<?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 Aslıhan Yoldaş on Medium]]></title>
        <description><![CDATA[Stories by Aslıhan Yoldaş on Medium]]></description>
        <link>https://medium.com/@aslihanyoldas24?source=rss-2d699165e439------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*JtJ3ZJcMSUOTK_ActsxL5Q.jpeg</url>
            <title>Stories by Aslıhan Yoldaş on Medium</title>
            <link>https://medium.com/@aslihanyoldas24?source=rss-2d699165e439------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 10:11:43 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@aslihanyoldas24/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[Makine Öğrenmesinde Kullanılan Model Değerlendirme Metrikleri (Model Evaluation Metrics)]]></title>
            <link>https://medium.com/@aslihanyoldas24/makine-%C3%B6%C4%9Frenmesinde-kullan%C4%B1lan-model-de%C4%9Ferlendirme-metrikleri-model-evaluation-metrics-6c3035c603a7?source=rss-2d699165e439------2</link>
            <guid isPermaLink="false">https://medium.com/p/6c3035c603a7</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[model-evaluation]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[confusion-matrix]]></category>
            <dc:creator><![CDATA[Aslıhan Yoldaş]]></dc:creator>
            <pubDate>Fri, 12 Jan 2024 14:45:04 GMT</pubDate>
            <atom:updated>2024-01-14T10:00:59.166Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhaba, Ben Sabancı Vakfının desteğiyle SisterLab — Bilim ve Teknolojide Bilim Derneği tarafından yürütülen “Ada Lovelace Akademi: Kadın Yazılımcıların Mentorlük ve Eğitimler Aracılığıyla Güçlendirilmesi Projesi ” katılımcılarından biriyim. Veri Bilimi Akademisi kapsamında yazdığım beşinci blog ile karşınızdayım.</p><p>Bu yazıda makine öğrenmesinde kullanılan bazı model değerlendirme metriklerinden bahsettim. Sınıflandırıcılar için karmaşıklık matrisi (confusion matrix), hasassiyet(precision), duyarlılık(recall), F1-skor, logaritmik kayıp(log loss) metriklerine, regresyon içinse MAE, MSE, RMSE, R² skoru metriklerine değindim.</p><h3>Model Değerlendirilmesi</h3><p>Makine öğrenmesinde model eğitildikten modeli değerlendirmek için modelin performansının ölçülür. Bu ölçümlere göre modelin kullanıma uygun olup olmadığı anlaşılır. Eğer kötü bir performans sergiliyorsa neden kötü bir performans sergilediği bu ölçümlerden anlaşılabilir. Bu durumda modelde iyileştirmeler yapılıp tekrar modelin değerlendirilmesi gerekir. Farklı yöntemlerle modeller eğitilerek modellerin performansları karşılaştırılarak en iyi modelin seçilmesi sağlanabilir.</p><p>Modelin değerlendirilmesi yapılırken daha önce hiç görmediği veriler üstünden değerlendirme yapılır. Bu sayede model gerçek hayatta kullanıldığında da iyi sonuçlar verilmesi sağlanır.</p><p>Sınıflandırma ve Regresyon modelleri için kullanılan model değerlendirme metriklerinden bahsedeceğiz.</p><h3>Sınıflandırma Metrikleri</h3><h4>Karmaşıklık Matrisi (Confusion Matrix):</h4><p>Bir sınıflandırıcının performansını görselleştirmek için kullanılan bir yöntemdir. İki veya daha fazla sınıf olabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/730/1*GoW4mHMyVqkKTPC6u20zqA.png" /><figcaption>Karmaşıklık Matrisi (Figma kullanılarak hazırlandı)</figcaption></figure><p>Sınıflandırıcı metriklerini anlamak için öncelikle bazı kavramların anlaşılması önemlidir. Bu kavramları da karmaşıklık matrisi üzerinden açıklamak daha kolay olacaktır.</p><p>Karmaşıklık matrisi bize sınıflandırıcının test verilerini hangi sınıfa yerleştirildikleri ve bu yerleştirmenin doğru olup olmadığı bilgisini verir. Burada pozitif ve negatif olmak üzere iki sınıf bulunmaktadır. Buradaki kavramlardaki pozitif ve negatif yapılan tahmini, gerçek ve yanlış ifadesi ise yapılan tahminin doğru ve yanlışlığını ifade eder.</p><ol><li><strong>Gerçek Pozitif (True Positive — TP): </strong>Model veriyi pozitif olarak sınıflandırmış. Bu sınıflandırma doğru bir sınıflandırmadır. Gerçekte de veri pozitif sınıfındadır.</li><li><strong>Yanlış Pozitif (False Positive — FP):</strong> Model veriyi pozitif olarak sınıflandırmış. Bu sınıflandırma yanlış bir sınıflandırmadır. Gerçekte de veri negatif sınıfındadır.</li><li><strong>Gerçek Negatif (True Negative — TN ):</strong> Model veriyi negatif olarak sınıflandırmış. Bu sınıflandırma doğru bir sınıflandırmadır. Gerçekte de veri negatif sınıfındadır.</li><li><strong>Yanlış Negatif (False Negative — FN):</strong> Model veriyi negatif olarak sınıflandırmış. Bu sınıflandırma yanlış bir sınıflandırmadır. Gerçekte de veri pozitif sınıfındadır.</li></ol><p>Karmaşıklık matrisi birinci satırın toplamı (TP+FN) test verisindeki pozitif sınıfında yer alan örnek sayısını verirken ikinci satırın toplamı (FP+TN) test verisindeki negatif sınıfında yer alan örnek sayısını verir.</p><p>Karmaşıklık matrisi birinci sütunun toplamı (TP+FP) pozitif olarak tahmin edilen örnek sayısını verirken ikinci sütunun toplamı (FN+TN) negatif olarak tahmin edilen örnek sayısını verir.</p><h4>Doğruluk Skoru (Accuracy Score):</h4><p>Doğruluk skoru doğru tahmin edilen örnek sayını tüm örnek sayısına oranıdır.</p><blockquote>Doğru tahmin edilen örnek sayısı / Toplam örnek sayısı</blockquote><blockquote>TP+TN / TP+TN+FP+FN</blockquote><p>Doğruluk skoru sınıflandırıcı ile ilgili bize genel bir bilgi verir ancak sınıflara örnek sayılarının eşit dağılmaması gibi durumlarda bizi yanlış yönlendirebilir. Örneği A sınıfında 100 örneğin 100&#39;ünü doğru tahmin edip B sınıfının 10 örneğinin hepsini yanlış tahmin ettiysek doğruluk skoru 100/110 = 0.90 olacaktır. Oysaki B sınıfındaki tüm örnekler yanlış sınıflandırılmıştır. Sadece doğruluk oranına bakmak doğru bir yaklaşım olmayabilir.</p><p>Hassasiyet, Duyarlılık ve F1 skoru hesaplayarak sınıflandırıcıyı daha iyi bir şekilde değerlendirmek mümkün olacaktır. Bu değerler her sınıf için ayrı ayrı hesaplanıp sınıflarla ilgili daha detaylı bilgi verir.</p><h4>Hassasiyet (Precision):</h4><p>Bir sınıf için yapılan tahminlerden ne kadarı doğru tahmin edildiğini ölçer.</p><blockquote>Pozitif olarak doğru tahmin edilen örnek sayısı/Pozitif olarak tahmin edilen toplam örnek sayısı</blockquote><blockquote>TP/TP+FP</blockquote><p>veya</p><blockquote>Negatif olarak doğru tahmin edilen örnek sayısı/Negatif olarak tahmin edilen toplam örnek sayısı</blockquote><blockquote>TN/TN+FN</blockquote><h4>Duyarlılık (Recall):</h4><p>Bir sınıftaki örneklerin ne kadarının doğru tahmin edildiğini ölçer.</p><blockquote>Pozitif olarak doğru tahmin edilen örnek sayısı/Pozitif sınıfındaki toplam örnek sayısı</blockquote><blockquote>TP/TP+FN</blockquote><p>veya</p><blockquote>Negatif olarak doğru tahmin edilen örnek sayısı/Negatif sınıfındaki toplam örnek sayısı</blockquote><blockquote>TN/TN+FP</blockquote><p>Recall değerinin bir olması her zaman iyi olduğu anlamına gelmeyebilir. Örneğin mailin spam olarak tespit edilmesinde tüm spam sınıfındakileri spam olarak tahmin etti ancak spam olarak tahmin edilenlerin yarısı spam değil. Bu durumda precision da hesaplanması gereklidir.</p><p>Precision ve recall değerlerinin ikisinin de yüksek olmasını isteriz. Birisinin yüksek olup diğerinin düşük olması istenen bir durum değildir. Bu iki metriğin birleştirilmesi ise F1 skor ile mümkündür.</p><h4>F1-Skor</h4><p>Precision ve Recall metriklerinin harmonik ortalaması alınarak hesaplanır.</p><blockquote>2 * (Precision * Recall) / (Precision + Recall)</blockquote><blockquote>Precision+Recall ≠ 0</blockquote><h4>Örnek :</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/854/1*7gbxVFAv-K4P7Xn2DMOBXQ.png" /></figure><ul><li>TP = 90</li><li>FN = 10</li><li>FP = 30</li><li>TN = 470</li><li>Doğruluk Skoru (Accuracy) = (90+470) / (90+10+30+470) = 560/600 = 0.93</li><li>Hasassiyet (Precision) :</li></ul><p>Spam sınıfı için -&gt; 90/(90+30) = 90/120 = 0.75</p><p>Spam değil sınıfı için -&gt; 470 / (470+10) = 470/480 = 0.98</p><ul><li>Duyarlılık (Recall) :</li></ul><p>Spam sınıfı için -&gt; 90/(90+10) = 90/100 = 0.90</p><p>Spam değil sınıfı için -&gt; 470 / (470+30) = 470/500 = 0.94</p><ul><li>F1-Skor:</li></ul><p>Spam sınıfı için -&gt; 2*(0.75 * 0. 90) / (0.75 + 0.90) = 0.82</p><p>Spam değil sınıfı için -&gt; 2*(0.98 * 0. 94) / (0.98 + 0.94) = 0.96</p><h4>Logaritmik Kayıp (Log loss)</h4><p>Log loss genelde iki sınıf olduğunda kullanılır. Tahmin edilen ile gerçek çıktı arasındaki farkı ölçer. Gerçek sınıfı ile tahmin edilen sınıfı arasındaki olasılık farkını hesaplar. Değer ne kadar düşükse tahmin o kadar doğrudur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1016/0*S-sfS6mLPY7rSkY9" /><figcaption>Log Loss Formülü</figcaption></figure><blockquote>pi = 1.sınıf olma olasılığı</blockquote><blockquote>1-pi= 2.sınıf olma olasılığı</blockquote><h3><strong>Regresyon Metrikleri</strong></h3><p>Regresyon modelinin performansı genellikle tahminlerdeki hata oranı ile ölçülür.</p><blockquote>y= gerçek değer</blockquote><blockquote>y^=tahmin edilen değer</blockquote><blockquote>n=örnek sayısı</blockquote><h4><strong>Ortalama Karesel Hata (Mean Squared Error-MSE):</strong></h4><p>Gerçek değerlerin tahmini değerlerden farklarının karesinin ortalaması alınarak hesaplanır. Farkların karesi alındığı için pozitif bir değer verir ve büyük hataların etkisini artırır.</p><blockquote>(1/n)* ∑(y-y^)²</blockquote><h4><strong>Kök Ortalama Kare Hata (Root Mean Squared Error-RMSE)</strong></h4><p>Ortalama karasel hatanın karekökü alınarak hesaplanır.</p><blockquote><em>RMSE = sqrt(MSE)</em></blockquote><blockquote>√(1/n)* ∑(y-y^)²</blockquote><h4><strong>Ortalama Mutlak Hata (Mean Absolute Error-MAE):</strong></h4><p>Gerçek değerlerin tahmini değerlerden farkının mutlak değerinin ortalaması alınarak hesaplanır. MSE ve RMSE büyük hataların daha vurgulanmasını sağlarken MAE tüm hatalar eşit oranda hesaplanır. Burada da mutlak değer alındığı için hata değeri pozitiftir.</p><blockquote>(1/n)* ∑|y-y^|</blockquote><h4><strong>R² Skoru (Determinasyon Katsayısı —Coefficient of Determination)</strong></h4><p>Modelin performansı hakkında bilgi veren bir metriktir. Regresyon modelinin veriye uyumunu (goodness of fit) ölçümünde kullanılır. 0 ile 1 arasında değer alır. Bire ne kadar yakınsa modelin performansı o kadar iyidir. Sadece R² skora bakarak modelin değerlendirilmesi yeterli olmayabilir.</p><blockquote>R²= 1 - (SS(regression)/SS(mean))</blockquote><blockquote>SS=Sum of Squares(Karelerin Toplamı)</blockquote><blockquote>SS(regression)= Gerçek verilerin tahmin verilerinden uzaklıklarının karelerinin toplamı</blockquote><blockquote>SS(mean) = Gerçek verilerin ortalamadan uzaklıklarının karelerinin toplamı</blockquote><p>Okuduğunuz için teşekkürler :)</p><h4>Kaynakça</h4><ol><li><a href="https://machinelearningmastery.com/confusion-matrix-machine-learning/">https://machinelearningmastery.com/confusion-matrix-machine-learning/</a></li><li><a href="https://machinelearningmastery.com/regression-metrics-for-machine-learning/">https://machinelearningmastery.com/regression-metrics-for-machine-learning/</a></li><li><a href="https://www.scribbr.com/statistics/coefficient-of-determination/">https://www.scribbr.com/statistics/coefficient-of-determination/</a></li><li><a href="https://www.analyticsvidhya.com/blog/2021/05/know-the-best-evaluation-metrics-for-your-regression-model/">https://www.analyticsvidhya.com/blog/2021/05/know-the-best-evaluation-metrics-for-your-regression-model/</a></li><li><a href="https://www.analyticsvidhya.com/blog/2020/11/a-tour-of-evaluation-metrics-for-machine-learning/">https://www.analyticsvidhya.com/blog/2020/11/a-tour-of-evaluation-metrics-for-machine-learning/</a></li><li><a href="https://www.analyticsvidhya.com/blog/2021/03/binary-cross-entropy-log-loss-for-binary-classification/">https://www.analyticsvidhya.com/blog/2021/03/binary-cross-entropy-log-loss-for-binary-classification/</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6c3035c603a7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenmesinde Doğrusal Regresyon (Python uygulaması ile birlikte)]]></title>
            <link>https://medium.com/@aslihanyoldas24/makine-%C3%B6%C4%9Frenmesinde-do%C4%9Frusal-regresyon-python-uygulamas%C4%B1-ile-birlikte-3bd0d4ae2d51?source=rss-2d699165e439------2</link>
            <guid isPermaLink="false">https://medium.com/p/3bd0d4ae2d51</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[linear-regression]]></category>
            <category><![CDATA[scikit-learn]]></category>
            <dc:creator><![CDATA[Aslıhan Yoldaş]]></dc:creator>
            <pubDate>Fri, 05 Jan 2024 16:12:07 GMT</pubDate>
            <atom:updated>2024-01-08T09:23:38.879Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhaba, Ben Sabancı Vakfının desteğiyle SisterLab — Bilim ve Teknolojide Bilim Derneği tarafından yürütülen “Ada Lovelace Akademi: Kadın Yazılımcıların Mentorlük ve Eğitimler Aracılığıyla Güçlendirilmesi Projesi ” katılımcılarından biriyim. Veri Bilimi Akademisi kapsamında yazdığım dördüncü blog ile karşınızdayım.</p><p>Bu yazıda makine öğrenmesi, denetimli öğrenme, denetimsiz öğrenme, doğrusal regresyon, regresyon metrikleri konularından bahsettim. Scikit-learn kütüphanesi kullanılarak örnek bir çoklu doğrusal regresyon uygulaması yaptım.</p><p><strong>Makine Öğrenmesi nedir ?</strong></p><p>Makine Öğrenmesi yapay zekanın bir alt dalıdır. Makine öğrenmesi ile bilgisayarlar veriler üzerinden deneyimler elde ederek insanlar gibi öğrenme yetenekleri kazanır. Bu sayede her adımın programlanmasına gerek kalmaz. Öneri sistemleri, arama motorları, görüntü tanıma, otonom araçlar, hastalık teşhisi gibi birçok gerçek hayatta kullanımı bulunmaktadır.</p><p>Veri ve algoritmalar makine öğrenmesinin temel unsurlarıdır. Algoritmalar verinin nasıl işleneceği ve veriden nasıl öğrenileceği hakkında birtakım yönergelerden oluşur. Bu algoritmaya göre bilgisayar veriden öğrenir ve bir model oluşturur.</p><p>Örneğin elimizde mailler ve spam olup olmadıkları bilgisi var. Bilgisayar bu veriyi alıp algoritmaların söylediği şekilde spam olup olmadığını öğrenir. Bu eğitim sürecinin sonunda bir model oluşturur. Bu modele eğitim sırasında görmediği bir mail verilerek bu mailin spam olup olmadığını tespit edilmesi modelden beklenir. Buradaki örnek sınıflandırmaya bir örnektir. Makine öğrenmesi sınıflandırma, çıktıyı tahmin etme (örneğin hava durumu tahmini), kümeleme (örneğin bir firmadaki satışlara bakılarak müşteri tiplerinin tespit edilmesi) vb. gibi amaçlarda da kullanılmaktadır.</p><p><strong>Denetimli Öğrenme (Supervised Learning):</strong></p><p>Etiketli verilerle gerçekleştirilen öğrenmedir. Sınıflandırma ve çıktıyı tahmin etmekte kullanılır. Girdi ve çıktı etiketli olduğu için model doğruluğunu ölçebilir. Denetimli öğrenmede bir problem doğrultusunda verilen bir görev yapılır (örneğin bir mailin spam olup olmadığını tespit etme, görüntülerdeki objeyi tanımlama vb.). Bu görevin yapılabilmesi için doğru cevaplarıyla birlikte bilgisayara bol bol örnekler verilir. Bilgisayar bu örneklere bakarak öğrenmeyi gerçekleştirir. Bilgisayar da bu şekilde daha önce hiç görmediği veriyi sınıflandırabilir veya tahmin edebilir.</p><p>Denetimli öğrenme iki problem, görev tipi için kullanılır:</p><ul><li><em>Sınıflandırma (Classification)</em> : Verilen girdiyi daha önceden belirlenen sınıflara ayırır. Etiketlerle eğitim gerçekleştirildiği için bilgisayar sınıflar için ayırt edici özellikleri öğrenip buna göre ayrım yapar.</li><li><em>Regresyon(Regression)</em>: Bağımlı ve bağımsız değişkenlerin arasındaki ilişkilerin anlamak için kullanılır. Bu ilişkiden yararlanılarak gelecekle ilgili tahminler yapılır. Regresyon modelleri sayısal tahmin yapılırken kullanılır. Örneğin bir evin fiyatının, bulunduğu yer gibi özelliklere bağlı olarak tahmin edilmesi.</li></ul><p><strong>Denetimsiz Öğrenme (Unsupervised Learning):</strong></p><p>Etiketsiz verilerle gerçekleştirilen öğrenmedir. Verideki gizli desenlerin ve yapıların ortaya çıkarılmasında kullanılır. Örneğin bir e-ticaret şirketi, müşteri davranışlarını anlamak ve pazarlama stratejilerini geliştirmek amacıyla alışveriş sepeti verileri kullanılarak müşteriler farklı gruplara ayırabilir. Başka bir örnek olarak anomali tespiti verilebilir. Denetimsiz öğrenimde amaç büyük veriler hakkında iç görü elde etmektir. Denetimli öğrenimde modelin ne tür bir çıktı vereceği bilinirken denetimsiz öğrenimde veri ile neyin farklı veya ilginç olduğuna kendisi karar verir.</p><p>Denetimsiz öğrenme üç problem, görev tipi için kullanılır:</p><ul><li><em>Kümeleme (Clustering) </em>: Veriyi benzerlikleri ve farklılıklarına göre gruplara ayırır. Öneri sistemleri, görüntü karşılaştırılması, anomali tespiti, market segmantasyonunda kullanılır.</li><li><em>Boyut Azaltma (Dimensionality reduction)</em>: Verinin bütünlüğünü koruyarak boyutunun azaltması için kullanılır. Genelde veri ön işleme aşamasında kullanılır.</li><li><em>İlişkilendirme (Association)</em>: Ögeler arasında ortak oluşumu veya bağımlılıkları bulmak için kullanılır. Örneğin birlikte alınan ürünlerin tespitinde kullanılır. Eğer peynir aldıysa zeytin de alınması muhtemel gibi. Sepet analizi, öneri sistemleri, özel kampanya analizlerinde kullanılır.</li></ul><p><strong>Doğrusal Regresyon:</strong></p><p>Çıktının (bağımlı değişkenin — y), girdilerin (bağımsız değişkenlerin — x) doğrusal kombinasyonuyla hesaplanabileceği doğrusal bir modeldir. Eğer girdi tek bir değişkenden oluşuyorsa <strong>basit doğrusal regresyon, </strong>birden fazla değişkenden oluşuyorsa <strong>çoklu doğrusal regresyon </strong>olarak adlandırılır.</p><p>Basit Regresyon Formülü:</p><blockquote>y = B0 + B1*x</blockquote><p>Çoklu Regresyon Formülü:</p><blockquote>y = B0 + B1*x1+ B2*x2+…+ Bn*xn</blockquote><p>Formülde her girdi değeri ölçek faktörü (B1,B2,..,Bn) ile çarpılır. Çizgiye ek bir serbestlik derecesi veren ve genellikle kesişim veya sapma katsayısı olarak adlandırılan ek bir katsayı (B0) da eklenir. Regresyondaki amaç veriye en çok uyan doğru için bu katsayıların bulunmasıdır. Bu katsayıların tahmin edilmesinde en küçük kareler yöntemi (Ordinary Least Squares -OLS)kullanılır. Bu katsayıların tahmin edilmesinde kullanılan başka bir yöntem dereceli azalma (Gradient Descent-GD) yöntemidir.</p><p><em>En küçük kareler Yöntemi (Ordinary Least Squares-OLS):</em></p><p>Verilerin regresyon doğrusuna olan uzaklığın karesinin toplamını en aza indirecek şekilde katsayılar hesaplanır. Bu yaklaşımda veriler matris olarak ele alınır ve lineer cebir işlemleri uygulanarak katsayılar tahmin edilir. Hafızada fazla yer kapladığı için büyük verilerde tercih edilmeyebilir.</p><p><em>Dereceli Azalma Yöntemi (Gradient Descent-GD):</em></p><p>Dereceli Azalma bir fonksiyondaki maliyeti (cost) en aza indiren parametrelerin(katsayılarının — coefficient ) bulunmasını sağlayan bir optimizasyon algoritmasıdır.</p><p>Regresyonda ise yinelemeli olarak hata oranını hesaplayarak en küçük hata oranına ulaşana kadar katsayıların optimize edilmesini amaçlar. İlk önce katsayılara rastgele değerler atar. Daha sonrasında her bir veri için hataların karesi toplanılarak hesaplanır. Hata oranına göre katsayılar güncellenir. Bu işlem katsayılar optimize edilene kadar devam eder.</p><p>Bu yöntem büyük veri setlerinde tercih edilir.</p><p><strong>Regresyon Metrikleri:</strong></p><p>Doğruluk (accuracy) sınıflandırma için bir ölçektir regresyon için hesaplanamaz. Regresyon modelinin performansı tahminlerdeki hata oranı ile ölçülür.</p><ul><li><strong><em>Ortalama Karesel Hata (Mean Squared Error-MSE):</em></strong></li></ul><p>Gerçek değerlerin tahmini değerlerden farklarının karesinin ortalaması alınarak hesaplanır. Farkların karesi alındığı için pozitif bir değer verir ve büyük hataların etkisini artırır.</p><pre>mean(square(y_true - y_pred))</pre><ul><li><strong><em>Kök Ortalama Kare Hata (Root Mean Squared Error-RMSE)</em></strong></li></ul><p>Ortalama karasel hatanın karekökü alınarak hesaplanır.</p><blockquote>RMSE = sqrt(MSE)</blockquote><pre>sqrt(mean((y_pred - y_true) ** 2))</pre><ul><li><strong><em>Ortalama Mutlak Hata (Mean Absolute Error-MAE):</em></strong></li></ul><p>Gerçek değerlerin tahmini değerlerden farkının mutlak değerinin ortalaması alınarak hesaplanır. MSE ve RMSE büyük hataların daha vurgulanmasını sağlarken MAE tüm hatalar eşit oranda hesaplanır. Burada da mutlak değer alındığı için hata değeri pozitiftir.</p><pre>mean(abs(y_true - y_pred))</pre><p><strong>Python’da Scikit-Learn Kütüphanesi ile Çoklu Doğrusal Regresyon Örneği:</strong></p><p>Yapılacak uygulamada yaş, deneyim ve gelir değişkenlerinin bulunduğu bir veri seti kullanacağız. Bu veri setini <a href="https://www.kaggle.com/datasets/hussainnasirkhan/multiple-linear-regression-dataset">buradan </a>ulaşabilirsiniz. Burada yaş ve deneyim değişkenlerinin gelir değişkeniyle ilişkisinden yararlanarak gelir değişkeninin tahmini sağlanacaktır.</p><ol><li>Kullanılacak kütüphanelerin tanımlanması</li></ol><pre>import pandas as pd<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br>from sklearn.model_selection import train_test_split<br>from sklearn import linear_model<br>import numpy as np<br>from sklearn.metrics import r2_score</pre><p>2. Veri setinin yüklenmesi:</p><pre>data = pd.read_csv(&#39;./data/multiple_linear_regression_dataset.csv&#39; )<br>print(data.head())</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/217/1*YIrC0KF0wlH9J6-ha6uYXA.png" /><figcaption>Çıktı</figcaption></figure><p>3. Veri Setinin Görselleştirilmesi</p><pre>viz = data[[&#39;age&#39;,&#39;experience&#39;,&#39;income&#39;]]<br>viz.hist()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/534/1*bDyK6RnV_wVQ67kJl3ld3A.png" /><figcaption>Veri Setinin Görselleştirilmesi</figcaption></figure><p>4. Değişkenler arasındaki ilişkilerin incelenmesi</p><pre>sns.regplot(x=data[&#39;age&#39;], y=data[&#39;income&#39;])</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/589/1*Gfn5ak5VA78UWmXzYGfb6g.png" /></figure><pre>sns.regplot(x=data[&#39;experience&#39;], y=data[&#39;income&#39;])</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/589/1*ZK7TTlvTO0VwiEKWiYOhDQ.png" /></figure><p>5. Veri setinin eğitim ve test olarak ayrılması ve numpy dizisine çevrilmesi</p><pre>X_train, X_test, y_train, y_test=train_test_split(data[[&#39;age&#39;, &#39;experience&#39;]],data[&#39;income&#39;], test_size=0.2)<br>X_train = np.asanyarray(X_train[[&#39;age&#39;,&#39;experience&#39;]])<br>y_train = np.asanyarray(y_train)<br>X_test = np.asanyarray(X_test[[&#39;age&#39;,&#39;experience&#39;]])<br>y_test = np.asanyarray(y_test)</pre><p>6. Lineer Regresyon Modelinin oluşturulması ve eğitilmesi</p><pre>regr = linear_model.LinearRegression()<br>regr.fit(X_train,y_train)</pre><p>7.Lineer Regresyon Modelinin katsayılarının yazdırılması</p><pre>coef = pd.Series(regr.coef_, [&#39;age&#39;, &#39;experience&#39;]).sort_values()<br>print(coef)</pre><pre>age           -100.096300<br>experience    2171.554858<br>dtype: float64</pre><p>8. Test verilerinin model ile tahmin edilmesi</p><pre>pred = regr.predict(X_test)</pre><p>9. Tahmin verilerine göre regresyon modelinin hata oranının hesaplanması ve eğitim skorunun hesaplanması</p><pre>print(f&#39;MAE = {np.mean(abs(y_test - pred))}&#39;)<br>print(f&#39;MSE = {np.mean(np.square(y_test - pred))}&#39;)<br>print(f&#39;RMSE = {np.sqrt(np.mean((y_test - pred) ** 2))}&#39;)<br>print(&quot;Training score: &quot;, r2_score(y_test, pred))</pre><pre><br>MAE = 1197.8544957801305<br>MSE = 2126327.892656787<br>RMSE = 1458.1933660035581<br>Training score:  0.9374894762509896</pre><p>Hesaplanan regresyon metriklerine baktığımızda gelir hesaplanırken ortalama olarak tahmin değerinin gerçek değerden 1198 lira az veya fazla hesaplanabildiği görülmüş. Burada büyük hataların daha ağırlıklı olarak hesaplandığı RMSE değerine bakarsak da ortalama olarak gerçek değerden 1458 lira az veya fazla hesaplandığı görülmüş.</p><p>10. Test verilerinin gerçek ve tahmin edilen değerlerinin görselleştirilmesi</p><pre>plt.plot(pred, label = &#39;Predicted&#39;)<br>plt.plot(y_test, label = &#39;Actual&#39;)<br>plt.ylabel(&#39;Income&#39;)<br>plt.legend()<br>plt.tick_params(axis=&#39;both&#39;, which=&#39;both&#39;, labelbottom=False, bottom=False)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/589/1*5zGLtb_U9xofELMNd6FWww.png" /></figure><p>Kaynakça</p><ol><li><a href="https://deepai.org/machine-learning-glossary-and-terms/machine-learning">https://deepai.org/machine-learning-glossary-and-terms/machine-learning</a></li><li><a href="https://www.scribbr.com/ai-tools/machine-learning/">https://www.scribbr.com/ai-tools/machine-learning/</a></li><li><a href="https://www.scribbr.com/ai-tools/supervised-vs-unsupervised-learning/">https://www.scribbr.com/ai-tools/supervised-vs-unsupervised-learning/</a></li><li><a href="https://www.ibm.com/blog/supervised-vs-unsupervised-learning/">https://www.ibm.com/blog/supervised-vs-unsupervised-learning/</a></li><li><a href="https://machinelearningmastery.com/linear-regression-for-machine-learning/">https://machinelearningmastery.com/linear-regression-for-machine-learning/</a></li><li><a href="https://www.cuemath.com/data/regression-coefficients/">https://www.cuemath.com/data/regression-coefficients/</a></li><li><a href="https://machinelearningmastery.com/regression-metrics-for-machine-learning/">https://machinelearningmastery.com/regression-metrics-for-machine-learning/</a></li><li><a href="https://keras.io/api/metrics/regression_metrics/">https://keras.io/api/metrics/regression_metrics/</a></li><li><a href="https://machinelearningmastery.com/gradient-descent-for-machine-learning/">https://machinelearningmastery.com/gradient-descent-for-machine-learning/</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3bd0d4ae2d51" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[API ile Veri Çekme (Python örneği ile)]]></title>
            <link>https://medium.com/@aslihanyoldas24/api-ile-veri-%C3%A7ekme-python-%C3%B6rne%C4%9Fi-ile-e6e8e6622d12?source=rss-2d699165e439------2</link>
            <guid isPermaLink="false">https://medium.com/p/e6e8e6622d12</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[api]]></category>
            <dc:creator><![CDATA[Aslıhan Yoldaş]]></dc:creator>
            <pubDate>Thu, 21 Dec 2023 19:42:05 GMT</pubDate>
            <atom:updated>2023-12-21T19:42:05.493Z</atom:updated>
            <content:encoded><![CDATA[<h3>API ile Veri Çekme(Python örneği ile)</h3><p>Merhaba, Ben Sabancı Vakfının desteğiyle SisterLab — Bilim ve Teknolojide Bilim Derneği tarafından yürütülen “Ada Lovelace Akademi: Kadın Yazılımcıların Mentorlük ve Eğitimler Aracılığıyla Güçlendirilmesi Projesi ” katılımcılarından biriyim. Veri Bilimi Akademisi kapsamında yazdığım üçüncü blog ile karşınızdayım.</p><p>Bu yazıda API’ler nedir ve API ile veri çekmekten bahsedip python ile API’den veri çekme örnek uygulamasını açıklamalı bir şekilde gösterdim.</p><p><strong>API(Application Programming Interface) Nedir ?</strong></p><p>API’ler, Türkçeye çevirmek gerekirse uygulama programlama arayüzleri, yazılım uygulamalarının birbirleriyle iletişim kurmalarını sağlayan bir dizi kural ve protokolden oluşan bir arayüzdür.</p><p>Örneğin filmlerin aranabildiği ve film detaylarını gösterildiği bir uygulamada bir film ismi arandığında uygulama API’ye istek(request) gönderir. API’nın bu isteğe cevap vermesi için bu istek API’nın istediği formatta gönderilmelidir. API aranan isimde olan filmlerin olduğu yanıtı(response) uygulamaya geri döndürür. Uygulama da buradaki verileri alıp ekranda gösterir. Burada filmlerin gösterildiği uygulama ile film bilgilerinin tutulduğu veri kaynağı arasındaki iletişimi sağlamaktadır.</p><p>API’ler farklı mimarilerde (REST, SOAP, RPC) ve veri paylaşımı (yukardaki örnekteki gibi), entegrasyon( örneğin e-ticaret sitelerinde ödeme işlemi için üçüncü taraf bir ödeme kullanılması) ve işlevsellik (uygulamaya harita servisinin eklenmesi) gibi farklı amaçlarla kullanılabilirler.</p><p><strong>Veri Biliminde API Kullanımı</strong></p><p>API’lar veri bilimi uygulamalarının dış kaynaklardan veri almasını, veriye erişmesini ve Makine Öğrenmesi gibi çeşitli hizmetlerle ( Örneğin <a href="https://docs.aws.amazon.com/machine-learning/"><strong>Amazon Machine Learning API</strong></a>) etkileşimde bulunmasını sağlar.</p><p>API’ler, veri çekmek için kullanılabilir. Örneğin, bir sosyal medya platformunun API’si, o platformda bulunan verilere erişim sağlayabilir.(<a href="https://www.reddit.com/dev/api">Reddit API</a>, <a href="https://developer.twitter.com/en/docs">Twitter API</a>, <a href="https://developers.google.com/youtube/v3">Youtube API</a>) Veri bilimciler, bu tür API’leri kullanarak sosyal medya verilerini analiz edebilir.</p><p>Veri Çekerken API Kullanmanın Avantajları:</p><ul><li>API’ler güncel ve gerçek zamanlı verilere ulaşmayı sağlar.</li><li>API’ler farklı kaynaklardan veri çekilmesini sağlar. Örneğin, sosyal medya platformları, hava durumu servisleri, finansal veri sağlayıcıları ve daha birçok kaynak, API’ler aracılığıyla veri paylaşabilir.</li><li>API’ler, genellikle kimlik doğrulama mekanizmaları ve erişim kontrolü sağlar. Bu, veriye güvenli bir şekilde erişmenizi ve yalnızca yetkili kullanıcıların belirli bilgilere ulaşmasını sağlar.</li><li>API’ler dokümantasyonları ile veriye kolay bir şekilde erişmemizi sağlar.</li><li>API istekleri ve yanıtları, genellikle izlenebilir ve analiz edilebilir. Bu, hata ayıklamayı kolaylaştırır.</li></ul><p><strong>Python’da API ile Veri Çekme Örneği</strong></p><p>İlk öncelikle istenilen veri kaynağına uygun API’nin bulunması gerekiyor. İstediğiniz veri için farklı API’ler bulunabilir. Kullanıma açık API’lerin aylık belirli bir limiti bulunmaktadır. Bu limiti farklı ödeme seçenekleriyle artırabilir. API seçilirken buna dikkat edilmesi gerekir.</p><p>API’ye gönderilecek tüm istekler için API anahtarına ihtiyaç duyulmaktadır. API anahtarları ile daha önceden bahsedilen güvenlik sağlanmaktadır.</p><p>Dokümantasyondan hangi uç noktaların (endpoint) bulunduğu ve bu uç noktaların içerdiği verinin hangi alanları olduğu bilgisini elde edebilir. Seçilen uç noktaya gönderilecek istek için zorunlu parametreler ve isteğe parametrelerin bilgisi yine dokümantasyonda bulunması gerekir.</p><p>Bu örnekte <a href="https://rapidapi.com/hub">Rapid API</a> üzerinden filmler ile ilgili veriler içeren <a href="https://rapidapi.com/apidojo/api/flixster">Flixster API</a>’yi, API’ye istek atarken requests kütüphanesini kullanacağız.</p><p>Yapacağımız uygulamada iki uç nokta kullanacağız. Bir tanesiyle popüler filmleri çekerken diğeriyle elde ettiğimiz filmlerin id bilgilerini kullanarak bu filmlerin detaylarına ulaşacağız. Elde ettiğimiz bilgileri en son dataframe objesinde birleştireceğiz.</p><p>requests kütüphanesini ve sabit değerleri tanımlıyoruz. API anahtarı gizli olması gerektiğinden başka bir dosya üzerinde tanımlanıyor. Dokümantasyonunda API’nin istediği başlık(headers) parametrelerini burada tanımlıyoruz. API’nin temel url adresinin (https://flixster.p.rapidapi.com) sonuna istenilen uç noktalar (/movies/get-popularity,/movies/detail ) eklenerek istek atmak istediğimiz url adreslerini oluşturuyoruz.</p><pre>import requests<br>from pydoc import importfile<br>module = importfile(&#39;..\\config.py&#39;)<br>from config import RAPID_API_KEY<br># Defining constants<br>API_HOST = &quot;flixster.p.rapidapi.com&quot;<br>POPULAR_MOVIES_URL = &quot;https://flixster.p.rapidapi.com/movies/get-popularity&quot;<br>MOVIE_DETAIL_URL = &quot;https://flixster.p.rapidapi.com/movies/detail&quot;<br>HEADERS = {<br> &quot;X-RapidAPI-Key&quot;: RAPID_API_KEY,<br> &quot;X-RapidAPI-Host&quot;: API_HOST<br>}</pre><p>Popüler filmlerin url adresini ve başlık bilgilerini vererek requests kütüphanesinin get fonksiyonu ile API’ye istek gönderiliyor. Burada zorunlu parametre olmadığı için başka parametre tanımlanmıyor. API’nin yanıtını alıp işlem yapabileceğimiz formata dönüştürüyoruz.</p><pre>response_popular = requests.get(POPULAR_MOVIES_URL, headers=HEADERS)<br>data_popular = response_popular.json()</pre><p>Burada verinin içerdiği alanları ve hiyerarşisinin inceleyebiliyoruz. İstenilen verilere bu çıktıdan karar verilebilir veya dokümantasyondan da buna karar verebiliriz.</p><pre>data_popular[&#39;data&#39;][&#39;popularity&#39;]</pre><pre>//Output<br>[{&#39;emsId&#39;: &#39;25ad8783-00db-3060-9a99-c7b8f94d8fb5&#39;,<br>  &#39;emsVersionId&#39;: &#39;0b990002-9ffe-3706-919e-da57869defc0&#39;,<br>  &#39;name&#39;: &#39;Wonka&#39;,<br>  &#39;sortEms&#39;: 1,<br>  &#39;sortPopularity&#39;: 1,<br>  &#39;posterImage&#39;: {&#39;url&#39;: &#39;https://resizing.flixster.com/IaXbRF4gIPh9jireK_4VCPNfdKc=/489x0/v2/https://resizing.flixster.com/Bx2OFTZyXMQCB30_E6EmiA52wZo=/ems.cHJkLWVtcy1hc3NldHMvbW92aWVzL2ZiMzI0ODJhLTZmNzYtNDNkZC04MjdhLTBlODVhOTgzNzQ2Zi5qcGc=&#39;,<br>   &#39;type&#39;: None,<br>   &#39;width&#39;: None,<br>   &#39;height&#39;: None},<br>  &#39;tomatoRating&#39;: {&#39;tomatometer&#39;: 84,<br>   &#39;iconImage&#39;: {&#39;url&#39;: &#39;https://images.fandango.com/cms/assets/73d962c0-9be3-11eb-8d70-c5bf5e872b28--certifiedfresh-textless.png&#39;}},<br>  &#39;userRating&#39;: {&#39;dtlLikedScore&#39;: 91,<br>   &#39;dtlWtsScore&#39;: None,<br>   &#39;iconImage&#39;: {&#39;url&#39;: &#39;https://images.fandango.com/cms/assets/b2570160-9be3-11eb-954b-43250906bea9--red-popcorn.png&#39;}}},<br> {&#39;emsId&#39;: &#39;79e469fc-8455-3efb-947a-9c00eb69ab0b&#39;,<br>  &#39;emsVersionId&#39;: &#39;0d2695d4-0f67-3b51-97c4-7cd8241c61ca&#39;,<br>  &#39;name&#39;: &#39;The Hunger Games: The Ballad of Songbirds &amp; Snakes&#39;,<br>  &#39;sortEms&#39;: 2,<br>  &#39;sortPopularity&#39;: 2,<br>  &#39;posterImage&#39;: {&#39;url&#39;: &#39;https://resizing.flixster.com/IaXbRF4gIPh9jireK_4VCPNfdKc=/489x0/v2/https://resizing.flixster.com/cli2xj07iMBQ-KDgwpiVxGPlt0I=/ems.cHJkLWVtcy1hc3NldHMvbW92aWVzL2I4MDI3YjY5LTY1OGEtNDgzYi1iMzIxLWE1MWRkMTdlMzU1Ni5qcGc=&#39;,<br>   &#39;type&#39;: None,<br>   &#39;width&#39;: None,<br>   &#39;height&#39;: None},<br>  &#39;tomatoRating&#39;: {&#39;tomatometer&#39;: 64,<br>   &#39;iconImage&#39;: {&#39;url&#39;: &#39;https://images.fandango.com/cms/assets/7928a380-9be3-11eb-954b-43250906bea9--fresh.png&#39;}},<br>...<br>  &#39;tomatoRating&#39;: {&#39;tomatometer&#39;: 100,<br>   &#39;iconImage&#39;: {&#39;url&#39;: &#39;https://images.fandango.com/cms/assets/7928a380-9be3-11eb-954b-43250906bea9--fresh.png&#39;}},<br>  &#39;userRating&#39;: {&#39;dtlLikedScore&#39;: None,<br>   &#39;dtlWtsScore&#39;: None,<br>   &#39;iconImage&#39;: {&#39;url&#39;: &#39;https://images.fandango.com/cms/assets/95fe6210-9be3-11eb-954b-43250906bea9--green-popcorn.png&#39;}}}]</pre><p>Seçilen verileri ekrana yazdırıyoruz.</p><pre>for movie in data_popular[&#39;data&#39;][&#39;popularity&#39;]:<br>    movie_id = movie[&#39;emsId&#39;]<br>    movie_ver_id = movie[&#39;emsVersionId&#39;]<br>    movie_title = movie[&#39;name&#39;]<br>    try:<br>        movie_rating = movie[&#39;userRating&#39;][&#39;dtlLikedScore&#39;]<br>    except:<br>        movie_rating=&#39;None&#39;<br>    print(movie_id)<br>    print(movie_ver_id)<br>    print(movie_title)<br>    print(movie_rating)<br>    print(&quot;\n&quot;)</pre><pre>//Output<br>25ad8783-00db-3060-9a99-c7b8f94d8fb5<br>0b990002-9ffe-3706-919e-da57869defc0<br>Wonka<br>91<br><br><br>79e469fc-8455-3efb-947a-9c00eb69ab0b<br>0d2695d4-0f67-3b51-97c4-7cd8241c61ca<br>The Hunger Games: The Ballad of Songbirds &amp; Snakes<br>89<br><br><br>b2c657ff-c0da-32b7-bc43-e495ea8d6a90<br>dd46e240-e25c-374f-bcc0-f1b493015d00<br>Trolls Band Together<br>92<br><br><br>90c22bee-a1dd-44f6-8345-d1792b4dddc3<br>27614b2e-8b2e-4720-beb9-7f12a1584a32<br>Godzilla Minus One<br>98<br><br><br>b1cf2928-9bb0-33d9-a1fd-1768080e5ab0<br>...<br>Total Trust<br>None</pre><p>Bir filmin id bilgisi parametre olarak verilerek o filmin detaylarına ulaşmak için diğer uç noktaya istek atılıyor.</p><pre>querystring = {&quot;emsVersionId&quot;:&quot;0b990002-9ffe-3706-919e-da57869defc0&quot;}<br>response_details = requests.get(MOVIE_DETAIL_URL, headers=HEADERS, params=querystring)</pre><p>API’nin yanıtının içinde bulunan bazı veriler ekrana yazdırılıyor.</p><pre>data_details =response_details.json()<br>print(data_details[&#39;data&#39;][&#39;movie&#39;][&#39;name&#39;])<br>print(data_details[&#39;data&#39;][&#39;movie&#39;][&#39;durationMinutes&#39;])<br>print(data_details[&#39;data&#39;][&#39;movie&#39;][&#39;releaseDate&#39;])<br>print(data_details[&#39;data&#39;][&#39;movie&#39;][&#39;totalGross&#39;])<br>print(data_details[&#39;data&#39;][&#39;movie&#39;][&#39;directedBy&#39;])<br>print(data_details[&#39;data&#39;][&#39;movie&#39;][&#39;synopsis&#39;])<br>print(data_details[&#39;data&#39;][&#39;movie&#39;][&#39;genres&#39;][0][&#39;name&#39;])</pre><pre>//Output<br>Wonka<br>116<br>2023-12-15<br>39005800<br>Paul King<br>Based on the extraordinary character at the center of Charlie and the Chocolate Factory, Roald Dahl’s most iconic children&#39;s book and one of the best-selling children&#39;s books of all time, &quot;Wonka&quot; tells the wondrous story of how the world&#39;s greatest inventor, magician and chocolate-maker became the beloved Willy Wonka we know today.<br>Kids &amp; Family</pre><p>Bizim yapmak istediğimiz her popüler filmin detaylarına ulaşmak ve her iki uç noktadaki verileri dataframe objesinde birleştirmek. Bu işlemleri yapmayı kolaylaştırmak için iki fonksiyon yazıyoruz.</p><p>İlk fonksiyon film id bilgisini ve API anahtarını alıp o filmin detayları için API’ye istek gönderiyor. API’den aldığı yanıttan istenen verileri geri döndürüyor. API’ deki boş veriler için None değerini döndürüyoruz. Bu değerler veri analizi kısmında doldurulabilir.</p><pre>def get_movie_details(movie_id, api_key):<br>    headers = {<br> &quot;X-RapidAPI-Key&quot;: api_key,<br> &quot;X-RapidAPI-Host&quot;: API_HOST<br>}<br>    querystring = {&quot;emsVersionId&quot;:movie_id}<br><br>    response_details = requests.get(MOVIE_DETAIL_URL, headers=headers, params=querystring)<br>    data_details = response_details.json()<br>    try:<br>        movie_duration_time = (data_details[&#39;data&#39;][&#39;movie&#39;][&#39;durationMinutes&#39;])<br>    except:<br>        movie_duration_time = &#39;None&#39;<br>    try:<br>        movie_release_date = data_details[&#39;data&#39;][&#39;movie&#39;][&#39;releaseDate&#39;]<br>    except:<br>        movie_release_date=&#39;None&#39;<br>    try:<br>        movie_total_gross = data_details[&#39;data&#39;][&#39;movie&#39;][&#39;totalGross&#39;]<br>    except:<br>         movie_total_gross = &#39;None&#39;<br>    try:<br>        movie_director = data_details[&#39;data&#39;][&#39;movie&#39;][&#39;directedBy&#39;]<br>    except:<br>        movie_director = &#39;None&#39;<br>    try:<br>        movie_synopsis = data_details[&#39;data&#39;][&#39;movie&#39;][&#39;synopsis&#39;]<br>    except:<br>        movie_synopsis = &#39;None&#39;<br>    try:<br>        movie_main_genre = data_details[&#39;data&#39;][&#39;movie&#39;][&#39;genres&#39;][0][&#39;name&#39;]<br>    except:<br>        movie_main_genre = &#39;None&#39;<br><br>    return movie_director, movie_release_date, movie_synopsis, movie_total_gross, movie_duration_time, movie_main_genre</pre><p>İkinci fonksiyonda sadece API anahtarı parametre olarak alınıyor. Yukarda yapıldığı gibi popüler filmler çekiliyor. Daha sonrasında bu filmler döngüye alınıp her filmin id, isim gibi verileri elde ediliyor. Döngü içinde elde edilen filmin id bilgisi ile film detayları için API ye istek gönderen fonksiyon olan get_movie_details çağrılıyor. Bu fonksiyon ilgili filmin detay bilgilerini döndürüyor. Daha sonra bu film için her iki uç noktadan gelen bilgiler bir satır olarak döngünün öncesinde oluşturduğumuz dataframe objesine ekleniyor. Bu işlemler popüler filmlerin hepsi için gerçekleştiriliyor. Döngüden çıkında bütün popüler filmleri ve detaylarını içeren dataframe objesini döndürüyoruz.</p><pre>def get_popular_movie_data(api_key):<br>    headers = {<br> &quot;X-RapidAPI-Key&quot;: api_key,<br> &quot;X-RapidAPI-Host&quot;: API_HOST<br>}<br>    response_popular = requests.get(POPULAR_MOVIES_URL, headers=headers)<br>    data_popular =response_popular.json()<br>    df= pd.DataFrame(columns = [<br>                &quot;movie_id&quot;,&quot;movie_ver_id&quot;,&quot;movie_title&quot;,<br>                &quot;movie_director&quot;,&quot;movie_release_date&quot;,&quot;movie_synopsis&quot;,<br>                &quot;movie_duration_time&quot;,&quot;movie_main_genre&quot;,<br>                &quot;movie_total_gross&quot;,&quot;movie_rating&quot;])<br><br>    for movie in data_popular[&#39;data&#39;][&#39;popularity&#39;]:<br>        movie_id = movie[&#39;emsId&#39;]<br>        movie_ver_id = movie[&#39;emsVersionId&#39;]<br>        movie_title = movie[&#39;name&#39;]<br>        try:<br>            movie_rating = movie[&#39;userRating&#39;][&#39;dtlLikedScore&#39;]<br>        except:<br>            movie_rating=&#39;None&#39;<br>        <br>        movie_details =get_movie_details(api_key=api_key,movie_id=movie_ver_id)<br>        movie_director, movie_release_date, movie_synopsis,movie_total_gross,movie_duration_time, movie_main_genre = movie_details<br>        df = df._append({<br>                &quot;movie_id&quot;: movie_id,<br>                &quot;movie_ver_id&quot;: movie_ver_id,<br>                &quot;movie_title&quot;: movie_title,<br>                &quot;movie_director&quot;: movie_director,<br>                &quot;movie_release_date&quot;: movie_release_date,<br>                &quot;movie_synopsis&quot;: movie_synopsis,<br>                &quot;movie_duration_time&quot;: movie_duration_time,<br>                &quot;movie_main_genre&quot;: movie_main_genre,<br>                &quot;movie_total_gross&quot;: movie_total_gross,<br>                &quot;movie_rating&quot;: movie_rating,<br>             <br>            }, <br>            ignore_index = True<br>            )<br>    return df</pre><p>get_popular_movie_data fonksiyonunu çağırarak popüler filmlerin verilerini dataframe olarak elde etmiş oluyoruz.</p><pre>popular_movies_df = get_popular_movie_data(api_key=RAPID_API_KEY)<br>popular_movies_df.head()</pre><p>Çıktı:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fKAhEjUoPGaCS1oMfg4YRw.png" /></figure><p>Bu şekilde API’deki verilerin çektik. Daha sonraki adımlarda veri analizi gerçekleştirilebilir.</p><p><strong>Kaynakça</strong></p><ol><li><a href="https://www.ibm.com/topics/api">https://www.ibm.com/topics/api</a></li><li><a href="https://www.postman.com/what-is-an-api/">https://www.postman.com/what-is-an-api/</a></li><li><a href="https://rapidapi.com/">https://rapidapi.com/</a></li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/630/0*ElbPOitGGIbn3v9O.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e6e8e6622d12" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Uygun Veri Görselleştirme Yöntemini Seçmek (Python kodları ile birlikte)]]></title>
            <link>https://medium.com/@aslihanyoldas24/uygun-veri-g%C3%B6rselle%C5%9Ftirme-y%C3%B6ntemini-se%C3%A7mek-python-kodlar%C4%B1-ile-birlikte-cb353c439d3c?source=rss-2d699165e439------2</link>
            <guid isPermaLink="false">https://medium.com/p/cb353c439d3c</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[seaborn]]></category>
            <category><![CDATA[matplotlib-visualizations]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Aslıhan Yoldaş]]></dc:creator>
            <pubDate>Thu, 14 Dec 2023 23:50:21 GMT</pubDate>
            <atom:updated>2023-12-15T07:11:45.143Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhaba, Ben Sabancı Vakfının desteğiyle SisterLab — Bilim ve Teknolojide Bilim Derneği tarafından yürütülen “Ada Lovelace Akademi: Kadın Yazılımcıların Mentorlük ve Eğitimler Aracılığıyla Güçlendirilmesi Projesi ” katılımcılarından biriyim.</p><p>Veri Bilimi Akademisi kapsamında yazdığım ikinci blog ile karşınızdayım. Bu yazıda sık kullanılan bazı veri görselleştirme yöntemlerinden ve hangi durumlarda hangi yöntemin kullanılması daha uygun olacağından örnekler ile bahsedeceğim. Python üzerinden bu örneklerin uygulamasını gerçekleştireceğim.</p><p><strong>1. Bar Grafiği (Bar Chart)</strong></p><ul><li>Kategorik verilerin değerlerinin gösterilmesinde kullanılır.</li><li>Bu sayede bu kategorilerin karşılaştırılması sağlanır.</li><li>Bar grafikleri ayrık değerleri gösterir.</li><li>Bar grafiğini kullanılması için elimizde kategorik veri ve bu kategorik verinin karşılığını gösterecek sayısal veri olması gerekir.</li><li>Örneğin elimizde bir yıl boyunca yapılmış satış verileri var. Aylara(kategorik veri) göre yapılan satışlar(sayısal veri) bar grafiğiyle gösterilebilir.</li><li>Başka bir örnek ise bir sınıftaki öğrencilerin not ortalamalarının derslere göre karşılaştırılması olabilir.</li></ul><pre># Kullanacağımız kütüphaneleri ekliyoruz<br>import pandas as pd<br>import matplotlib.pyplot as plt<br># Veri setini oluşturuyoruz<br>df = pd.DataFrame(<br>    {&#39;Ders&#39;: [&#39;Mat&#39;, &#39;Fizik&#39;, &#39;Kimya&#39;, &#39;İngilizce&#39;, &#39;Türkçe&#39;],#Kategorik veri<br>     &#39;Not_ortalamasi&#39;: [57.9, 63.6, 42.5, 89.6, 97.2] # Sayısal Veri<br><br>    }<br>)<br>#Grafiğin artandan azalana olması için<br>df = df.sort_values(by=[&#39;Not_ortalamasi&#39;],ascending=False) <br><br>#Grafiğin çizdirilmesi<br>plt.bar(<br>        x=df.Ders,<br>        height=df.Not_ortalamasi,<br>        color =[&#39;red&#39;, &#39;blue&#39;, &#39;green&#39;,&#39;purple&#39;,&#39;pink&#39; ],<br>          )<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/552/1*MUUhqzeTccPf-OFMwPi0cA.png" /><figcaption><strong>Bar Grafiği Çıktısı</strong></figcaption></figure><p><strong>2. Çizgi Grafiği (Line Chart)</strong></p><ul><li>Belli bir zaman aralığında verinin değişimi göstermek için kullanılır.</li><li>Değerlerin artmasını, azalmasını veya sabit kalması hakkında bilgiler verir.</li><li>Çizgi grafiği sürekli değerleri veya ayrık değerleri gösterebilir.</li><li>Çizgi grafiğinin kullanılabilmesi için zaman verisi ve sayısal veriye ihtiyaç vardır.</li><li>Örneğin yıllara(zaman verisi) göre sosyal medya kullanan insanların sayısını(sayısal veri) veya bir ay içindeki sıcaklık değerlerini gösterebiliriz.</li></ul><pre># Kullanacağımız kütüphaneleri ekliyoruz<br>import pandas as pd<br>import numpy as np<br>import matplotlib.pyplot as plt<br># Veri setini oluşturuyoruz<br>df = pd.DataFrame(<br>    {&#39;Gun&#39;: np.arange(1,31),#Zaman verisi<br>     &#39;Sicaklik&#39;: np.random.uniform(18,25,30) # Sayısal Veri<br><br>    }<br>)<br><br>#Grafiğin çizdirilmesi<br>plt.title(&#39;Bir Aydaki Sıcaklık Değişimi&#39;)<br>plt.ylabel(&#39;Sıcaklık(Celsius)&#39;)<br>plt.xlabel(&#39;Günler&#39;)<br>Sicaklik = df.Sicaklik <br>Sicaklik.plot()<br>#y ekseninin aralığının belirlenmesi<br>plt.ylim(10,30)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/577/1*vBUe2WoEh2dje0k1UBStFw.png" /><figcaption><strong>Çizgi Grafiğinin Çıktısı</strong></figcaption></figure><p><strong>3. Histogramlar</strong></p><ul><li>Histogramlar sürekli sayısal verilerin dağılımını göstermek için kullanılır.</li><li>Histogramlar sadece sayısal veri alırlar.</li><li>Bu veriyi temsil etmek için belirli aralıkları belirlerler ve bu aralıklara karşı gelen bu aralıkta olan verilerin görülme sıklığı yani frekansı gösterilir.</li><li>Örneğin bir ülkede çalışan insanların aylık ne kadar gelir elde ettiği verisine sahipsek bunun dağılımını gösterebiliriz.</li><li>Böylece bu ülkede en çok hangi aralıkta gelir elde ediliyor bilgisine ve daha çok bilgiye sahip olabiliriz.</li></ul><pre># Kullanacağımız kütüphaneleri ekliyoruz<br>import pandas as pd<br>import numpy as np<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br># Veri setini oluşturuyoruz<br>df = pd.DataFrame(<br>    {<br>     &#39;Gelir&#39;: np.random.randint(15000,60000,500) # Sayısal Veri<br><br>    }<br>)<br><br>#Grafiğin çizdirilmesi<br>plt.figure(figsize=(15,8))#Grafiğin boyutuu belirliyoruz<br>sns.histplot(<br>            data=df,<br>            x=&#39;Gelir&#39;,<br>            bins =60,# kutu sayısı, aralıklar küçültüp büyültmeyi sağlıyor.<br>            kde=True # Grafiğin üstündeki çizginin çizilmesi<br>            )</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N0ggUtxFnjHQbpOUh7W_Ww.png" /><figcaption><strong>Histogram Çıktısı</strong></figcaption></figure><p><strong>4. Dağılım Grafiği (Scatter Plot)</strong></p><ul><li>İki sayısal veri arasında ilişkiyi göstermek için kullanılır.</li><li>Korelasyonel ilişkilerin tanımlanmasında sıklıkla kullanılır.</li><li>Aynı zamanda veride aykırı değerlerin olup olmadığını gösterebilir.</li><li>Noktaların kümelendiği yerlere bakılarak veri gruplara ayrılabilir.</li><li>Dağılım grafiği iki tane sayısal veri alır.</li><li>Verideki her bir eleman için denk geldiği sayısal değerler bir nokta olarak işaretlenir.</li><li>Örneğin bir grup öğrencinin günlük egzersiz yapma süresi(sayısal veri) ile ders çalışma süreleri(sayısal veri) arasındaki ilişkiyi gösterebiliriz.</li><li>Bu değişkenler arasında ilişki olup olmadığını eğer varsa pozitif mi negatif mi olduğunu gözlemleyebiliriz.</li></ul><pre># Kullanacağımız kütüphaneleri ekliyoruz<br>import pandas as pd<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br># Veri setini oluşturuyoruz<br>egzersiz_data = [63, 53, 14, 15, 66, 21, 18,  6, 24, 68, 79, 74, 63, 30, 14, 45, 89,<br>       73, 74, 23, 82, 39, 24, 67, 53, 12, 64, 77, 79, 29, 69, 97, 38, 33,<br>       64, 71, 16, 77, 45, 59, 39,  6, 40, 29, 40, 78, 80, 33, 47, 87, 52,<br>       69, 45, 10, 87, 51, 15,  5, 21, 90, 39, 67, 87, 73, 28, 28, 97, 68,<br>       99, 40, 47, 60, 18, 70, 24,  5, 98,  7, 72, 66, 93, 44, 96, 78, 11,<br>       16, 73, 28, 69, 68, 78, 73, 25, 57, 79, 59, 20, 35, 67, 30]<br>ders_suresi = [6, 5, 2, 2, 6, 2, 2, 2, 2, 6, 7, 7, 6, 2, 2, 4, 8, 7, 7, 2, 8, 3,<br>       2, 6, 5, 2, 6, 7, 7, 2, 6, 9, 3, 3, 6, 7, 2, 7, 4, 5, 3, 2, 3, 2,<br>       3, 7, 7, 3, 4, 8, 5, 6, 4, 2, 8, 5, 2, 2, 2, 8, 3, 6, 8, 7, 2, 2,<br>       9, 6, 9, 3, 4, 5, 2, 6, 2, 2, 9, 2, 7, 6, 9, 4, 9, 7, 2, 2, 7, 2,<br>       6, 6, 7, 7, 2, 5, 7, 5, 2, 3, 6, 8]<br>df = pd.DataFrame(<br>    {<br>     &#39;egzersiz-suresi(dk)&#39;: egzersiz_data, # Sayısal Veri<br>     &#39;ders-suresi(saat)&#39;: ders_suresi # Sayısal Veri<br><br>    }<br>)<br><br>#Grafiğin çizdirilmesi<br>plt.figure(figsize=(15,8))#Grafiğin boyutuu belirliyoruz<br>sns.scatterplot(data=df,<br>                x=&quot;egzersiz-suresi(dk)&quot;,<br>                y=&quot;ders-suresi(saat)&quot;,<br>               <br>                )<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Uim_NFmVdEqv7MZPEMHyNQ.png" /><figcaption><strong>Dağılım Grafiği Çıktısı</strong></figcaption></figure><p><strong>5. Kutu Grafiği (Box Plot)</strong></p><ul><li>Sayısal verinin temel istatistik özelliklerini gösterilmesinde kullanılır.</li><li>Kutu grafikleri sayesinde verinin minimum ve maksimum değerleri, medyan değeri ve alt ve üst çeyrekleri hakkında bilgi sahibi olabiliriz.</li><li>Aynı zamanda aykırı veriler kutunun dışında nokta şeklinde gösterilir.</li><li>Kutu grafikleri genelde grupların sayısal verilerinin dağılımının karşılaştırılması için kullanılır.</li><li>Kutu grafikleri ilgili grupların sayısal verilerini ve kategorik verilerini alabilir.</li><li>Her grup için sayısal verilerin dağılımını kutu şeklinde görselleştirir.</li><li>Örneğin ülkelerdeki(kategorik veri) yaş (sayısal veri) dağılımını göstermek için kutu grafiği kullanılabilir.</li></ul><pre># Kullanacağımız kütüphaneleri ekliyoruz<br>import pandas as pd<br>import numpy as np<br>import seaborn as sns<br># Veri setini oluşturuyoruz<br>df = pd.DataFrame(<br>    {<br>     &#39;Ulke1&#39;: np.random.randint(1,80,500), <br>     &#39;Ulke2&#39;: np.random.randint(1,80,500), <br>     &#39;Ulke3&#39;: np.random.randint(1,80,500) <br><br>    }<br>)<br><br>#Grafiğin çizdirilmesi<br>sns.boxplot(data=df)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/543/1*nS0uK9V1XRAcHphHvX834w.png" /><figcaption><strong>Kutu Grafiği Çıktısı</strong></figcaption></figure><p>Bazı sık kullanılan yöntemleri ve neden kullanıldıklarını özetlemeye çalıştım. Verdiğim örneklerde genelde numpy ile sahte veri ürettim veya kendim verdim. Gerçek verilerle denediğinizde daha mantıklı grafikler elde edeceksinizdir. Grafikleri çizdirirken matplotlib ve seaborn kütüphanelerinden yararlandım. Elimden geldiğince basit örnekler verdim ancak bu kütüphaneler ile çok daha karmaşık grafikler çizdirilebilir. Eğer daha fazla yöntem hakkında bilgi sahibi olmak isterseniz <a href="https://www.data-to-viz.com/">bu siteyi</a> ziyaret edebilirsiniz. Okuduğunuz için teşekkürler.</p><h3>Kaynakça</h3><ol><li><a href="https://www.data-to-viz.com/">https://www.data-to-viz.com/</a></li><li><a href="https://guides.library.yale.edu/datavisualization/types">https://guides.library.yale.edu/datavisualization/types</a></li><li><a href="https://www.intellspot.com/data-visualization-types/">https://www.intellspot.com/data-visualization-types/</a></li><li><a href="https://chartio.com/learn/charts/how-to-choose-data-visualization/">https://chartio.com/learn/charts/how-to-choose-data-visualization/</a></li><li><a href="https://careerfoundry.com/en/blog/data-analytics/data-visualization-types/">https://careerfoundry.com/en/blog/data-analytics/data-visualization-types/</a></li><li><a href="https://guides.lib.berkeley.edu/data-visualization/type">https://guides.lib.berkeley.edu/data-visualization/type</a></li><li><a href="https://datasciencedojo.com/blog/visualizing-data-with-line-plots-a-guide/">https://datasciencedojo.com/blog/visualizing-data-with-line-plots-a-guide/</a></li><li><a href="https://byjus.com/maths/histogram/">https://byjus.com/maths/histogram/</a></li><li><a href="https://chartio.com/learn/charts/what-is-a-scatter-plot/">https://chartio.com/learn/charts/what-is-a-scatter-plot/</a></li><li><a href="https://www.khanacademy.org/math/statistics-probability/describing-relationships-quantitative-data/introduction-to-scatterplots/a/scatterplots-and-correlation-review">https://www.khanacademy.org/math/statistics-probability/describing-relationships-quantitative-data/introduction-to-scatterplots/a/scatterplots-and-correlation-review</a></li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/993/1*4tEIQCuafkIM8QJrufypzQ.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cb353c439d3c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Bilimi ve Gerçek Hayattaki Uygulamaları]]></title>
            <link>https://medium.com/@aslihanyoldas24/veri-bilimi-ve-ger%C3%A7ek-hayattaki-uygulamalar%C4%B1-b472f3497c35?source=rss-2d699165e439------2</link>
            <guid isPermaLink="false">https://medium.com/p/b472f3497c35</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[real-world-application]]></category>
            <dc:creator><![CDATA[Aslıhan Yoldaş]]></dc:creator>
            <pubDate>Thu, 30 Nov 2023 15:57:08 GMT</pubDate>
            <atom:updated>2023-11-30T15:57:08.625Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhaba, Sabancı Vakfının desteğiyle SisterLab — Bilim ve Teknolojide Bilim Derneği tarafından yürütülen “Ada Lovelace Akademi: Kadın Yazılımcıların Mentorlük ve Eğitimler Aracılığıyla Güçlendirilmesi Projesi ” katılımcılarından biriyim.</p><p>Bu yazıyı bu proje kapsamında yazmaktayım. Burada sizlere veri bilimi ve veri biliminin gerçek hayatta kullanım alanlarından kısaca bahsedeceğim. Keyifli okumalar dilerim.</p><p><strong>Veri Bilimi Nedir ?</strong></p><p>Günümüzde veri bilimi sıkça karşımıza çıkan bir kavram. Bunun nedeni ise teknolojinin gelişmesiyle birlikte veri miktarının büyük bir hızla artmasıdır. Elimizdeki veriler ne kadar güçlü teknolojiler geliştirebileceğimizi belirler ancak ham veri işimize yaramaz. İşte burada Veri Bilimi işin içine giriyor. Veri Bilimi ham veriyi alıp bundan anlamlı bilgiler çıkaran, veri içerisindeki desenleri yakalayan ve işimize yarayacak hale getiren ve bunları yaparken de matematik, istatistik, bilgisayar bilimi ve alana özgü bilgileri kullanan çok disiplinli bir alandır.</p><p><strong>Gerçek Hayatta Kullanımları:</strong></p><p>Veri bilimi farkında olduğumuzdan çok daha fazla alanda kullanılmaktadır. Bunu daha iyi anlayabilmek için gerçek hayattaki bazı kullanım alanlarından bahsedeceğim.</p><p><strong><em>1- Sağlık</em></strong></p><p>· <strong>Tıbbi Görüntü Analizi:</strong> Kanser, tümor gibi birçok hastalığın tahmininde kullanılır.</p><p>· <strong>Tahmine Dayalı Analitik: </strong>Hastanın verilerine göre en uygun tedavi seçeneklerinin bulunması sağlanır.</p><p>· <strong>İlaç Araştırma ve Oluşturma:</strong> Daha kısa sürede ve doğruluğu yüksek ilaçların yapılmasını sağlayarak bu süreçleri kolaylaştırılması sağlanır.</p><p>· <strong>Sanal Tıbbi Botlar:</strong> Hasta bakımını kolaylaştırarak hastaya alınması gereken ilaçları hatırlatabilir veya doktor randevusu alabilir.</p><p>Bu alanlar dışında genom ve genetik, hasta tanısı koyma, hasta verilerini yönetme gibi alanlarda da veri bilimi kullanılmaktadır.</p><p><strong><em>2-Finans</em></strong></p><p>· <strong>Dolandırıcılık Tespiti:</strong> Anormal işlem davranışları, şüpheli hesap faaliyetleri dolandırıcılık desenlerini sürekli öğrenen ve tespit edebilen modeller tarafından tespit edilerek potansiyel dolandırıcılık risklerine karşı finans kuruluşlarını uyarabilir.</p><p>· <strong>Kredi Puanlama:</strong> İlgili verilerin analiz edilip kredi skorunun belirlenmesinde ve kredi skoruna bağlı olarak kredi başvuruların onaylanması ve faiz oranının belirlenmesinde kullanılır.</p><p><strong><em>3- Ulaşım</em></strong></p><p>· <strong>Sürücüler için en uygun yolun bulunması:</strong> Yollar, trafik akışı gibi bir çok parametre hesaba katılarak en uygun yol bulunarak yakıttan ve zamandan tasarruf edilmesi sağlanır.</p><p>· <strong>Havayolu Rota Planlaması: </strong>En uygun rotanın bulunması, uçuşlardaki gecikmelerin tahmin edilmesi, seyahat ücretlerinin belirlenmesi, daha kazançlı yeni rotaların oluşturulmasında kullanılır.</p><p>· <strong>Otonom Araçlar:</strong> Kendi kendini süren akıllı araçlar geliştirilerek sürüş koşullarının daha güvenli hale gelmesi ve araç performanslarının iyileştirilmesi sağlanır.</p><p><strong><em>4- Pazarlama ve Reklamcılık</em></strong></p><p>Kullanıcı davranışı analiz ederek müşterilerin ne almak istediklerini, ne kadar ödemek istediklerini, neye ilgi duydukları, tercihlerinin ne olduğu vb. çıkarabilir. Bu da satıcıların müşteriyi daha iyi anlaması ve buna uygun pazarlama stratejileri geliştirmesini sağlar. Örneğin müşterileri gruplara ayırıp onlara özel kampanyalar yapılmasıyla bu kampanyaların başarı oranı artırılır.</p><p><strong><em>5- E-ticaret</em></strong></p><p>Müşteri memnuniyetini ve satışları artırmak amacıyla müşteri davranışları, müşterilerin satın alma geçmişi, müşteri yorumları gibi veriler analiz edilerek müşterilerin gözden kaçırmış olabileceği kişiselleştirilmiş ürün tavsiyeleri verilebilmekte, ürünlerin uygun fiyatlandırılması sağlanmakta ve müşterinin davranışları tahmin edilebilmektedir.</p><p><strong><em>6- Siber Güvenlik</em></strong></p><p>Veri bilimi gerekli bilgilerin analizi ile anormallikleri tespit edilmesi ve güvenlik açıklıklarının bulunmasına yardım ederek hassas bilgilerin korunmasını ve güvenlik risklerinin azaltılmasını sağlar. Aynı zamanda siber saldırıların desenlerinin, güvenlik duvarları, anti virüs programları tarafından öğrenilmesi ile daha iyi koruma sağlar.</p><p><strong><em>7- Spor</em></strong></p><p>Atletlerin performanslarının değerlendirilmesi için ve oyun stratejilerinin geliştirilmesinde kullanılır.</p><p>Araştırmalarım sonucunda veri biliminin gerçek hayattaki uygulamalarını kısaca özetledim. Burada bahsetmediğim diğer alanlara ise hava tahmini, artırılmış gerçeklik, oyun, görüntü tanıma, doğal dil işleme, arama motorları, sosyal medya analizi ve daha birçok alan eklenebilir.</p><p>Gördüğünüz gibi veri bilimini hayatın her noktasında karşımıza çıkmaktadır ve günümüzdeki teknolojik gelişmelerde veri bilimini göz ardı etmek mümkün değildir.</p><p>Bunun en iyi örneği ise günüzümde oldukça artan ve artmaya devam eden yapay zeka çalışmalarıdır. Yapay zekayı düşünürken veri bilimini düşünmemek mantıklı olmayacaktır.</p><p>Vaktinizi ayırıp okuduğunuz için teşekkürler.</p><p><strong>Kaynakça</strong></p><p>1. <a href="https://www.edureka.co/blog/data-science-applications">https://www.edureka.co/blog/data-science-applications</a></p><p>2. <a href="https://databasetown.com/data-science-applications-in-real-life">https://databasetown.com/data-science-applications-in-real-life</a></p><p>3. <a href="https://intellipaat.com/blog/applications-of-data-science-real-world-applications">https://intellipaat.com/blog/applications-of-data-science-real-world-applications</a></p><p>4. <a href="https://addepto.com/blog/drive-business-using-data-science/">https://addepto.com/blog/drive-business-using-data-science/</a></p><p>5. <a href="https://www.guvi.in/blog/real-world-data-science-examples/">https://www.guvi.in/blog/real-world-data-science-examples/</a></p><p>6. <a href="https://www.analyticssteps.com/blogs/10-data-science-applications-real-life">https://www.analyticssteps.com/blogs/10-data-science-applications-real-life</a></p><p>7. <a href="https://www.knowledgehut.com/blog/data-science/top-data-science-applications-for-future">https://www.knowledgehut.com/blog/data-science/top-data-science-applications-for-future</a></p><p>8. <a href="https://www.knowledgehut.com/blog/data-science/applications-of-data-science-in-ecommerce">https://www.knowledgehut.com/blog/data-science/applications-of-data-science-in-ecommerce</a></p><p>9. <a href="https://www.guru99.com/data-science-tutorial.html">https://www.guru99.com/data-science-tutorial.html</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/993/1*4tEIQCuafkIM8QJrufypzQ.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b472f3497c35" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>