<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by akın özçift on Medium]]></title>
        <description><![CDATA[Stories by akın özçift on Medium]]></description>
        <link>https://medium.com/@akinozcift?source=rss-f6b80b82e367------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*A7IPf180SoRu0xvk.</url>
            <title>Stories by akın özçift on Medium</title>
            <link>https://medium.com/@akinozcift?source=rss-f6b80b82e367------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 19:59:42 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@akinozcift/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[PyCaret : Neredeyse Otomatikleşmiş Bir Framework İle Makine Öğrenmesi]]></title>
            <link>https://medium.com/@akinozcift/pycaret-neredeyse-otomatikle%C5%9Fmi%C5%9F-bir-framework-i%CC%87le-makine-%C3%B6%C4%9Frenmesi-26b761bd1058?source=rss-f6b80b82e367------2</link>
            <guid isPermaLink="false">https://medium.com/p/26b761bd1058</guid>
            <category><![CDATA[app-development]]></category>
            <category><![CDATA[backend]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[front-end-development]]></category>
            <dc:creator><![CDATA[akın özçift]]></dc:creator>
            <pubDate>Thu, 13 Aug 2020 16:30:39 GMT</pubDate>
            <atom:updated>2020-08-13T16:30:39.567Z</atom:updated>
            <content:encoded><![CDATA[<h3>PyCaret : Neredeyse Otomatikleşmiş Bir Makine Öğrenmesi Framework’ü İle Web Uygulaması Geliştirme</h3><p>Tipik bir ML uygulaması geliştirme süreci</p><blockquote>veri hazırlama</blockquote><blockquote>veri ön-işleme</blockquote><blockquote>öz-nitelik seçimi/transformasyonu</blockquote><blockquote>ML problemine (sınıflandırma, resgresyon vs.) uygun algoritma ve başarım metriğinin seçilmesi</blockquote><blockquote>ideal ML model veya modellerinin (ensemble learning) bulunması</blockquote><blockquote>parameter tuning ile performansın iyileştirilmesi</blockquote><blockquote>modelin kullanıma alınması (deploy) şeklinde</blockquote><p>adımlar ile ilerler.</p><p>Bu sürece bir tür denemeler topluluğu demek mümkün. Yakın zamanlarda tüm bu pipeline’ı (adımlar bütününü) otomatikleştiren AutoML yazılımlarından haberimiz oldu. Ancak hem bir tür AutoML desteği sunan hem de yukarıda bahsedilen klasik ML sürecini python da rutin kodlama yoğunluğundan kurtararak az-kod (low code iddiaları var!) ile gerçekleştiren bir framework ten haberim olunca paylaşmak istedim. Henüz yeni bir platform olsa da çok sayıda kullanıcı kitlesi edinen bu platformu kendim de ML derslerimde <strong>toparlama bağlamında</strong> kullanacağımı düşünüyorum.</p><p>PyCaret ile ilgili detaylara girmeden nihai hedef olan bir ML (Wep) App’in nasıl geliştirildiğini ilgili <a href="https://towardsdatascience.com/build-and-deploy-machine-learning-web-app-using-pycaret-and-streamlit-28883a569104">linke</a> havale ederek buraya kısaca alıntılıyorum. Amacım örneği baştan sona anlatmak değil sadece PyCaret’i ML uygulama geliştiricilerin/meraklılarının dikkatine sunmak! Yine PyCaret detayları için ilgili bir <a href="https://towardsdatascience.com/announcing-pycaret-an-open-source-low-code-machine-learning-library-in-python-4a1f1aad8d46">link’i</a> de buraya bırakıyorum.</p><p>Bloklar halinde bir ML Web Uygulaması geliştirme süreci A) PyCaret ile ML modelinin geliştirilmesi, B) Streamlit ile ML modelinin Web arayüzünün geliştirilmesi ve C) geliştirilen web-app’ın Heroku (ücretsiz olarak geliştirilen uygulamanın servis olarak kullanıcılara sunulması) ile tanımlanabilir. Bu adımların gerçeklendiği GitHub destekli akış aşağıdaki şekilde özetlenmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/997/0*jkTn6DobKBNCX2z7.png" /><figcaption><a href="https://towardsdatascience.com/build-and-deploy-machine-learning-web-app-using-pycaret-and-streamlit-28883a569104">Machine Learning Workflow (from Training to Deployment on PaaS)</a></figcaption></figure><p>PyCaret ve onunla bağlantılı olarak ML uygulaması geliştirme teknolojilerinin anlatıldığı yazıyı ilgililerin dikkatine sunuyorum. Keyifli okumalar</p><blockquote>Not: Örneğin kendisini anlatacak zamanım olmadığı ve paylaşımı da ertelemek istemediğim için okuyucuyu orijinal yazıyı okumaya ve örneği uygulamaya davet ediyorum.</blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=26b761bd1058" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[GPU Destekli Makineye Derin Öğrenme Ortamı Kurma Serüveni]]></title>
            <link>https://medium.com/@akinozcift/gpu-destekli-makineye-derin-%C3%B6%C4%9Frenme-ortam%C4%B1-kurma-ser%C3%BCveni-a06b0d4b50e3?source=rss-f6b80b82e367------2</link>
            <guid isPermaLink="false">https://medium.com/p/a06b0d4b50e3</guid>
            <category><![CDATA[ubuntu]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[gpu-computing]]></category>
            <dc:creator><![CDATA[akın özçift]]></dc:creator>
            <pubDate>Wed, 21 Aug 2019 11:33:36 GMT</pubDate>
            <atom:updated>2019-08-21T11:33:36.767Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>GPU Destekli Makineye Derin Öğrenme Ortamı Kurma Serüveni</strong></p><p>Öncelikle bunun sohbet tadında bir yazı olduğunu ifade ederek başlamak istiyorum. Elbette bu sürecin teknik detayları da olacak ancak yazının formatını kolaylık olması adına böyle seçtim! İyi okumalar…</p><p>Yazılım Mühendisliği bölümümüze bir proje kapsamında <strong>RTX 2080 Ti </strong>kartına sahip makineler alındı. Makinelerin konfigürasyonlarını seçmekte ayrı bir “macera” olacak kadar çetrefilliydi ama onu bir tarafa bırakıyorum. Cihazlar zaten Derin Öğrenme için kullabileceğimiz ( ya da öyle sandığım) Ubuntu 19.04 ile geldi. Makinelerin ilk Derin Öğrenme Performans (benchmark) testlerini yababilmek adına, keras, tensorflow, jupyter notebook, python, cuda, GPU sürücüleri ekseninde bir kurulum furyası geçti gözümün önünden.</p><p>“Google: Deep Learning Setup Ubuntu Environment GPU Nvidia” taramasıyla yola çıktım. Bir kaç medium, githup linkinde adım adım yapmam gerekenler açıklanmıştı. Evet nvidia kart sürücüsü, Cuda, python, tensor flow, scikit, Keras.. <strong>pip’</strong>leyerek kuruyorum. Ve mutlu son ? Pek tabi tahmin edeceğiniz gibi değil! Her ne kadar ısrarla olabileceğine dair aşağıdaki gibi kaynaklar varsa da, meğer ubuntu 19.04 için CUDA desteği uyumu yokmuş:</p><p><a href="https://www.pugetsystems.com/labs/hpc/How-To-Install-CUDA-10-1-on-Ubuntu-19-04-1405/">How To Install CUDA 10.1 on Ubuntu 19.04</a></p><p>Bu doğrultuda elimde patlamış bir ekranla kalakaldım. Biraz daha seri bir yol olmalı diyerek aklıma Docker geldi!.</p><p>(<strong>Dip Not 1:</strong> Aslında yol belli ! Ubuntu 19.04&#39;te ısrar etmemek! Ama bazen bu tarz faaliyetlerde dolanmayı seviyoruz sanırım!)</p><p>Neyse Docker tabanlı aramalar ile adım adım kurulumlara yöneldim. Derste sürekli Sanal Makineler kullandığım için tecrübelerim umut vericiydi. Aşağıdaki linkten bakınca çok temiz bir yol haritası beni bekliyordu:</p><p><a href="https://github.com/ufoym/deepo">GitHub - ufoym/deepo: Set up deep learning environment in a single command line.</a></p><p>Bu hikayenin sonucu da pek belli olduğu için yazmaya gerek duymadım!!</p><p>Bu arada neden anaconda ile neredeyse otomatik kurulum denemediniz diye soran olursa onunla ilgili de bir başka hikaye var onu da buraya almayayım!</p><p>İnad etmek yerine denenmiş ve CUDA desteği olan Ubuntu 18.04&#39;e downgrade yapmaya karar verdim. Ubuntu kurulumundan sonra klasik olarak kurulum süreci</p><p><a href="https://medium.com/@bbloks/a-machine-learning-environment-with-ubuntu-and-gpu-acceleration-in-5-steps-765608325356">A Machine Learning Environment with Ubuntu and GPU acceleration in 5 steps</a></p><p>gibi devam edecekti. Cep telefonunda gezinirken yeni bir Ubuntu 18.04 üzerine <strong><em>sadece tek satırlık bir komutla</em></strong> “TensorFlow, Keras, PyTorch, Caffe, Caffe 2, Theano, CUDA, cuDNN, and NVIDIA GPU” kurulacağını aynı zamanda güncelleme işleminin de tek satırlık bir komutla gerçekleşebileceği iddiasında bir siteye rast geldim:</p><p><a href="https://lambdalabs.com/lambda-stack-deep-learning-software">Lambda Stack: an AI software stack that&#39;s always up-to-date</a></p><p>Denemekten ne zarar gelecekti ki! Aşağıdaki kod satırını terminalden çalıştırdım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rdN3tFYIUPlUCk5KDh491Q.png" /><figcaption>Tek Satırla Ubuntu 18.04&#39;e Derin Öğrenme Ortamı Kurmak</figcaption></figure><p>Tam ne kadar sürdüğünü bilmediğim süreç <strong>hata vermeden tamamlandı</strong>!</p><p>Ve sıra sistemi test etmeğe, çalıştığını görmeğe geldi. Aynı sitede bir çok ekran kartının bencmark’ının yapıldığı aşağıdaki link’le devam ettim:</p><p><a href="https://lambdalabs.com/blog/2080-ti-deep-learning-benchmarks/">RTX 2080 Ti Deep Learning Benchmarks with TensorFlow - 2019</a></p><p>Hem sistemin tüm testi hem de yaptığım kurulumların hatasız çalışması bağlamında testi çalıştırdım. Bir kaç saat süren ve “ ResNet-50, ResNet-152, Inception v3, Inception v4, VGG-16, AlexNet, SSD300” ağlarının eğitimleri sırasında saniye başı işlediği görüntüleri ölçen değerlendirme sonuçları veren testi başarıyla tamamladım. Elde ettiğim sonuçlarla sitedeki sonuçları karşılaştırarak çok yakın sonuçlar elde ettim. Böylece sistemin sağlıklı çalıştığını, “tek satırlık bir komut” ile bu bazen karmaşıklaşan sürecin tamanlanabildiğini gördüm.</p><p>Bu tarz bir kurulum yapacaklara faydası olması dileği ile..</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a06b0d4b50e3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Tarayıcıda Veri Bilimi/Makine Öğrenmesi Uygulaması Yapmak ? : Kaggle-II]]></title>
            <link>https://medium.com/@akinozcift/taray%C4%B1c%C4%B1da-veri-bilimi-makine-%C3%B6%C4%9Frenmesi-uygulamas%C4%B1-yapmak-kaggle-ii-ff75ac43d9ed?source=rss-f6b80b82e367------2</link>
            <guid isPermaLink="false">https://medium.com/p/ff75ac43d9ed</guid>
            <category><![CDATA[kaggle]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <dc:creator><![CDATA[akın özçift]]></dc:creator>
            <pubDate>Wed, 17 Oct 2018 15:23:25 GMT</pubDate>
            <atom:updated>2018-10-17T15:36:39.246Z</atom:updated>
            <content:encoded><![CDATA[<h3>Tarayıcıda Veri Bilimi/Makine Öğrenmesi Uygulaması Yapmak ? : Kaggle-II</h3><p>Evet tarayıcıda ML konulu ikinci yazımla sizlerleyim. ML/Yapay Zeka (farkları tartışması bu yazının konusu değil) alanında bir şeyler öğrenmek istiyorum ve bunu tarayıcı konforunda gerçekleştireyim diyorsanız cevabımız “Kaggle” demiştik.</p><p><strong>SORU.</strong> Bu yazıda ne var?</p><p><strong>CEVAP.</strong> Öncelikle “Makine Nasıl Öğrenir” sorusunu cevaplayacağız. Ve daha sonra “Sayısal Tahmin/Regression” üzerine konuşacağız. Ve tabi Kaggle’da bir regression örneğimiz olacak.</p><p>Başlayalım.. Yine soru cevaplarla kısa kısa ilerleyelim.</p><p><strong>SORU.</strong> Makine Nasıl Öğrenir?</p><p><strong>CEVAP.</strong> Makineler öğreticili ve öğreticisiz olmak üzere iki tipte öğrenirler (bu yazı serisinde sadece öğreticili makine öğrenmesi ele alınacaktır).</p><p><strong>Öğreticili Öğrenme: </strong>Çok yalın haliyle sayısal ve kategorik (sınıf) tahmin bu gruba girer.</p><blockquote><strong>Sayısal Tahmin</strong> → Kafamızda canlanması için yarınki döviz kuru (bitcoin tahmini daha mı popüler acaba :-) ) tahmini, hava sıcaklığı tahmini sayısal tahmin sınıfına girer.</blockquote><blockquote><strong>Kategorik (Sınıf) Tahmin</strong> → Örneğin bir telekom firmasının kullanıcı özellikleri/alışkanlıkları üzerinden abonesinin kendisini terk edip etmeyeceği (iki sınıflı bu probleme Churn analizi deniyor) tahmini, hastalık verileri üzerinden hasta/değil tahmini yapmak bu tarz örneklerdir.</blockquote><p>İster sayısal ister kategorik olsun makinenin bir tahmin/kestirim (prediction) yapabilmesi için <strong>YÖNTEM/FORMÜL şudur</strong>:</p><p>i) Bir algoritmayı (makine algoritmayla öğreniyor!) alırız.</p><p>ii) Eldeki veriyle onu eğitir (ona öğretiriz).</p><p>iii) Yeni gelen veriyi (eğitimde kullanılmamış, daha önce karşılaşmadığı) tahmin etmesini isteriz.</p><p>yani <strong>FORMÜL</strong> eldeki veriyle <strong>ÖĞRENSİN</strong> → yeni veriyle <strong>TAHMİN</strong> yapsın</p><p>Evet veri ile öğret veri ile tahmin etsin dedik ama bu <strong>VERİ</strong> neye benzer?</p><p><strong>SORU.</strong> Bir sayısal ve sınıfsal tahmin verisi üzerinden öğrenme ve tahmin olayını inceleyebilirmiyiz.</p><p><strong>CEVAP.</strong> Verilerimizi genel olarak bir matris gibi düşünüyoruz.</p><p><strong>i) Sayısal tahmin için örnek veri</strong></p><p>Verilerimiz matris şeklinde demiştik. Genel olarak sol taraftaki kolonlar (feature olarak bilinir) en sağdaki kolonu tahmin etmekte kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/730/1*D3na-rO3OaXJ2b1eJnndfQ.png" /><figcaption>Sayısal Tahmin Örneği</figcaption></figure><p>Yani algoritma sol taraftaki kolonlardan train/öğretme (Python’da <strong>fit</strong>) aşamasında edindiği bilgiyi price/fiyat tahmininde (Python’da <strong>predict</strong>) kullanır.</p><p><strong>TAHMİN ÖRNEĞİ:</strong> yeni gelen müşterinin evi 3 odalı, 1 yatak odalı, 2 banyolu, 1998 yılında inşa edilmiş, 300 enlemli, 700 boylamlı (konum bilgisi diyelim) evinin fiyatı ne olurdu.</p><p><strong>NE İŞE YARARDI ?</strong> Bu eğitilen modeli bir web servisi üzerinden hizmete alsaydık sanırım emlakçılara fiyat tahmin servisi gibi ücretlendirebilirdik. Örnek basit ama sonuçta hedefimiz bir şekilde bir ML tabanlı servis olabilir(Machine Learning as a Service).</p><p><strong>NOT:</strong> Kaggle’daki bu <a href="https://www.kaggle.com/glovepm/melbourne-housing"><strong>veriyi</strong></a> kullanıp regresyon/sayısal tahmin yapacağız</p><p>ii) Sınıfsal tahmin için örnek veri</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/704/1*NBbe710VmZ0HdDmDJr_w1w.png" /><figcaption>Sınıfsal Tahmin Örneği</figcaption></figure><p>Evet yine sol taraftaki kolonlar ile en sağdaki kolonu tahmin ediyoruz. Yani müşteri bize sadık mı (loyal) bizi terk mi ediyor (churn). Bir sabah bir müşteri yetkilisi sizi neden arayıp size GB’lar, dakikalar veriyor sanıyorsunuz ki? Müşteriyi elde tutmak için yapılan ekstra tekliflerin maliyeti, yeni müşteri kazanma maliyetinden düşük olduğu için.</p><p><strong>TAHMİN ÖRNEĞİ: </strong>Cinsiyeti kadın, yaşı 55, ödemeyi kredi kartıyla yapan ve aylık 200 dakika konuşan müşteri (dikkat ederseniz bu şekilde biri tabloda yok!) bizi terk edecek mi (eğitilen algoritma müşteri <strong>terk edecek</strong> tahmini yaparsa hemen özel kampanya, örneğin dakika vermek), etmeyecekmi bulacağız. Yani algoritma sol taraftaki kolonları kullanarak müşterinin aboneliği terk edip etmeyeceğini tahmin etmeği öğrenecektir.</p><p>Şimdi Kaggle’da bir sayısal tahmin örneği yapalım. Bunun için hem kaynak olarak hemde çalıştırma ortamı olarak Kaggle kullanacağız. Ve unutmadan Kaggle kernel’ları kullanabilmek için Kaggle’a üye olmalıyız. Kaynağımız ise şu <a href="https://www.kaggle.com/learn/machine-learning"><strong>linkte</strong></a><strong>n</strong> [1] faydalanarak oluşturduğum kendi notebook’umuz.</p><p><strong>SORU.</strong> Jupyter Notebook Nedir?</p><p><strong>CEVAP.</strong> Kaggle’da (Azure, AWS ve Google Colab Cloud’larda) çalışma ortamı olarak Jupyter Notebook kullanıldığını ifade etmek isterim. Jupyter notebook örneğin Python kodlarının bölüm bölüm çalıştırılabildiği aynı zamanda metinsel çalışma notlarının eklenebildiği bir ortam.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NLk2cFOHn0Ud9N0AKbbzJw.png" /><figcaption>Örnek bir Jupyter Notebook</figcaption></figure><p>Daha güzeli ise Kaggle’daki bir kernel (çalıştırılmış kodlar) ile çalıştığımızda üzerinde değişiklik yapsakda orijinal jupyter kodu değişmez ve bizim çalıştığımız şekli bize ait olarak saklanır (My Kernels altında görebiliriz).</p><p><strong>Adım Adım Jupyter Python Ortamında Şöyle Çalışacağız</strong></p><ol><li>Analiz edeceğim veriyi yükle ve sonra veriyi tablo halinde (matris gibi düşünmüştük, yukarıda anlattık) gör. Amaç <strong><em>hangi kolonları kullanarak</em></strong>, <strong><em>hangi kolonu (örnekte fiyat) tahmin edeceğimizi </em></strong>görmek. <strong>NOT:</strong> Bazen feature dediğimiz bu kolonlardan bazılarını “işimize yaramadığını düşünerek-Feature elimination kavramı” tahmin yaparken almayız, kullanmayız.</li><li>Regresyon/Sayısal tahmin için çok sayıda algoritma var. Başlıca regresyon algoritmaları, Decision Tree Regression, Support Vector Regression, Random Forests Regression. Bir algoritmayı kullanmak için python’da <a href="http://scikit-learn.org/stable/index.html"><strong>sklearn</strong></a> kütüphanesinden çağırmalıyız. Biz Decison Tree ile sayısal tahmin yapacağız.</li><li>Veri kümesini train/test diye ayırırız (genel olarak % 80 train, %20 test). <strong>Train</strong>, yukarda bahsi geçen algoritmanın öğrenmesine karşılık gelirken, <strong>Test </strong>algoritmanın eğitim sırasında karşılaşmadığı ve tahmin yapacağı veriye karşılık gelir. NOT: Python’da<strong> fit</strong> algoritmanın eğitimi (train) <strong>predict</strong> (test) edilmesi olarak kullanılır.</li><li>Algoritmanın başarımını ürettiği sonuçlara göre analiz ederiz.</li></ol><p>Bu örneği kaggle’da hazırladığım kernel üzerinden çalışacağız. Bunun için kaggle’la üye olduktan sonra aşağıdaki linke tıklayınız</p><p><a href="https://www.kaggle.com/akinozcift/fork-of-kaggle-da-regresyon-sayisal-tahmin-calis">Fork of Kaggle da Regresyon (Sayisal Tahmin) Calis</a></p><p>Linkte “Fork Notebook” a tıklarsanız artık burada anlatılanları kaggle da tarayıcınızda çalıştırabileceksiniz..</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LhiqBJY1dV9UUjbLFSXiZg.png" /><figcaption>Kaggle’da bir kernel’ı “Fork Notebook” ile çalıştırıp kullanmak</figcaption></figure><p>Evet Kernel kullanımıza hazır!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/998/1*72CRNPhrGqinLo-6f9BFCg.png" /><figcaption>Sayısal tahmin kernel’ı çalışıyor</figcaption></figure><p>İlk kod bölümünü “play (mavi buton)” ile çalıştırıyoruz. Bu kod veriyi pandas ile okumaya yarıyor</p><p>Şimdi ikinci kod bölümünü çalıştırıp içeriye aktarılan verilere bakalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/966/1*uZfNVv-rWKf2tX2im4Q-MQ.png" /><figcaption>İkinci kod bölümü çalışınca çıkan sonuçlar</figcaption></figure><p>Sırada elimizde hangi kolonların olduğunu öğrenmek var. Bunun için üçüncü kod bölümünü çalıştırıyoruz ve ilgili sonuçlarımız aşağıda..</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/965/1*rxCytdVjgAwgq6EKZ0vVow.png" /><figcaption>Data değişkeninde saklanan kolonların adları</figcaption></figure><p>Tüm kolonları kullanmayarak sadece ev fiyatı tahminde işimize yarayacak kolonları almak için sonraki kod bloğunu çalıştıralım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/998/1*z7kQ2qhrHKkjqMW611XJPw.png" /><figcaption>Sadece beş kolonu seçerek bir tür feature selection yaptık</figcaption></figure><p>Peki X değerleri (data’nın alt kümesi) doğrumu? Görebilirmiyiz</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/988/1*Kss0ipdisLBgu7cJBeKKHw.png" /><figcaption>X alt kümesini görelim</figcaption></figure><p>Tahmin edeceğimiz değer olan Price kolonundaki değerleri y’ye aktarıp içeriğini görmek için aşağıdaki kodu çalıştıralım</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/986/1*jfhUXPSEJ96CwpyDPFSWxQ.png" /><figcaption>Price değerlerini y’ye aktardık ve içeriğin bir bölümünü gördük</figcaption></figure><p>Modelimizi (Decision Tree) eğitmek ve sonra performansını görmek için elimizdeki (X,y) verisini %80 train ve % 20 test şeklinde ayırmak için aşağıdaki kodu çalıştıralım</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/992/1*oGeeXnmc0oUw9Mfo8E8Zgg.png" /><figcaption>Veri kümesini %80 train, % 20 test olarak ayırdık</figcaption></figure><p>Evet sona doğru yaklaşıyoruz. Şimdi Decision Tree algoritmasını çağırıp Train/Test olarak böldüğümüz veri ile eğiteceğiz. İzleyen kodu çalıştıralım</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/998/1*zv9b4RP-IYTg7-FpcTpFTg.png" /><figcaption>Decision Tree algoritmasını Train (FIT) ve Test (PREDICT) ile çalıştırıyoruz</figcaption></figure><p>Şimdi modelimizin performansını Mean Absolute Error (Tahmin ile gerçek değer arasındaki farkın ortalaması) metodu ile ölçelim. Bunun için aşağıdaki kodu çalıştırıyoruz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/986/1*53BiFTICipt32ANMPq3Yyw.png" /><figcaption>Ve modelin performansını MAE ile ölçüyoruz</figcaption></figure><p>Bu sonuc (<strong>242386.78 degeri</strong>) şu anlama geliyor: <br>Gerçek değer ile tahmini değer arasındaki farkın ortalaması örneğin 1 milyonluk ev için 250000 civarında olmakta. Yani model cok kötü tahmin yapıyor !<br>Buradan cikarilacak sonuclar<br>i) Bir model her zaman kaliteli sonuclar üretmeyebilir<br>ii) Modeli eğitmekte kullandığımız kolonlardan daha uygunları seçilirse (feature selection, extraction) tahmin yeteneği gelişebilir<br>iii) Baska algoritmalar kullanıllabilir/test edilebilir<br>iv) Varsa modelin (özellikle Deep Learning’te gerekiyor) parametrelerini ayarlamak (parameter tuning) performansı arttırabilir.</p><p>Evet nihayet tamamladık..Herkese iyi okumalar</p><p>Sonrasında bir sınıflandırma örneğini hazır bir Kernel üzerinden anlatacağım.</p><p>Referans</p><p>[1] <a href="https://www.kaggle.com/learn/machine-learning">https://www.kaggle.com/learn/machine-learning</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ff75ac43d9ed" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Tarayıcıda Veri Bilimi/Makine Öğrenmesi Uygulaması Yapmak ? : Kaggle-I]]></title>
            <link>https://medium.com/@akinozcift/taray%C4%B1c%C4%B1da-veri-bilimi-makine-%C3%B6%C4%9Frenmesi-uygulamas%C4%B1-yapmak-kaggle-i-cde4358e738?source=rss-f6b80b82e367------2</link>
            <guid isPermaLink="false">https://medium.com/p/cde4358e738</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[kaggle]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[akın özçift]]></dc:creator>
            <pubDate>Wed, 22 Aug 2018 12:26:43 GMT</pubDate>
            <atom:updated>2018-10-08T08:53:22.836Z</atom:updated>
            <content:encoded><![CDATA[<h3>Tarayıcıda Veri Bilimi/Makine Öğrenmesi Uygulaması Yapmak ? : Kaggle-I</h3><p>Makine Öğrenmesi (Machine Learning/ML) veya Veri Bilimi kavramları “Deep Learning” patlamasıyla ile birlikte artık hayatımızın bir parçası. Klasik “dünya oraya gidiyor” yerine belki “dünya oraya gitti yetişmeye bakalım” demek daha doğru sanki. ML öğrenmek çalışmak isteyenleri bekleyen temel sorular:</p><p>i) Hangi dil (Python, R) ?</p><p>ii) Hangi geliştirme ortamı (Weka,Knime gibi görsel ortamlar veya Python/R geliştirme ortamları)</p><p>iii) Ve tabi kaynak (nereden öğrenmek)?</p><p>Bu yazı öncelikle Python/R dili tartışmalarına girmeden “ ML kavramlarını uygulayarak öğrenmek isteyen” kişiye kestirme bir yardım niyetiyle kaleme alınmıştır. Yazının içeriğindeki bazı bölümler <a href="https://towardsdatascience.com/@nityeshagarwal?source=post_header_lockup">Nityesh Agarwal</a>’ın “<a href="https://towardsdatascience.com/use-kaggle-to-start-and-guide-your-ml-data-science-journey-f09154baba35">Use Kaggle to start (and guide) your ML/ Data Science journey — Why and How</a>” makalesinden faydalanarak oluşturulmuştur [1].</p><p>O zaman hedefimizi/sorularımızı hatırlayarak işe koyulalım:</p><p>i) ML alanında dünyada belki de en çok kullanılan dil olan Python dilini seçtik. Aslında ML kavramlarını öğrendikçe dilin sadece bir araç olduğunu önemli olanın ML pipeline (ML analiz süreci, adımları diyelim) akışını öğrenmek olduğunu kavrayacağız.</p><p>ii)Hangi ortam sorusuna ya makinemize Anaconda Python gibi bir yazılım kurmak veya bu yazının asıl <strong>cevabı</strong> olarak tarayıcıda <strong>kaggle.com</strong> üzerinden çalışmak şeklinde cevap veriyoruz. Kaggle kodlarını lokal makinemizde Anaconda Python ortamında çalıştırmak ayrıca öğretici olacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TcsMV5OU3C1fSw261MVFcw.png" /><figcaption>https://www.kaggle.com/</figcaption></figure><p>iii) Nerede öğrenmek kaynak sorusunun cevabı ise bu yazının konusu olan kaggle.com “kernel’ları” (bu noktaya bakacağız!)</p><p>“Kaggle” en çok ML yarışmaları ve o yarışmaların kazananlarına verilen ödüllerle bilinen bir site. Hani şu meşhur 1 milyon dolarlık Netflix yarışması gibi yarışmaların yer aldığı, gerçek hayat uygulamalarının yer aldığı türden ML yarışmaları. Kendim de bir hala bir ML öğrenicisi/araştırmacısı ve öğreticisi olarak Kaggle denince aklıma ilk olarak bu milyon dolarlık ödüllü yarışmalar ve ML’nin vazgeçilmezi “veriseti” kaynağı (+9500) geliyor. Ancak “Kaggle”daki diğer önemli kavramlara siteden alınan bir resimle bakalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/1*Ir9csU1G5zlkEnzyj3uHRg.png" /><figcaption>Yarışmalar, Verisetleri dışında Kernel (Çekirdek), Discussion (Tartışma) , Learn (Öğrenme) Alanları Var</figcaption></figure><ul><li><a href="https://www.kaggle.com/kernels"><strong>Kernels</strong></a><strong>:</strong> Çok kullanılan <a href="http://www.veridefteri.com/2017/10/30/jupyter-notebook-nedir-2/">Jupyter notebooks</a> ortamının Kaggle sürümü Kernels olarak biliniyor. Tam olarak daha önce bir veri seti üzerinde kaggle’da yapılan bir ML analiz süreci varsa, o sürecin adım adım sizin tarafınızdan tekrar Jupyter notebook olarak çalıştırılabildiği yapı. Kernel’lar bu bağlamda kod paylaşım/çalıştırma ortamı. Bu ortam üstelik GPU desteği falan da sunuyor (Bu deep learning için gerekmiyormuydu ?!)</li><li><a href="https://www.kaggle.com/learn/overview"><strong>Learn</strong></a><strong> :</strong> Kaggle kendi ifadesiyle “ dünyanın en hızlı öğrenme materyalini” sunuyor. Kursların en önemli özelliği “yaparak öğrenme” veya “proje/hedef tabanlı öğrenme” ekseninde şekillenmesi. Ve tabi tüm bunlara tarayıcı konforunda erişiyorsunuz. İlgili tab tıklandığında öğrenilecek konu başlıklarına aşağıda gibi erişebilirsiniz.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/644/1*pAqr_POi7Di8cRB6poMPzA.png" /><figcaption>Python, ML, R, Deep Learning Kurslardan Sadece Bir Kaçı</figcaption></figure><p>Derslerimi anlatırken soru cevap tarzı gitmeyi seviyorum. Burada da benzer şekilde önemli sorular ve cevapları ekseninde çok lafa boğmadan devam etmek istiyorum.</p><p><strong>SORU .</strong> Oradaki yarışmalara katılmak veya ML öğrenmek nasıl bir süreç gerektiriyor?</p><p><strong>CEVAP .</strong> Bu soruya 17 yaşında en üst “Kaggle” seviyesi “grandmaster” seviyesine ulaşan “Kaggle” kullanıcısı <a href="https://www.kaggle.com/anokas">anokas</a> şöyle cevap vermiş: “I don’t know all the math behind the algorithms, but in terms of actually using it, I think it’s much more important to have a logical understanding of how it works.” Kısaca “algoritmaların arkasındaki tüm matematiği bilmiyorum bence önemli olan nasıl çalıştığına dair mantığı kavramak” şeklinde özetlenebilir.</p><p><strong>SORU .</strong> ML Öğrenirken Kaggle nasıl yardımcı oluyor?</p><p><strong>CEVAP .</strong> ML adımlarının çoğu verisetini analiz etmek veya modellemek şeklinde gerçekleşmekte. Kaggle ortamında tam da yapılan bu. Yani, işi yaparken öğrenmek ve bir verisetinde kazanılan pratiği/bilgiyi başka bir veri kümesine taşımak. Çünkü öğreticili öğrenme problemlerinin çoğu ya sayısal tahmin (regresyon) veya kategorik tahmin (sınıflandırma) şeklinde düşünülebilir.</p><p>Burada Python için bir alt başlık açarsak: ML için sıfırdan Python öğrenmek yerine Kaggle’da denemeler yaparak bazı ML adımlarını ve dolayısıyla Python’u kullanmayı öğrenmek şeklinde düşünülebilecektir.</p><p><strong>SORU .</strong> ML problem çözme ve dolayısıyla öğrenme süreci bir akış/pipeline gibi düşünülebilir mi?</p><p><strong>CEVAP .</strong> Bir ML projesi (metin veya görüntü işleme yaparken daha farklı detaylara ihtiyaç olmakla birlikte) aşağıdakine benzer ardışık/tekrarlayan adımlardan oluşur:</p><ul><li>Veri ön-işleme (normalizasyon, boş alanların giderilmesi vs)</li><li>Feature (Öznitelik) Mühendisliği (Değerli özniteliklerin bulunması/türetilmesi)</li><li>Uygun algoritma için denemeler yapılması (her problemi çözen evrensel bir algoritma yok!) ve sonuçlara göre başarımı en yüksek algoritmanın bulunması</li><li>Algoritma parametrelerinin ayarlanması (en performanslı çalışma şartlarını sağlayan modelin bulunması)</li><li>Sonuçların değerlendirilmesi/raporlanması</li></ul><p>Yani bu adımları pratik yaptıkça (her yeni verisetin de -o verisetine özgü değişiklikler olsa da- temel olarak benzer adımlar olacak!), ML biliminde derinleşme başlayacaktır. Sadece “Feature Engineering” bile başlı başına bir çalışma alanı olarak düşünülürse ne demek istediğimiz daha net anlaşılır.</p><p>Bu noktada Kaggle özellikle yeni başlayanları da düşünerek hazırlanmış <a href="https://www.kaggle.com/kernels"><strong>Kernel</strong></a> (tüm adımları tamamlanmış ve sizin yeniden çalıştırabileceğiniz projeler) ve <a href="https://www.kaggle.com/learn/overview"><strong>Learn</strong></a> (öğrenme materyalleri) ve soru sorabileceğiniz <a href="https://www.kaggle.com/discussion"><strong>Discussion</strong></a><strong> </strong>(Kaggle blog) ile bize yardımcı olur.</p><p><strong>SORU . </strong>Peki Kaggle’da bir regresyon veya sınıflandırma çalışması nasıl yapılır? Bize öğrenme anlamında nasıl yardımcı olur? Kernel’lar üzerinden bu problemler için uygulamalar yapabilirmiyiz?</p><p><strong>CEVAP .</strong> Bir sonraki makalede çok kısaca çalışacağımız kernel’a uygun olarak</p><blockquote>ML adımları üzerinden ML nedir?</blockquote><blockquote>Bir kernel ile bu yaklaşımı kaggle.com’da uygulayabilirmiyiz?</blockquote><p><strong>Referanslar</strong></p><p>[1]: <a href="https://towardsdatascience.com/use-kaggle-to-start-and-guide-your-ml-data-science-journey-f09154baba35">Use Kaggle to start (and guide) your ML/ Data Science journey — Why and How</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cde4358e738" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>