Python ile Veri Bilimi

İçerik

Dersin Amacı

Bu dersin amacı, öğrencilere iktisadi veri analizi süreçlerini Python programlama dili aracılığıyla uygulamalı olarak öğretmektir. Ders kapsamında; TÜİK, TCMB, BDDK, OECD, Dünya Bankası ve Eurostat gibi ulusal ve uluslararası kurumların veri kaynaklarından programatik yöntemlerle veri çekme, ham veriyi temizleme, dönüştürme ve analize hazırlama becerileri kazandırılacaktır.

Öğrenciler, bu derste yalnızca veri işleme tekniklerini öğrenmekle kalmayacak, aynı zamanda nominal iktisadi değişkenleri (GSYH, ücretler, harcama grupları vb.) fiyat endeksleri (TÜFE/ÜFE) kullanarak reel değerlere dönüştürmeyi, iktisadi zaman serilerini seçilen bir baz yıl (=100) esas alarak endeks serilerine çevirmeyi ve nominal büyüklüklerdeki değişimleri fiyat etkisi ve reel etkisi olarak ayrıştırmayı uygulamalı olarak yaparak öğreneceklerdir.

Bu bağlamda ders, teorik iktisat bilgisini Python tabanlı veri işleme ve görselleştirme araçlarıyla birleştirerek; öğrencilerin veri okuryazarlığı, analitik düşünme, tekrarlanabilir araştırma üretme ve iktisadi politikaları veriye dayalı değerlendirme yetkinliklerini ileri düzeyde geliştirmeyi hedeflemektedir. Ders sonunda öğrenciler kod, analiz ve yorumları entegre eden dinamik raporlar hazırlayabilecek ve gerçek dünya iktisadi problemlerine yönelik bağımsız veri bilimi projeleri tasarlayabilecek düzeye gelecektir.

Dersin İçeriği

Ders, Python veri bilimi ekosisteminin ve Jupyter Notebook/Quarto ortamının kurulumuyla başlar. Devamında \texttt{pandas} ile veri içe aktarma, temel veri yapıları, veri dönüştürme, manipülasyon ve temizleme işlemleri ele alınır. İktisadi zaman serilerinin reel değerlere dönüştürülmesi, endeksleme ve nominal/reel ayrıştırması gibi iktisada özgü veri işleme becerileri üzerinde durulur. Keşifsel veri analizi ve Matplotlib/Seaborn/Plotly ile ileri düzey görselleştirme teknikleri öğretilir. Dönem boyunca TÜİK, TCMB, Dünya Bankası gibi ulusal ve uluslararası kurumlardan API aracılığıyla veri çekme ve üç farklı vaka çalışması (Fiyat Endeksleri, İl Bazlı Dış Ticaret, Elektrik Tüketimi) üzerinden uygulamalı analizler yapılır.

Dersin Öğrenme Çıktıları

Dersin sonunda öğrencilerin aşağıdaki öğrenme kazanımlarına erişmesi hedeflenmektedir:
1. Python tabanlı veri bilimi geliştirme ortamlarını (Jupyter Notebook/Lab, conda/pip, sanal ortamlar) kurabilir ve yapılandırabilir.
2. TÜİK, TCMB, BDDK, OECD, Dünya Bankası ve Eurostat gibi ulusal/uluslararası kurumların veri portallarından ve API'lerinden programatik yöntemlerle veri çekebilir.
3. CSV, Excel, JSON ve SQL gibi farklı formatlardaki iktisadi verileri \texttt{pandas} veri çerçevelerine aktarabilir, zaman serisi formatına dönüştürebilir ve periyot eşleştirmesi yapabilir.
4. Nominal iktisadi değişkenleri (örn. GSYH, ücretler) uygun fiyat endeksleri (TÜFE/ÜFE) kullanarak reel değerlere dönüştürebilir ve enflasyonist etkilerden arındırılmış seriler üretebilir.
5. İktisadi zaman serilerini seçilen bir baz yıl (=100) esas alarak endeks değerlerine çevirebilir; farklı serileri (örn. üretim ve fiyat endeksleri) baz yılı aynılaştırarak karşılaştırılabilir hale getirebilir.
6. Nominal büyüklüklerdeki (örn. Milli Gelir, ihracat) değişimleri, fiyat etkisi ve hacim (reel) etkisi olarak ayrıştırabilir; bu bileşenlerin katkı analizini Python ile kurgulayabilir.
7. Veri filtreleme, gruplama, birleştirme ve yeniden şekillendirme işlemlerini \texttt{pandas} ile uygulayarak iktisadi veri setlerini analize hazır hale getirebilir.
8. Keşifsel veri analizi tekniklerini kullanarak betimsel istatistikler, dağılım analizi, korelasyon ve yapısal kırılma tespitleri gerçekleştirebilir.
9. Matplotlib, Seaborn ve Plotly ile yayın kalitesinde, çok boyutlu ve etkileşimli iktisadi görselleştirmeler (zaman serisi grafikleri, dağılım matrisleri, bileşen katkı grafikleri) oluşturabilir.
10. Jupyter Notebook ve Markdown entegrasyonu ile kod, analiz ve iktisadi yorumları birleştiren tekrarlanabilir, dinamik politika notları ve araştırma raporları hazırlayabilir.

Öğretim Yöntemleri

- Bilgisayar destekli uygulamalı anlatım: Jupyter Notebook/Lab ile canlı kodlama, veri çekme, temizleme ve görselleştirme.
- Kavramsal tartışma ve sezgisel öğrenme: İktisadi teorinin Python tabanlı veri işleme ve görselleştirme araçlarıyla harmanlanması.
- Gerçek dünya iktisadi veri setleri üzerinden vaka analizi: TÜİK, TCMB, OECD, Dünya Bankası, Eurostat vb.
- Kısa, uygulamaya yönelik öğrenme aktiviteleri ve anlık geri bildirim; öğrencilerin kodlama sürecinde yapay zekâdan yararlanabilmesi ancak kullanılan her adımı açıklayabilir ve savunabilir olması.
- Tekrarlanabilir araştırma üretimi: Jupyter ve Markdown entegrasyonu ile dinamik politika notları ve raporlar hazırlama.

Kaynaklar

Hathaway, J., Larson, K. (2025). Py for Data Science,
https://byuidatascience.github.io/python4ds/

VanderPlas, J. (2016). Python Data Science Handbook,
https://jakevdp.github.io/PythonDataScienceHandbook/

Faydalanabileceğiniz bazı veri setleri:
1. World Bank Open Data (Kalkınma göstergeleri): https://data.worldbank.org
2. OECD Data Explorer: https://www.oecd.org/en/data.html
3. Eurostat (Avrupa Birliği istatistikleri): https://ec.europa.eu/eurostat/web/main/data/database
4. Penn World Table (PWT): https://www.rug.nl/ggdc/productivity/pwt
5. Türkiye İstatistik Kurumu (TÜİK): https://www.tuik.gov.tr
6. Türkiye Cumhuriyet Merkez Bankası (EVDS): https://evds3.tcmb.gov.tr/anasayfa
7. T.C. Cumhurbaşkanlığı SBB (Ekonomik ve Sosyal göstergeler): https://www.sbb.gov.tr/ekonomik-ve-sosyal-gostergeler

Konu Başlıkları

Değerlendirme Sistemi

Yeterlilik İlişkisi

AKTS - İş Yükü Tablosu