12 ay
Tahmini Süre
9
Modül
4
Sektörel Proje
180+
Quiz
Sertifika
Mezuniyette
₺290K
Yıllık Kazanç
Mezunlarımızın Çalıştığı Şirketler
Modüller
Data Engineer Path
Veri modelleri tasarlamayı, veri ambarları ve veri gölleri oluşturmayı, veri işlem hatlarını otomatikleştirmeyi ve çok büyük veri kümeleriyle çalışmayı öğrenecek; programın sonunda bir capstone projesini tamamlayarak yeni becerilerinizi birleştireceksiniz.
Modül 1 5 Saat
Bilişim Çalışanları için Temel Yetenekler
Dünya bilişim ve teknolojideki baş döndürücü gelişmelerle çok hızlı değişiyor. Bilişim hayatın o kadar çok içine girdi ki artık elektrik, su gibi hiç kimse onun yokluğuna katlanamıyor. Bilişim insan hayatındaki önemini arttırdıkça bu alandaki istihdam ve iş gücü talebi de katlanarak artıyor. Bu alanda istihdam olan herkes temel bilgisayar bilimleri kavramlarını bilmeye ihtiyaç duymaktadır.
Linux işletim sistemini tanıma, temel komutlarına hakim olma, API, veri yapıları, işleri periyodik olarak çalıştırma, bilgisayar ağları, sürüm kontrol uygulamaları gibi bir çok temel bilgi bu eğitimde öğrenilecektir.
Endüstri projesi veri sponsoru : 
Bilgisayar ağlarının temel kavramları olan IP, MAC ağ, DNS, NAT, subnet ve protokoller gibi kavramlar öğrenilecektir.
Temel ve sık kullanılan linux komutları, metin editörleri, günlük rutin işleri script haline dönüştürerek otomatize etme ve bunu cron işi ile periyodik olarak tetikleme konuları uygulamalı olarak öğrenilecektir.
Rutin ve tekrarlanan işlerin programlama dilini andıran bash scripting ile ilgili koşullar, döngüler, fonksiyon oluşturma, dosya içeriği okuma, argüman kullanma gibi konular öğrenilecektir.
Örnek proje üzerinden sürüm kontrol sisteminin mantığı, kullanımı, github entegrasyonu, branch oluşturma, değiştirme, merge, hesap token’ı oluşturma ve kullanma konuları uygulamalı olarak öğrenilir
En popüler açık kaynaklı ilişkisel veri tabanı olan PostgreSQL ile temel SQL komutları öğrenilecektir.
Modül 2 11 Saat
Veri Mühendisleri için Python Programlama
Bu eğitim Python programlama dilini etkin bir PyCharm IDE kullanımı ile fonksiyonel yetenekler kapsamında öğrenilmesini sağlar. Veri okuma, veri ön işleme, özellik geliştirme ve yapay öğrenme (machine learning) modelleri üretimi gibi tüm temel veri bilimi işlemlerini yapabilmeniz için gerekli altyapıyı proje geliştirme düzeyinde edineceksiniz.
PyCharm, Virtual Environment ve Dependency Management konuları ile büyük ölçekli projeler için kendi çalışma ortamınızı oluşturmayı ve yönetmeyi öğreneceksiniz. Çalışma ortamı ayarları gerçekleştirildikten sonra Python’da ilk adımlarımızı atmış olacağız.
Python programlamanın temellerini oluşturan veri yapılarını kapsamlı bir şekilde öğrenme imkanı bulacaksınız.
Sıfırdan kapsamlı bir şekilde ileri seviye fonksiyonları yazmayı öğrenecek ve zor senaryolar için kendi fonksiyonlarınızı yazabileceksiniz. Ayrıca comprehensions konusu ile veri bilimi ve makine öğrenmesi süreçlerini ölçeklenebilir pipeline’lar ile sürdürebilmek için çok değerli bilgiler edineceksiniz.
Veri bilimi, makine öğrenmesi ve yapay zeka uygulamaları için kaçınılmaz olan temel kütüphaneleri öğreneceksiniz. Bu bilgileri yaygın kaynaklardan farklı olarak gelişmiş fonksiyonlar yazmak için kullanacaksınız ve fonksiyonel veri analizi modülünüzü dokümantasyonu ile birlikte yazabileceksiniz.
Modül 3 6 Saat
Büyük veri, geleneksel yaklaşımla işlenip yönetilemeyecek kadar büyük ve karmaşık veriye işaret eder. Veri günümüzde şirket ve kurumların çalışma şekillerini kökten değiştirmeye başlamıştır. Bu durum önümüzdeki yıllarda daha da hayati bir noktaya gelecek. Veriyi stratejik bir değer olarak gören şirketler görmeyenlere göre öne geçecektir.
Neredeyse iki yılda bir üretilen verinin ikiye katlandığı bir dünyada artık veriyi tek bir makineye sıkışarak işlemek, saklamak, analiz etmek zorlaşmaktadır. Üstelik artık her şeyin tek bir makinede olduğu sistemler tek nokta kırılganlığı taşıdığından veri işleyen sistemler ister istemez ölçeklenmektedir.
Bu modülde büyük verinin başlangıcından beri var olan ve halen dünya büyük verisinin çoğunu saklayan ve işleyen açık kaynak kodlu projeler uygulama seviyesinde öğrenilecektir. Aynı zamanda büyük veri ve dağıtık veri işlemenin temel mantığı özümsenecektir.
Endüstri projesi veri sponsoru : 
Apache Hadoop açık kaynak kodlu büyük veri dünyasının en önde gelen popüler platformudur. Bu bölümde Hadoop Dağıtık Dosya Sistemi (HDFS), Kaynak Yönetimi (YARN) ve dağıtık veri işleme çerçevesi MapReduce öğrenilecektir. Veri Hadoop'a nasıl taşınır? Hadoop'dan veri nasıl alınır? MapReduce ile HDFS üzerindeki veri nasıl işlenir? YARN Resource Manager ara yüzlerinden işler nasıl takip edilir gibi konular öğrenilecektir.
HDFS üzerinde saklanan veri üzerinde SQL benzeri bir dil ile sorgulama yapılmasına imkân sağlayan ve büyük veri dünyasında veri ambarı (data warehouse) / veri gölü (data lake) yapılarında sıklıkla kullanılan bir projedir. Hive veri tabanı ve tablo yaratma, veri setlerini Hive tablosu haline getirme, SQL editörünü Hive'a bağlama, SQL sorgu dosyalarını Hive üzerinde çalıştırma, Hadoop dosya formatları, Partitioning ve Bucketing gibi konular öğrenilecektir.
Hadoop ile ilişkisel veri tabanları arasında veri transferi sağlayan bir projedir. Sqoop ile PostgreSQL veri tabanında sorgu çalıştırma, Hadoop, Hive ve PostgreSQL arasında karşılıklı olarak veri aktarımları uygulamalı olarak öğrenilecektir.
Akan veri işleyen sistemler ve uygulamaların kalbinde yer alan oldukça popüler bir dağıtık akan veri platformudur. Kafka'nın temel özellikleri, kavramları, topic oluşturma, Python ile Kafka'ya mesaj gönderme ve okuma, console consumer/producer ve consumer grupları kullanımı uygulamalı olarak öğrenilecektir.
Modül 4 6 Saat
Apache Spark ile Büyük Veri İşleme
Spark, dağıtık veri işlemenin zorlu tarafını geliştiriciden yalıtarak ona bütünleşik ve kullanımı kolay API’ler sunan analitik bir veri işleme platformudur. Spark'ın bütünleşik programlama modeli, veri açısından zengin analitik uygulamalar geliştirenler için onu en iyi seçim haline getirir. Spark ile parti veya akan veri işlemek mümkündür.
Büyük verileri bildiğiniz SQL’i kullanarak sorgulamak çok kolaydır. Apache Spark, açık kaynaklı bir proje olarak, hızla ve ölçeklenerek yeniliği ateşliyor. Bu eğitimde popüler veri bilimi programlama dili Python ile Spark nasıl kullanılır öğrenilecek ve veri manipülasyonundan, kodların optimize edilmesine kadar geniş ölçekte veri işlemenin püf noktaları öğrenilecektir.
Son olarak işlenen verilerin düzenli ve sistematik olarak nasıl saklanacağı ve buradan bu veriyi tüketecek iç dış müşterilere en güncel, tutarlı ve doğru şekilde nasıl sunulabileceği görülecektir.
Büyük ölçekli verilerin dağıtık olarak veri manipülasyonu yapılmasını sağlar. Spark'ın temelleri, veri okuma, filtreleme, yeni özellikler ekleme, dönüştürme, diske yazma, kullanıcı tanımlı fonksiyon yazma, SparkSQL fonksiyonlarını kullanma, aggregation, Spark'ı YARN modunda çalıştırma gibi konular uygulama seviyesinde öğrenilecektir.
Spark ile ilişkisel veri tabanları, HDFS, Hive gibi farklı veri kaynaklarına okuma yazma yapılır. Farklı veri formatları ve sıkıştırma algoritmaları ile veriler okunur yazılır.
Performans optimizasyonuna çok açık olan Spark için performans ve kaynakları etkin kullanma incelikleri öğrenilir. Dinamik kaynak kullanımı, partitioning ve bucketing, adaptive query, shuffle partitions gibi konular ele alınmaktadır.
Büyük veri dünyasındaki ACID problemine çözüm getiren ve büyük veriyi daha da özgürleştirerek ilişkisel veri tabanı konforunu dağıtık devasa veri üzerinde sağlayan proje olan Delta Lake öğrenilecektir. Delta Lake ile büyük veri üzerinde upsert, update, insert, delete gibi temel CRUD operasyonları ele alınacaktır.
Modül 5 3 Saat
Spark, dağıtık veri işlemenin zorlu tarafını geliştiriciden yalıtarak ona bütünleşik ve kullanımı kolay API’ler sunan analitik bir veri işleme platformudur. Spark'ın bütünleşik programlama modeli, veri açısından zengin analitik uygulamalar geliştirenler için onu en iyi seçim haline getirir. Spark ile parti veya akan veri işlemek mümkündür.
Spark'ın onlarca farklı özelliklerinden bir tanesi da makine öğrenmesi modellerini büyük ölçekteki veriler üzerinde mümkün kılmasıdır. Bu eğitimde Spark ML kütüphaneleri tanınacak ve bu kütüphaneler yardımıyla supervised, unsupervised öğrenme yöntemleriyle örnek modeller geliştirilecektir.
Spark yapay öğrenme kütüphanelerinin tanıtımı ve Spark ML Pipelines temel kavramları ele alınarak makine öğrenmesi uygulamalarına giriş ve ön hazırlık yapılır.
En yaygın gözetimli öğrenme yöntemlerinden olan Regresyon ile model geliştirilecek ve veri hazırlık süreci detaylı olarak ele alınacaktır. Regresyon model değerlendirme kütüphanesi kullanılarak başarı metrikleri elde edilecektir.
Spark ML sınıflandırma algoritmalarından birisiyle ve örnek bir veri seti üzerinde ML Pipelines kullanarak sınıflandırma modeli geliştirilecektir. Sınıflandırma model değerlendirme kütüphanesi kullanılarak başarı metrikleri elde edilecektir.
Spark ML kütüphanesinde bulunan KMeans algoritması örnek bir veri seti üzerinde kullanarak kümeleme modeli geliştirilecektir. Kümeleme model değerlendirme kütüphanesi kullanılarak ideal küme sayısı bulunacaktır.
Modül 6 3 Saat
Spark ile Gerçek Zamanlı Veri İşleme
Apache Spark Streaming, hem toplu iş hem de akış iş yüklerini yerel olarak destekleyen, ölçeklenebilir, hataya dayanıklı bir akan veri işleme sistemidir. Spark Streaming, veri mühendislerinin ve veri bilimcilerinin Kafka, Flume ve Amazon Kinesis dahil -ve bunlarla sınırlı olmamak üzere- çeşitli kaynaklardan gerçek zamanlı verileri işlemesine olanak tanıyan temel Spark API'nin bir uzantısıdır.
Bu eğitimde gerçek senaryolara dayalı olarak Spark Streaming ile nasıl veri manipülasyonu yapılır, farklı kaynaklardan nasıl veri okunur ve işlenen veriler farklı kaynaklara tekrar nasıl yazılır öğrenilecektir.
Dosya ve soket kaynaklarından statefull ve stateless olarak gerçek zamanlı veri işleme uygulamaları gerçekleştirilir.
Gerçek zamanlı veri işlendikten sonra birden farklı yere sonuçları yazmak oldukça yaygın bir ihtiyaçtır. Örneğin elde ettiğiniz sonçlardan filtreleme yapıp bazılarını ilişkisel veri tabanına tamamını Hive veri tabanına veye Delta tabloya yazmak isteyebilirsiniz.
Kafka en popüler gerçek zamanlı veri işleme platformudur. Spark Structured Streaming kafka ile harika bir ikili oluşturur ve yaygın olarak birlikte kullanılırlar. Spark ile Kafka kaynağından mesajlar nasıl okunur, bu mesajlar nasıl yapısal hale getirilir, işlendikten sonra tekrar Kafka'ya nasıl yazılır uygulamalı olarak öğrenilecektir.
Gerçek zamanlı veri işlemede odak noktası şimdiki zaman olduğu için haftalar veya aylar öncesine ait olaylardan daha çok saat, dakika ve saniyeler içinde meydana gelen olaylar işlenir. Bunun için sabit veya kayan pencerelerde veri işlemesi yapılır. Örneğin son 5 dakikada kaç tane olay olmuş, nemlendirici sensörlerinden gelen sinyallerin yarım saatlik ortalaması nedir gibi bilgiler akan veri içinden elde edilmeye çalışılır. Büyük veri dünyasındaki ACID problemine çözüm getiren ve büyük veriyi daha da özgürleştirerek ilişkisel veri tabanı konforunu dağıtık devasa veri üzerinde sağlayan proje olan DeltaLake hem parti hem de gerçek zamanlı veri iş yükleri için uygundur. İşlenen verinin delta tablosu olarak yazılması uygulamaları gerçekleştirilecektir.
Modül 7 4 Saat
NoSQL büyük veri ihtiyaçlarını ilişkisel veritabanlarının kısıtlarına çözüm getiren esnek şemalı, ölçeklenebilen ve farklı veri formatlarıyla çalışmaya izin veren veri tabanlarıdır.
Bu eğitimde NoSQL'in temel mantığını oluşturan CAP teoremini anladıktan sonra NoSQL veri tabanları hakkında genel bilgi edineceğiz ve yüzlerce NoSQL veritabanından öne çıkan MongoDB, Cassandra ve Elasticsearch'ü uygulamalı olarak öğreneceğiz.
Endüstri projesi veri sponsoru : 
NoSQL'in en temel kavramı olan CAP teoremi sade ve basit bir örnek ile öğrenilir. NoSQL veri tabanları, türleri, her türün önde gelen ürünleri ve türlerin birnirlerine olan üstünlük ve eksiklikleri ele alınır.
Apache Cassandra temel kavramları, çalışma mantığı ve RDBMS'ten farklılıkları öğrenilir. Cassandra shell erişimi, bir csv dosyası Cassandra'ya tablo olarak yükleme, basit sorgular çalıştırma, python driver kullanımı, Spark ile veri okuma yazma konuları öğrenilir.
Doküman bazlı veri tabalarının en popüler temsilcisi olan MongoDB'ye basit bir girişin ardından mongo shell kullanma, temel CRUD operasyonları, MongoDB kullanıcısı yaratma ve rollerini belirleme, Python driver ile MongoDB kullanma, Spark ile MongoDB'den veri okuma ve yazma konuları uygulamalı olarak öğrenilir.
Elasticsearch mimarisi, terminolojisi öğrenilir. Kibana arayüz aracılığıyla temel index operasyonları icra edilir. Python driver ve Apache Spark ile Elasticsearch indeksleme ve sorgulama operasyonları icra edilir. Logstash ile Elasticsearch'e veri gönderimi örneği icra edilir.
Modül 8 6 Saat
Data Pipelines and Workflow Scheduling
Verinin işletmeler ve kurumlar için öneminin her geçen gün artmasıyla beraber verinin yönetimi ve periyodik hareketlerinin düzenlenmesi bir zorunluluk haline gelmiştir. Kimi zaman bazı işletmelerde yüzlerce veya binlerce günlük veri hareketi olmaktadır. Tüm bu hareketlerin tasarlanması, takibi ve yönetilmesi ise gelişmiş araçları gerektirmektedir.
Bu eğitimde bu ihtiyaçları karşılamaya yönelik geliştirilmiş önde gelen veri akışı düzenleme ve otomatikleştirme araçlarından Airflow, Jenkins, Logstash ve NiFi ile uygulamalı örnekler yapılacaktır.
Airflow, data pipeline tasarlamak, bunu programlama diliyle ifade etmek ve mevcut iş akışlarını izlemek için geliştirilmiş açık kaynaklı bir workflow scheduling aracıdır. Airflow içinde hazır bulunan yüzlerce operatör ile veri akışı tasarlamak mümkündür. Bir veri kaynağından verinin alınması, Spark ile işlenip PostgreSQL veri tabanında farklı tablolara yazılması örneği uygulamalı olarak öğrenilecektir.
Önde gelen otomasyon sunucusu Jenkins, herhangi bir projeyi oluşturmayı, dağıtmayı ve bunu otomatik hale getirmeyi sağlayan açık kaynak kodlu bir araçtır. Jenkins her türlü ihtiyacı karşılayacak yüzlerce eklentiye sahiptir. Örnek olarak bir maven projesini derleyip jar haline getirme ve bu jar dosyasını canlı ortama dağıtma uygulanacaktır.
Logstash, çok sayıda kaynaktan veri alan, bunları dönüştüren ve ardından en sevdiğiniz veri depolama ortamına gönderen ücretsiz, açık kaynaklı, ve sunucu tarafında çalışan data pipeline aracıdır. Örnek olarak çeşitli kaynaklardan alınan verilerin Elasticsearch'e indekslemesi uygulanacaktır.
Apache NiFi bir web ara yüzüyle veri akış hattını tasarlama, yönetme ve izlemeyi mümkün kılan açık kaynak kodlu ölçeklenebilir bir araçtır. Örnek olarak log dosyalarının hdfs'e aktarılması, ilişkisel veri tabanından Kafka'ya veri akışı yapılacaktır.
Modül 9 4 Saat
Konteyner Ortamları ve Makine Öğrenmesi Modellerinin Dağıtımı
Uygulama ihtiyaçları hızla artmakta ve bu ihtiyacı karşılamak üzere baş döndürücü hızla uygulama geliştirilmektedir. Artık uygulamaların kesintisiz çalışması, ihtiyaç değişikliklerine karşı esnek olması ve bu değişiklik taleplerinin çok kısa sürede yerine getirilmesi zorunluluk ötesi bir standart haline gelmiştir. Tüm bu özellikler uygulamaların konteyner halinde ve yine konteyner ortamlarında çalışmasıyla çok daha mümkün ve kolaydır.
Bu eğitimde temel ve popüler konteyner teknoloileri olan Docker ve Kubernetes ile uygulama kodu nasıl paketlenip imaj haline getirilir ve konteyner olarak çalışır, çalışan bu konteyner Kubernetes üzerinde nasıl dağıtılır öğrenilecektir.
MLOps ve MLflow temel kavramları, veri bilimi projesi hayat döngüsündeki yeri, model geliştirme esnasında MLflow entegrasyonu, model seçimi, model registiry, MLflow ile model deployment konuları uygulamalı olarak öğrenilir.
Geliştirilen uygulamaları imaj haline getirmek için Dockerfile dosyalarının oluşturulması, imajların oluşturulması, otomasyon ve deployment araçlarıyla bu imajlardan çalışan konteynerlerin docker-compose veya Kubernetes ile dağıtımının yapılması uygulamalı olarak öğrenilecektir.
CD/CD kavramı, otomasyonun önemi, Jenkins’in yazılım dağıtımındaki rolü, git commit ile CI/CD pipeline tetikleyerek uygulamanın canlı ortamda çalıştırılması uygulamalı olarak öğrenilir.
Endüstri Projesi
Apache Cassandra ile Veri Modelleme
Müşteri transaction verilerinin tarih bazında sorgulanmak üzere Cassandra veritabanında nasıl modelleneceğini öğreneceksiniz.
Apache Hive ile Veri Analizi
Bu projede FLO veri setini inceleyerek bir Hive tablosu oluşturacaksınız. Veri setini bu tabloya yükleyecek ve ardından sizden istenen iş gereksinimlerini karşılayan sorguları hazırlayacaksınız.
Sensör Verilerinin Gerçek Zamanlı Görselleştirilmesi
Spark Streaming ve Kafka ile akan veri üzerinde iş gereksinimlerini karşılayan dönüşümlerden sonra Elasticsearch ve Kibana kullanarak gerçek zamanlı görselleştirmeler yapacaksınız.
Spark Yapay Öğrenme ve Kafka ile Gerçek Zamanlı Tahmin Yapma
Yapay öğrenme (machine learning) modelinizi kullanarak akan veri üzerinde gerçek zamanlı tahminler yaparak sonuçlarını Kafka'ya göndereceksiniz.
Apache Cassandra ile Veri Modelleme
Müşteri transaction verilerinin tarih bazında sorgulanmak üzere Cassandra veritabanında nasıl modelleneceğini öğreneceksiniz.
Apache Hive ile Veri Analizi
Bu projede FLO veri setini inceleyerek bir Hive tablosu oluşturacaksınız. Veri setini bu tabloya yükleyecek ve ardından sizden istenen iş gereksinimlerini karşılayan sorguları hazırlayacaksınız.
Sensör Verilerinin Gerçek Zamanlı Görselleştirilmesi
Spark Streaming ve Kafka ile akan veri üzerinde iş gereksinimlerini karşılayan dönüşümlerden sonra Elasticsearch ve Kibana kullanarak gerçek zamanlı görselleştirmeler yapacaksınız.
Spark Yapay Öğrenme ve Kafka ile Gerçek Zamanlı Tahmin Yapma
Yapay öğrenme (machine learning) modelinizi kullanarak akan veri üzerinde gerçek zamanlı tahminler yaparak sonuçlarını Kafka'ya göndereceksiniz.
Bugün Başla
12 Aylık Erişim
Kendi programına uygun şekilde ilerle
$
420
$
252
- Tüm materyallere 12 aylık erişim
- Endüstri projeleri ve sanal mentor desteği
- Sertifika
Şirketler çalışanlarının yetkinliğini arttırmak için Miuul’u tercih ediyor.
Teklif almak için Bize yazın
- Bu program, Data Engineer için gerekli bilgi ve becerileri sağlar.
- Katılımcılar, Data Engineer ile ilgili teorik bilginin yanında öğrendiklerini pratiğe dökecek ve Bilişim Çalışanları için Temel Yetenekler,Python Programlama, Büyük Veri Temelleri, Apache Spark ile Büyük Veri İşleme, Spark Makine Öğrenmesi, Spark ile Gerçek Zamanlı Veri İşleme, NoSQL: Büyük Veritabanları, Data Pipelines and Workflow Scheduling, Konteyner Ortamları ve Makine Öğrenmesi Modellerinin Dağıtımı konularında güçlü bir temel oluşturacaktır.
- Program, Data Engineer alanına ilgi duyan herkes için uygundur.
- Temel bilgisayar bilgisine ek olarak Python, SQL, Makine Öğrenmesi bilgisine sahip olanlar, programı daha etkili bir şekilde anlayabilir.
- Bu alanda kariyer yapma veya mevcut bilgilerini geliştirme isteği olanlar için uygun bir başlangıç noktasıdır.
- Linux işletim sistemini tanıma, temel komutlarına hakim olma, API, veri yapıları, işleri periyodik olarak çalıştırma, bilgisayar ağları, sürüm kontrol uygulamaları gibi bir çok temel bilgiye sahip olacaksınız.
- Python programlamanın temellerini oluşturan veri yapılarını, sıfırdan kapsamlı bir şekilde ileri seviye fonksiyonları yazmayı ve büyük ölçekli projeler için kendi çalışma ortamınızı oluşturmayı öğreneceksiniz.
- Büyük veri ve dağıtık veri işlemenin temel mantığını öğreneceksiniz.
- Python ile Spark nasıl kullanılır, veri manipülasyonundan, kodların optimize edilmesine kadar geniş ölçekte veri işlemenin püf noktalarını öğreneceksiniz.
- Spark ML kütüphanelerini tanıyacak ve bu kütüphaneler yardımıyla supervised, unsupervised öğrenme yöntemleriyle örnek modeller geliştireceksiniz.
- Gerçek senaryolara dayalı olarak Spark Streaming ile nasıl veri manipülasyonu yapıldığını, farklı kaynaklardan nasıl veri okunduğunu ve işlenen veriler farklı kaynaklara tekrar nasıl yazıldığını öğreneceksiniz.
- Kursu tamamlayan kişiler Data Engineer (Veri Mühendisi) pozisyonu için gerekli tüm bilgi ve becerilere sahip olacaktır.
- Katılımcıların temel bilgisayar bilgisi kavramlarına aşina olmaları önemlidir.
- Katılımcıların programlama becerilerinden “Python”, “SQL” ve “Makine Öğrenmesi” bilgisine sahip olmaları beklenmektedir.
İşlemci (CPU):
En azından dört çekirdekli bir işlemci önerilir.
İşlemci hızı, genel performansı etkiler, bu nedenle 2.5 GHz ve üzeri bir hız tercih edilebilir.
Bellek (RAM):
En az 8 GB RAM ve 25 GB boş disk alanına sahip bilgisayar önerilir.
Bellek miktarı, aynı anda çalıştırabileceğiniz uygulama sayısını ve genel sistem performansını etkiler.
İşletim Sistemi:
MacOS (M1, M2, M3 işlemcili olanlar hariç) veya Windows 10/11 olabilir. Sanallaştırma yazılımı olarak Virtualbox veya VmWare Player/Pro tercih edilebilir.
Geliştirme ortamınıza uygun bir işletim sistemi seçimi önemlidir.
- Programın başarılı bir şekilde tamamlanması için, sağlanan tüm kaynakları her hafta - haftada belirlediğiniz minimum iki gün - izlemeniz ve de videolarda yer alan tüm projeleri yapmanız önemlidir.
- Kendi hızınızda çalışarak bir sonraki modüle geçmeden önce bir modülü gerçekten anlamak ve uygulamak için zaman ayırın. En önemli şey pratik yapmak, pratik yapmak ve pratik yapmaktır. Teknolojileri pratikte uygularken daha hızlı öğrenmenize ve işte size güven vermenize yardımcı olacaktır.
- Her modülde, yalnızca modüldeki teknolojiyi değil, aynı zamanda önceki modüllerde öğrenmiş olduğunuz diğer araçlarla kombinasyonu da uygulayabileceğiniz bir uygulamalı laboratuvar bulunmaktadır. Ayrıca, diğer katılımcılarla bilgi alışverişinde bulunmak, iletişim kanalı üzerinden mentorunuza soru sormak ve başkalarına yardım etmek için her fırsatınızı kullanın, çünkü en iyi yollardan biri de başkalarına öğretmek ve yardımcı olmaktır.
Kursa katılmak için adımları takip ederek kolayca kayıt olabilirsiniz:
Başvuru Süreci:
- Kursa istediğiniz zaman başvuruda bulunabilirsiniz. Başvuru süreci, eğitim içeriklerine kayıt olduğunuz günden itibaren 1 yıl süresince erişiminizi sağlar.
Kayıt Ol Butonu:
- Kursa katılmak için "Kayıt Ol" butonuna tıklayın.
- Bilgilerinizi Girin:
- Kayıt ol butonuna tıkladıktan sonra, adınız, soyadınız, e-posta adresiniz gibi temel bilgilerinizi girmeniz istenecektir.
- Ödeme Bilgilerinizi Ekleyin:
- Satın alma işlemini tamamlamak için mail adresinizi ve kart bilgilerinizi girmeniz gerekecek. Ödeme işlemi güvenli bir şekilde gerçekleştirilir.
Erişim Süresi:
- Ödeme onaylandıktan sonra, eğitim içeriklerine 1 yıl boyunca erişim hakkınız olacaktır. Bu süre içinde istediğiniz zaman derslere ulaşabilir ve öğrenme sürecinizi tamamlayabilirsiniz.
Not: Kart bilgileriniz güvenli bir şekilde işlenir ve hiçbir şekilde saklanmaz. Gizlilik ve güvenlik önlemlerimizle ilgili daha fazla bilgi almak için lütfen gizlilik politikamızı inceleyin.
Unutmayın, kursa başvurunuz tamamlandığında e-posta ile bir onay alacaksınız. Herhangi bir sorunuz veya yardıma ihtiyacınız varsa, bizimle iletişime geçmekten çekinmeyin.
Kursu başarıyla tamamlayan katılımcılara, "Data Engineer Path" kursunu başarıyla tamamladıklarını gösteren bir sertifika verilecektir. Bu sertifika, katılımcıların Data Engineer yetkinliklere sahip olduklarını onaylamak amacıyla düzenlenmektedir.
Sertifika İçeriği:
- Katılımcının adı ve soyadı
- Tamamlanan kursun adı: Data Engineer Path
- Sertifika verme tarihi
Sertifika Dağıtımı:
- Sertifikalar, kursun başarıyla tamamlanmasını takiben belirli bir süre içinde elektronik olarak sağlanacaktır.
- Elektronik sertifikalar, katılımcıların profillerine, e-posta yoluyla veya iletişim kanalından iletilerek ulaştırılacaktır.
Bu sertifika, katılımcılara elde ettikleri yetenekleri belgeleme ve bu alandaki bilgi birikimlerini gösterme fırsatı sunarak, iş dünyasındaki rekabet avantajını artırmalarına yardımcı olacaktır.
Eğitimlerimiz iki farklı süreci barındırmaktadır.
1. Path Programı: Satın alacağınız path modülü ile 1 yıllık erişiminiz bulunmakta. Kendi öğrenme hızınıza göre plan yapabileceğiniz bu süreçte 7/24 sanal mentör desteği sağlanmaktadır.
2. Bootcamp Programı: Bir bootcamp programı satın aldığınız zaman ortalama 4 aylık bir eğitim sürecine dahil olmakla birlikte canlı derslere katılarak sektörel projeleri tamamlıyorsunuz. Sorularınız canlı mentör desteği ile cevaplanmaktadır.