Makine Öğrenimine Giriş
Makine öğrenimi (ML), açık talimatları izlemeden öğrenebilen, uyarlayabilen, tahmin edebilen ve ilişkilendirebilen bilgisayar sistemlerinin oluşturulmasına odaklanan yapay zekanın (AI) bir alt alanıdır.
Makine öğreniminin amacı, algoritmalardan yararlanarak ve kullanıcı dostu çıktılar üretebilecek genelleştirilmiş modeller oluşturarak büyük miktarda veriyi anlamak ve işlemektir.
Makine öğrenimi genellikle aşağıdaki adımları izleyerek çalışır:
- Çeşitli kaynaklardan veri toplamak
- Verilerin homojen olması için temizlik
- ML algoritmasını kullanarak model oluşturma
- Modelin sonuçlarından bilgi edinme
- Veri görselleştirme ve sonuçları görsel grafiklere dönüştürme
1. Çeşitli kaynaklardan veri toplamak
Makine öğrenimi, üretime hazır bir model oluşturmak için çok fazla veri gerektirir.
Makine öğrenimi için veri toplama iki şekilde yapılır: otomatik ve manuel.
- Otomatik veri toplama, verileri web'den kazıyan programları ve komut dosyalarını kullanır.
- Manuel veri toplama, verilerin manuel olarak toplanıp homojen bir şekilde hazırlanması işlemidir.
Python ile web kazımayı kullanarak otomatik veri toplama:
import requests
from bs4 import BeautifulSoup
# Scrape data from a website
url = 'https://example.com'
response = requests.get(url)
soup = BeautifulSoup(response.content, 'html.parser')
# Extract relevant information from the website
data = soup.find('div', class_='data-container').text
# Store the gathered data
with open('data.txt', 'w') as file:
file.write(data)2. Verilerin homojen olması için temizlik
Veri homojenliğinin sağlanması, makine öğreniminin işe yaraması ve sonuç üretmesi için çok önemli bir adımdır.
ML için veri temizliği, algoritmaların yardımıyla manuel veya otomatik olarak yapılır ve veri kümesi içindeki yanlış, bozuk, yanlış biçimlendirilmiş, kopya ve eksik verilerin düzeltilmesinden ve/veya kaldırılmasından oluşur.
Python ve pandaları kullanarak verileri temizleme:
import pandas as pd
# Read data from a CSV file
data = pd.read_csv('data.csv')
# Remove duplicates
data = data.drop_duplicates()
# Fix missing values by filling with mean
data['column_name'].fillna(data['column_name'].mean(), inplace=True)
# Remove incorrect or corrupted data
data = data[data['column_name'] > 0]
# Save cleaned data to a new file
data.to_csv('cleaned_data.csv', index=False)3. ML algoritmasını kullanarak model oluşturma
ML (makine öğrenimi) model, makine öğrenimi algoritmalarının sonuçlarını içeren ve dinamik girdi üzerinde akıl yürütmek için kullanılan bir dosyadır.
Bir ML (makine öğrenimi) modeli, gerçek zamanlı girdiyle eşleşen modellerin bir listesini içererek ve ardından eşleşen modele göre çıktı üreterek çalışır.
ML modelleri çeşitli yapı türlerine sahip olabilir; en yaygın türler şunlardır: ikili sınıflandırma, çok sınıflı sınıflandırma, ve regresyon.
- İkili sınıflandırma modeli, iki olası sonuçtan biri anlamına gelen ikili bir sonucu öngörür.
- Çok sınıflı sınıflandırma modeli ikiden fazla sonuçtan birini tahmin eder.
- Regresyon modeli sayısal değerleri tahmin eder.
Makine öğrenimi modeli oluşturma sürecine eğitim denir.
Makine öğrenimi eğitimi algoritmalar yardımıyla yapılır ve iki kategoriye ayrılır: denetimli öğrenme ve denetimsiz öğrenme.
- Denetimli öğrenme (SL), ML modelinin etiketli veriler, yani hem giriş hem de çıkış değerlerine sahip veriler kullanılarak eğitilmesidir.
- Denetimsiz öğrenme (UL), ML modelinin etiketlenmemiş veriler kullanılarak eğitilmesidir; bu, etiketi veya bilinen sonuçları olmayan veriler anlamına gelir.
Sinir ağları (NN'ler), denetimsiz öğrenmenin merkezinde yer alır ve veri kümesi içindeki veriler arasında eşleştirme yaparak korelasyon yapılmasına olanak tanır.
Python'un scikit-learn kütüphanesini kullanarak ikili sınıflandırma modeli oluşturmak:
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# Load the dataset
X, y = load_dataset()
# Split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# Create a Logistic Regression model
model = LogisticRegression()
# Train the model
model.fit(X_train, y_train)
# Make predictions on the test set
y_pred = model.predict(X_test)
# Evaluate the model's accuracy
accuracy = accuracy_score(y_test, y_pred)4. Modelin sonuçlarından bilgi edinme
ML modellerinden içgörü elde etmek, önceden bilinmeyen kalıpları anlamak ve modelin tahmin ve sonuç çıkarma yeteneğini test etmek anlamına gelir.
Modelin geçerliliğini doğrulamak ve öğrenme algoritmasında/algoritmalarında herhangi bir değişiklik yapılması gerekip gerekmediğini belirlemek için içgörü kazanmak çok önemlidir.
Python ile eğitilmiş bir modelde özellik öneminin analiz edilmesi:
import matplotlib.pyplot as plt
# Get the feature importance scores
importances = model.coef_[0]
# Sort feature importance in descending order
sorted_indices = importances.argsort()[::-1]
sorted_importances = importances[sorted_indices]
# Plot the feature importance
plt.bar(range(len(sorted_importances)), sorted_importances)
plt.xticks(range(len(sorted_importances)), sorted_indices)
plt.xlabel('Feature Index')
plt.ylabel('Importance Score')
plt.title('Feature Importance')
plt.show()5. Veri görselleştirme ve sonuçları görsel grafiklere dönüştürme
ML modelinin veri görselleştirmesi, çıktı verilerinin bir grafiğe yerleştirilmesinden ve etkileşimli API'nin sağlanmasından oluşur.
Python ile tahmin edilen değerlerin dağılım grafiğini oluşturmak:
import matplotlib.pyplot as plt
# Get the predicted values
y_pred = model.predict(X)
# Create a scatter plot
plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('Predicted Values')
plt.show()Çözüm
Yukarıdaki kod örnekleri, veri toplama ve temizlemeden model oluşturmaya, içgörülere ve veri görselleştirmeye kadar makine öğrenimindeki her adıma yönelik pratik uygulamaları gösterir.