Yaparak Veri Bilimi Öğrenmek
DataCamp’in hedefi, veri bilimi için en iyi öğrenme platformunu oluşturmaktır. Felsefemiz, veri biliminin yaparak öğrenileceğidir: yüksek kaliteli videolarımız, tarayıcı içi kodlama ve oyunsallaştırma, öğrenenlere doğrudan tarayıcılarında ilgi çekici bir öğrenme deneyimi sunar. Aynı zamanda ürünümüz için veri odaklı bir yaklaşım benimsemek ve veri bilimi öğrenimi hakkında içgörülerimizi dünyayla paylaşmak istiyoruz. Bu yazı, DataCamp’in perde arkasına bakacak ve veri bilimi öğrenme sürecine dair bazı içgörüler paylaşacaktır.
Nitelikli Ders Oluşturma ve Bakımı
Ders Konuları
DataCamp ekibi, ders oluşturmak için her zaman en heyecan verici konuları arar ve sektörde pek çok yeni gelişme ve ilgi çekici konu varken bir konuya karar vermek çoğu zaman kolay değildir! Bu nedenle bu süreci olabildiğince veri odaklı hale getirmeye çalışıyoruz: veri bilimi konularındaki en son eğilimlere ve sektörde en çok talep gören programlama dillerine bakmanın yanı sıra, DataCamp ayrıca sektörde uzman ve akademisyen olan eğitmen ağına ulaşarak müfredatta bir sonraki aşamada nelerin yer alması gerektiğine ve böyle bir dersin nasıl görünmesi gerektiğine dair görüşlerini alır.
Ancak sonunda öğrenen kişi DataCamp’in merkezinde yer alır ve bu yüzden kullanıcılarımızı ders konusu seçim sürecine de aktif olarak dahil ederiz: kullanıcılarımızla görüşmeler yapar ve öğrenenlerimizin ihtiyaçlarını keşfetmek için anketler doldurmalarını isteriz. Bu veriler, sadece dersin konusunu değil, aynı zamanda dersin neleri kapsayacağını belirlemek için uzman görüşleriyle bir araya getirilir: bu sayede, öğrenen için ilgili olan tüm materyal derse dahil edilir.
Ek olarak, sitedeki arama çubuklarına kullanıcıların yazdığı terimleri de toplarız. R’in yardımıyla bu terimler dahili olarak analiz edilir, sıralanır ve görselleştirilir; böylece DataCamp’in ders geliştirme ekibi önümüzdeki ayların müfredatını haritalandırmak için bunları başlangıç noktası olarak kullanabilir.
DataCamp’in tam ders kütüphanesine buradan göz atın.
Öğrenen Zorlukları ve Sürekli Ders İyileştirmeleri
Beta Testi
Bir ders yayına girmeden önce, DataCamp dersleri önce daha küçük bir kullanıcı grubuna gönderir ve onlardan not almalarını ve çok sayıda açık uçlu sorudan oluşan bir anket aracılığıyla geri bildirimde bulunmalarını ister. Bu sayede, tüm kullanıcı tabanımıza yeni bir dersin yayınlandığını duyurmadan önce derste son rötuşları yapabiliriz.
İpuçları ve Çözümler
Ders konularını belirlemek ve yayına girmek üzere olan dersleri beta test edecek küçük bir grup oluşturmak bir şeydir; ancak ders yayındayken DataCamp, öğrenenin derste nerelerde güçlük yaşayabileceğine de dikkat eder.
Örneğin, ne zaman bir ipucu ya da çözüm isteseniz, bu verilerin DataCamp tarafından toplanarak kullanıcıların alıştırmalar için kaç kez ipucu veya çözüm istediğinin belirlendiğini biliyor muydunuz? Bu veriler ve bunlardan elde ettiğimiz içgörüler derslerimizi iyileştirmek için kullanılır!
Derslerimizin nerelerde geliştirilebileceğini görmek için rakamlara bakarız: çok fazla ipucu veya çözüm istendiğinde, sorunu kolayca tespit edip alıştırmaların iyileştirilmesini sağlarız. Bu alıştırmaların nasıl iyileştirileceği ise kullanıcılarımızdan aldığımız geri bildirimlerle şekillendirilir: örneğin, birçok kullanıcı için sorunlu olan bir alıştırma, Kaggle dersinde kullanıcıların R ile bir karar ağacı kurmasının beklendiği alıştırmaydı. Başlangıçta alıştırma yönergeleri, karar ağacının nasıl oluşturulması gerektiğine dair oldukça genel bir örnek içeriyordu ve bu da alıştırma için yüksek oranda ipucu ve çözüm talebine yol açıyordu. Kullanıcıların geri bildirimleriyle birlikte DataCamp ekibi yönerge listesini genişletti ve her bir parametrenin nasıl tanımlanması gerektiğini açıklayan üç ek alt madde ekledi. Böylece kullanıcılardan beklenen görev daha net ve daha uygulanabilir hale geldi; ipucu oranı da zorluk düzeyi göz önüne alındığında çok daha makul olan %15’e düştü. Bu tür deneyimler ve iyileştirmeler, elbette, DataCamp’in veri bilimi müfredatında yer alacak geleceğin derslerini oluşturmamıza yardımcı olur.
Bir başka açıdan, “Introduction to R” gibi bazı derslerin, kullanıcıların daha az ipucu ve çözüm istemesinden de anlaşılacağı üzere, “Intro to Statistics with R: Multiple Regression” gibi istatistik derslerine göre açıkça daha az sorun yarattığını görüyoruz. Bunun bir nedeni, giriş düzeyindeki materyalin çok kapsamlı olması; daha ileri düzey derslerin ise materyali kendi kendinize keşfetmeniz için size daha fazla özgürlük vermesidir: yaparak öğrenme, DataCamp’in derslerinde ilerledikçe daha da belirgin hale gelir! Ders iyileştirme süreci mutlaka yaparak öğrenme ile öğrenenin ihtiyaç duyduğu desteği sağlama arasındaki dengeyi korumalıdır.
Kişiselleştirilmiş Geri Bildirim
İpuçları ve çözümlerin yanı sıra, DataCamp’in her dersindeki kodlama meydan okumalarıyla birlikte sunduğu kişiselleştirilmiş geri bildirim özelliğinden kısaca bahsedildi. Geri bildirim, önce ipucu isteyebileceğiniz ve son çare olarak çözüme gidebileceğiniz şekilde kurgulanmıştır. Bu son seçenek teşvik edilmez; çünkü kullanıcılar çözüme gittiğinde aldıkları XP üzerinde etkisi vardır. Bu, öğrencileri kendi başlarına başlamaya ve kodlama meydan okumasının onlardan beklediği görevi tamamlamak için neyin kodlanması gerektiğine dair sezgi geliştirmeye zorlar. Ek bir fayda olarak, geri bildirim mesajları kullanıcıların, ilk bakışta anlam ifade etmeyebilecek hata mesajlarına bakmak yerine, kodda neyin yanlış olduğuna dair anında fikir edinmelerini sağlayacak şekilde oluşturulmuştur. Bu da öğrencilerimizi kodu, ama özellikle de nerede hata yaptıklarını anlamaya teşvik etmenin bir yoludur. Bu, nihayetinde veri bilimi öğrenme sürecini güçlendirir.
Bu kişiselleştirilmiş geri bildirimi sunmak kolay olmadı: DataCamp ilk kurulduğunda, geri bildirim sistemi henüz emekleme aşamasındaydı ve geri bildirim çok genel kalıyordu. Yıllar içinde, kullanıcılarımızın farklı geçmişlere ve farklı hedeflere sahip oldukları netleşti; bu da kişiselleştirilmiş bir yaklaşımı gerektiriyor. Sonuç olarak, geri bildirim sistemi şimdiye kadar büyük ölçüde iyileştirildi ve kullanıcılarımızdan aldığımız girdiler sayesinde gelişmeye devam ediyor: kullanıcıların ders boyunca yaşadıkları tüm sorunlar kaydediliyor ve derslerimizin ve geri bildirim sistemimizin sürekli iyileştirilmesinde kullanılıyor.
Alıştırmaya Harcanan Süre
Ders başına istenen ipucu ve çözüm sayısını takip etmenin yanı sıra, Datacamp öğrenenlerin alıştırmalarda nasıl ilerlediğini daha ayrıntılı düzeyde de izler: öğrencilerimizin belirli bir alıştırmaya harcadıkları süre takip edilir ve platformdaki öğrenme deneyimlerinde yaşadıkları sorunları keşfetmek için analiz edilir. DataCamp, öğrenenlerin içerikte sağlıklı bir hızda ilerlemelerini sağlamak istediğinden, bu bilgiler de DataCamp derslerinin kalitesini sürekli iyileştirmek için dikkate alınır.
Ders Puanları
Alıştırma zorluğunu ve kullanıcıların alıştırmalara harcadığı zamanı takip edip bu bilgileri ders oluşturma sürecimizi iyileştirmek için kullanmanın yanı sıra, DataCamp kullanıcılarımızın hangi dersleri beğendiğini de izler; böylece onları ilgilendirmeye devam edecek yeni dersler oluşturabiliriz. Kullanıcılarımız nezdinde genel olarak daha az popüler olan konular istatistik, veri işleme ve veri görselleştirmedir; buna karşılık, giriş düzeyi programlama dersleri, makine öğrenmesi ve projeler/vaka çalışmaları DataCamp kullanıcıları arasında iyi performans gösterir.
Bu puanlar, kullanıcılarımızın istediği ipucu veya çözümlerin miktarına ek olarak, hangi derslerin biraz daha fazla ilgiye ihtiyaç duyabileceğine dair bize oldukça iyi bir fikir verir.
Yapı
Bir profesyonel olarak ya da kariyerine yeni başlayan biri olarak zaman sınırlıdır ve değerlidir. Bu nedenle derslerimiz, öğrenenlerin belirli bir dersi almayı düşünürken ideal olarak yerine getirmesi gereken ön koşulları listeler. Örneğin, DataCamp’in Python Data Science Toolbox dersini ele alalım:
Ön koşullar açıkça listelenir; böylece kullanıcılar bir derse başlamadan önce kendilerinden hangi bilgi ve becerilerin beklendiğini bilirler.
Ek olarak, DataCamp derslerini daha küçük bölümlere ve videolar ile geri bildirimli etkileşimli kodlama meydan okumalarının dönüşümlü olarak yer aldığı daha küçük parçalara ayırmıştır. Böyle bir yapı, öğrenenler veri bilimi öğrenirken işe yaradığını kanıtlamıştır – bunun nedeni yalnızca müfredatta bir çeşitlilik olması değil, aynı zamanda öğrenenlerin hızlı ve sağlıklı bir hızda ilerleme kaydetmelerinin gerekliliğidir; bu da öğrencileri motive ve içerikle meşgul tutmanın en iyi yollarından biridir: dersten kopmaları daha az olasıdır ve derslere devam etme eğilimleri artar.
Arayüz
Arayüz, veri bilimi öğrenenlerine veri bilimi öğretirken en önemli bileşenlerden biridir: DataCamp, başlangıcından beri öğrencilerin RStudio veya Python’u yerel olarak kurmadan, kendi tarayıcılarının konforunda kod yazabilmelerini sağlayan bir arayüz oluşturmuştur. Bu, videolar ve kişiselleştirilmiş geri bildirimle birlikte, yeni başlayanlar için eşiği çok daha düşük hale getirir ve öğrenme deneyimini çok daha başarılı kılar.
Yıllar içinde arayüzde, başlangıçtakinden çok daha etkileşimli hale getirmek için bazı değişiklikler yapıldı: mevcut arayüzde öğrenenler derste daha kolay gezinebilir, derste teknik sorunlar bulduklarında destekle iletişime geçebilir ve belirli bir alıştırmayı tamamlayarak ne kadar XP kazanabilecekleri daha net görülür.
İzlekler
Tüm veri bilimi öğrenenleri ve eğitmenleri, kalite, ilgi, öğrenme tarzı vb. açısından ihtiyaçlarınıza uyan bir veri bilimi dersi (ya da dizi dersi) bulmanın bir meydan okuma olabileceğini bilir. Tüm bunların içinde, asıl hedefinizi ve öğrenme amacınızı gözden kaçırmak kolaydır. Daha somut olarak, öğrenenlerin çoğu veri bilimi sektörüne geçmeyi hedefleyen profesyonellerdir ve bu nedenle belirli kariyer hedeflerine sahiptir. Ya da zaten veri bilimi sektöründe çalışıyorlardır, ancak belirli bir veri bilimi konu veya becerisinde yetkinliklerini artırmanın bir yolunu arıyorlardır.
Bu nedenle DataCamp yakın zamanda izlekler oluşturdu; bu, zaten bildiğiniz DataCamp derslerine yapılandırılmış bir yaklaşım sunar: böylece veri bilimi becerilerinizi güçlendirmeye veya hep hayalini kurduğunuz o kariyer hedefine doğru yapılandırılmış bir şekilde odaklanabilirsiniz.
Ders oluşturma sürecimiz ve DataCamp kullanıcılarının kendileri hakkında az önce okuduklarınızla bağlantılı olarak, bu izleklerin ayrıca veri bilimi öğrenenlerinin zorlandıkları veri bilimi konularını daha hedefli bir şekilde ele almalarına yardımcı olduğunu ve böylece hızlıca gelişip öğrenme eğrisini aşabildiklerini görürsünüz.
Tüm DataCamp izleklerine buradan göz atın.
Günlük Pratik
Kullanıcılarımızı odakta tutan nitelikli dersler hazırlamak ve izlekler tasarlamak öğrenme eğrisini aşmanın bir yoludur; ancak veri bilimi öğrenmek yine de oldukça zorlu bir süreçtir. DataCamp olarak kullanıcılarımızın her gün öğrenebilmelerini sağlamak istiyoruz ve dürüst olalım, veri bilimiyle her gün (az da olsa) meşgul olmanız gerekir! Öğrenenlerin sıklıkla karşılaştığı tek sorun, biriktirdikleri tüm bilgiyi takip etmenin zor olabilmesidir. Bu yüzden DataCamp, neleri iyi bildiğinizi ve hangi becerilerinizi tazelemek isteyebileceğinizi takip etmenize yardımcı olmak için günlük pratik özelliği sunar.
Sistem oldukça basittir: pratik moduna girdiğinizde, tamamladığınız derslerde gördüğünüz materyali pratik etmenize yardımcı olacak meydan okumalar alırsınız. Bu meydan okumalar, ders içeriğini hafızanıza yerleştirmenize ve öğrendiklerinizi daha iyi korumanıza yardımcı olacak farklı biçimlerde (çoktan seçmeli, boşluk doldurma, …) beş alıştırmadan oluşur. Bu beş meydan okumayı doğru yanıtladığınızda 250 exp kazanırsınız. Elbette her gün farklı bir dizi alıştırma alırsınız. Günlük pratik modunu doğrudan panonuzda bulabilirsiniz!
Sonuç
DataCamp, veri bilimi öğrenimini ve değerlendirmesini yeniden keşfediyor; bu, veri bilimi eğitimindeki araştırmaları en yeni teknolojiler ve bizzat veri biliminin kendisiyle birleştirerek mevcut durumu ileri taşımamızın birçok yolundan sadece biri.
Veri bilimi eğitimiyle ilgileniyorsanız, gelin veri bilimi öğrenmek için en iyi yeri birlikte inşa edelim! Açık pozisyonlarımıza göz atın.
