Türkiye’nin veri ve trafik hacmi en yüksek platformlarından biri olan sahibinden.com, mevcut veri gücünü yalnızca analiz seviyesinde değil; tahminleme, anomali tespiti, kullanıcı segmentasyonu ve üretime alınabilir makine öğrenmesi modelleri seviyesinde kurumsal standarda taşımak için Patika.dev ile kapsamlı bir kurumsal eğitim programı planladı. 1–5 Aralık tarihleri arasında yüz yüze gerçekleşen bu 30 saatlik eğitim, ekiplerin model kurma–doğrulama–izleme–üretim süreçlerini uçtan uca ele alacak şekilde kurgulandı ve program sonunda 4,8/5 memnuniyet skoru elde edildi.

Müşterimizin İhtiyacı

sahibinden.com’un dinamik yapısı; yoğun trafik dalgalanmaları, kullanıcı davranışlarındaki çeşitlilik ve operasyonel kararların hızla alınması gereken bir ortam yaratıyor. Bu bağlamda ihtiyaç, yalnızca veri analizi yapmak değil; kurum içinde üretime alınabilir ML modelleri geliştirme pratiğini güçlendirmekti.

Dokümanda tanımlanan temel problem, modellerin teoride anlaşılması ile pratikte üretime alma süreçleri arasındaki boşluktu. Programın ana hedefi, bu boşluğu kapatarak ekiplerin modelleme yaşam döngüsünü (kurma, doğrulama, izleme, güncelleme, entegrasyon) sahada uygulanabilir bir standarda taşımasıydı.

Çözüm

Patika.dev, sahibinden.com’un hedefleri doğrultusunda “Veri Odaklı Kararlar için Uygulamalı ML Eğitimi” programını 1–5 Aralık tarihleri arasında 30 saat ve yüz yüze formatta tasarladı. Eğitim; veriyle çalışan rolleri (data analyst, data scientist, ML engineer, backend developer, product analytics ekipleri) için, teoriyi uygulamayla aynı anda ilerleten bir yapı üzerine kuruldu.

Program Tasarımı ve İçerik

Eğitim, sahibinden.com bağlamında kritik karar alanlarına doğrudan temas eden kapsamıyla aşağıdaki başlıklarda ilerledi:

• Python – Veri Analizi Temelleri: Python, NumPy, Pandas ve veri manipülasyonu
  
• Trafik Tahminleme – Zaman Serisi Modelleri: Prophet, ARIMA, XGBoost ile tahmin uygulamaları
  
• Anomali Tespiti ve Erken Uyarı Sistemleri: Isolation Forest, One-Class SVM, S-H-ESD
  
• Kullanıcı Davranışı Analizi ve Segmentasyon: KMeans, DBSCAN, GMM ile kullanıcı grupları çıkarımı
  
• Modelleme Süreci ve Üretime Alma (MLOps): MLflow, model izleme–güncelleme–API entegrasyonu
  
  

Eğitimin Öne Çıkan Yanı

Bu programın en güçlü farkı, verinin analiz edilmesinden gerçek bir ML ürününe dönüşme sürecini uçtan uca ele almasıdır. Eğitim; algoritma anlatımıyla sınırlı kalmadan, sahibinden.com bağlamında tahmin–tespit–segmentasyon–üretime alma gibi doğrudan iş birimine dokunan çıktıları aynı akış içinde işledi. MLflow gibi modern deney yönetim araçlarının eğitim içinde yer alması, “işte kullanılan ML yaşam döngüsü” yaklaşımını görünür kıldı.

Sonuçlar ve Etki

Program sonunda katılımcı memnuniyet anket skoru 4,8/5 olarak ölçüldü.

Katılımcı geri bildirimlerinden öne çıkanlar:

• “Örnekler açıklayıcıydı.”
  
• “Canlı örneklerle desteklenen anlatım.”
  
• “Python NumPy Pandas metotlarını ilk gün için pekiştirmiş olduk.”
  
• “Detaylı anlatım.”
  
• “Teknik detayları ve çalışma prensiplerini detaylarıyla anlatması.”
  
  

Kurumsal veri ve makine öğrenmesi yetkinliklerinizi; tahminleme, anomali tespiti, segmentasyon ve MLOps odağında, uygulamalı programlarla güçlendirmek için birlikte çalışabiliriz.
‍
Görüşme Planla

‍