MAKİNE ÖĞRENMESİ İLE İLGİLİ KÜTÜPHANELER
Kaya Ridvan

MAKİNE ÖĞRENMESİ İLE İLGİLİ KÜTÜPHANELER

Makine ��renmesi, bilgisayarlar�n verilerden ��rendi�i ve deneyimle iyile�ti�i yapay zekan�n bir alt alan�d�r. Makine ��renmesi uygulamalar� geli�tirmek i�in �e�itli programlama dilleri ve platformlar kullan�labilir. Bunlardan baz�lar� �unlard�r:
- Python: A��k kaynak kodlu, i�levsel ve �cretsiz bir programlama dilidir. Geni� topluluk deste�i, k�t�phane zenginli�i ve i�levselli�i nedeniyle �zellikle son y�llarda programlama, makine ��renmesi ve yapay zek� alanlar�nda tercih edilen bir programlama dilidir. Python ile makine ��renmesi uygulamalar� geli�tirmek i�in pop�ler k�t�phaneler aras�nda scikit-learn, TensorFlow ve PyTorch bulunur.
- Google Colab Not Defteri: Bulut tabanl� bir platformdur. Python kodunu taray�c� �zerinden �al��t�rmaya ve payla�maya olanak sa�lar. Google Colab Not Defteri, makine ��renmesi uygulamalar� i�in gerekli olan k�t�phaneleri ve ara�lar� i�erir. Ayr�ca, Google’�n GPU ve TPU gibi g��l� hesaplama kaynaklar�na eri�im sa�lar.
- Microsoft Azure Machine Learning: Bulut tabanl� bir platformdur. Makine ��renmesi modellerini olu�turmak, e�itmek, da��tmak ve y�netmek i�in kapsaml� bir ��z�m sunar. Azure Machine Learning, Python, R ve di�er programlama dillerini destekler. Ayr�ca, Azure Databricks, Azure Synapse Analytics ve Azure Cognitive Services gibi di�er Azure hizmetleriyle entegre �al��r.
- AutoCAD: Vekt�r tabanl� �izim ve tasar�m programlar�ndan biridir. �ki boyutlu ve �� boyutlu geometrik nesneler olu�turabilece�iniz bir programd�r. Makine m�hendisleri, mekanik tasar�mlar�n� ger�ekle�tirmek i�in AutoCAD kullanabilir.
- SolidWorks: �� boyutlu modelleme ve sim�lasyon programlar�ndan biridir. Makine m�hendisleri, par�a, montaj ve �izim tasar�mlar�n� yapmak i�in SolidWorks kullanabilir.
Bu yaz�l�mlar�n d��nda, makine ��renmesi i�in faydal� olabilecek di�er yaz�l�mlar aras�nda MATLAB, ANSYS, Excel ve Word bulunur.
SciPy K�t�phanesi
SciPy k�t�phanesi, Python programlama dilinde bilimsel hesaplamalar yapmak i�in kullan�lan bir k�t�phanedir. SciPy, NumPy k�t�phanesinin sa�lad�� ok boyutlu diziler ve matematiksel i�lemler �zerine kurulmu�tur. SciPy, NumPy’dan daha fazla fonksiyon ve mod�l i�erir. SciPy’nin alt mod�lleri, farkl� bilimsel alanlarda kullan�lan y�ntemleri i�erir. �rne�in:
- scipy.integrate: Say�sal integrasyon ve diferansiyel denklemler ��zme y�ntemleri sunar.
- scipy.linalg: Lineer cebir, matris ayr��t�rma, �zde�er bulma ve di�er matris i�lemleri i�in fonksiyonlar sa�lar.
- scipy.optimize: Optimizasyon problemleri, k�k bulma, e�ri uydurma ve di�er matematiksel optimizasyon y�ntemleri i�in fonksiyonlar i�erir.
- scipy.signal: Sinyal i�leme, filtreleme, Fourier analizi, dalgalet d�n��m� ve di�er sinyal analizi y�ntemleri i�in fonksiyonlar sunar.
- scipy.stats: �statistik, olas�l�k da��l�mlar�, hipotez testleri, korelasyon analizi ve di�er istatistiksel y�ntemler i�in fonksiyonlar sa�lar.
SciPy k�t�phanesi, bilimsel hesaplamalar i�in g��l� ve esnek bir ara�t�r. SciPy, Python’un avantajlar�ndan yararlanarak, kolay okunabilir, h�zl� yaz�labilir ve geni�letilebilir bir kod yazmay� m�mk�n k�lar. SciPy, bilim, m�hendislik, veri analizi, makine ��renimi ve di�er bir�ok alanda kullan�lan bir k�t�phanedir.
SciPy Kurulumu ve ��e Aktar�lmas�
SciPy, Python’da bilimsel hesaplama yapmak i�in kullan�lan �cretsiz ve a��k kaynakl� bir k�t�phanedir. SciPy, NumPy, SciPy.ndimage ve di�er k�t�phaneler �zerine in�a edilmi�tir ve optimizasyon, lineer cebir, integrasyon, interpolasyon, �zel fonksiyonlar, FFT, sinyal ve g�r�nt� i�leme, ODE ��z�c�leri gibi bilim ve m�hendislikte yayg�n olan problemler i�in algoritmalar sa�lar.
SciPy’� sisteminize kurmak i�in �e�itli y�ntemler vard�r. En kolay y�ntemlerden biri, pip veya conda gibi paket y�neticilerini kullanmakt�r. Pip, Python paketlerini indirmek ve y�klemek i�in kullan�lan standart bir ara�t�r. Conda ise Anaconda gibi bilimsel Python da��t�mlar�yla birlikte gelen bir paket ve ortam y�neticisidir. Anaconda, Python’un yan� s�ra SciPy ve di�er bir�ok bilimsel k�t�phaneyi de i�eren pop�ler bir da��t�md�r.
SciPy’� pip ile kurmak i�in, komut sat�r�nda �u komutu �al��t�rman�z yeterlidir:
python
python -m pip install scipy
SciPy’� conda ile kurmak i�in, komut sat�r�nda �u komutu �al��t�rman�z yeterlidir:
python
conda install -c conda-forge scipy
SciPy’� Jupyter Notebook �zerinde kurmak i�in, pip komutunun ba��na �nlem i�areti (!) eklemeniz gerekir:
python
!pip install scipy
E�er Anaconda platformu �zerinde Jupyter Notebook ile �al��yorsan�z, SciPy k�t�phanesi zaten kurulu olarak gelir ve ekstra bir kurulum yapman�za gerek yoktur.
SciPy k�t�phanesini Python program�n�zda kullanmak i�in, �u komutu kullanarak i�e aktarman�z gerekir:
python
import scipy as sp
Bu komut, SciPy k�t�phanesini sp ad�yla i�e aktar�r ve k�t�phanenin fonksiyonlar�n� sp.fonksiyon_adi �eklinde �a��rman�z� sa�lar. �rne�in, SciPy’nin optimize mod�l�ndeki minimize fonksiyonunu kullanmak i�in �u komutu yazabilirsiniz:
python
from scipy import optimize
result = optimize.minimize(sp.sin, x0=0)
Bu komut, sin�s fonksiyonunu minimum yapan x de�erini bulmaya �al��r. x0 parametresi, ba�lang�� noktas�n� belirtir. result de�i�keni, optimize i�leminin sonucunu i�erir.
SciPy, scikit-learn ve scikit-image gibi bilimsel eklenti paketleri i�in de bir temel olu�turur. scikit-learn, Python’da makine ��renmesi yapmak i�in kullan�lan bir k�t�phanedir. scikit-learn, s�n�fland�rma, regresyon, k�meleme, boyut indirgeme, model se�imi ve �n i�leme gibi �e�itli makine ��renmesi g�revleri i�in mod�ller sunar. scikit-image ise Python’da g�r�nt� i�leme yapmak i�in kullan�lan bir k�t�phanedir. scikit-image, filtreleme, segmentasyon, kay�t, morfoloji ve analiz gibi g�r�nt� i�leme algoritmalar� sa�lar.
scikit-learn ve scikit-image k�t�phanelerini kullanmak i�in, SciPy gibi pip veya conda ile kurman�z ve Python program�n�zda i�e aktarman�z gerekir. �rne�in, scikit-learn k�t�phanesini kurmak i�in �u komutu kullanabilirsiniz:
python
pip install scikit-learn
scikit-learn k�t�phanesini i�e aktarmak i�in �u komutu kullanabilirsiniz:
python
import sklearn as sk
scikit-image k�t�phanesini kurmak i�in �u komutu kullanabilirsiniz:
python
pip install scikit-image
scikit-image k�t�phanesini i�e aktarmak i�in �u komutu kullanabilirsiniz:
python
import skimage as ski
scikit-learn ve scikit-image k�t�phaneleri, SciPy k�t�phanesinin sa�lad�� algoritmalar� ve veri yap�lar�n� kullanarak daha ileri d�zeyde bilimsel uygulamalar geli�tirmenize olanak tan�r. Makine ��renmesi uygulamalar� geli�tirirken scikit-learn k�t�phanesi yayg�n olarak kullan�ld��ndan, bu konuda daha fazla �rnek bulabilirsiniz. scikit-image k�t�phanesi ise g�r�nt� i�leme uygulamalar� geli�tirirken size yard�mc� olacakt�r.
Seaborn K�t�phanesi
Seaborn, Python programlama dilinde verileri g�rselle�tirmek i�in kullan�lan bir k�t�phanedir. Matplotlib adl� ba�ka bir k�t�phaneye dayan�r, ancak daha g�zel ve anla��l�r grafikler �retir. Seaborn, Pandas adl� bir k�t�phane ile uyumludur. Pandas, verileri tablo �eklinde depolamak ve i�lemek i�in kullan�l�r. Seaborn, verilerin nas�l da��ld��n�, hangi �zelliklerin birbiriyle ili�kili oldu�unu, hangi gruplar�n aras�nda farkl�l�klar oldu�unu g�rmek i�in �ok yararl�d�r. Seaborn ile �e�itli grafik t�rleri olu�turabilirsiniz, �rne�in:
- Histogram: Verilerin frekans�n� g�steren dikd�rtgenlerden olu�an bir grafiktir. Verilerin ortalamas�, medyan�, modu, �arp�kl�� gibi istatistiksel �zelliklerini g�rmek i�in kullan�l�r.
- Kutu grafi�i: Verilerin minimum, maksimum, �eyreklikler, medyan ve ayk�r� de�erlerini g�steren bir grafiktir. Verilerin yay�l�m�n� ve simetrisini g�rmek i�in kullan�l�r.
- Sa��l�m grafi�i: Verilerin iki de�i�ken aras�ndaki ili�kisini g�steren noktalardan olu�an bir grafiktir. Verilerin korelasyonunu, regresyonunu, k�meleme gibi �zelliklerini g�rmek i�in kullan�l�r.
- �izgi grafi�i: Verilerin bir de�i�kene g�re nas�l de�i�ti�ini g�steren �izgilerden olu�an bir grafiktir. Verilerin e�ilimini, dalgalanmas�n�, sezonlulu�unu gibi �zelliklerini g�rmek i�in kullan�l�r.
Seaborn k�t�phanesi, veri g�rselle�tirme konusunda �ok yetenekli ve kolay kullan�ml� bir k�t�phanedir. Verileri anlamak ve sunmak i�in �ok faydal�d�r.
Seaborn Kurulumu ve ��e Aktar�lmas�
Seaborn, Python’da veri g�rselle�tirme yapmak i�in kullan�lan bir k�t�phanedir. Seaborn’u kullanabilmek i�in �ncelikle sisteminizde kurulu olmas� gerekir. E�er kurulu de�ilse, Python’un paket y�neticisi olan pip ile kolayca kurabilirsiniz. Bunun i�in pip install seaborn komutunu �al��t�rman�z yeterlidir. E�er Jupyter Notebook �zerinde �al��yorsan�z, ba��na ! i�areti koyarak da ayn� komutu �al��t�rabilirsiniz. Anaconda platformunu kullan�yorsan�z, Seaborn zaten kurulu olarak gelir, ekstra bir i�lem yapman�za gerek yoktur.
Seaborn k�t�phanesini kullanmak i�in, �ncelikle Python kodunuza i�e aktarman�z gerekir. Bunun i�in import seaborn as sns komutunu yazman�z yeterlidir. Bu �ekilde Seaborn’u sns takma ad�yla kullanabilirsiniz. Seaborn k�t�phanesi, veri g�rselle�tirme yapmak i�in gerekli olan di�er k�t�phaneleri de otomatik olarak i�e aktar�r. �rne�in, pandas, numpy ve matplotlib gibi k�t�phaneler Seaborn ile birlikte �al��r.
Seaborn k�t�phanesi, i�inde baz� haz�r veri setleri bar�nd�r�r. Bu veri setleri, veri g�rselle�tirme �rnekleri yapmak i�in kullan��l�d�r. Seaborn’de bulunan veri setlerinin listesini g�rmek i�in sns.get_dataset_names() komutunu �al��t�rabilirsiniz. Bu komut size ��yle bir ��kt� verir:
[’anagrams’, ’anscombe’, ’attention’, ’brain_networks’, ’car_crashes’, ’diamonds’, ’dots’, ’exercise’, ’flights’, ’fmri’, ’gammas’, ’geyser’, ’iris’, ’mpg’, ’penguins’, ’planets’, ’tips’, ’titanic’]
Bu veri setlerinden birini kullanmak i�in, sns.load_dataset("veri_seti_adi") komutunu kullanabilirsiniz. �rne�in, tips veri setini kullanmak i�in sns.load_dataset("tips") komutunu �al��t�rabilirsiniz. Bu komut size bir pandas DataFrame nesnesi d�nd�r�r. Bu nesne �zerinde pandas k�t�phanesinin sundu�u t�m i�lemleri yapabilirsiniz.
Tips veri seti, bir restoranda m��terilerin verdikleri bah�i�lere ili�kin bilgiler i�erir. Bu veri setinde toplam 7 s�tun (kolon) vard�r. Bunlar:
- total_bill: Toplam hesap miktar�
- tip: Verilen bah�i� miktar�
- sex: M��terinin cinsiyeti
- smoker: M��terinin sigara i�ip i�medi�i
- day: Ziyaret edilen g�n
- time: Ziyaret edilen zaman (��le veya ak�am)
- size: Masadaki ki�i say�s�
Tips veri seti hakk�nda daha fazla bilgi almak i�in, info ve describe metodlar�n� kullanabilirsiniz. info metodu, veri setinin boyutu, s�tun isimleri, veri tipleri ve eksik de�erler hakk�nda bilgi verir. describe metodu ise, say�sal s�tunlara ait tan�mlay�c� istatistikleri verir. �rne�in, ortalama, standart sapma, minimum, maksimum, �eyreklikler ve medyan gibi de�erleri g�sterir.
Tips veri setini kullanarak veri g�rselle�tirme yapmak i�in, Seaborn k�t�phanesinin sundu�u �e�itli fonksiyonlardan yararlanabilirsiniz. �rne�in, veri setindeki iki s�tun aras�ndaki ili�kiyi g�rmek i�in sns.scatterplot(x="total_bill", y="tip", data=tips) komutunu �al��t�rabilirsiniz. Bu komut, total_bill ve tip s�tunlar�n� x ve y eksenlerine yerle�tirerek bir sa��l�m grafi�i (scatter plot) olu�turur. data parametresine ise, veri setinin ad�n� verirsiniz.
Bu grafikten, total_bill ve tip s�tunlar� aras�nda pozitif bir ili�ki oldu�unu g�rebilirsiniz. Yani, hesap miktar� artt�k�a bah�i� miktar� da artmaktad�r.
Seaborn k�t�phanesi, veri g�rselle�tirme yapmak i�in �ok say�da fonksiyon sunar. Bu fonksiyonlar�n tam listesini ve kullan�m �rneklerini Seaborn resmi web sitesi seaborn.pydata.org/dan inceleyebilirsiniz.
Seaborn ile Veri G�rselle�tirme
Seaborn, Python’da istatistiksel veri g�rselle�tirmesi yapmak i�in kullan�lan bir k�t�phanedir. Matplotlib k�t�phanesine dayan�r, ancak daha y�ksek seviyeli ve daha kolay kullan�ml� fonksiyonlar sunar. Seaborn ile veri �er�evelerini (DataFrame) do�rudan grafiklere d�n��t�rebilir, renk paletleri ve temalar se�ebilir, veri da��l�mlar�n� ve ili�kilerini g�sterebilirsiniz.
Baz� Seaborn fonksiyonlar�n� ve parametrelerini k�saca a��klamak gerekirse:
- scatterplot fonksiyonu, iki de�i�ken aras�ndaki ili�kiyi noktalar halinde g�steren bir grafik �izer. data parametresi ile veri �er�evesini, x ve y parametreleri ile de�i�kenleri belirtirsiniz. �rne�in, tips veri setinde bah�i� ve fatura toplam� aras�ndaki ili�kiyi g�rmek i�in ��yle yazabilirsiniz:
python
import seaborn as sns
import matplotlib.pyplot as plt
sns.set() # Seaborn’un varsay�lan stilini ayarla
tips = sns.load_dataset("tips") # tips veri setini y�kle
sns.scatterplot(data=tips, x="total_bill", y="tip") # scatterplot �iz
plt.show() # grafi�i g�ster
- set_style fonksiyonu, grafi�in arka plan�n�, �zgaras�n� ve eksenlerini de�i�tirmenizi sa�lar. darkgrid, whitegrid, dark, white ve ticks gibi farkl� stiller se�ebilirsiniz. �rne�in, arka plan� beyaz, �zgaray� koyu ve eksenleri kal�n yapmak i�in ��yle yazabilirsiniz:
python
sns.set_style("whitegrid", {"axes.edgecolor": "black", "axes.linewidth": 2})
- palette parametresi, grafi�in renklerini belirlemenizi sa�lar. Seaborn’un �nceden tan�mlanm�� renk paletlerinden birini se�ebilir veya kendi renklerinizi belirtebilirsiniz. �rne�in, grafi�i mavi tonlar�nda yapmak i�in ��yle yazabilirsiniz:
python
sns.scatterplot(data=tips, x="total_bill", y="tip", palette="Blues")
- set fonksiyonu, grafi�in boyutunu, ��z�n�rl��n� ve yaz� tipini ayarlaman�z� sa�lar. rc parametresi ile bu ayarlar� bir s�zl�k olarak verirsiniz. �rne�in, grafi�i 8x6 in� boyutunda, 300 dpi ��z�n�rl�kte ve 14 punto yaz� tipinde yapmak i�in ��yle yazabilirsiniz:
python
sns.set(rc={"figure.figsize": (8, 6), "figure.dpi": 300, "font.size": 14})
- color parametresi, grafi�in �izgilerinin ve noktalar�n�n rengini belirtmenizi sa�lar. Bir renk ad�, kodu veya paleti verebilirsiniz. �rne�in, grafi�i k�rm�z� yapmak i�in ��yle yazabilirsiniz:
python
sns.scatterplot(data=tips, x="total_bill", y="tip", color="red")
- hue parametresi, veriyi kategorik olarak grupland�rman�z� sa�lar. Bir kategorik de�i�ken ad� verirseniz, grafi�in renkleri o de�i�kene g�re ayr�l�r. �rne�in, grafi�i yemek zaman�na g�re gruplamak i�in ��yle yazabilirsiniz:
python
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
- relplot fonksiyonu, ili�kisel bir grafik �izer. scatterplot gibi iki de�i�ken aras�ndaki ili�kiyi noktalar halinde g�sterebilir veya lineplot gibi iki de�i�ken aras�ndaki ili�kiyi �izgiler halinde g�sterebilir. kind parametresi ile grafi�in t�r�n� belirtirsiniz. relplot fonksiyonu, scatterplot ve lineplot fonksiyonlar�ndan daha esnektir, ��nk� birden fazla grafik �izmenizi sa�lar. �rne�in, cinsiyete g�re farkl� grafikler �izmek i�in ��yle yazabilirsiniz:
python
sns.relplot(data=tips, x="total_bill", y="tip", kind="scatter", col="sex")
- height parametresi, grafi�in y�ksekli�ini belirlemenizi sa�lar. Bir say�sal de�er verirseniz, grafi�in boyutu o de�ere g�re ayarlan�r. �rne�in, grafi�i 5 in� y�ksekli�inde yapmak i�in ��yle yazabilirsiniz:
python
sns.relplot(data=tips, x="total_bill", y="tip", kind="scatter", height=5)
- style parametresi, kategorik olarak hue parametresinden ba�ka bir kategorik g�sterim olana�� verir. Bir kategorik de�i�ken ad� verirseniz, grafi�in �ekilleri o de�i�kene g�re ayr�l�r. �rne�in, grafi�i sigara i�ip i�meme durumuna g�re farkl� �ekillerde yapmak i�in ��yle yazabilirsiniz:
python
sns.relplot(data=tips, x="total_bill", y="tip", kind="scatter", style="smoker")
- sizes parametresi, say�sal b�y�kl�� g�stermenizi sa�lar. Bir say�sal de�i�ken ad� verirseniz, grafi�in noktalar�n�n b�y�kl�� o de�i�kene g�re de�i�ir. �rne�in, grafi�i masadaki ki�i say�s�na g�re farkl� b�y�kl�klerde yapmak i�in ��yle yazabilirsiniz:
python
sns.relplot(data=tips, x="total_bill", y="tip", kind="scatter", sizes="size")
- lineplot fonksiyonu, �izgi grafi�i �izer. �ki de�i�ken aras�ndaki ili�kiyi �izgiler halinde g�sterir. data parametresi ile veri �er�evesini, x ve y parametreleri ile de�i�kenleri belirtirsiniz. �rne�in, cinsiyete g�re fatura toplam� ve bah�i� aras�ndaki ili�kiyi g�rmek i�in ��yle yazabilirsiniz:
python
sns.lineplot(data=tips, x="total_bill", y="tip", hue="sex")
Korelasyon ve Is� Haritas�
- inner parametresine verilebilecek arg�manlar �unlard�r:
- box: Grafik i�inde bir kutu grafi�i g�sterir. Bu sayede, kategorik de�i�kenlerin istatistiksel �zetini ve yo�unlu�unu ayn� anda g�rebiliriz. �rne�in, a�a��daki grafik, sigara i�en ve i�meyen m��terilerin verdi�i bah�i�lerin da��l�m�n� g�stermektedir. Bu grafikten, sigara i�en m��terilerin bah�i�lerinin ortalamas�n�n, medyan�n�n, minimumunun, maksimumunun ve �eyrekliklerinin sigara i�meyen m��terilerden daha y�ksek oldu�unu, ayr�ca sigara i�en m��terilerin bah�i�lerinin daha fazla varyasyona sahip oldu�unu g�rebiliriz.
python
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")
sns.catplot(x="smoker", y="tip", data=tips, kind="violin", inner="box")
plt.show()
- quartile: Grafik i�inde �eyreklikleri g�sterir. Bu sayede, kategorik de�i�kenlerin da��l�m�n�n �eyrekliklerine g�re nas�l de�i�ti�ini g�rebiliriz. �rne�in, a�a��daki grafik, sigara i�en ve i�meyen m��terilerin verdi�i bah�i�lerin da��l�m�n� g�stermektedir. Bu grafikten, sigara i�en m��terilerin bah�i�lerinin �eyrekliklerinin sigara i�meyen m��terilerden daha y�ksek oldu�unu, ancak sigara i�meyen m��terilerin bah�i�lerinin daha simetrik bir da��l�ma sahip oldu�unu g�rebiliriz.
python
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")
sns.catplot(x="smoker", y="tip", data=tips, kind="violin", inner="quartile")
plt.show()
- point: Grafik i�inde noktalar� g�sterir. Bu sayede, kategorik de�i�kenlerin da��l�m�n�n bireysel de�erlerini g�rebiliriz. �rne�in, a�a��daki grafik, sigara i�en ve i�meyen m��terilerin verdi�i bah�i�lerin da��l�m�n� g�stermektedir. Bu grafikten, sigara i�en m��terilerin bah�i�lerinin daha fazla �e�itlilik g�sterdi�ini, ancak sigara i�meyen m��terilerin daha fazla say�da oldu�unu g�rebiliriz.
python
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")
sns.catplot(x="smoker", y="tip", data=tips, kind="violin", inner="point")
plt.show()
- stick: Grafik i�inde �ubuklar� g�sterir. Bu sayede, kategorik de�i�kenlerin da��l�m�n�n bireysel de�erlerini g�rebiliriz. �rne�in, a�a��daki grafik, sigara i�en ve i�meyen m��terilerin verdi�i bah�i�lerin da��l�m�n� g�stermektedir. Bu grafikten, sigara i�en m��terilerin bah�i�lerinin daha fazla �e�itlilik g�sterdi�ini, ancak sigara i�meyen m��terilerin daha fazla say�da oldu�unu g�rebiliriz.
python
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")
sns.catplot(x="smoker", y="tip", data=tips, kind="violin", inner="stick")
plt.show()
- None: Grafik i�inde hi�bir �ey g�stermez. Bu sayede, kategorik de�i�kenlerin da��l�m�n�n sadece yo�unlu�unu g�rebiliriz. �rne�in, a�a��daki grafik, sigara i�en ve i�meyen m��terilerin verdi�i bah�i�lerin da��l�m�n� g�stermektedir. Bu grafikten, sigara i�en m��terilerin bah�i�lerinin daha fazla yo�unla�t�� b�lgeleri g�rebiliriz.
python
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")
sns.catplot(x="smoker", y="tip", data=tips, kind="violin", inner=None)
plt.show()
- split parametresi, farkl� kategoriler i�in grafi�i b�lmek i�in kullan�l�r. Bu sayede, kategorik de�i�kenlerin da��l�m�n� kar��la�t�rmak daha kolay olur. �rne�in, a�a��daki grafik, cinsiyete g�re sigara i�en ve i�meyen m��terilerin verdi�i bah�i�lerin da��l�m�n� g�stermektedir. Bu grafikten, sigara i�en kad�nlar�n bah�i�lerinin daha fazla �e�itlilik g�sterdi�ini, sigara i�en erkeklerin bah�i�lerinin daha y�ksek oldu�unu, sigara i�meyen kad�nlar�n bah�i�lerinin daha d��k oldu�unu, sigara i�meyen erkeklerin bah�i�lerinin daha simetrik bir da��l�ma sahip oldu�unu g�rebiliriz.
python
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")
sns.catplot(x="smoker", y="tip", hue="sex", data=tips, kind="violin", split=True)
plt.show()
- Bir�ok �zelli�in birbiriyle ili�kisini birden fazla grafikle g�rselle�tirmek i�in, Seaborn k�t�phanesinde bulunan PairGrid fonksiyonu kullan�l�r. Bu fonksiyon, bir veri k�mesindeki say�sal de�i�kenlerin ikili kombinasyonlar�n� g�steren bir �zgara olu�turur. Izgaran�n her bir h�cresine farkl� bir grafik t�r� uygulanabilir. �rne�in, a�a��daki grafik, tips veri k�mesindeki toplam fatura, bah�i� ve masa boyutu de�i�kenlerinin birbiriyle ili�kisini g�stermektedir. Izgaran�n �st ��geninde korelasyon katsay�lar�, alt ��geninde da��l�m grafi�i, ana k��egeninde ise yo�unluk grafi�i �izilmi�tir. Bu grafikten, toplam fatura ve bah�i� aras�nda en y�ksek korelasyonun oldu�unu, toplam fatura ve masa boyutu aras�nda orta derecede korelasyonun oldu�unu, bah�i� ve masa boyutu aras�nda ise d��k derecede korelasyonun oldu�unu g�rebiliriz.
python
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
tips = sns.load_dataset("tips")
g = sns.PairGrid(tips, vars=["total_bill", "tip", "size"])
g.map_upper(lambda x, y, **kwargs: plt.text(x.mean(), y.mean(), f"{np.corrcoef(x, y)[0, 1]:.2f}", ha="center", va="center"))
g.map_lower(sns.scatterplot)
g.map_diag(sns.kdeplot)
plt.show()
Scikit-learn
Scikit-learn, Python programlama dilinde makine ��renmesi algoritmalar�n� uygulamak i�in kullan�lan bir k�t�phanedir. Makine ��renmesi, verilerden ��renerek tahminler yapabilen bilgisayar sistemlerinin geli�tirilmesi s�recidir. Scikit-learn, makine ��renmesi s�recindeki farkl� a�amalar� kolayla�t�rmak i�in �e�itli ara�lar ve mod�ller sa�lar. Bu a�amalar �unlard�r:
- Veri �n i�leme: Verileri makine ��renmesi algoritmalar�na uygun hale getirmek i�in yap�lan i�lemlerdir. �rne�in, verileri standartla�t�rmak, eksik de�erleri doldurmak, kategorik verileri say�sal verilere d�n��t�rmek, verileri e�itim ve test k�melerine ay�rmak gibi i�lemlerdir. Scikit-learn, sklearn.preprocessing, sklearn.impute, sklearn.feature_extraction gibi mod�ller ile veri �n i�leme i�lemlerini ger�ekle�tirebilir.
- Model se�imi ve e�itimi: Makine ��renmesi algoritmalar�n� verilere uygulayarak bir model olu�turmak ve bu modelin performans�n� de�erlendirmek i�in yap�lan i�lemlerdir. �rne�in, do�rusal regresyon, lojistik regresyon, destek vekt�r makineleri, karar a�a�lar�, k-ortalama, yapay sinir a�lar� gibi algoritmalar� kullanarak bir model e�itmek, �apraz do�rulama, �zgara arama, rastgele arama gibi y�ntemlerle modelin hiperparametrelerini ayarlamak, do�ruluk, hassasiyet, geri �a��rma, F1 skoru, ROC e�risi gibi metriklerle modelin performans�n� �l�mek gibi i�lemlerdir. Scikit-learn, sklearn.linear_model, sklearn.svm, sklearn.tree, sklearn.cluster, sklearn.neural_network gibi mod�ller ile model se�imi ve e�itimi i�lemlerini ger�ekle�tirebilir.
- Model kullan�m� ve iyile�tirilmesi: E�itilmi� bir modeli yeni veriler �zerinde tahmin yapmak veya modeli daha iyi hale getirmek i�in yap�lan i�lemlerdir. �rne�in, modeli kaydetmek ve y�klemek, modeli seri hale getirmek, modeli g�ncellemek, modeli bir web servisi olarak sunmak, modelin a��klanabilirli�ini art�rmak, modelin yanl�� yapt�� durumlar� analiz etmek gibi i�lemlerdir. Scikit-learn, sklearn.externals.joblib, sklearn.pipeline, sklearn.model_selection.learning_curve gibi mod�ller ile model kullan�m� ve iyile�tirilmesi i�lemlerini ger�ekle�tirebilir.
Scikit-learn k�t�phanesini kullanabilmek i�in �ncelikle sisteme kurmak gerekir. Bunun i�in Python’un paket y�neticisi olan pip kullan�labilir. Komut sat�r�nda pip install scikit-learn komutu ile Scikit-learn k�t�phanesi sisteme kurulur. E�er Jupyter Notebook gibi bir ortamda �al��l�yorsa, !pip install scikit-learn komutu ile k�t�phane kurulabilir. Anaconda gibi bir platform kullan�l�yorsa, Scikit-learn k�t�phanesi zaten kurulu olarak gelir.
Scikit-learn k�t�phanesini kullanmak i�in i�e aktarmak gerekir. Bunun i�in import sklearn komutu kullan�labilir. Ancak genellikle Scikit-learn k�t�phanesinin alt mod�llerini kullanmak daha pratiktir. �rne�in, from sklearn.linear_model import LinearRegression komutu ile do�rusal regresyon modelini i�e aktarabiliriz. Scikit-learn k�t�phanesinin versiyonunu ��renmek i�in sklearn.__version__ komutu kullan�labilir. �rne�in, a�a��daki kod blo�u Scikit-learn k�t�phanesinin versiyonunu yazd�r�r.
python
import sklearn
print(sklearn.__version__)
Sosyal Medyada Paylaşın:

Kaya Ridvan Şiirleri

En Çok Okunan Şiirleri

UYGULAMALI ETKİLİ PROMPT ÖRNEKLERİ CANVA VE HeyGen Kullanarak Yapay Zekayla Konuşan Avatar Videoları Oluşturma YAPAY ZEKA DİL MODELİ BİNG'İ KANDIRMAK İÇİN PROMPTLAR Bir Veri Setinden Ürün Tahmini Yapmak İçin Bir Makine Öğrenmesi Modeli Eğitmek PYTHONLA YAPAY ZEKALI HASTALIK DANIŞMA CHATBOTU PYTHONLA BİTKİ HASTALIKLARINI TANIYAN BİR SİNİR AĞI MODELİNİ EĞİTMEK VE DEĞERLENDİRMEK PYTHONLA ALLAH'IN VARLIĞINI İSPATLAMAK YAPAY ZEKA HAYIR MI ŞER Mİ? PYTHONLA YÜKSEK KAN BASINCINI TEŞHİS ETMEK İÇİN YAPAY ZEKALI PROJE Şizofreni Hastalarının Konuşma Ve Yazma Metinlerinden PANSS (Pozitif ve Negatif Sendrom Ölçeği) Skorlarını Tahmin Etmek İçin Bir Makine Öğrenmesi Projesi

Anasayfa

Şiirler

Yazılar

Forum

Nedir?

Kitap

Bi Cümle

İletişim

MAKİNE ÖĞRENMESİ İLE İLGİLİ KÜTÜPHANELER