<\/p>\n
\u0130statistik\u00e7iler<\/strong> ve veri bilimcileri<\/strong> verilerle \u00e7ok \u00e7al\u0131\u015f\u0131rlar ancak iki meslek aras\u0131nda birka\u00e7 \u00f6nemli fark vard\u0131r:<\/span><\/p>\n Fark #1 (Veri T\u00fcrleri) \u2013<\/strong> Veri bilimcileri kusurlu verileri toplamak ve temizlemek i\u00e7in daha fazla zaman harcama e\u011filimindeyken istatistik\u00e7iler genellikle d\u00fczenli verilere sahiptir.<\/span><\/p>\n Fark #2 (Nihai Hedefler)<\/strong> \u2013 Veri bilimciler sonu\u00e7lar\u0131 tahmin eden modeller olu\u015fturmaya odaklan\u0131rken istatistik\u00e7iler de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkiyi do\u011fru bir \u015fekilde tan\u0131mlayan modeller olu\u015fturmaya odaklanma e\u011filimindedir.<\/span><\/p>\n Fark #3 (\u00dcretim)<\/strong> \u2013 Veri bilimcileri i\u015fletmelerde \u00fcretime konulan modeller olu\u015fturma e\u011filimindeyken istatistik\u00e7iler, olgu hakk\u0131nda i\u00e7g\u00f6r\u00fc veya a\u00e7\u0131klamalar sa\u011flayabilecek modeller olu\u015fturma e\u011filimindedir.<\/span><\/p>\n Bu farkl\u0131l\u0131klar\u0131n ayr\u0131nt\u0131l\u0131 bir a\u00e7\u0131klamas\u0131 i\u00e7in okumaya devam edin.<\/span><\/p>\n Genel olarak veri bilimcileri genellikle istatistik\u00e7ilerin kulland\u0131\u011f\u0131 veri t\u00fcr\u00fcnden daha karma\u015f\u0131k, \u00e7\u0131kar\u0131lmas\u0131 daha zor ve \u00e7ok daha b\u00fcy\u00fck verilerle \u00e7al\u0131\u015f\u0131r.<\/span><\/p>\n \u00d6rne\u011fin, bir emlak \u015firketinde \u00e7al\u0131\u015fan bir veri bilimcinin, hepsi farkl\u0131 formatlarda olmak \u00fczere birka\u00e7 farkl\u0131 harici sunucudan milyonlarca sat\u0131r i\u00e7eren veri setlerini \u00e7\u0131karmas\u0131 gerekebilir.<\/span><\/p>\n Verileri \u00e7\u0131karmak ve modellemeye uygun bir formatta paketlemek i\u00e7in kapsaml\u0131 SQL bilgisine ve en az bir programlama diline ( R veya Python gibi) ihtiyac\u0131 olacakt\u0131.<\/span><\/p>\n Buna kar\u015f\u0131l\u0131k istatistik\u00e7iler, halihaz\u0131rda d\u00fczg\u00fcn bir formatta sunulan daha k\u00fc\u00e7\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015fma e\u011filimindedir.<\/span><\/p>\n \u00d6rne\u011fin, bir biyomedikal \u015firketinde \u00e7al\u0131\u015fan bir istatistik\u00e7i, 50 farkl\u0131 hastan\u0131n kan bas\u0131nc\u0131, kalp at\u0131\u015f h\u0131z\u0131 ve kolesterol d\u00fczeylerine ili\u015fkin bilgileri i\u00e7eren 50 sat\u0131rl\u0131k bir Excel dosyas\u0131 alabilir.<\/span><\/p>\n Zamanlar\u0131n\u0131 verileri \u00e7\u0131karmak ve temizlemek yerine, verilere uyacak uygun bir hipotez testi<\/a> veya modeli \u00fczerinde karar vermek ve se\u00e7ilen test veya model istatisti\u011fininvarsay\u0131mlar\u0131na<\/a> uyuldu\u011funu do\u011frulamak i\u00e7in muhtemelen daha fazla zaman harcayacaklard\u0131r.<\/span><\/p>\n \u00c7o\u011fu durumda, bir veri bilimcinin nihai hedefi, belirli sonu\u00e7lar\u0131 do\u011fru bir \u015fekilde tahmin edebilecek bir t\u00fcr model olu\u015fturmakt\u0131r.<\/span><\/p>\n \u00d6rne\u011fin, bir finans \u015firketinde \u00e7al\u0131\u015fan bir veri bilimci, belirli ki\u015filerin bir krediyi temerr\u00fcde d\u00fc\u015f\u00fcr\u00fcp d\u00fc\u015f\u00fcrmeyece\u011fini do\u011fru bir \u015fekilde tahmin edebilecek bir lojistik regresyon modeli<\/a> olu\u015fturmaya \u00e7al\u0131\u015fabilir.<\/span><\/p>\n Tahmin edici de\u011fi\u015fkenlerin farkl\u0131 kombinasyonlar\u0131n\u0131 kullanarak \u00e7e\u015fitli modeller uyduracaklar ve en do\u011fru tahminleri \u00fcreten modeli bulmaya \u00e7al\u0131\u015facaklar.<\/span><\/p>\n Nihai hedefleri, her \u00f6ng\u00f6r\u00fcc\u00fc de\u011fi\u015fkenin yan\u0131t<\/a> de\u011fi\u015fkeniyle nas\u0131l ili\u015fkili oldu\u011funu tam olarak \u00f6l\u00e7mek yerine do\u011fru bir model olu\u015fturmakt\u0131r.<\/span><\/p>\n Buna kar\u015f\u0131l\u0131k istatistik\u00e7iler, yorday\u0131c\u0131 de\u011fi\u015fkenler ile yan\u0131t de\u011fi\u015fkeni aras\u0131ndaki ili\u015fkiyi do\u011fru bir \u015fekilde tan\u0131mlayabilen modeller olu\u015fturmaya daha fazla odaklanma e\u011filimindedir.<\/span><\/p>\n \u00d6rne\u011fin, bir \u00fcniversitede \u00e7al\u0131\u015fan bir istatistik\u00e7i, farkl\u0131 \u00e7al\u0131\u015fma al\u0131\u015fkanl\u0131klar\u0131n\u0131n s\u0131nav puanlar\u0131n\u0131 tam olarak nas\u0131l etkiledi\u011fini \u00f6l\u00e7en bir \u00e7al\u0131\u015fmaya kat\u0131lmak \u00fczere 30 \u00f6\u011frenciyi i\u015fe alabilir.<\/span><\/p>\n Bu senaryoda istatistik\u00e7i, regresyon modeli katsay\u0131lar\u0131n\u0131 yorumlamak ve yan\u0131t de\u011fi\u015fkeni ile istatistiksel olarak anlaml\u0131 bir ili\u015fkiye sahip olup olmad\u0131klar\u0131n\u0131 anlamak i\u00e7in bunlara kar\u015f\u0131l\u0131k gelen p de\u011ferlerini<\/a> analiz etmekle daha fazla ilgilenecektir.<\/span><\/p>\n Genel olarak veri bilimcileri, istatistik\u00e7ilerden \u00e7ok daha s\u0131k olarak i\u015fletmelerde \u00fcretime al\u0131nan istatistiksel modeller olu\u015fturma e\u011filimindedir.<\/span><\/p>\n \u00d6rne\u011fin, b\u00fcy\u00fck bir market zincirinde \u00e7al\u0131\u015fan bir veri bilimci, \u00e7e\u015fitli \u00fcr\u00fcnlerin sat\u0131\u015flar\u0131n\u0131 do\u011fru bir \u015fekilde tahmin edebilecek bir model olu\u015fturabilir.<\/span><\/p>\n Nihai hedefi, modelini her gece \u00e7al\u0131\u015fan ve her yeni g\u00fcn i\u00e7in \u00fcr\u00fcn sat\u0131\u015flar\u0131n\u0131 tahmin edebilen bir sunucuya yerle\u015ftirmesine yard\u0131mc\u0131 olabilecek \u015firketteki geli\u015ftiricilerle \u00e7al\u0131\u015fmak olacakt\u0131r.<\/span><\/p>\n \u00d6te yandan istatistik\u00e7iler nadiren bir \u00fcretim t\u00fcr\u00fcne entegre edilmi\u015f modeller yarat\u0131rlar.<\/span><\/p>\n \u00d6rne\u011fin, bir sa\u011fl\u0131k \u015firketinde \u00e7al\u0131\u015fan bir istatistik\u00e7i, \u00e7e\u015fitli ya\u015fam tarz\u0131 fakt\u00f6rleri (sigara i\u00e7me, egzersiz, diyet vb.) aras\u0131ndaki ili\u015fkiyi a\u00e7\u0131klayan bir model olu\u015fturabilir, ancak nihai hedefi, bu fakt\u00f6rler ile bir yan\u0131t de\u011fi\u015fkeni aras\u0131ndaki ili\u015fkiyi \u00f6l\u00e7mektir<\/em> . . \u00f6mr\u00fc gibi.<\/span><\/p>\n Nihai hedefleri, \u00fcretim ortam\u0131na yerle\u015ftirilmi\u015f bir model yerine onlara bilgi sa\u011flayan bir model yaratmakt\u0131r.<\/span><\/p>\n \u0130statistik\u00e7iler ve veri bilimcileri, g\u00fcnl\u00fck rollerinde verilerle \u00e7al\u0131\u015f\u0131rlar ancak bunu farkl\u0131 \u015fekillerde yaparlar.<\/span><\/p>\n Veri bilimcileri genellikle karma\u015f\u0131k ve i\u015flenmesi gereken daha geni\u015f \u00e7e\u015fitlilikte verilerle \u00e7al\u0131\u015fma e\u011filimindeyken istatistik\u00e7iler genellikle daha k\u00fc\u00e7\u00fck, daha d\u00fczenli veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131r.<\/span><\/p>\n Veri bilimcileri ayr\u0131ca sonu\u00e7lar\u0131 do\u011fru bir \u015fekilde tahmin edebilecek modeller olu\u015fturmaya daha fazla odaklanma e\u011filimindeyken istatistik\u00e7iler de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkiyi do\u011fru bir \u015fekilde a\u00e7\u0131klayabilen modeller olu\u015fturma e\u011filimindedir.<\/span><\/p>\n Son olarak, veri bilimcileri i\u015fletmelerde modelleri \u00fcretime koyma e\u011filimindeyken istatistik\u00e7iler ger\u00e7ek d\u00fcnya olgular\u0131na dair i\u00e7g\u00f6r\u00fc sa\u011flamak i\u00e7in sonu\u00e7lar\u0131n\u0131 s\u0131kl\u0131kla \u00f6zetleyip rapor ederler.<\/span><\/p>\n A\u015fa\u011f\u0131daki makaleler \u00e7e\u015fitli alanlarda istatisti\u011fin \u00f6nemini a\u00e7\u0131klamaktad\u0131r:<\/span><\/p>\n \u0130statistikler neden \u00f6nemlidir? (\u0130statisti\u011fin \u00f6nemli olmas\u0131n\u0131n 10 nedeni!)<\/a> \u0130statistik\u00e7iler ve veri bilimcileri verilerle \u00e7ok \u00e7al\u0131\u015f\u0131rlar ancak iki meslek aras\u0131nda birka\u00e7 \u00f6nemli fark vard\u0131r: Fark #1 (Veri T\u00fcrleri) \u2013 Veri bilimcileri kusurlu verileri toplamak ve temizlemek i\u00e7in daha fazla zaman harcama e\u011filimindeyken istatistik\u00e7iler genellikle d\u00fczenli verilere sahiptir. Fark #2 (Nihai Hedefler) \u2013 Veri bilimciler sonu\u00e7lar\u0131 tahmin eden modeller olu\u015fturmaya odaklan\u0131rken istatistik\u00e7iler de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkiyi […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-3404","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n Fark #1: Veri T\u00fcrleri<\/strong><\/span><\/h2>\n
Fark #2: Nihai Hedefler<\/strong><\/h2>\n
Fark #3: \u00dcretim<\/strong><\/h2>\n
\u00c7\u00f6z\u00fcm<\/strong><\/span><\/h2>\n
Ek kaynaklar<\/strong><\/span><\/h2>\n
\u0130\u015fletmelerde istatisti\u011fin \u00f6nemi<\/a>
E\u011fitimde istatisti\u011fin \u00f6nemi<\/a>
Sa\u011fl\u0131kta istatisti\u011fin \u00f6nemi<\/a>
Finansta istatisti\u011fin \u00f6nemi<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"