tag veri-analizi
Boyut İndirgeme (Dimensionality Reduction) (Boyut İndirgeme)
Bu sayfada veri-analizi (Boyut İndirgeme (Dimensionality Reduction) (Boyut İndirgeme)) etiketi ile işaretlenmiş 8 yapay zeka kavramını bulabilirsiniz.
Boyut indirgeme (dimensionality reduction), yüksek boyutlu veri kümelerindeki değişken sayısını azaltırken verinin özünü ve yapısını koruyan teknikler bütünüdür. Modern veri kümelerinde binlerce hatta milyonlarca özellik bulunabilir; bu durum "boyutun laneti" olarak adlandırılan ve modellerin genelleştirilmesini zorlaştıran bir soruna yol açar. Boyut indirgeme bu karmaşıklığı yönetilebilir hale getirir ve makine öğrenimi boru hatlarında standart bir ön işlem adımı olarak yer alır. Temel yaklaşımlar iki gruba ayrılır. Doğrusal yöntemler arasında en yaygın kullanılan Temel Bileşenler Analizi (PCA), veri setindeki en yüksek varyansı açıklayan ortogonal eksenleri hesaplar. Yüzlerce özelliği 10-20 bileşene indirgemek ve verinin yüzde 95'inden fazla bilgisini korumak mümkündür. Lineer Diskriminant Analizi (LDA) ise sınıflar arası ayrımı maksimize ederek indirgeme yapar; bu özelliği onu sınıflandırma öncesi ön işlemde değerli kılar. Doğrusal olmayan manifold yöntemleri, verinin karmaşık eğrisel yapılarını koruyabilir. t-SNE (t-dağılımlı Stokastik Komşu Gömme), yüksek boyutlu noktalar arasındaki yerel benzerlikleri 2 veya 3 boyutlu uzayda görselleştirmek için en sık tercih edilen yöntemdir; birbirine yakın kümeler arasındaki ayrımı belirginleştirir. UMAP (Uniform Manifold Approximation and Projection) ise hem yerel hem küresel yapıyı korurken t-SNE'den çok daha hızlı çalışır ve büyük veri kümelerinde üretim ortamlarında tercih edilir. Derin öğrenme dünyasında otoenkoderler sinir ağları aracılığıyla boyut indirger: kodlayıcı kısım veriyi düşük boyutlu bir latent uzaya sıkıştırır, kod çözücü kısım ise orijinal veriyi yeniden oluşturmaya çalışır. Bu yaklaşım anomali tespiti, görüntü sıkıştırma ve öneri sistemleri gibi alanlarda yaygın biçimde kullanılır. Dil modellerindeki embedding vektörler de özünde boyut indirgemenin bir biçimidir: geniş sözcük dağarcıklarını yoğun vektörlerle temsil eder. Uygulama alanları geniştir: biyoinformatik analizinde gürültü azaltma, öneri sistemlerinde matris çarpanlara ayırma, doğal dil işlemede konu modelleme ve görüntü işlemede özellik çıkarma bu alanların başında gelir.
Boyut İndirgeme (Dimensionality Reduction) (Boyut İndirgeme)
Boyut indirgeme (dimensionality reduction), yüksek boyutlu veri kümelerindeki değişken sayısını azaltırken verinin özünü ve yapısını koruyan teknikler bütünüdür. Modern veri kümelerinde binlerce hatta milyonlarca özellik bulunabilir; bu durum "boyutun laneti" olarak adlandırılan ve modellerin genelleştirilmesini zorlaştıran bir soruna yol açar. Boyut indirgeme bu karmaşıklığı yönetilebilir hale getirir ve makine öğrenimi boru hatlarında standart bir ön işlem adımı olarak yer alır. Temel yaklaşımlar iki gruba ayrılır. Doğrusal yöntemler arasında en yaygın kullanılan Temel Bileşenler Analizi (PCA), veri setindeki en yüksek varyansı açıklayan ortogonal eksenleri hesaplar. Yüzlerce özelliği 10-20 bileşene indirgemek ve verinin yüzde 95'inden fazla bilgisini korumak mümkündür. Lineer Diskriminant Analizi (LDA) ise sınıflar arası ayrımı maksimize ederek indirgeme yapar; bu özelliği onu sınıflandırma öncesi ön işlemde değerli kılar. Doğrusal olmayan manifold yöntemleri, verinin karmaşık eğrisel yapılarını koruyabilir. t-SNE (t-dağılımlı Stokastik Komşu Gömme), yüksek boyutlu noktalar arasındaki yerel benzerlikleri 2 veya 3 boyutlu uzayda görselleştirmek için en sık tercih edilen yöntemdir; birbirine yakın kümeler arasındaki ayrımı belirginleştirir. UMAP (Uniform Manifold Approximation and Projection) ise hem yerel hem küresel yapıyı korurken t-SNE'den çok daha hızlı çalışır ve büyük veri kümelerinde üretim ortamlarında tercih edilir. Derin öğrenme dünyasında otoenkoderler sinir ağları aracılığıyla boyut indirger: kodlayıcı kısım veriyi düşük boyutlu bir latent uzaya sıkıştırır, kod çözücü kısım ise orijinal veriyi yeniden oluşturmaya çalışır. Bu yaklaşım anomali tespiti, görüntü sıkıştırma ve öneri sistemleri gibi alanlarda yaygın biçimde kullanılır. Dil modellerindeki embedding vektörler de özünde boyut indirgemenin bir biçimidir: geniş sözcük dağarcıklarını yoğun vektörlerle temsil eder. Uygulama alanları geniştir: biyoinformatik analizinde gürültü azaltma, öneri sistemlerinde matris çarpanlara ayırma, doğal dil işlemede konu modelleme ve görüntü işlemede özellik çıkarma bu alanların başında gelir.
Cohort Analysis (Kohort Analizi)
Kohort analizi (cohort analysis), ortak bir özelliği ya da başlangıç noktasını paylaşan kullanıcı veya müşteri gruplarının (kohortların) davranışlarını belirli bir süre boyunca takip eden veri analizi yöntemidir. Epidemiyoloji araştırmalarından doğan bu teknik, dijital ürün analitiği ve makine öğrenmesi alanlarında temel bir araç hâline gelmiştir. Kohort analizinin iki ana türü vardır. Edinim kohortları (acquisition cohorts), kullanıcıları ilk etkileşim tarihlerine göre —kayıt tarihi, ilk satın alma ya da uygulama yükleme anı— gruplar ve zamanla nelerin değiştiğini ortaya koyar. Davranışsal kohortlar ise kullanıcıları belirli eylemler temelinde —onboarding'i tamamlama, belirli bir özelliği kullanma, belirli bir eşiği geçme— gruplar ve "neden" sorusuna yanıt verir. Pratik uygulamalar üç alanda yoğunlaşır. Müşteri elde tutma ve churn azaltma: hangi kohortların daha hızlı terk ettiği belirlenir ve hedefli kampanyalarla erken müdahale edilir. Pazarlama ROI ölçümü: farklı edinim kanallarından gelen kohortların yaşam boyu değeri (LTV) karşılaştırılır; LTV = ARPA ÷ Churn Rate formülü kullanılır ve 3:1 LTV/CAC oranı kârlılık eşiği kabul görür. Ürün performansı: yeni kullanıcıların önceki nesillere kıyasla daha iyi ya da daha kötü deneyim yaşayıp yaşamadığı ölçülür. Makine öğrenmesiyle birleşince kohort analizi tahmine dayalı bir boyut kazanır: ML modelleri, tarihsel kohort verilerinden öğrenerek bireysel kullanıcıların gelecekteki davranışlarını —churn olasılığı, dönüşüm ihtimali— tahmin eden prediktif kohortlar oluşturur ve proaktif müdahaleyi mümkün kılar. Kümeleme (clustering) algoritmaları, otomatik olarak anlamlı kohort sınırları belirleyerek analisti el ile tanımlama zahmetinden kurtarır. Kısıtlamalar arasında Simpson Paradoksu (birleşik trendin segmentlere ayrıldığında tersine dönmesi), verinin olgunlaşma süresinin uzunluğu ve korelasyonun nedensellik sanılması yer alır. Python (Pandas), SQL, Amplitude ve Mixpanel bu analizin temel araç ekosistemini oluşturur.
Pandas (Pandas — Python Veri Analizi Kütüphanesi)
Pandas, 2008 yılında Wes McKinney tarafından geliştirilen ve günümüzde NumFOCUS sponsorluğunda sürdürülen açık kaynaklı bir Python kütüphanesidir. Adını 'panel data' (panel verisi) ve 'Python Data Analysis Library' kavramlarından alan kütüphane, veri bilimi ve makine öğrenimi ekosisteminin temel taşlarından birini oluşturur. Pandas iki temel veri yapısı sunar: **Series** (tek boyutlu, etiketlenmiş dizi) ve **DataFrame** (iki boyutlu, tablo biçimli veri yapısı). DataFrame, satırları gözlem (örnek) ve sütunları özellik (feature) olarak ele alır; bu yapı veritabanı tablolarına veya Excel çalışma sayfalarına benzer. Makine öğrenimi modellerine beslenmeden önce neredeyse her veri seti bu biçime dönüştürülür. Kütüphanenin öne çıkan yetenekleri arasında şunlar yer alır: CSV, Excel, JSON, SQL, Parquet ve HTML gibi farklı kaynaklardan veri okuma; eksik değerlerin (NaN) tespiti ve doldurulması (imputation); veri gruplama (groupby), pivotlama ve birleştirme (merge/join/concat); zaman serisi endeksleme ve frekans dönüşümleri; vektörel hesaplamalar ve apply/map/lambda operasyonları. Makine öğrenimi boru hattında Pandas, modelden önce gelen veri hazırlama adımlarının büyük bölümünü üstlenir. Scikit-learn, XGBoost ve TensorFlow/Keras gibi çerçeveler Pandas DataFrame'lerini giriş olarak doğrudan kabul eder. Özellik mühendisliği sırasında yeni sütunlar türetmek, kategorik değişkenleri kodlamak ve normalizasyon uygulamak Pandas ile birkaç satır kodla gerçekleştirilir. Büyük veri ölçeğinde Pandas tek başına yetersiz kalabilir; bu durumda Dask (paralel Pandas), Polars (Rust tabanlı yüksek performanslı alternatif) veya Apache Spark'ın PySpark API'si devreye girer. 2023-2024 itibarıyla Pandas 2.0 ile birlikte dahili olarak Apache Arrow bellek biçiminin kullanılmaya başlanması performansı önemli ölçüde artırmıştır. Türkiye'deki veri bilimi eğitimlerinde Pandas, NumPy ile birlikte en temel Python kütüphaneleri arasında gösterilmektedir. İş ilanlarında 'Pandas deneyimi' düzenli olarak yer almakta; veri analistleri ve makine öğrenimi mühendisleri için sektörel bir standart haline gelmiş bulunmaktadır.
ROC-AUC (ROC Eğrisi ve AUC)
ROC-AUC (Receiver Operating Characteristic - Eğri Altındaki Alan), ikili sınıflandırma modellerinin performansını karar eşiğinden bağımsız olarak değerlendiren temel bir metriktir. ROC eğrisi, modelin ürettiği olasılık tahminlerine farklı karar eşikleri uygulandığında elde edilen Gerçek Pozitif Oranı (TPR - Duyarlılık) ile Yanlış Pozitif Oranı (FPR - 1-Özgüllük) çiftlerini bir grafik üzerinde gösterir. AUC (Area Under the Curve) ise bu eğrinin altındaki alanı ifade eder ve modelin genel ayırt etme gücünü 0 ile 1 arasında tek bir sayıyla özetler. AUC değeri 1.0, modelin tüm pozitif ve negatif örnekleri mükemmel şekilde ayırt ettiğini; 0.5 ise modelin rastgele tahminle eşdeğer olduğunu gösterir. Pratikte 0.7-0.8 arası kabul edilebilir, 0.8-0.9 iyi, 0.9 üstü ise mükemmel performans olarak değerlendirilir. Sıfırın altındaki değerler modelin sistematik olarak yanlış sınıflandırma yaptığını işaret eder; bu nadir durum genellikle sınıf etiketlerinin ters çevrildiği anlamına gelir. ROC-AUC'nin en kritik avantajı dengesiz sınıf dağılımlarına karşı dayanıklı olmasıdır. Tıbbi tanı, dolandırıcılık tespiti ve kredi risk değerlendirmesi gibi nadir olayların baskın olduğu problemlerde doğruluk (accuracy) metriği yanıltıcı sonuçlar verebilirken, ROC-AUC gerçek model kalitesini doğru şekilde yansıtır. Örneğin, yüzde doksanı negatif sınıfa ait olan bir veri setinde, her örneği negatif tahmin eden bir model yüzde doksan doğruluk elde eder; ancak AUC skoru 0.5 olur ve modelin hiçbir ayırt etme gücü olmadığını açıkça ortaya koyar. Birden fazla modeli karşılaştırırken AUC skoru, hangi modelin tüm olası eşik değerleri boyunca daha tutarlı performans sergilediğini nesnel biçimde ortaya koyar. Bu özellik, eşik seçimini erteleyerek model seçim sürecini veriye dayalı kılar. Bununla birlikte, yüksek sınıf dengesizliğinin bulunduğu durumlarda Precision-Recall AUC (PR-AUC) tercih edilmesi önerilir; çünkü ROC-AUC negatif sınıftaki çok sayıda doğru tahmini ödüllendirerek gerçek pozitif başarısını gizleyebilir. Python ekosisteminde scikit-learn kütüphanesi, roc_auc_score() ve roc_curve() fonksiyonlarıyla bu metriğin hesaplanmasını kolaylaştırır. XGBoost, LightGBM ve sklearn pipeline'ları built-in AUC izleme destekler. Çok sınıflı problemlerde ise One-vs-Rest veya One-vs-One stratejisiyle makro ortalama AUC hesaplanabilir; bu yaklaşım her sınıfın ayırt etme gücünü ayrı ayrı raporlar.
Survival Analysis (Hayatta Kalma Analizi)
Hayatta kalma analizi, bir olayın gerçekleşmesine kadar geçen süreyi modellemek ve tahmin etmek için geliştirilmiş istatistiksel yöntemler bütünüdür. Tıp araştırmalarında kanser hastalarının remisyon süresi, mühendislikte ekipman ömrü ve iş analitiğinde müşteri kaybı (churn) gibi senaryolarda temel başvuru kaynağıdır. Bu analizin en kritik zorluğu sansürleme (censoring) olgusudur: Çalışma süresi sona erdiğinde bazı katılımcılar için ilgilenilen olay henüz gerçekleşmemiş olabilir. Sağ-sansürlü (right-censored) veriler, bilinen son gözlem tarihine kadar olayın yaşanmadığını ifade eder; sansürlemeyi göz ardı etmek, hayatta kalma olasılığını ciddi biçimde olduğundan küçük tahmin etmeye yol açar. Kaplan-Meier (KM) tahmincisi, hayatta kalma olasılığını her olay anında adım adım güncelleyen parametrik-olmayan bir yöntemdir. Klinisyenler ve araştırmacılar tarafından standart görselleştirme aracı olarak kullanılır; iki grup arasındaki fark ise log-rank testiyle değerlendirilir. Cox Orantılı Tehlike (Cox PH) modeli, yaş, dozaj veya risk skoru gibi birden fazla kovaryantın tehlike oranına etkisini eş zamanlı olarak modelleyen yarı-parametrik bir regresyon yöntemidir. Taban tehlike fonksiyonunu tahmin etmeden çalışması, esnekliğinin temel kaynağıdır. Her bir katsayının exp(β) dönüşümü tehlike oranını (HR) verir; HR > 1 ise ilgili faktör olayı hızlandırır. Hızlandırılmış Arıza Süresi (AFT) modelleri ise Weibull veya lognormal gibi parametrik dağılımları temel alarak bekleme süresini doğrudan çıktı olarak verir; elde edilen hızlandırma faktörü yorumlamayı basitleştirir. Derin öğrenme çağında Random Survival Forest, DeepHit ve Pycox gibi makine öğrenmesi yöntemleri doğrusal olmayan etkileşimleri yakalama konusunda güçlü seçenekler sunar. Python ekosisteminde lifelines ve scikit-survival kütüphaneleri, standart scikit-learn API'siyle uyumlu araç zincirleri oluşturur. Sağlık bilişimi, sigorta aktüerliği, bankacılık, SaaS abonelik kaybı ve ürün güvenilirliği gibi alanlarda hayatta kalma analizi, kritik kararların temel analitik altyapısını oluşturmaktadır. Rekabetçi riskler (competing risks) senaryosunda —örneğin bir hastanın hem hastalıktan hem de başka nedenlerden ölüm riski taşıdığı durumlarda— Fine-Gray modeli ayrı olay türlerini birlikte ele alır.
Keşifsel Veri Analizi (EDA) (EDA)
Keşifsel Veri Analizi (Exploratory Data Analysis, EDA), ham veriden anlam çıkarmanın ilk ve en kritik adımıdır. John Tukey'in 1977'de kaleme aldığı aynı adlı eseriyle sistematik bir disiplin hâline gelen EDA, veri bilimcilerin bir veri kümesini modellemeden veya hipotez testine sokmadan önce derinlemesine incelediği keşifsel süreçtir. EDA'nın temel amacı şu soruları yanıtlamaktır: Veri nasıl dağılmış? Hangi değişkenler birbiriyle ilişkili? Aykırı değerler (outlier) var mı ve bunlar gerçek mi yoksa veri giriş hatası mı? Eksik değerler (missing values) hangi örüntüde oluşmuş? Hangi özellikler hedef değişkeni en çok etkiliyor? Bu soruları yanıtlamak için EDA iki temel yöntem sınıfına başvurur. Nicel yöntemler arasında merkezi eğilim ölçüleri (ortalama, medyan, mod), yayılım ölçüleri (standart sapma, varyans, çeyrekler arası aralık), çarpıklık ve basıklık katsayıları yer alır. Nitel/görsel yöntemler ise histogram, kutu grafiği (box plot), yoğunluk grafiği, dağılım matrisi (pair plot) ve korelasyon ısı haritası gibi araçlarla veriyi sezgisel biçimde anlaşılır kılar. Modern veri bilimi ekosisteminde EDA, Python'da Pandas, NumPy, Matplotlib, Seaborn ve Plotly kütüphaneleriyle; R'de ggplot2 ve dplyr ile yürütülür. Pandas Profiling ve ydata-profiling gibi otomatik EDA araçları tek bir komutla kapsamlı raporlar üretir. AutoEDA yaklaşımları büyük veri kümelerinde zaman tasarrufu sağlasa da deneyimli bir veri bilimcinin yorumunun yerini alamaz. EDA sürecinde izlenen tipik adımlar şöyle sıralanabilir: önce veri yapısı incelenir (shape, dtypes, head); ardından betimleyici istatistikler hesaplanır (describe); eksik değer örüntüleri ve oranları belirlenir; tek değişkenli dağılımlar görselleştirilir; iki değişkenli ilişkiler scatter plot ve korelasyon matrisiyle keşfedilir; son olarak çok değişkenli örüntüler ve gruplararası farklılıklar araştırılır. Bu adımlar doğrusal değil yinelemeli bir döngü oluşturur; her bulgu yeni sorular doğurur. EDA, özellik mühendisliği (feature engineering), veri temizleme ve model seçimi kararları üzerinde doğrudan etkilidir. Kötü anlaşılmış veriyle kurulan modeller ne kadar sofistike olursa olsun güvenilmez sonuçlar üretir; bu nedenle EDA 'çöp girer, çöp çıkar' ilkesinin pratikte uygulandığı kalkan katmanıdır. Regresyon, sınıflandırma veya kümeleme modellerinden önce mutlaka gerçekleştirilmesi gereken bu aşama, hem modelin doğruluğunu hem de yorumlanabilirliğini doğrudan şekillendirir.
t-SNE (t-SNE (T-Dağılımlı Stokastik Komşu Gömme))
t-SNE (t-Distributed Stochastic Neighbor Embedding), yuksek boyutlu veriyi iki veya uc boyutlu bir uzaya gorselleştirme amaciyla indirgemek icin kullanilan dogrusal olmayan bir boyut indirgeme yontemidir. 2008 yilinda Laurens van der Maaten ve Geoffrey Hinton tarafindan tanitilan bu algoritma, ozellikle derin ogrenme modellerinin gizli katman temsillerini (embedding) insan gozuyle kavranabilir bicimde gorselleştirme konusunda standart arac haline gelmistir. Algoritmanin calisma prensibi iki temel asamaya dayanir. Birinci asamada yuksek boyutlu uzaydaki her nokta cifti arasindaki benzerlikler Gaussian dagilimi kullanilarak kosullu olasilik degerlerine donusturulur; yakin noktalar yuksek, uzak noktalar dusuk olasilik alir. Ikinci asamada bu dagilim dusuk boyutlu uzayda Student-t dagilimiyla yeniden modellenir. Algoritma, iki dagilim arasindaki Kullback-Leibler (KL) iraksamasini minimize ederek veriyi dusuk boyutlu uzaya gomer. Student-t dağiliminin kalin kuyrugu, uzak noktalarin dusuk boyutlu temsilde daha da ayrismasini saglar ve kalabalik problemi olarak bilinen yapisal bozulmayı buyuk olcude giderir. En kritik hiperparametre perplexity degeridir; bu parametre her nokta icin efektif komsu sayisini belirler ve tipik olarak 5 ile 50 arasinda ayarlanir. Dusuk degerler yerel yapiyi on plana cikarirken yuksek degerler kuresel yapiyi daha iyi yakalar. Cikti rastsal baslangica duyarli oldugundan tekrarlanabilirlik icin random_state parametresinin sabitlenmesi zorunludur. PCA ile karsilastirildiginda t-SNE dogrusal olmayan manifold yapilarini daha iyi ortaya cikarir; ancak eksen degerlerinin dogrudan yorumu yoktur ve yeni veri noktalari icin projeksiyon uretemez. Buyuk veri kumelerinde hesaplama maliyeti yuksek oldugunde Barnes-Hut t-SNE veya GPU hizlandirmali RAPIDS cuML gibi olceklenebilir alternatiflere basvurulur. MNIST rakam gorselleştirmesi, scRNA-seq hucre populasyonu analizi ve transformer gomu uzayi arastirmalari en yaygin uygulama alanlaridir. Scikit-learn uzerinden TSNE sinifi ile hizla uygulanabilir; buyuk ol cekler icin openTSNE veya UMAP alternatif olarak degerlendirilebilir.
Veri Bilimi (Veri Bilimi)
Veri bilimi; ham veri setlerinden anlamlı içgörüler, örüntüler ve tahminler çıkarmak için istatistik, matematik, makine öğrenmesi ve bilgisayar bilimini bir araya getiren disiplinlerarası bir alandır. İş dünyasından sağlık bilimine, finans sektöründen sosyal medya analizine kadar geniş bir yelpazede uygulanır. Bir veri bilimi projesi genellikle beş temel aşamadan oluşur: veri toplama ve temizleme (veri setlerinin %60-80'i bu aşamaya ayrılır), keşifsel veri analizi (EDA), model geliştirme ve eğitim, model değerlendirme ile son olarak dağıtım ve izleme. Bu süreç, CRISP-DM (Cross-Industry Standard Process for Data Mining) metodolojisiyle standart hale getirilmiştir. Python ve R, veri biliminin iki temel programlama dilidir. Python ekosistemi —Pandas, NumPy, Scikit-learn, TensorFlow ve PyTorch— endüstri standardı haline gelmiştir. SQL ise yapılandırılmış veritabanlarıyla çalışmak için vazgeçilmezdir. Veri bilimcisi olmak; istatistiksel düşünme, kodlama becerisi ve alan uzmanlığı üçgenini gerektirdiğinden bu meslektaşlar iş dünyasında oldukça değerlidir. 2024 verilerine göre ABD'de median veri bilimcisi maaşı yıllık 130.000 dolar civarındadır. Türkiye'de ise deneyimli veri bilimcilere olan talep her yıl hızla artmaktadır. Yapay zeka ve büyük dil modellerinin (LLM) yükselişiyle birlikte veri bilimi alanı derin bir dönüşüm geçirmektedir. Kod üretme, veri temizleme otomasyonu ve doğal dil tabanlı analiz gibi görevlerde yapay zeka desteği standart hale gelmektedir; bu durum veri bilimcilerin daha stratejik ve yüksek değerli işlere odaklanmasını mümkün kılmaktadır. MLOps ve LLMOps pratiklerinin olgunlaşmasıyla birlikte veri bilimciler artık yalnızca model kurmakla kalmıyor, üretim sistemlerini tasarlıyor ve izliyor. Veri kalitesi, önyargı tespiti ve yorumlanabilirlik (explainability) gibi konular modern veri bilimcinin temel sorumluluk alanına girmiş bulunmaktadır. Ayrıca büyük kuruluşlarda veri mühendisliği, veri analitiği ve makine öğrenmesi mühendisliği rolleriyle iç içe geçen veri bilimi, günümüzde çok boyutlu bir kariyer yoluna dönüşmüştür.