17. Dönem ( Uzaktan Eğitim ) 20.05.2023 Cmt & Paz 10:00 / 13:00 25 / 23 Doldur
(22 Hafta)
Son 2 kontenjan

160 Fiyatı görmek için form doldurun Form

18 Dönem ( Uzaktan Eğitim ) 24.06.2023 Cmt & Paz 10:00 / 13:00 25 / 8 Doldur
(22 Hafta)

160 Fiyatı görmek için form doldurun Form

19. Dönem ( Uzaktan Eğitim ) 12.08.2023 Cmt & Paz 10:00 / 13:00 25 / 5 Doldur
(22 Hafta)

160 Fiyatı görmek için form doldurun Form

20. Dönem ( Uzaktan Eğitim ) 07.10.2023 Cmt & Paz 10:00 / 13:00 25 / 5 Doldur
(22 Hafta)

EĞİTİM İÇERİĞİ KARİYER OLANAKLARI SERTİFİKA EĞİTMENLER SIKÇA SORULAN SORULAR SONRAKİ DÖNEMLER Detaylı Bilgi İste 

Genel Bilgi
Teknolojilerin topladığı ve depoladığı verilerin zenginliği, dünya genelinde
organizasyonların ve toplumların dönüşüme yönelik avantajlardan yararlanmasını
sağlıyor.

Data Science Uzmanlığı Serti;ka Programı da geleceğin ihtiyaçlarına cevap

verebileceğiniz, verileri analiz etmek için strateji geliştirme; verileri analiz için
hazırlama; verileri keşfetme, görselleştirme; Python programlama dilini kullanarak
verilerle birlikte modeller oluşturma, uygulama ve yazılımlara dağıtarak işlemenize
imkan sağlayacak bir programdır.

! Python'a Giriş ! Türler ve Değişkenler

Python komut satırı ve IDE kullanımı String, Integer, Float, Complex

Değişken tanımlama ve türleri yönetmek
List yapısı
Aylık yol masrafı hesaplama uygulaması

Uygulama:
Basit bir hesap makinesi uygulaması

! Temel İfadeler ! Veri Yapıları

Dallanma/if/elseif/else Liste, Stacks, Queues, Tuples ve Sequences

break ve continue Kullanımı Kümeler (Sets)
For ve while döngüleri Sözlük (Dictionary)
Karakter dizilerinin içeriğini karşılaştırma uygulaması
Uygulama:
Uygulama: Basit bir telefon rehberi oluşturma uygulaması
Karakter dizisindeki karakterleri sayma uygulaması

! Fonksiyonlar ! Dosyalar ile Çalışmak

Argümanlar ve Formal Parametreler Dosya Açma, okuma, yazma

Global Değişkenler, Yerel (Local) Değişkenler Binary Dosyalar
Fonksiyonlara Parametre Aktarımı Dosyaların içeriğini karşılaştırma uygulaması
Fonksiyonlardan Değer Döndürme
Uygulama:
Uygulama: Dosyaların içindeki karakterleri sayma uygulaması
Belli bir aralıkta rastgele sayılar üretme uygulaması

! Exceptions (İstisnalar) ! Modüller ve Paketler

Temel Hata Kontrolü İsim Uzayları (NameSpaces)

İstisnaların Yakalanması imports Kullanımı
try/except ve ;nally kullanımı Modülleri devreye alma

Uygulama: Uygulama:
Yazma izni olmayan bir dosyaya yazma ve hata kontrolü Basit bir sözlük modülü tanımlama ve üzerinde işlemler
uygulaması yapma uygulaması

! Sınıhar ! Data Science Temelleri

Python’da bir sınıf nasıl tanımlanır? 1. Veri & Veri Bilimi Nedir?
Instance Metotları 2. Verinin Yapısal Hale Gelmesi ve Büyük Veri Süreci

Initializers Sınıf Metotları 3. Veri İşlemenin Önemi ve Gerçek Dünyadaki Örnekleri

4. Veri Yapıları
static Metotlar
5. Bulut Bilişim Sistemleri ve Bileşenleri
Miras Alma (Inheritance), Çoklu Miras Alma
6. Saklama Yöntemleri
7. Analiz Yöntemleri
Uygulama: 8. Gerçek Zamanlı Veri Analitiği
Bir iş yerinde işe alınan kişilerin kayıtlarını tutma 9. Veri Zenginleştirme Süreçleri
uygulaması 10. Veri Ambarı Tasarımı
11. Veri Havuzu (Gölü) Tasarımı
12. Raporlama Sistemleri
13. Self Servis Yapılar
14. Veri Görselleştirme
15. Cognitive Servisler
16. İlişkisel Yapıların Sorgulanması
17. ETL Paket Tasarımları
18. Veri Görselleştirme Örnekleri

Şirketler gelecekleri açısından büyük ve zorlu bir dönüşüm

içerisindeler. Dijitalleşmenin getirdiği baskı, yeni yeteneklerin
şirkete adaptasyonu ve tüm organizasyonun veri ile yönetilir
bir kültür haline getirilmesi çoğu şirket için ana planlardan
birisi. En çok yatırım yapılan alanların başında olan veri bilimi,
sahip olunan veriler üzerinden organizasyonlar için en verimli
çözüm yöntemlerinin geliştirileceği departmanlar olmakla
birlikte, bu alanda çalışacak kişilerin uçtan uca veri analizi,
yönetimi, modellemesi konularında söz sahibi olması
beklenmektedir. Temel kavramlar ile başlayacak olan ders
içeriğinde veri saklama yöntemleri, bulut bilişim, veri ambarı
mimarisi, veri zenginleştirme ve temizleme süreçleri gibi
modelleme fazına gelene kadar verinin geçirdiği evrimsel
süreçler anlatılmaktadır. Yapısal olmayan veri setleri üzerinde,
örnek veri zenginleştirme süreçlerinin yanı sıra, yapısal veriler
üzerinde optimum sorgulama yapılarının oluşturulması ve veri
görselleştirilmesi ile birlikte modelleme fazına kadar üzerinden
geçilmesi gereken iş adımlarının aktarılması planlanmaktadır.

! Pandas ile Veri İşleme ! Numpy Kütüphanesi ile Matematiksel

Hesaplama
1. PANDAS Temel Veri Yapıları (Seri ve Dataframe) 1. Numpy Kütüphanesinde Dizi (Array) Yapıları Oluşturma ve
2. Seri ve DataFrame’ler üzerinde İndeksleme, Seçme ve Veri Tipleri Yönetimi
Filtreleme Uygulamaları 2. Temel İndeksleme ve Dilimleme İşlemleri
3. Case Study: Chipotle Sipariş Veri Seti Analizleri 3. Matematiksel ve İstatiksel İşlemler
4. DataFrame Yapılarına Fonksiyon Uygulama (Apply ve Map)
4. Kıyaslama, Maskeleme ve Boole Mantık
5. Veri Aritmetiği ve Hizalandırması
5. Doğrudan ve Dolayı Sıralama
6. DataFrame ile Seri’ler Arasında Operasyonlar
7. Betimleyici İstatistik (Descriptive statistics) 6. Matris Operasyonları (Lineer Cebir)

8. Eksik Verileri Yönetme Teknikleri

9. Hiyerarşik İndeksleme Numpy matrissel vektörel işlemlerin hızlı ve efektif bir şekilde
10. Case Study: Norveç Yeni Otomobil Satış Verisi Analizleri gerçekleştiren çoğunlukla C programlama dilinde yazılmış bir
11. PANDAS Veri Okuma ve Yazma Fonksiyonları kütüphanedir. C dilinde yazıldığı için vektörler üzerine
12. Veritabanı Stili Veri Birleştirme Teknikleri yapacağımız operasyonları çok hızlı bir şekilde
13. DataFrame’ler Üzerine Dizi (String) Uygulamaları yapabilmektedir. Python ekosisteminde hesaplamaya dayalı
14. Veri Birleştirme ve Gruplandırması (Aggregation and çoğu kütüphane Numpy kütüphanesi üzerine kuruludur. Bu
Groupby) derste Numpy kütüphanesinin temel ve ileri özellikleri
15. Pivot Tablo Oluşturma uygulamalı olarak gösterilecektir.
16. Case Study: San Francisco Devlet Memur Ücretleri Veri
Seti Analizleri
17. Zaman Serileri
18. Saat Dilimi Yönetimi
19. Yeniden Örnekleme (Resampling) Uygulamaları
20. Case Study: İstanbul’un Yüz Yıllık Sıcaklık Verisi Üzerinde
Analizler
21. Zaman Serileri Gra;klendirmesi
22. Case Study: Saatlik Hava Durumu Verisi Üzerinde Haftalık
ve Günlük Analizler
23. Indeks Yeniden Şekillendirme, Pivot ve Melt Uygulamaları
24. Case Study: “311 Service Requests from NYC Open Data”
Verisi Üzerinde Uygulamalar

Eğitim, katılımcıları yapılandırılmış veriler üzerinde kullanılan

en temel Python kütüphanesi olan “PANDAS Kütüphanesi
Uzmanlığı” vermeyi hedesemektedir. Veri analistleri ile yapılan
anketlerde veri temizliği, dönüşümü ve entegrasyonu gibi
işlemlerin vakitlerinin %30-40 civarını aldığı görülmüştür.
PANDAS kütüphanesi bahsi geçen veri işleme tekniklerini en
kolay ve hızlı bir şekilde gerçekleştirmeyi sağlayan çok temel
bir Python kütüphanesidir. Akademiden iş dünyasına kadar
çok farklı alanlarda kullanılmaktadır. Bu eğitim kapsamında
PANDAS kütüphanesindeki temel veri yapıları ve önemli
fonksiyonlar tanıtılıp güncel veri setleri üzerinde analizler
yapılacaktır.

! Matplotlib Kullanarak Python'da Veri ! Scikit-Learn ile Makine Öğrenmesi

Görselleştirme
1. Görselleştirilecek Veriye Uygun Figure / Gra;k Çeşitlerinin 1. Makine Öğrenmesi Yaklaşımı
Seçilmesi 2. Nasıl Çalışır Denetimli (Supervised) Öğrenme Modeli
2. Matplotlib Genel Konseptleri ve Pratikte Tercih Edilen Konuları
Uygulamalar 3. Scikit-Bilgi Denetimli (Supervised)

3. PyPlot Modülü ve Başlıca gra;klerin / Figürlerin 4. Öğrenme Modelleri - Doğrusal Regresyon

Oluşturulması 5. Denetimli (Supervised) Öğrenme Modelleri - Lojistik

Regresyon
A. Çizgi Gra;kleri (Line Plots)
6. Denetimsiz (Unsupervised)
B. Saçılım Diagramları (Scatter Plots)
7. Öğrenme Modelleri
C. Histogramlar 8. Pipeline
D. Sütun (Bar) ve Pasta (Pie) Gra;kleri 9. Model Kalıcılık ve Değerlendirme
E. Logaritmik Diagramlar 10. Örnek Uygulama: Çalışanlar için Bilgisayarda Erişim
F. 3 Boyutlu Diagramlar (Surface Plots) Gereksinimleri Tespiti

4. Aynı Figür İçerisinde Birden Fazla Gra;kle Çalışmak

5. Oluşturulan Figurlerin Özelleştirilmesi Scikit-learn, çok sayıda denetimli ve denetimsiz öğrenme

A. Gra;klerin İşaret ve Renklerinin Değiştirilmesi algoritması sunar. Bu anlamda açık, anlaşılır ve en basit
Machine Learning kütüphanesidir. Temel API tasarımı kolay,
B. Başlık, Alt Başlık Oluşturma
güçlü ve araştırma çabaları için esnekliği koruma etrafında
C. Alt Yazı (Legend) Oluşturma
dönmektedir. Bu sağlamlık, araştırma aşamasından üretim
D. Renk Haritasi (Colormap) ile Çalışma uygulamalarına kadar her uçtan uca Machine Learning
6. Matplotlib Tabanlı Diğer Figür Oluşturma Araçlarının projesinde kullanım için mükemmeldir. Scikit birkaç yaygın
Tanıtımı veri ve matematik kütüphanesi üzerine inşa edilmiştir. Böyle
7. Plotly ile İnteraktif ve Oynatılabilir Figür Oluşturma bir tasarım, kütüphaneler arasında entegrasyonu kolaylaştırır.
Numpy dizilerini ve Pandas veri setlerini doğrudan Scikit’in

Kullanılacak Veri Seti: Machine Learning algoritmasına geçirebilirsiniz.

Dünya Bankası Gayri Sa; Milli Hasıla (GDP) Veri Seti

Veri görselleştirme gerek keşifsel veri analizi yapmada,

gerekse elde ettiğimiz sonuçları karşımızdakilere aktarmada
çok etkili bir yöntem olarak karşımıza çıkmaktadır. Ham veri
üzerinde gözden kaçabilecek trendleri, paternleri ve ikili
ilişkileri görsel yöntemler sayesinde sağlıklı bir şekilde
gözlemleyebilmekte ve analiz edebilmekteyiz. Bu ders
içerisinde veri işleme hususunda Python’u tercih edenlerin en
sık kullandığı kütüphanelerden olan Matplotlib ile karmaşık
verilerin görselleştimesi üzerine çalışmalar yapılacaktır. Dersin
giriş bölümünde, veriye uygun gra;k(ler)in seçilmesi ve ;gür
terminolojisi üzerinde durulacaktır. Daha sonra sıklıkla
kullanılan gra;k/diagramların Matplotlib kullanılarak
oluşturulması ve bu gra;klerin özelleştirilmesi için kullanılan
araçlar uygulamalı olarak işlenecektir. Son olarak Matplotlib
tabanlı bir başka kütüphane olan Plotly kullanılarak daha
interaktif ;gürler oluşturma üzerinde durulacaktır.

! Feature Engineering ! Pekiştirmeli Öğrenme

1. Veri dönüştürme 1. Pekiştirilmiş Öğrenmeye Giriş

2. Eksik Veri Doldurma 2. Durum, Aksiyon, Ödül, Politika Kavramları

3. Değişken Seçme 3. Markov Karar Süreçleri

4. Değer Fonksiyonları ve Bellman Denklemleri
Correlation
5. Epsilon-Greedy Algoritması
ANOVA
6. Q-Learning Algoritması
Chi Square 7. Derin Pekiştirilmiş Öğrenme Teknikleri (DQN)
Mutual Information
Non-parametric
Model tabanlı
Değişken Seçme
İleriye dönük seçme
Geriye dönük seçme
4. Değişken Önemi Öçme

Feature Engineering makine öğrenmesi modellerinde çok

önemli bir rol oynamaktadır. Değişken seçme ve üretme,
makine öğrenmesi modellerinin doğru sonuçlar üretilebilmesi
ve genelleştirilebilmesi için büyük önem arzetmektedir.
Değişik kaynaklardan gelen veriler içerisinden sistem çıktısını
en doğru tahmin edebilecek değişkenleri seçmek iyi bir
modelin ön koşuludur.

Bu dersimizde değişik Feature Engineering yöntemleri

uygulayarak makine öğrenmesi modellerimizi iyileştirmek için
çalışmalar yapılıyor olacak.

! Veri Tabanı Yönetimi ve Büyük Veri ! Spark ile Büyük Veri Uygulamaları

1. İlişkisel Veritabanı Yönetim Sistemlerinin Temelleri 1. Büyük Veri ve Teknolojilerinin Anlaşılması ve Kullanım Şekli
Anlatılması 2. Büyük Veri Platformlarının Gelişim Süreci ve Çözüm
2. SQL Kodlama ve Örnek Uygulamalar Yapılması Önerilerinin Anlaşılması

3. NoSQL Veri Tabanlarının Tanıtılması 3. Büyük Veri Teknolojileri ve Uygulamaları Arasındaki

A. Key-Value Database
B.Wide Column Database
C.Document Database
D.Graph Database
4. Örnekler ile NOSQL Veritabanlarının Kullanımına Dair
Bilgilerin Verilmesi
5. Popüler NoSQL Veritabanları Üzerinde Kodlama Örnekleri
Yapılması
İş analitiği uygulamalarının temeli verilerin depolanması ve
gerektiğinde işlenerek analize hazır hale getirilmesine
dayanmaktadır. Klasik olarak işletmelerde ilişkisel
veritabanları (SQL) kullanılmaktayken son dönemde gelişen
büyük veri kavramı içerisinden NoSQL veritabanları da
gündeme gelmiştir. Bu ders kapsamında temel veritabanı
yönetim sistemi bilgileri, SQL kodlama ve örnek uygulamalar
yapılmakta, ayrıca farklı NoSQL veritabanları örnek
uygulamalar ile tanıtılmaktadır.
Farklılıklar
4. Büyük Veri Platformlarının Çeşitliliği, İş-Modeli ve İş-Zekası
Özelinde Farklı Kullanım Metotları
5. Büyük Veri Teknolojilerinin Dağınık ve Yapılandırılmış Veri
Yapıları Üzerinden Anlaşılması, Uygulamalar ve Buna Bağlı
Çözüm Önerileri
6. Hadoop HDFS ve MapReduce Çözüm Yapısının Anlaşılması,
Apache Spark ve Amazon Web Service (AWS) Platformlarının
Farklılıkları ve Başlangıç Uygulamaları
7. Servis-Olarak-Hadoop ve Servis-Olarak-Bulut Çözümlerinin
Anlaşılması ve Kullanım Şekilleri Hadoop, AWS ve Apache
Spark Üzerinden Temel Uygulamaların Yapılması
8. Güncel Büyük Veri Uygulamalarının Gösterilmesi ve
Sonuçların Tartışılması
Hadoop ile Büyük Veri Uygulamaları dersinde, büyük veri ve
buna bağlı oluşturulan teknolojik çözümlerin anlaşılması ve
kullanım şekli tartışılarak, sistemde güncel kullanılmakta olan
büyük veri platformların gelişim süreçleri ve çözüm önerileri
gösterilecektir. Bu çerçevede büyük veri teknolojileri ve
uygulamaları arasında farklılıklar irdelenecek, büyük veri
incelemelerinde kullanılan platformların çeşitliliği, iş-modeli ve
iş-zekâsı özelinde farklı kullanım metotları gösterilecektir. Bu
teknolojilerin günümüzde çeşitlilik gösteren kaynaklardan
toplanan dağınık ve yapılandırılmış veri yapıları üzerinden bir
araya getirilerek anlaşılması, uygulamaları ve buna bağlı
çözüm önerileri tartışılacaktır. Hadoop HDFS ve MapReduce
kurgusu temel anlamda tartışılarak, Apache Spark ve Amazon
Web Servisi (AWS) platformları ile karşılaştırılmalı
gösterilecektir. Servis-Olarak-Hadoop ve Servis-Olarak-Bulut
çözümlerinin işletmeler özelinde kullanım şekilleri güncel
örnekler ile tartışılarak, Hadoop, AWS ve Apache Spark
üzerinden ilk temel uygulamalar gösterilecektir. Türkiye’de ve
dünyada yer alan büyük veri uygulamalarının ve
teknolojilerinin kullanım şekli gösterilerek elde edilen sonuçlar
geniş bir bakış açısı ile tartışılacaktır.

! Veri Seti Üzerinden Proje Uygulama

Workshopu
Verilen veri setleri üzerinden;
Mevcut problemin tanımlanması, verinin ayıklanması, veri
içeriklerinin kontrol edilmesi, veri setinin test edilmesi
(normallik değerlerine bakılması, aykırı değer vb. unsurlar
gözetilerek), verinin modellenmesi ve karar-destek
süreçlerinden geçirilerek deployment sürecinin başlatılması
adımları uygulamalı olarak gösterilecektir.

KARİYER OLANAKLARI
Program Mezunları Eğitim Sonunda Hangi İşlere Başvurabilirler?

Program mezunları aşağıda belirtilen pozisyonlar için gerekli olan yetkinlikleri kazanmış olacaklardır.
1.Veri Ambarı Uzmanı/ Datawarehouse Specialist
2.İş Zekası Danışmanı/Uzmanı
3.Veri Bilimci/Data Scientist
4.Yazılım Analisti/ Test Uzmanı
5. Veri Mimarı/ Data Architect
6.Makine Öğrenmesi Mühendisi/ Machine Learning Engineer
7.Infrastructure Architect/ IT Altyapı Çözüm Uzmanı

SERTİFİKA
Programda %70 devam koşulu bulunmaktadır. Devam zorunluluğunu yerine getiren katılımcılar serti;ka almaya hak kazanacaktır.
Eğitim sonunda gerçekleştirilen proje çalışmasında başarılı sayılan katılımcılar İstanbul Teknik Üniversitesi Rektörlüğü onaylı Uzmanlık Serti;kası
almaya hak kazanacaktır.
Proje çalışmasına katılmayan veya proje çalışmasında başarılı sayılmayan katılımcılar İstanbul Teknik Üniversitesi Sürekli Eğitim Merkezi onaylı Katılım
Serti;kası almaya hak kazanacaktır.

Program Koordinatörleri

Prof. Dr. Alp ÜSTÜNDAĞ

İTÜ - Endüstri Mühendisliği Bölüm
Başkanı

Eğitmenler

Koray Kocabaş Prof. Dr. Altan ÇAKIR Prof. Dr. Başar ÖZTAYŞİ Dr. Mehmet Ali Ergün
Mindset Institute İTÜ - Akademisyen İTÜ - Akademisyen İTÜ - Akademisyen

Dr. Öğr. Üyesi Ömer Faruk BEYCA Dr. Öğr. Üyesi Sefer BADAY Dr.Öğr.Üyesi Mehmet Yasin Dr. Süha TUNA
İTÜ - Akademisyen İTÜ - Akademisyen Ulukuş İTÜ - Akademisyen
İTÜ - Akademisyen

Murat Uğur Kiraz

Mindset Institute

KAYIT ve ÖDEME

DETAYLI BİLGİ İSTE ARA: 444 1 476

SIKÇA SORULAN SORULAR

Uzaktan eğitimin avantajları nelerdir ?

Bilgiye erişimi güçleştiren tüm faktörleri ortadan kaldırdık.Bu eğitim modelinde, sahip olduğumuz zamanı en iyi şekilde yöneterek, ulaşım ve
konaklama masrafı yapmanıza gerek kalmadan uzmanlık programlarımıza katılabileceksiniz.

İTÜ işbirliğinde gerçekleştirilen alanının en güçlü programı olan Data Science Uzmanlığı Serti;ka Programında etkileşimli ve uygulamalı bir
eğitim deneyimi yaşıyor olacaksınız.Eğitimler canlı sınıf ortamında gerçekleştirilmektedir.

Data Science eğitimi neden tercih edilmeli?

Data Scientist hangi işleri yapar ?

Programın hede[ nedir ?

Program kimler için uygundur, katılım şartları nelerdir?

Öğreneceğim bilgiler ve uygulamalar yurtdışında kariyer olanağı sağlar mı ?

Programda uygulama ve proje yapılıyor mu?

 Döküman paylaşımı yapılacak mı ?

Eğitime katılmadan önce hangi hazırlıkların yapılması gerekir?

Hangi model bilgisayar kullanmak gerekir ?

Eğitim sonunda serti[ka verilecek mi ?

Ödeme ve kayıt koşulları nelerdir ?

Eğitim kurumumuza özel olarak planlanabilir mi ?

Bu eğitimi kurumsal olarak planla ve uygula

Mindset Institute kalitesi ve denetimi altında takımın veya şirketin için eğitim planla. Yeni beceriler kazanmanıza,
çalışanlarınızın gelişimini yönetmenize ve işgücünüzü eğitmenize nasıl yardımcı olabiliriz?

BAŞVUR

SONRAKİ DÖNEMLER
Eğitim bütçenizi ve diğer detayları düzenlemek için diğer dönemlerin bilgisine ihtiyaç duyabileceğinizi düşündüğümüzden dolayı bu bilgileri
sizinle paylaşıyoruz. Aşağıda sonraki dönemlerin başlangıç tarihlerini görebilirisiniz.

17. Dönem ( Uzaktan Eğitim ) 18 Dönem ( Uzaktan Eğitim ) 19. Dönem ( Uzaktan Eğitim ) 20. Dönem ( Uzaktan Eğitim )

20 MAYIS 2023 24 HAZİRAN 2023 12 AĞUSTOS 2023 07 EKİM 2023

Data Science Uzmanlığı Data Science Uzmanlığı Data Science Uzmanlığı Data Science Uzmanlığı
Serti4ka Programı Serti4ka Programı Serti4ka Programı Serti4ka Programı

 Kontenjan : 25 / 23  Kontenjan : 25 / 8  Kontenjan : 25 / 5  Kontenjan : 25 / 5

Bilgi İste Bilgi İste Bilgi İste Bilgi İste

Müşteri İletişim Hattı: Kurumsal Eğitim Programları Yakında Açılacak Eğitimler

444 1 476 Eğitimler

info@mindset.com.tr
Eğitim Takvimi
Data Science - Big Data
Dijital Dönüşüm
Büyük Veri ve İş Analitiği Uzmanlığı Serti;ka Programı
Dijital ve Sosyal Medya Pazarlama Yönetimi Serti;ka Programı
Hakkımızda Yazılım Geliştirme Proje Yönetimi Eğitimi Serti;ka Programı
Referanslar İş Yönetim ve Liderlik Mikro MBA Serti;ka Programı
Eğitmen Başvurusu Dijital Pazarlama İnsan Kaynakları Yöneticiliği Serti;ka Programı
Duyurular Proje Yönetimi
Açık Pozisyonlar Üretim ve Planlama
Blog Finans ve Bankacılık
İletişim İnsan Kaynakları
Siber Güvenlik
Yabancı Dil

% & ' ( © 2022 Mindset Institute - Tüm Hakları Saklıdır.