<?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 Berkay Diler on Medium]]></title>
        <description><![CDATA[Stories by Berkay Diler on Medium]]></description>
        <link>https://medium.com/@berkaydiler_26539?source=rss-1f3011785649------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*ikLc_6z_4fG4nJJn</url>
            <title>Stories by Berkay Diler on Medium</title>
            <link>https://medium.com/@berkaydiler_26539?source=rss-1f3011785649------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 05:49:22 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@berkaydiler_26539/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[Digital Nomad Olmak]]></title>
            <link>https://medium.com/@berkaydiler_26539/digital-nomad-olmak-d522169d2488?source=rss-1f3011785649------2</link>
            <guid isPermaLink="false">https://medium.com/p/d522169d2488</guid>
            <category><![CDATA[digital-nomad-lifestyle]]></category>
            <category><![CDATA[digital-marketing]]></category>
            <category><![CDATA[business]]></category>
            <category><![CDATA[data-analyst]]></category>
            <category><![CDATA[digital-nomads]]></category>
            <dc:creator><![CDATA[Berkay Diler]]></dc:creator>
            <pubDate>Fri, 13 Nov 2026 12:59:10 GMT</pubDate>
            <atom:updated>2026-11-13T12:59:10.053Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/817/1*VJ_lI96sUU75C8tAb95_8A.png" /></figure><p>580 Gündür full-time olarak uzaktan çalışıyorum sanırım artık bu makaleyi yazma hakkına sahibim diye düşünüyorum.<br>Üniversite kampüsünde çimenlerde oturup boğazı seyrettiğim zamanlardan beri bu benim hayalimdi uzaklara dalarken aklımdan şöyle hayaller geçirirdim = “Bir gün zamana ve konuma bağımlı kalmadan istediğim yerden çalışabilen biri olacağım” derdim.<br>Zaman geçti ve ben bu hayale kavuştum bu şekilde çalışmanın ve yaşamanın avantajları ve dez avantajlarından bahsedeceğim</p><p>Bazen birine uzaktan çalışıyorum dediğimde günün her saati istediğimi yapabiliyorum zannediyor fakat işinizi seven ve saygı gösteren biriyseniz bu durum böyle olmuyor, 9 saat boyunca işe ve süreçlerinize odaklanmak zorundasınız yoksa yapacaklarınızı ve takibi kaçırıp kendinizi, size iletilen sorular karşısında cevap veremez ve pısırık bir durumda bulabilirsiniz :)<br>Bu iş hayatında bir insanın en kötü hissedebileceği duygulardan biridir<br>Bu yüzden her zaman burada yer almak istiyorsan işine sadık ve saygılı biri olmak zorundasın. <br>Bir diğer iyi yanlarından biride mesela memleketime gittiğimde 10 gün orada kalabiliyorum bilgisayarımı yanıma alıp, hatta yurtdışına bile gidebiliyorum örneğin Montenogro’ya gidip hem çalışıp hem gezdiğim güzel bir 7 gün geçirdim orada çalışırken çalışmaktan extra keyif aldım ve motive çalıştım çünkü bu benim hayalimdi.</p><p>Şirketimizde çalışanların çoğu %90 sıklıkla ev ortamında çalışmayı tercih ediyorlar, ben sosyal ve gezmeyi seven bir insan olduğum için haftanın 4 günü bir Kafeye veya güzel bir ortama giderek orada çalışmayı tercih ediyorum bu imkanı kullanmak lazım öyle değil mi ? <br>Bu 580 gün boyunca 9.30–18.30 çalışma saatlerine herzaman uymaya özen gösterdim biri sizi her dakika denetleyemiyor diye etik kurallarını çiğnemeyi hoş bulmuyorum.</p><p>Kötü bazı yanlarını da şu şekilde özetleyebilirim hergün aynı ortam da olmak bazen sizi bir “delüzyona” uğratabiliyor sanki bir “sims” oyunun içerisindeymişsiniz gibi hissediyorsun sık konuştuğunuz herkes bilgisayar ekranının içerisinde ve uyanıp her sabah onları 15 inçlik bir ekrandan görüyorsunuz normalde bu sorun olamaz ama bu insanlar sizin tüm zamanınızın hergün %50&#39;sini kaplayan insanlar olunca dediğim gibi artık kendinizi bir sanal oyunda yaşıyormuş ve çalışıyormuş gibi hissedebiliyorsunuz onlar sizin aileniz ve sırdaşlarınız olmuş ve sadece piksel olarak karşınızdalar.<br>Ama arada samimi fiziksel buluşmalarla bu durumu aşabiliyorsunuz :)</p><p>Kötü yanlarını bir şekilde aşabilirsiniz ve bu tamamen size bağlıdır örneğin bulunduğunuz konumda olmaktan sıkıldınız mı evet bunu değiştirmek tamamen size ait bunu yapmadığınız sürece demotive çalışmaya devam edersiniz.<br>Aslında hayata da tamamen böyle bakarım bulunduğu her kötü koşulu değiştirmek çoğunlukla sizin elnizdedir sadece çoğu insanda mantıklı bir plan yapıp bu plana da 1 sene 2 sene veya 8 sene boyunca sadık kalacak bir irade yok herkes her şeyi hemen olsun istiyor ve sonuç hep hüsran oluyor.</p><p>Hayatta başardığım herşey sakin anlarda yaptığım bir plan ve sonrasında da uzun süreler boyunca bu plana sadık kalmanın ardından geldi bu konuda çok emin ve kararlıyım. Örneğin keman çalmaya başlamak gibi bir gün kendi kendime düşünürken karar verdim ve gidip bir kursa yazılıp her dersten sonrada 1 sene boyunca hep pratik yaptım anlatınca ne kadar basit değilmi ? İşte çoğu insanın bazı konularda benimde eksik kaldığım nokta bir kararı alıp başladıktan sonra kısa süre sonra içindeki ateşin sönmesi ve umutsuzluğa kapılıp kolay ve tembel yolu seçmesidir</p><p>Zihni sakin ve birazda irade sahibi bir insanın bu dünyada başaramayacağı hiç birşey yoktur.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d522169d2488" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Ekonomik Kriz ve Mutluluk: Türkiye ve Arjantin Analizi]]></title>
            <link>https://medium.com/@berkaydiler_26539/ekonomik-kriz-ve-mutluluk-t%C3%BCrkiye-ve-arjantin-analizi-c8f7da70bda5?source=rss-1f3011785649------2</link>
            <guid isPermaLink="false">https://medium.com/p/c8f7da70bda5</guid>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[happiness]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[argentina]]></category>
            <category><![CDATA[turkey]]></category>
            <dc:creator><![CDATA[Berkay Diler]]></dc:creator>
            <pubDate>Fri, 03 Jan 2025 10:13:57 GMT</pubDate>
            <atom:updated>2025-01-03T10:22:15.573Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LTpw-sTSf7pRnvEapmgiTg.jpeg" /></figure><p>➤Bu araştırmamda, Türkiye ve Arjantin’in benzer ekonomik krizlere rağmen mutluluk düzeylerindeki farklılıkları inceleyerek, bu durumun altında yatan ekonomik, sosyal ve kültürel dinamikleri anlamayı amaçlıyorum. Bu iki ülke üzerinden, ekonomik zorluklara karşı toplumsal tepkilerin genel doğasını anlamaya yönelik daha geniş bir perspektif sunmayı hedefliyorum.</p><ul><li>Ekonomik sıkıntılar toplumlar üzerinde derin izler bırakabilir, ancak bu izlerin nasıl bir şekil aldığı her toplumda ve kültürde farklılık gösterebilir.</li><li>Türkiye ve Arjantin, benzer ekonomik problemler yaşarken <strong>toplumsal mutluluk </strong>düzeylerinde keskin bir farklılık vardır.</li><li>Bu iki ülkenin hikayesi, ekonomik göstergeler ve toplumsal refah arasındaki karmaşık ilişkiyi anlamak için bir mercek görevi görüyor.</li></ul><p>➤2024 yılında <strong>Türkiye’nin enflasyon oranı %47,09</strong>, <strong>Arjantin’in ise %138</strong> civarındadır. Arjantin’deki enflasyon oranı, Türkiye’ye kıyasla belirgin şekilde daha yüksektir.</p><p>Bu farkın başlıca nedenleri:</p><ol><li><strong>Para birimi istikrarsızlığı</strong>: Arjantin Pesosu, TL’den daha sert bir değer kaybı yaşamaktadır.</li><li><strong>Para basımı</strong>: Arjantin, kamu borcunu ödemek için daha fazla para basmaktadır.</li></ol><p>➤ <strong>FAKAT</strong> Arjantin’de halkın ekonomik zorluklara rağmen daha mutlu olduğu gözlemlenirken, Türkiye’de toplumsal mutluluk oranları belirgin şekilde daha düşük. Arjantin’de ekonomik krizlere karşı sosyal bağlar ve kültürel dayanışma öne çıkarken, Türkiye’de ise ekonomik belirsizlikler ve geleceğe dair endişeler toplumsal mutluluğu olumsuz etkiliyor. Bu fark, ekonomik zorlukların toplumlar üzerindeki etkilerinin yalnızca maddi değil, aynı zamanda sosyal ve kültürel dinamiklere bağlı olduğunu gösteriyor.</p><p><strong>Bunu birazda gerçek verilerle inceleyelim</strong></p><h4>Dünya Mutluluk Raporu 2024</h4><p>Bu araştırmamda referans olarak <strong>Birleşmiş Milletler Dünya Mutluluk Raporu’nu</strong> kullandım. Rapor, ülkelerin mutluluk düzeylerini etkileyen ekonomik, sosyal ve çevresel faktörleri detaylı bir şekilde değerlendiren önemli bir kaynaktır.</p><h4>A) Yaşam Tercihleri kıyaslaması</h4><p>Hayatın içindeki radikal değişimler</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/917/1*ecpx-5cIye4DXzm40ZcXfg.png" /></figure><p>Bu analiz, Türkiye (<strong>0.20</strong>) ve Arjantin (<strong>0.47</strong>) arasında “yaşam tercihlerini yapma özgürlüğü” farkını gösteriyor.</p><ul><li><strong>Arjantin</strong>’de özgürlük hissi daha yüksek, bu da bireylerin yaşam üzerinde daha fazla kontrol sahibi olduklarını düşünüyorlar</li><li><strong>Türkiye</strong>’de ise bu his oldukça düşük, bu da bireylerin daha sınırlı hissettiğine işaret ediyor.</li></ul><p>Bu fark, mutluluk düzeylerindeki ayrışmanın önemli bir faktördür, özgür tercihler yapamadığını hisseden bir insanlar doğal olarak daha demoralize hissedeceklerdir.</p><p><strong>B) Sosyal destek ve sağlıklı yaşam beklentisi</strong></p><p><em>BM Dünya Mutluluk Raporu (United Nations World Happiness Report)</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/891/1*222QGq4FoXVsq-ZXVkwz5g.png" /></figure><ul><li><strong>Sağlıklı Yaşam Beklentisi</strong>: Arjantin’in <strong>0.88</strong> sağlıklı yaşam beklentisi, Türkiye’nin <strong>0.81 </strong>değerini geride bırakmaktadır. Bu fark, sağlık hizmetlerinin yaygınlığı ve sağlıklı beslenme programlarının etkisiyle açıklanabilir. Arjantin’deki sağlık kampanyaları erken teşhisle sağlıklı yaşamı destekleyebilir.</li><li><strong>Sosyal Destek</strong>: Arjantin <strong>1.43</strong>, Türkiye ise <strong>1.36 </strong>puan almıştır. Arjantin’deki yerel etkinlikler ve ortak yemek günleri gibi sosyal aktiviteler desteği artırırken, Türkiye’de sosyal destek daha dar bir çevreyle sınırlıdır.</li></ul><p><strong>C) Yolsuzluk Endeksi</strong></p><p><em>Uluslararası Şeffaflık Örgütü (Transparency International)</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/902/1*G6h5SMRTsUzB1QXXFIGH_A.png" /></figure><blockquote>Her yerde olduğu gibi, karşılaştırma yaptığım ülkelerde de görevini kötüye kullanan devlet görevlileri bulunmaktadır ve bu tablo, durumun varlığını ortaya koymaktadır. Güven toplumların temelini oluşturan unsurlardan biridir mevsimsel kötü gidişler uzun vadeli güven olguları sayesinde aşılabilir ve yeniden yapılandırılabilir</blockquote><ul><li><strong>Türkiye</strong>: Yüksek yolsuzluk endeksi, vatandaşlar arasında güven eksikliğine ve adaletsizlik hissine yol açar. Bu da mutluluk seviyesinin olumsuz etkilenmesinde önemli bir faktör sunar, çünkü insanlar devletin verimli çalıştığına inanmakta güçlük çekebilirler.</li><li><strong>Arjantin</strong>: Arjantin halkı devlet içinde gereğine uymayan işler yapıldığını düşünüyor fakat oran olarak bir kıyaslama yaptığımızda görüyoruz ki bu düşünceleri Türkiye’de yaşayan kişilerin düşüncelerine göre yarı yarıya daha az.</li></ul><h3>Diğer Nedenler</h3><p><strong>Dans et, Gül ve Eğlen !</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*GcG36y3BBVCwfTxxF62v3A.jpeg" /></figure><blockquote>Dans, duygusal ifadeyi artırarak stres, anksiyete ve depresyonu hafifletir, mutluluk hormonlarını salınımını teşvik eder. Ayrıca, grup dansları toplumsal bağları güçlendirerek, bireylerin ruh halini iyileştirir ve zihinsel esneklik kazandırır.</blockquote><p>Arjantin’de sokak dansları ve canlı müzik, insanların duygusal ifadelerini artırarak toplumsal bağları güçlendirirken, mutluluklarını artıran bir etkiye sahiptir yaşlısı, genci, orta yaşlısı herkes dans eder bir kafede veya sokakta. Türkiye’de de dans kültürü önemli olsa da, Arjantin’deki gibi sokaklarda yaygın olarak sergilenmeyen bu etkinlik, toplumsal bağlar ve psikolojik iyilik hali üzerinde daha sınırlı bir etkiye sahiptir.</p><p><strong>Carpe Diem NİÑOS (</strong>Anı yaşayın çocuklar<strong>)</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EOckEiyllozGygqkSUQwQw.jpeg" /></figure><p>Arjantin’de ekonomik sıkıntılar olsa da insanlar yaşamın keyfini çıkarmayı ve eğlenmeyi ön planda tutar. Tatil günlerinde çalışmamak, parka gidip vakit geçirmek gibi basit aktiviteler mutluluklarını artırır. Ayrıca sokak dansları gibi sosyal etkinlikler, toplumsal bağları güçlendirir. Arjantinliler, dışsal faktörlere fazla odaklanmadan, küçük anların tadını çıkararak mutluluğu bulurlar.</p><p>Türkiye’de ise yoğun iş temposu ve sorumluluklar, eğlenceye odaklanmayı zorlaştırabilir. Sosyal etkinlikler ve dans kültürü Arjantin’deki kadar yaygın olmadığından, toplumsal bağlar ve ruh hali olumsuz etkilenebilir. Bu durum, Türkiye’de mutsuzluğu artırabilirken, Arjantin’deki yaşam tarzı mutluluğu besler.</p><h4>Kapanış</h4><p>Arjantin ve Türkiye arasındaki mutluluk farkları, yalnızca ekonomik ve sosyal göstergelerle değil, aynı zamanda kültürel değerler ve yaşam tarzı farklılıklarıyla da şekillenmektedir. Arjantin’deki güçlü sosyal bağlar ve kültürel etkinlikler, insanların mutluluğunu artıran önemli faktörlerden biridir. Her iki ülkenin de kendine özgü zorlukları ve fırsatları bulunmakta, ancak şeffaflık, güven ve toplumsal dayanışma gibi unsurlar mutluluk seviyelerini etkileyen önemli etmenlerdir.</p><p>Herkese daha mutlu, sağlıklı ve huzurlu bir yaşam dilerim. Umarım bu yazı, farklı kültürler ve yaşam biçimleri arasındaki farkları daha iyi anlamamıza yardımcı olmuştur.</p><blockquote>Umarım bu yazı, iki ülke arasındaki kültürel farklılıkların mutluluk üzerindeki etkilerini daha iyi anlamanıza yardımcı olmuştur.</blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c8f7da70bda5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Time Series and Smoothing Methods]]></title>
            <link>https://medium.com/@berkaydiler_26539/time-series-and-smoothing-methods-068fe3210f0b?source=rss-1f3011785649------2</link>
            <guid isPermaLink="false">https://medium.com/p/068fe3210f0b</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[time-series-analysis]]></category>
            <category><![CDATA[time-series-forecasting]]></category>
            <category><![CDATA[statistics]]></category>
            <dc:creator><![CDATA[Berkay Diler]]></dc:creator>
            <pubDate>Mon, 15 Jan 2024 14:56:33 GMT</pubDate>
            <atom:updated>2024-01-15T14:56:33.525Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9kLGdf9ZylwF9FolLMI78A.jpeg" /></figure><p>Merhabalar ! veri bilimi dünyasının önemli bir köşe taşı olan zaman serileri ile veri analizine bir göz atacağız. Zaman serileri, hayatımızın birçok alanında karşımıza çıkıyor hava durumu tahminleri, hisse senedi fiyatları, trafik yoğunluğu ve daha fazlası. Ancak, bir veri setini “<strong>zaman serisi</strong>” olarak tanımlamak için nelere ihtiyaç duyuyoruz ? Bu yazıda, bu soruların cevaplarına dalmadan önce, zaman serilerinin gündelik hayatımızdaki önemine ve ne tür veri setlerinin zaman serisi olarak adlandırılabileceğine bir göz atalım.</p><p><strong>Zaman Serisi Nedir ?</strong></p><p>Zaman serileri, belirli bir zaman aralığı içinde kaydedilern değerleri içeren veri setleridir. Sıcaklık değişimleri, hisse senedi fiyatlarındaki dalgalanmalar, enerji tüketimi, bu örneklerden sadece birkaçıdır.</p><p>Peki bir veri setine zaman serisi demek için neler gerekiyor ?</p><p>● Öncelikle her ölçüm noktasının belli bir zaman damgası olması gerekiyor ● Ölçüm notaları belirli aralıklarla olmalı örneğin haftalık,aylık veya yıllık gibi zaman aralıklarında ölçülmüş olmalı.</p><h3><strong>Bilinmesi gereken kavramlar</strong></h3><p><strong>Trend</strong></p><p>Zaman serilerinin en önemli kavramlarından biridir serinin zaman içerisindeki eğilimini ve uzun vadeli yönelimini ifade eder.Bir zaman serisi grafiğine baktığımızda trendi kabaca anlayabilmek eğilim gösterdiği noktalara dikkat etmeliyiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/589/1*rmKQwQxdbWaaNZ3SnWXhGg.png" /></figure><p>Örneğin bu seri yukarı yönlü bir eğilim gösteren yani artış trendinde olan bir zaman serisi</p><p><strong>Durağanlık (Stationary)</strong></p><p>Zaman serisinin zaman içerisinde belli özelliklerinin değişmesi veya sabit kalması durumunda incelenen özellikler örneğin varyans,kovaryans gibi istatistiksel özelliklerin sabit kalması durumunda zaman serimize “Durağan” deriz fakat zaman içerisinde bu istatistiki özellikler düzenli artış veya azalış gösterirse bu seri durağan olmayan bir zaman serisidir diyebiliriz.Genellikle durağanlık ve trend göstergeleri zıt olarak ifade edilirler eğer seri durağansa trend yoktur veya seri durağan değilse trend vardır şeklinde ama her zaman durum böyle olmayabilir.</p><p><strong>Mevsimsellik (Seasonality)</strong></p><p>Mevsimsellik genellikle belli zaman periyotlarında gözlenen desen değişikleridir bu desen değişiklikleri zaman serisinde belli bir uzunluk boyunca devam ederse seride mevsimsellik vardır diyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/582/1*nc9fsuWw3uWsu4BCzfeKYw.png" /></figure><p>Yukarıda mevsimsellik içeren bir grafik verdim peki bu grafiğin mevsimsel olduğunu nasıl anlarız kısaca şöyle özetleyebiliriz her yılın ikinci gözleminde düşüş, üçünü gözleminde ise artış görüyoruz bu desen bize mevsimselliğin olduğunu gösteren örüntülerden fsbiridir.</p><h4>Zaman serilerini nasıl analiz ederiz ?</h4><p>Zaman serilerini analiz etmenin birden fazla yolu var hangisini kullanacağımıza zaman serimizin bazı özellikleri yön verecek örneğin serinin trendinin olup olmaması veya mevsimselliğinin olup olmamasına göre değişen analiz yöntemleri var, tabi bu alt özelliklerin tamamına duyarlı yöntemlerde var fakat biz bir analizci olarak tüm yöntemleri deneyerek en uygun sonucu ve en düşük hata oranını veren yöntemi seçmeliyiz bu yöntem bize en doğru yolu gösterecektir</p><h3>Smoothing Yöntemleri (Düzeltme)</h3><p>Literatürte smoothing(düzeltme) olarak geçen bu yöntemler 3 farklı alt yöntemden oluşuyor <strong>S</strong>ingle <strong>E</strong>xponential <strong>S</strong>moothing(<strong>SES</strong>), <strong>D</strong>ouble <strong>E</strong>xponential <strong>S</strong>moothing(<strong>DES</strong>) ve <strong>T</strong>riple <strong>E</strong>xponential <strong>S</strong>moothing(D<strong>ES</strong>)</p><h4><strong>1) Single Exponential Smoothing(SES)</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/372/1*fTjYIcO0re18jeYSfuPc3Q.png" /></figure><p>“Geleceği tahmin etmek için geçmişi <strong>ağırlıklandırmak</strong>” yöntemin temel felsefesi budur ve bu işlemi yaparken yakın geçmişe daha fazla önem verir çünkü gelecek “yakın geçmişle” daha fazla ilişkilidir. Temel mantığı geçmiş değerlere 1 ve 0 arasında olmak koşulu ile değerler vererek gereçeğe en yakın değeri bulmaya çalışır. SES yöntemi ‘trend’ ve ‘mevsimsellik’ içermeyen tek değişkenli zaman serileri için uygundur</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/656/1*1gfdYNtJWZ99R9cruCzyfA.png" /></figure><p>●Küçük bir örnek ile temel mantığı anlatmak istiyorum yukarıdaki gibi bir sayı serimiz olsun ve biz 36 sayısını hiç bilmiyor olalım eğer bizden sıradaki sayıyı tahmin etmemiz istensin smoothing yöntemini bilmiyor olsaydık aklımıza ilk gelenlerden biri olan aritmetik ortalamayı alabilirdik veya birkaç başka yüzeysel yöntemi deneyebilirdik yukaruda görüldüğü üzere <strong>ağrılıklandırma </strong>yapmak bize doğru sonucun aynısını vermesede ona en yakın olan tahmin değerini sağlıyor.</p><h4>2) Double Exponential Smoothing(DES)</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/463/1*_m8NuKOaG7oEVOzMSZKsGw.png" /></figure><p>Des yöntemi ise Ses yöntemine göre bir seviye daha gelişmiş bir yöntemdir nedeni ise hesaplamaları yaparken eğer verimizde artış veya azalış yönünde bir <strong>trend </strong>varsa bunlarıda hesaba katarak işlemlerini gerçekleştirir</p><p>● Temel yaklaşım aynıdır. Single Exponential Smoothing’e <strong>ek olarak</strong>, <strong>trend </strong>değişkeni de dikkate alınır.</p><p>●Trend içeren ve mevsimsellik içermeyen tek değişkenli zaman serileri için uygundur.</p><h4>3) Triple Exponential Smoothing (TES)</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/592/1*VKlTsgeHpHQgzJp8aiayzg.png" /></figure><p>TES yöntemi bu üç yöntem arasındaki en gelişmiş yöntemdir, analiz aşamasında hem <strong>trendi </strong>hemde <strong>mevsimselliği </strong>hesaplayarak tüm değişkenlere karşı dayanıklıdır böylelikle mevsimsellik ve trend içeren zaman serilerinin analizinde smoothing yöntemleri arasında en <strong>güçlüsüdür</strong>.</p><p>●<strong>Alpha </strong>değerleri ağırlıklandırma parametresi için <strong>Beta </strong>trend ve <strong>Gamma </strong>ise mevsimsellik için ölçümleme yapar</p><blockquote>Bu yazımda sade bir dille zaman serilerinin genel mantığını ve Smoothing yöntemlerini anlatmaya çalıştım Önerileriniz ve düzeltmek istediğiniz noktalar varsa bana bildirmekten çekinmeyin</blockquote><p><a href="https://www.linkedin.com/in/berkay-diler-621b32241/">https://www.linkedin.com/in/berkay-diler-621b32241/</a></p><p><em>Değerli vaktinizi ayırdığınız için teşekkür ederim..</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=068fe3210f0b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makina Öğrenmesi İçin K-Nearest Neighbors (KNN) En Yakın Komşu Algoritması]]></title>
            <link>https://medium.com/@berkaydiler_26539/makina-%C3%B6%C4%9Frenmesi-i%CC%87%C3%A7in-k-nearest-neighbors-knn-en-yak%C4%B1n-kom%C5%9Fu-algoritmas%C4%B1-21292b3d999a?source=rss-1f3011785649------2</link>
            <guid isPermaLink="false">https://medium.com/p/21292b3d999a</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[analysis]]></category>
            <category><![CDATA[classification]]></category>
            <category><![CDATA[knn]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Berkay Diler]]></dc:creator>
            <pubDate>Sat, 02 Dec 2023 14:35:25 GMT</pubDate>
            <atom:updated>2023-12-02T14:35:25.861Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/379/1*SBowqCxla4-N9i9NV1OBrw.jpeg" /><figcaption>Cat or dog?</figcaption></figure><p>Makina öğreniminde sıkça kullanılan KNN algoritmasının temel mantığı şu şekildedir bir gözlem biriminin kendine en yakın K adet gözlem birimi seçilir ve bu K adet gözlem biriminin bağımlı değişkeni neyse onun üzerinden ilgili gözlem için tahmin yapılır</p><p>Hem regresyon hemde sınıflanırma problemleri için kullanılan bu yöntemi her ikisi içinde inceleyelim</p><h4>Regresyon problemleri için KNN</h4><p>Eğer bir değeri Knn ile tahmin etmek istediğinize aşağıda resimde görüldüğü gibi belirlediğiniz k değeri üzerinden ona en yakın ‘k’ adet gözlemi seçer ve ortalamasını alırsınız</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/172/1*oCLFEmtqJc16B8vPCsnPog.png" /></figure><h4>Sınıflandırma problemleri için Knn</h4><p>Sınıflandırma için knn kullanmak istersek tahmin etmek istediğimiz değerin çevresinde en yakın k adet gözlemi belirleriz ve sınıflardan hangisi daha çok ise o sınıf bizim tahmin etmek istediğimiz değere eşittir. Örneğin aşağıdaki örnekteki gibi mavi kutucuklar 1 olsun ve sarılarda 0 olsun siyah olanda bizim tahmin etmek istediğimiz gözlem birimi olsun ve K değerimizide 6 yapmış olalım, en yakın 6 değer filtrelenir ve görüldüğü gibi 4 mavi 2 sarı gözlem var, mavi gözlem daha çok olduğu için bizim tahmin etmek istediğimiz gözlem de mavi sınıfına yani 1 sınıfına aittir</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/287/1*oeqPevpOc1RykyH57GevqA.png" /></figure><h4>Python Üzerinde inceleme</h4><p><strong>Diyabet</strong> veri seti üzerinden bir knn çalışması yapacağız veri setinin içinde hastaların diyabet olup olmadıklarını gösteren 1 ve 0 sütunun olduğu ‘Outcome’ sütunu ve diyabete etki eden diğer unsurlar bulunmaktadır Örneğin: Kan basıncı,Deri kalınlığı,Glukoz değerleri,inulin değerleri,hamile olma durumu gibi değerler</p><p><strong>Gerekli kütüphaneleri import aşaması</strong></p><pre>import pandas as pd<br>from sklearn.metrics import classification_report, roc_auc_score<br>from sklearn.model_selection import GridSearchCV, cross_validate<br>from sklearn.neighbors import KNeighborsClassifier  # KNN uygulamaları <br>from sklearn.preprocessing import StandardScaler # Veriyi standartlaştırmak</pre><p><strong>Veriye Göz Atmak</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/894/1*wHWOvZ3xenkMjtdQi_Cm5Q.png" /></figure><p><strong>Veriyi İşleme Ve Özellik Mühendisiği</strong></p><p>• Knn uzaklık temelli bir yöntemdir ve uzaklık temelli yöntemlerde daha doğru sonuçlar çıkması açısından verinin <strong>standarlaştırılması </strong>önemlidir</p><pre>y = df[&quot;Outcome&quot;]                # modelin bağımlı ve bağımısz değişkenlerini<br>X = df.drop([&quot;Outcome&quot;], axis=1) # belirleme</pre><pre>X_scaled = StandardScaler().fit_transform(X) # veriyi standartlaştırmak<br><br>X = pd.DataFrame(X_scaled, columns=X.columns) </pre><p><strong>Model kurma aşaması</strong></p><pre>knn_model = KNeighborsClassifier().fit(X, y) # fit edilen model</pre><p><strong>Deneme aşaması</strong></p><p>Modele rasgele 5 kişi seçtirdim ve onların diyabet olup olmadıklarını sorgulattım</p><pre>random_user = X.sample(5) # rasgele 5 kişi <br>knn_model.predict(random_user)</pre><pre>array([1, 1, 0, 0, 0], dtype=int64) </pre><p>İlk ikisin diyabet diğer üçünün diyabet olmadığı çıktısını verdi</p><p><strong>Modelin başarısını değerlendirme aşaması</strong></p><p>Karmaşıklık matrisi üzerinden diğer başarı ölçütlerimize ulaşacağız <strong>accuary</strong>,<strong>F1 </strong>score gibi metrikleri bulacağız</p><pre>y_pred = knn_model.predict(X) # karmaşıklık matrisi için y_predict</pre><pre>y_prob = knn_model.predict_proba(X)[:, 1]<br>print(classification_report(y, y_pred))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/529/1*9JLXVvIsi2DP4psABM1qtw.png" /></figure><p><strong>Accuary </strong>değerimize baktığımızda bu değer bize 1 sınıfını ne kadar doğru tahmin ettiğimizi gösterir yani diyabet olan hastaları ne kadar doğru tanımladık bu değer 0.83 yani <strong>%83</strong> başarı ile modelimiz çalışmış fakat dengesiz veri problemlerinde bazen accuary değeri bizi yanıltabilir bunun için f1- score değerine bakabilirz bu değerde <strong>%74</strong> başarı ile çalışmış başarılı sayılabilecek bir sayı son olarakta<strong> Roc auc</strong> değerine bakmakta fayda var bu değer bize farklı eşik değerlerine model ne kadar dayanıklı bunu gösterir</p><p><strong>ROC AUC</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/433/1*u6Czm5ol8RSiLacO1upatA.png" /></figure><p>Oldukça iyi bir değer farklı sınıflandırma eşik değerleri için %90 başarı gösteren bir veri seti</p><p>Bu aşamaya kadar verimizi kendisi üzerine test ettik yani bütün veri ile bir model kurduk yine aynı veri ile test ettik acaba bu veri <strong>hiç görmediği değerlerde ne kadar başarı</strong> gösterebilir bunu test etmek için holdout ve Cross validation yntemlerine bakacağız</p><p><strong>Cross Validation yöntemi</strong></p><p>30 katlı Cross Validation uyguladık</p><pre>cv_results = cross_validate(knn_model, X, y, cv=5, scoring=[&quot;accuracy&quot;, &quot;f1&quot;, &quot;roc_auc&quot;])</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1006/1*qW7fBbiQAqB4L9jONl_LSQ.png" /></figure><p>Skorların hepsi belli ölçülerde düştü yani model hiç görmediği bir veri üzerinde biraz yalpaladı ama bunu da düzeltmenin bir yolu var biz çapraz doğrulamaya başlarken 5 katlı ile başladık belki daha fazla veya daha az katlı çapraz doğrulamalarda daha yüksek skorlar verecek <strong>en iyi </strong>sonucu veren çapraz doğrulamayı bulmak için <strong>hiper parametre</strong> optimizasyonu yapacağız</p><p><strong>Hiper Parametre Optimizasyonu</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/874/1*CkRDjItDsowd-UOGb0sJLw.png" /></figure><p>Bu değerler ilk başta atanmış değerler biz bu değerleri en optimum değerlere çekeceğiz örneğin komşuluk sayısını 5 olarak vermiş</p><pre>knn_params = {&quot;n_neighbors&quot;: range(2, 50)} <br># 2 ile 50 arası komşuluk kurmak için yapılan işlemler</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1005/1*wwCKMldecCTEqeerpBH71w.png" /></figure><p>GridSearchCV metodu ile 2 ile 50 arasındaki tüm komşuluklar denenecek yani 3 komşuluk için knn modeli kurulacak ve sonrasında skorlar incelenecek aynısı 50 ye kadar yapılacak ve en iyi sonucu veren komşuluk sayısı bulunacak</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lmnmhe9XqbsRchQ-_TySoQ.png" /></figure><p>En iyi sonuç best params metodu ile 17 komşuluk değerinde bulundu</p><h4>Final Modeli</h4><pre>knn_final = knn_model.set_params(**knn_gs_best.best_params_).fit(X, y)<br># 17 değeri best params metodunun içinde gömülü</pre><pre>cv_results = cross_validate(knn_final,<br>                            X,<br>                            y,<br>                            cv=5,<br>                            scoring=[&quot;accuracy&quot;, &quot;f1&quot;, &quot;roc_auc&quot;])</pre><p>Skorlara tekrardan göz atalım</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*euO3Ny4Aa7vEEK4cvmTJPA.png" /></figure><h4>Sonuç</h4><p>Skorların hepsi neredeyse 3 ila 4 puan arasında artış gösterdi böylelikle en iyi komşu sayımızı ve dolayısı ile en iyi modelimizi üretmiş olduk</p><p><em>Okuyup zaman ayırdığınız için teşekkürler…</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=21292b3d999a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Multiple Linear Regression With Python]]></title>
            <link>https://medium.com/@berkaydiler_26539/multiple-linear-regression-with-python-94b9bb817f76?source=rss-1f3011785649------2</link>
            <guid isPermaLink="false">https://medium.com/p/94b9bb817f76</guid>
            <category><![CDATA[regression]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[science]]></category>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Berkay Diler]]></dc:creator>
            <pubDate>Wed, 08 Nov 2023 15:10:33 GMT</pubDate>
            <atom:updated>2023-12-31T09:34:22.477Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/741/1*cM59GEkxrxtme6u-9sXa6w.png" /></figure><p>Merhaba! Bu yazımda “Çoklu Lineer Regresyon” modelinden bahsedeceğim. Yazımın ana konusu olan çoklu lineer regresyon modelini daha iyi anlayabilmek için ilk önce regresyon nedir, nerelerde kullanılır sorularını yanıtlayalım</p><ul><li>Bir araştırmada neden-sonuç ilişkisi araştırılacaksa orada regresyonda vardır</li><li>Sağlık sektöründe yaşın cinsiyetin ve genetik kodların bir hastalığı tetikleyip tetiklemedğini araştırıken kullanırız</li><li>Ekonomi hesapları yapılırken işssizlik enflasyon oranları gibi değişkenler arası ilişkiler incelenirken regresyon kullanılır</li><li>Spor dünyasında spor analistleri, sporcuların performansını etkileyen faktörleri incelemek için ve rakip analizleri için lineer regresyon analizi yapılır bir atletin antrenman süresi ve başarı arasındaki ilişkiyi değerlendirebilirler</li><li>Çoklu modele geçmeden önce Basit doğrusal regresyon modelini hatırlayalım bu model iki boyutlu uzayda “ y = ax + b ” doğrusunu çizdirmeye çalışan bir tahmin algoritamasıydı ve basitçe bir adet bağımsız değişkenden, bir adet bağımlı değişkenden ve bir adette sabitten oluşan bir modeldi.</li></ul><p>Çoklu lineer regresyon modeli ise birden fazla bağımsız değişkenin olduğu zamanlarda kullandığımız modeldir.Örneğin ikinci el bir aracın fiyatını tahmin eden bir model geliştireceğimiz zaman Çoklu lineer regresyon modelinden faydalanırız çünkü çok fazla bağımsız değişken vardır. Aracın fiyatının belirlenmesi için kilometre bilgisi,üretim tarihi,motor hacmi,boya kalitesi bilgisi,değişen parça sayısı bilgisi gibi birden fazla veri lazımdır.Bu modelin gösterimi ise şu şekildedir;</p><h4>y = b0 + ax1 + bx2 + cx3 + d</h4><p><strong>b0</strong> = regresyon sabiti <strong>ax1 </strong>= birinci bağımsız değişken <strong>bx2</strong> = ikinci bağımsız değişken, <strong>cx3</strong> = üçüncü bağımsız değişken, <strong>d</strong> = hata terimi olarak adlandırılır yani bağımlı değişkenin tahmin edilen değeri ile gerçek gözlemlenen değeri (Y) arasındaki farkı ifade eder.</p><h4>Bu modeli Python ile oluşturualım</h4><p>Gerekli kütüphaneleri import ettim</p><pre>from sklearn.linear_model import LinearRegression #LinearRegression kütüphanesi<br>from sklearn.metrics import mean_squared_error, mean_absolute_error<br>#&quot;mean_squared_error&quot;,&quot;mean_absolute_error&quot; ortalama hataları hesaplayan kütüphane<br>from sklearn.model_selection import train_test_split, cross_val_score<br>#&quot;train_test_split&quot;,&quot;cross_val_score&quot; eğitim ve test seti kütüphanesi<br>import pandas as pd<br>import numpy as np</pre><pre>df = pd.read_csv(&#39;advertising.csv&#39;) # reklam veri setim<br>df.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/258/1*BIp2C-TpvKLxG1MQOb4irg.png" /></figure><p>• Reklam veri setinin hikayesi şöyle televizyon radyo ve gazeteye verilen reklam harcamalarına göre satış sayısında nasıl bir artış oluyor bunu inceliyoruz</p><pre>X = df.drop(&#39;sales&#39;,axis=1)<br>y = df[[&#39;sales&#39;]]</pre><p>• Bağımlı ve bağımsız değişkenelri birbirinden ayırmak için tek bağımlı değişken olan sales sütünunu verinin kalanından ayırırız X ve y şeklinde</p><pre>X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20)<br><br># verinin %20 sini test seti %80 nini ise eğitim veri seti olarak ayırdık</pre><h4>Regresyon modelimizi kuralım</h4><pre>reg_model = LinearRegression().fit(X_train, y_train)</pre><p>• Regresyon modelimizin sabitine göz atalım</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/710/1*E5KAV6ePGD0S6WnWHwFZBw.png" /></figure><p>• Bağımsız 3 değişkenimizin katsayılarına göz atalım</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/712/1*AR8N7eXPd6IX81fN6VzKbg.png" /></figure><p>| Hem sabiti hem de bağımsız değişkenelrin katsayılarını bulduğumuza göre küçük sorularla denemeler yapalım</p><h4>Örnek</h4><p>Aşağıdaki gözlem değerlerine göre satışın beklenen değeri nedir ?</p><pre>tv = 30<br>radio = 10<br>newspaper = 40</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1003/1*b9KVeuiTovkdjNt2Cp-BAg.png" /></figure><blockquote>Sonucumuz 6.2021 çıktı bu sonucun yorumunu şöyle yapabiliriz oran bakımından televizyona 30 birim radyoya 10 birim ve gazeteye 40 birimlik bir yatırım yaptığımızda “6.2021” birimlik bir geri dönüş sağlayacağız burada ki yatırım yapılacak sayıları isteğimize göre değiştirerek hangisine ne kadar yatırım yapmalıyız yatırım fikrimize ve bütçemize göre değişiklik gösterecek şekilde değiştirebiliriz, çoklu regresyon modeli bu şekilde kurulur</blockquote><h4>Tahmin Başarısını Değerlendirme</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/746/1*IVFDVbB6eeM8fy4tbumrxg.png" /></figure><p>Tahminlerimizi yaptıktan sonra bu tahminlerin başarısını değerlendirme gereği duyarız biz algoritmayı doğru kurmuş olsak bile belki de veri seti tutarsız olabilir bunu doğrulamak ve güvenilirliği arttırmak için tahmin başarısı değerlendirmesi yaparız.</p><p>“<em>sonuç değerleri 0 sayısına ne kadar yakınsa hata oranı o kadar az demektir.”</em></p><p><strong>1) Root Mean Square Error yöntemi</strong></p><p>Ortalama Kare Hatası tahmin edilen sonuçlarınızın gerçek sayıdan ne kadar farklı olduğuna dair size “mutlak” bir sayı verir</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/713/1*zNB-dzP2SwCHL_UxrI1Isg.png" /></figure><p><strong>2) Cross Validation Yöntemi</strong></p><p>Veri setini sizin istediğiniz sayı kadar parçaya böler ve sonrasında 1 tanesini test seti yapar kalanlarını eğitim seti yapar döngü her parça sırayla bir kez test seti olana kadar devam eder en sonunda ise hepsinin ortalamasını alarak tek bir sonuç ortaya çıkarır ben bu örnekte 10 katlı Cross yaptım yani veriyi 10 parçaya böldüm</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CtLsTnFB5EcXPQPZssVkDw.png" /></figure><p><em>Önerileriniz ve düzeltmek istediğiniz noktalar varsa bana bildirmekten çekinmeyin</em></p><p><a href="https://www.linkedin.com/in/berkay-diler-621b32241/">https://www.linkedin.com/in/berkay-diler-621b32241/</a></p><p><em>Okuyup zaman ayırdığınız için teşekkür ederim…</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=94b9bb817f76" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kosova ve Makedonya Gezim]]></title>
            <link>https://medium.com/@berkaydiler_26539/kosova-ve-makedonya-gezim-81066f606f66?source=rss-1f3011785649------2</link>
            <guid isPermaLink="false">https://medium.com/p/81066f606f66</guid>
            <dc:creator><![CDATA[Berkay Diler]]></dc:creator>
            <pubDate>Wed, 25 Oct 2023 12:09:23 GMT</pubDate>
            <atom:updated>2023-10-25T12:09:23.046Z</atom:updated>
            <content:encoded><![CDATA[<p>Kendimi bildim bileli gezginleri hep çok severim bana cesaretli olmayı ve hayata sadece 1 kere gelindiği gerçeğini hatırlatırlar Düzenli aralıklarla kitaplarını okur, kanallarını seyrederim bana özgürlük nedir diye sorsalar sanırım onların yaptıklarına çok yakın birşeyler derim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*fDri70KaM4xP_8xlIkl72Q.jpeg" /></figure><p>Kararımı vermiştim tek başıma da olsa o yolculuğa çıkacaktım hiçbir deneyimim ve çevremde bunu gerçekleştiren hiç bir insan olmamasına rağmen. Uzun uzun düşünmelerden sonra o bilet alınmıştı artık keşke uzun uzun düşünülmeseymiş de hemen alınsaymış, sonradan anladım aslında tek sorun biletin alınmasıymış alındıktan sonra herşey rayına oturuyor. Artık planlarınızı biletinizin tarihine göre gerçekleştirmeye başlıyorsunuz, düşünceleriniz yavaşlıyor ve problemler ortadan kalkıyor. Uzun bir süredir hayalimdi sırt çantamı alıp gidecektim farklı ülkeleri keşfetmeye, artık zamanı gelmişti ve çevremin %90&#39;ı karşı çıksa da gerçi hepsi döndüğümde anlattığım renkli hikayelerle mutlu oldular ve iyi ki yapmışsın dediler.</p><p>Pristina havalimanına indiğimdeki o sakinlik beni ilk dakikadan etkilemişti çünkü 1 saat 45 dakika önce Sabiha Gökçen Hava Limanında beynimi yoran post apokaliptik bir ortama maruz kalmıştım, Pristina havalimanında ise sakinlik ve huzur hakimdi gidelcek ve dönülecek yerler çok açıktı memurlar sakin sakin işlerini yapıyorlardı bana da neden geldiğimi ve nereye gideceğimi sorup iyi şanslar dilediler dışarı çıkınca merkeze giden otobüsü aramaya koyuldum. Sürpizz zaten havalimanından sadece 1 tane otobüs geçiyormuş ve oda merkeze gidiyormuş biraz bekledikten sonra otobüse bindim ve merkeze doğru yola koyuldum.Koca koca otobüslerin içiresinde hala nakit paralar geçerliydi ve bir muavin sizden ücreti alıp(3€) fiş kesiyordu dakika bir şaşkınlık bir :)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*mWbpu8MsCXNLsbu415nX7g.jpeg" /></figure><p>Merkezde indikten sonra yarım saatlik bir yürüyüşle önceden ayarlaedığım hostele gittim ve bir güzel dinlendim o rahatsız yataktaki uyku bile bir başka güzeldi yahu çünkü ben bir hayalimi gerçekleştiriyordum yaptığım herşeyden zevk almaya başlamıştım,Kalktığımda ilk iş aç karnımı doyurmak oldu bir tavsiye üzerine ‘Shaban Grill House’ diye bir restauranta gittim fiyatlar çok uygundu ve porsiyonlar baya büyüktü abartmıyorum ama o burger ekmeğinin içinde neredeyse 300 gram et vardı uzun zamandır böyle porisyon görmeye alışkın değiliz tabi malum ekonomik şartlar bizde imkanı olan restaurantlar bile insanlar alabilsin diye porsiyonları küçültüyor neyse masaya gelen siparişi görünce ilk başta gözünüz doyuyor, yörüklerinde gözü doymadan karnı doymaz zaten :) görünüşü kadar tadı da gayet başarılıydı benden 10/8 puanı aldı zaten orada kaldığım 4 gün boyunca çoğunlukla o mekandan yedim :)</p><p>Yemeği yiyip sokakalara döküldüm, insanlar bir sakin bir sakin herkez yapacağı herşeyi yapmış ve tüm hayat planlarını gerçekleştirmiş gibi huzurlu ve dingindi böyle huzurlu insan manzarasını uzunnn süredir görmediğim için bu görüntü bana iyi geldi, kimse kimseye karışmıyor korna sesleri yok Balkan insanları çok sakin ve mutlu gözüküyorlardı sokaklar geniş ve rahattı,farkettiğim diğer şey ise büyük zincir markalar buralarda yoktu çoğu yerde küçük butik kafeler ve dükkanlar vardı çok da tatlıydılar o pahalı kahveciler pahalı burgerciler Pristinayı ele geçirememişlerdi bu güzel yapılaşma şehre kendine has bir hava katıyordu her dükkan özel ve tatlıydı 2 gün dolu dolu pristinanın heryerini gezdim ve birçok milletten arkadaşlar edindim bazılarıyla hala konuşuyoruz ve fikir alışverişi yapıyoruz yabancı arkadaşınızın olması size çok şeyler katıyor hele benim gibi öğrenemyi ve yeni şeyler keşfetmeyi seven biriyseniz, düşünsenize karşınızdaki insanın ağzından çıkan her cümle sizin daha önce duymadığınız farklı bir bilgi niteliğinde işte bu olay o sohbeti sonsuza kadar sürecek hale getiriyor Osakalı dostum Shin, Granadalı Younes Slovakyalı Steafan saatlerce ettiğimiz sohbetler hala aklımda, Sırbistanlı Draga amcayı da unutmuyayım bana saatlerce yugoslayvayanın nasıl dağıldığını ve çok özlediğini anlattı bende sıkılmadan dinledim çünkü ingilizcesi gayet iyiydi ve dinleyip anlamaya çalışarak ingilizcemi geliştiriyordum, hostelde çok fazla ortak alan olduğundan insanlarla sosyalleşmek zorunda kalıyordunuz herkez gayet konuşkan ve açık fikirliydi bu yüzden normal bir yerde yapacağınız muhabbetlerden daha fazla zevk alıyordunuz buradaki muhabbetlerden.</p><p>Fiyatlardan bahsedeyim fiyatlar burada gayet uygundu euro kullanmasına rağmen bir kafeye oturduğunuzda kahve 1.2 euro bira 1.7 euroydu bir sürü şey içtikten sonra hesabı bozuk para ile ödemek çok hoştu uzunca bir zamandır bu duyguya uzaktım doğduğumdan beri mi acaba :) kendi bira markaları olan Peja vardı birde içimi çok hoştu hafif şekerli ve soft bir içkiyidi ve çoğunlukla 33cl lik şişelerde veriliyordu burda sanırım insanların bira içerek sarhoş olma adetleri yoktu çok küçük şişelerde normal bir içeçek gibi içiyorlardı,birde müziklerine değinmek lazım heryerde eğlenceli Arnavutça pop müzikler çalıyordu kafelerde, restaurantlarda aklınıza gelen her türlü dükkanda böyle bir ortamda zaten melankolik hal azalıyordu her yerde neşe saçan ezgiler</p><p>Bu kadar güzel anının yanında görece kötü anılar da var tabi taksicilerle ve otobüslerle yaşadığım ama onları anlatmıycam çünkü bunların yanında ufak kalıyordu ama o an yanımda orayı bilen biri olsaydı bu sıkıntılardan beni çok rahatça kurtarabilirdi yinede bunlarda sürecin bir parçası diyerek çok kafama takmadım ve anın tadını çıkarmaya devam ettim Pristinayı güzel güzel gezdikten sonra artık bir başka süprizlerle dolu şehir Prizrene geçtim</p><p><strong>Osmanlıdan Yadigar Şehir Prizren</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vlkFtsjopH-nKvz08tTyjA.jpeg" /></figure><p>1 saat dolmuş yolculuğuya Prizrene geldim evet dolmuş burada çok fazla otobüs yok bu şehirde de ayrı bir sükunet vardı ortasından akan dere şehrin adeta nazar boncuğuydu çoğu yerden gözüküyordu ve sembol gibi olmuştu,bu şehirde Türkçe bilen insan sayısı fazlaydı ben telefonla konuşurken veya arkadaşıma seslenirken benim Türkçe konuştuğumu duyanlar hemen Türkçe konuşmaya çalışarak bana yardımcı oluyorlardı yemekeler yine çok uyugndu 3 euroya yediğim kocaman pizza bizim bilindik büyük pizza markalarının pizzalarında çok daha güzeldi hamuru dinlenmiş ve malzemesi doyasıya boldu malzemeden asla kısmamışlar bu durum çok hoşuma gitti. Pizza dükkanındaki abiyle de derin bir sohbet ettik Çanakkaleden geldiğimi duyunca bana Çanakkale savaşından bahsetti ve Prizrenden çok fazla insanın savaş için Tükiyeye yardıma geldiğini söyledi bende Kilitbahirdeki şehitlikleri gezerken Prizren yazan mezarları görmüştüm oradan savaşa Türkiyeye yardıma gelen insanların topraklarında olmak bana farklı ve güzel hissettirmişti yemeği yedikten sonra hostele dinlenmeye gittik şansıma Prizrenin en güzel manzaralı hostellerinden birini seçmişim tüm şehri hakim bir yükseklikten gören bir hosteldi kaldığımız 2 gün boyunca Manzaranın tadını doyasıya çıkardık.</p><p>Dinlendikten sonra akşam sokaklara akın ettim sokaklar çok canlı ve renkliydi bir yanda eğlence kulüpleri bir yanda sakin kafeler kim nerde takılmak isterse herkeze göre uygun bir mekan bulmak mümkündü sokaklar güzel güzel gezdim ve tarihi yerlerin hemen hepsini ziyaret ettim TİKA adıyla bilinen Türk kurum burala çok fazla yardımda bulunmuştu camilere tarihi binalara restorasyonlarında çok fazla yardımcı olmuş nede olsa o yapılar Osmanlının Türkiyeye mirasıydı</p><p>Hostele dönünce orada görevli olan Suzan ablayla tanıştım kendisi Arnavuttu ama Türk kültürünü çok seviyordu daha önce Türk korolarında şarkılar söylemiş ve Türk şarkılarının Tüylerini diken diken ettiğini ve çok sevdiğini söyledi Arnavut olmasına rağmen kendisini bu ülkeye(Türkiye) çeken birşeylerin olduğunu söyledi. Burada tanıdığım tüm güzel şeyleri ve insanları geride bırakarak 2. ülkem olan Makedonyaya hareket ettim</p><p><strong>Modernle gelenekseli buluşturan şehir Üsküp</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AEkoLpSgtmuojOj1XyC0ew.jpeg" /></figure><p>Şehre geldiğinizde heykeller size hoşgeldin karşılaması yapıyor buna hazırılıklı olun :) Her yerde devasa heykeler var savaşlarda iz bırakmış insanlar, eski çağlara ait insanlar,rahipler ne ararsan heykel şehride diyebiliriz Pristinada ki sakinlik ve huzur ortamı burada da hakimdi herkez sakin sakin işini yapıyordu.</p><p>Şehrin bir ucundan diğer ucuna uzanan bir park vardı ve asla bitmiyordu sonunu hiç göremedim insanlar parkta zaman geçirip koşu yapıyordu eğer evden dışarı çıkıp sakin biryer ararsanız bu park sonsuz ve tam size göre ister çıkın kitap okuyun isterseniz spor yapın herşey serbest,ve yanından da meşhur Vardar nehri akıyor şarkılara konu olan ünlü nehir sıra eğlenceye gelince mekanlar normal düzeydeydi ama çok fazla kumarhane vardı bakkal ve market sayısından daha fazla kumarhane vardı sanırım Makedonlar bu oyunalrı çok seviyorlar köşe başı kumarhaneydi ve camalrındaki resimler o kadar canlı ve renkliydi ki sizi resmen içeri davet ediyorlardı tabi biz bunlara kanamdık :) zaten kumarhanede riske atacak kadarda çok paramız yoktu onun için işimize bakmak ve gezmeye devam etmek en güzeliydi, birde garip izlenimlerinden biri şuydu az önce bahsettiğim vardar nehrini ikiye bölen bir köprü ardı ve bu köprünün bir yakasında çoğunlukla müslümanlar yaşarken diğer yakasında Hristiyanlar yaşıyordu böyle garip bir bölünme vardı ama kesinlikle kavga ve kargaşa yoktu. Merkezi güzlce gezdikten sonra ikinci gün çok güzel bir canyona gittik</p><p><strong>Matka Kanyonu ♡</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bF6kljbKek8ip08X7JuhnQ.jpeg" /></figure><p>Kanyon beklediğimizden daha güzel ve eğlenceli geçti uzun bir kanyon yürüyüşünden sonra mükemmel manzaralı bir yere oturup birşeyler içtim ve kanoya binmeye karar verdim iyiki bu kararı vermişim buradaki anımı daha renkli hale getirdi ve yolculuğun kalan kısmına kanoyla devam ettim koskocaman vadide kanoyla yolculuk yapmak adeta film sahnesi gibiydi heryer yeşillik ve nehir sularıydı 1 saat kanoyla yolculuk yaptıktan sonra geri döndüm ve eşyalarımı geri alıp yolculuğa devam ettim bir süre sonra yoruldum ve akşama doğru hostele geri döndüm güzelce dinlendim ve son bir Üsküp sokakalarını gezdim heryerde sokak çalgıcıları ve çoğuda Romanlardan oluşuyordu müzikleri de gayet başarılıydı dinlemeye doyamadık bir başka köşede çocuklarla gösteri yapan yaşlı bir adam herşey rengarenkti o gecede doya doya gezdim ve hostele geri dönüp güzel bir uyku çektim ertesi güne 1 de dönüş uçağım vardı gezim artık sonlanmıştı</p><p>Bir daha ne zaman gelirim bilmem ama bir risk alıp yaptığım bu yolculuktan hayatımın sonuna kadar asla pişman olmayacağım, o eğlenceli ve naif balkan insanları bana çok şey kattı.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=81066f606f66" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Best movie analysis according to IMDB with python]]></title>
            <link>https://medium.com/@berkaydiler_26539/best-movie-analysis-according-to-imdb-with-python-f68c6ae18d6b?source=rss-1f3011785649------2</link>
            <guid isPermaLink="false">https://medium.com/p/f68c6ae18d6b</guid>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[film]]></category>
            <dc:creator><![CDATA[Berkay Diler]]></dc:creator>
            <pubDate>Thu, 20 Jul 2023 11:42:20 GMT</pubDate>
            <atom:updated>2023-07-20T11:42:20.558Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Best movie analysis according to IMDB with python</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*L6ukA_yEQz1ttVY8FTEGkg.jpeg" /></figure><p><strong>Merhabalar !</strong></p><p>Bu yazıda yaklaşık 45465 film arasından birkaç kriteri baz alarak en iyi filmleri sıralamayı hedefliyorum</p><ol><li>Gerekli kütüphaneleri import edelim ve veriyi pythona aktaralım</li></ol><pre>import pandas as pd<br>from sklearn.preprocessing import MinMaxScaler<br>import math <br><br>df = pd.read_csv(&quot;movies_metadata.csv&quot;, low_memory=False)</pre><p>Bu kod dizini sık kullandığımız bir dizin, bize farklı gelebilecek tek yeri low_memory=False kısmı bunu yazmamızın nedeni “DtypeWarning” uyarılarını kapatmak</p><p>2) Veri sütun olarak geniş bir hacime sahip bunu için sadece işlem yapacağımız sütünları alıcaz</p><pre>df = df[[&quot;title&quot;,&quot;vote_average&quot;,&quot;vote_count&quot;]]<br>df.sort_values(&quot;vote_average&quot;,ascending = False).head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/645/1*jR8jLk8JAhqzohjhmuUOdA.png" /></figure><p>Oy sayısı ve oy ortalaması gibi üzerinde nümerik işlemler yapacağımız sütunları aldık,diğerleri filmin dili veya çekildiği ülke gibi IMDB puanının hesaplanmasında katkısı olmayan özellikler</p><p>3) Oy sayıları değişkenini parçalara bölmek istiyorum bu yüzden onu dilimlere ayıracağım ve aralıklarımı nasıl ve neye göre ayıracağımı anlayacağım</p><pre>df[&quot;vote_count&quot;].describe([0.10, 0.25, 0.50, 0.70, 0.80, 0.90, 0.95, 0.99]).T</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/321/1*ITkfu7oG498J-Xc-oG7ZFg.png" /></figure><p>Ortalamaya baktığımda 109 gibi gözüküyor ama %95 lik dilimde de ortalama çok yüksek bende zaten en iyi filmleri arıyordum buarada ortalama 109 diye direk ortalamayı 109 alırsak doğru olmayabilir veri sonlara doğru artıyor buda bir sağa çarpıklık göstergesi bunu daha iyi anlamak için veriyi “400 den büyüktür” aralığına alarak bir gözlem daha yapmam gerektiğini düşünüyorum ve deniyorum</p><pre>df[df[&quot;vote_count&quot;] &gt; 400].sort_values(&quot;vote_average&quot;, ascending=False).head(10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/530/1*Ww3q2eu77BCdl8eJq3zpAQ.png" /></figure><p>Burada çok yüksek değerler ile düşük değerler bir arada kafa karışıklığı biraz daha devam ediyor bu sütünu birde 10 parçaya bölmeyi denersem eğer tam olarak kafamdakini netleştirmiş olacağımı düşünüyorum</p><p>3) Sütunu MnMaxSclaer ile 10 parçaya bölelim</p><pre>df[&quot;vote_count_score&quot;] = MinMaxScaler(feature_range = (1, 10)). \<br>fit(df[[&quot;vote_count&quot;]]).transform(df[[&quot;vote_count&quot;]])</pre><p>Veriye “vote_count_score” isimli “vote_countun” 10&#39;a bölünmüş yeni hali olan bir sütun ekleyelim</p><pre>df[&quot;average_count_score&quot;] = df[&quot;vote_average&quot;] * df[&quot;vote_count_score&quot;]<br><br>df.sort_values(&quot;average_count_score&quot;,ascending=False).head(20)</pre><p>Ekstra olarak “average_count_score” isimli “<strong>vote_count</strong>” ile “<strong>vote_count_score</strong>” değişkenlerinin çarpımı olan yeni bir sütun ekleyelim bunun temel mantığı filme verile ortalama puan ile filme oy veren kişi sayısını çarparak daha sağlam bir zemine oturan bir puanlama yapmak son olarak da “average_count_score” sütununu küçükten büyüğe göre sıralayalım ve en yüksek puanlı filmden en düşüğe doğru listemizi görelim</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/929/1*WbiTJ2dQ5CExYvgdCfBuMg.png" /></figure><p><em>Okuyup zaman ayırdığınız için teşekkürler…</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f68c6ae18d6b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RFM Analizi]]></title>
            <link>https://medium.com/@berkaydiler_26539/rfm-analizi-63f1d59ae1c4?source=rss-1f3011785649------2</link>
            <guid isPermaLink="false">https://medium.com/p/63f1d59ae1c4</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[analysis]]></category>
            <category><![CDATA[customer-experience]]></category>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Berkay Diler]]></dc:creator>
            <pubDate>Mon, 17 Jul 2023 12:40:31 GMT</pubDate>
            <atom:updated>2023-07-17T13:16:31.387Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*hmgNyjeYgzedy4KwJQW7Xg.png" /></figure><p><strong>Merhabalar</strong></p><p>Bu yazımda müşteri analizi konusunda en çok kullanılan yöntemlerden biri olan RFM metodunu sade bir dille anlatmaya çalıştım şimdiden keyifli okumalar…</p><p>İsmini Receny, Frequency, Monetary kelimelerinin baş harflerinden alan RFM analiz yöntemi müşterilerin mağazaya en son ne zaman geldiklerinin bilgisi olan ‘Receny’, Müşterilerin ne sıklıkla alışveriş yaptığı bilgisi ‘Frequency’ ve alışverişi tamamladıklarında hesaplanan tarihe kadar ki mağazaya bıraktıkları total para bilgisi olan ‘Monetary’ üçlüsünden oluşur.</p><p>Örnek bir veri setiyle konuyu daha güzel pekiştirebiliriz</p><pre>import datetime as dt <br>import pandas as pd<br>dff = pd.read_excel(&quot;online_retail_II.xlsx&quot;, sheet_name=&quot;Year 2009-2010&quot;)<br>df = dff.copy() # veriyi okuması uzun sürüğü için copy yöntemi ile kopyaladık</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KQCmPzbxoV-5o7u24ZFn5Q.png" /></figure><p>İnglitere merkezli gerçek bir şirketin verilerinden faydalandım,kabaca müşterilerin aldıkları ürünlerin fiyatları, adetleri, isimleri ve eşsiz müşteri numaraları gibi bilgileri vardır</p><p>Verideki eksik verileri ayıkladıktan ve nunique değerleri inceledikten sonra herbir müşterinin bıraktığı toplam para bilgisini bulmak için şu kodu yazarız</p><pre>df[&#39;TotalPrice&#39;] = df[&#39;Quantity&#39;] * df[&quot;Price&quot;]</pre><p>Veriye ‘TotalPrice’ adlı yeni bir sütun ekledik bu sütun, ürün adedi ile fiyat bilgisinin çarpımından oluşmaktadır</p><pre>df.groupby(&quot;Invoice&quot;).agg({&quot;TotalPrice&quot;: &quot;sum&quot;}).head() <br># her faturanın toplam satış tutarı </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/178/1*3n0ySknAbGjwDedwAeEasw.png" /></figure><p>Verideki eksik değerleri inceleyelim</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/455/1*73PDZe27YcaDeohYcDXzpQ.png" /></figure><p>Customer ID 107927 kişide eksik bu sayı çok fazlada olsa ID numarasını bilmediğimiz bir müşteri ile işlem yapamayız bu yüzden veriden çıkarmak zorundayız</p><p>Eksi verileride ayıkladığımıza göre artık ‘RFM’ metriklerinin hesaplanmasına geçebiliriz</p><pre>rfm = df.groupby(&#39;Customer ID&#39;).agg({&#39;InvoiceDate&#39;: lambda InvoiceDate:(today_date - InvoiceDate.max()).days,<br>                                     &#39;Invoice&#39;: lambda Invoice: Invoice.nunique(),<br>                                     &#39;TotalPrice&#39;: lambda TotalPrice: TotalPrice.sum()})</pre><p>groupby methodu ve tek satırlık lambda fonksiyonunu kullanarak hem görseli hem işlevi güzel olan bir fonksiyon yazdık</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/530/1*MB-OeT6KUmjzNe4oWsS7MA.png" /></figure><p>Fancy İndex yardımı ile başlıklarızı RFM başlıklarına uygun olacak şekilde Receny,Frequency ve Monetary ile değiştirelim</p><pre>rfm.columns = [&#39;Recency&#39;, &#39;Frequancy&#39; , &#39;Monetary&#39;]<br>rfm</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/372/1*UgMfMx4288ewmH1oQyyXuw.png" /></figure><p>Metrikleri güzelce ayırdık ama değerler birbirinden uzak ve sanki kategorize edilmeye ihtiyaç duyuyorlar gibi onları 5 ayrı bölüme ayırıp RFM skorları oluşturmamız lazım bu hem daha işlevli hem daha okunaklı olacaktır</p><pre>rfm[&quot;Receny_score&quot;] = pd.qcut(rfm[&#39;Recency&#39;], 5, labels=[5,4,3,2,1])<br>rfm[&quot;Monetary_score&quot;] = pd.qcut(rfm[&#39;Monetary&#39;], 5, labels = [5,4,3,2,1])<br>rfm[&quot;Frequancy_Score&quot;] = pd.qcut(rfm[&#39;Frequancy&#39;].rank(method=&#39;first&#39;), 5, labels = [1,2,3,4,5])<br>rfm.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/755/1*PLqMfDaEe9KY9ogKLgE8cA.png" /></figure><p>Metrikler şimdi daha okunaklı [1,2,3,4,5] skorlara dönüştüler üzerilerinde işlem yapılması daha kolay ve zevkli hale geldi</p><p>Şimdi en genel haliyle Rfm skorlarını tek çatı halinde toplayalım, RFM skorlarını Receny ve Frequency değerlerinin yan yana gelmesi şeklinde iki basamaklı sayılarla oluşturacağız</p><pre>[v&quot;RFM_SCORE&quot;] = (rfm[&#39;Receny_score&#39;].astype(str) + rfm[&#39;Frequancy_Score&#39;].astype(str))<br>rfm.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/870/1*1Y1PXzX--1jUaxOorf8VRw.png" /></figure><p>İki değişkeni yan yana getirebilmek için astype(str) methodunu kullandık böylece iki string değer yan yana geldi ve iki basamaklı skorlar oluşturuldu bunun mantığı;</p><p>a = “k” + “t”<br>print(a)<br>“kt” <br>olarak iki string değerin yan yan getirilme özelliğinden gelir</p><ul><li>Skorlarımızı oluşturduk görünüm ve okunuş açısından hiç fena değiller scorlara karşılık gelen müşterileri scor bazlı tanımlayan bazı ‘sözel’ ifadeler vardır bunlar şu şekildedir</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/617/1*uX21GFUJZY_OXMzjGKiUDw.png" /></figure><p>Bu sözel ifadelere segmentler deriz, segmentleride verimize eklerken aşağıdaki kodu yazarız</p><pre>seg_map = {<br>r&#39;[1-2][1-2]&#39;: &#39;hibernating&#39;,<br>r&#39;[1-2][3-4]&#39;: &#39;At_risk&#39;,<br>r&#39;[1-2]5&#39;: &#39;cant_lose&#39;,    <br>r&#39;3[1-2]&#39;: &#39;aboutsleep&#39;,    <br>r&#39;33&#39;: &#39;need_attention&#39;,    <br>r&#39;[3-4][4-5]&#39;: &#39;loyal_customers&#39;,<br>r&#39;41&#39;: &#39;promising&#39;,   <br>r&#39;51&#39;: &#39;new_customers&#39;,<br>r&#39;[1-2][1-2]&#39;: &#39;potential_loyallist&#39;,   <br>r&#39;[4-5][2-3]&#39;: &#39;champions&#39;,    <br>r&#39;5[4-5]&#39;: &#39;champions&#39;<br>}<br><br>rfm[&#39;segment&#39;] = rfm[&#39;RFM_SCORE&#39;].replace(seg_map, regex=True)<br>rfm</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/994/1*Dc7d_M6gIL_fvu3tr66mPg.png" /></figure><p>Datayı segmentlerede ayırdıktan sonra geri kalan yapacağımız araştırmalar bizim yapmak istediğimiz ve şirketin bizden istediği analizlere göre şekillenecektir.</p><p><em>Okuyup zaman ayırdığınız için teşekkür ederim…</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=63f1d59ae1c4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile müşteri satın analizi]]></title>
            <link>https://medium.com/@berkaydiler_26539/python-ile-m%C3%BC%C5%9Fteri-sat%C4%B1n-analizi-a7e60b51e9df?source=rss-1f3011785649------2</link>
            <guid isPermaLink="false">https://medium.com/p/a7e60b51e9df</guid>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[matplotlib]]></category>
            <dc:creator><![CDATA[Berkay Diler]]></dc:creator>
            <pubDate>Sat, 08 Apr 2023 14:25:43 GMT</pubDate>
            <atom:updated>2023-04-09T08:49:16.189Z</atom:updated>
            <content:encoded><![CDATA[<h3>Python İle Müşteri Analizi</h3><figure><img alt="Müşteri Analizi" src="https://cdn-images-1.medium.com/max/894/1*e_aAsN5J1qaBkj_Q2l69fw.png" /></figure><p><strong>Merhabalar! </strong>bu mini projemde bir mağazaya gelen müşterilerin harcamalarını yıllık gelirlerini ve daha birçok özelliğini karşılaştırarak mağazadaki verimi ve satış rakamlarını arttırmaya yönelik bir çalışma yaptım,veri setimi Kaggle sitesinden aldım bu yazı 3 aşamadan oluşuyor diyebilirm <strong>verilerin temzilenmesi,grafiklerin yorumları,çıkarımlarım ve tavsiyelerim </strong>keyifli okumalar diliyorum..</p><p>Tüm veriyi 8 farklı özelliklerin kombinasyonları ile inceledim</p><ul><li>Yıllık gelir</li><li>Harcama Puanı — Müşteri davranışına ve harcama yapısına göre mağaza tarafından atanan puan</li><li>Yaş</li><li>İş Deneyimi — yıl olarak</li><li>Cinsiyet</li><li>Meslek</li><li>Müşteri Kimliği</li><li>Aile üye sayısı</li></ul><p>Yardımcı kütüphaneleri yükleyerek işe başlayalım</p><pre>import pandas as pd          # İlk önce gerekli kütüphaneleri yükleyelim<br>import numpy as np                     <br>import matplotlib.pyplot as plt<br>import seaborn as sns<br></pre><p>Veri setini pythona çağırmak</p><pre>df = pd.read_csv(&quot;Customers.csv&quot;)        </pre><h4>Veriyi Önizleme</h4><p>Veri setini python’a çağırdıktan sonra verinin dataframe haliyle nasıl gözüktüğünü görmek ve veri hakkında kabataslak da olsa bilgi edinmek için ilk 5 satıra göz gezdirdim</p><pre>df.head(5)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*jf_UGapO9yzTmnfXX0tjbA.png" /></figure><h4>Hatalı verileri ayıklamak</h4><p>Kısaca bilgi sahibi olduktan sonra hatalı veya eksik verileri ayıklama işlemine geçtim istatistiksel olarak bir veride hatalı verilerin total sayısı %5&#39;in altındaysa veriden çıkarmanızın herhangi bir sakıncası olmaz, toplam kaç veri varmış bir bakalım</p><pre>print(f&#39;Toplam {df.shape[0]} verimiz var ve {df.shape[1]} adet özelliğimiz(sütun) var&#39;)</pre><p>Toplam 2000 satır ve 9 adet özelliğimiz(sütun) var</p><p>Kayıp değerler(NaN) için ise şu komutu yazım</p><pre>print(f&#39;% Kayıp Değerler -&gt; {round(df.isnull().sum().sum()/df.shape[0], 2) * 100}&#39;)</pre><p>Kayıp Değerler %2 olarak çıktı yani veriden atmamda sıkıntı yok, “df.dropna()” komutu ile kayıp değerleri veriden attım</p><h4>Müşterilerin Yaş Aralıkaları</h4><p>Analize ilk olarak müşterilerin yaş aralıklarını çıkaran bir fonksiyon yazmakla başladım verideki min max değerlere göre aralık genel olarak 18 ve 85 yaş arasıydı bende grafiği bu bilgiye dayanarak bölümlere ayırdım</p><pre>def age_group(i):                 <br>    if i &lt; 18:                    <br>        return(&#39;less than 18&#39;)    <br>    if (i &gt; 18) &amp; (i &lt; 25):   <br>    if (i &gt; 25) &amp; (i &lt; 35):<br>        return(&#39;25 - 34&#39;)<br>    if (i &gt; 35) &amp; (i &lt; 45):<br>        return(&#39;35 - 44&#39;)<br>    if (i &gt; 45) &amp; (i &lt; 55):<br>        return(&#39;45 - 54&#39;)<br>    if (i &gt; 55) &amp; (i &lt; 65):<br>        return(&#39;55 - 64&#39;)<br>    if (i &gt; 65) &amp; (i &lt; 75):<br>        return(&#39;65 - 74&#39;)<br>    if (i &gt; 75) &amp; (i &lt; 85):<br>        return(&#39;75 - 84&#39;)<br>    else: <br>        return(&quot;&gt;85&quot;)</pre><pre>df[&#39;Age_Group&#39;] = df[&#39;Age&#39;].apply(age_group)</pre><pre>plt.title(&quot;Mağazaya gelen müşterilerin yaş aralığı analizi&quot;, loc=&#39;left&#39;,size = 20)<br>ax = sns.histplot(df[&#39;age_group&#39;], discrete=True, stat=&quot;count&quot;);<br>plt.ylabel(&quot;Toplam Kişi&quot;,color = &quot;tomato&quot;,size = 15);<br>plt.xlabel(&quot;Yaş aralıkları&quot;,size =20,color=&quot;tomato&quot;,)<br>plt.xticks(rotation = 25); # Üst üste gelen etiketler için derece ayarı<br>plt.tight_layout(); # Grafiğin daha bütünsel gözükmesi için </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/858/1*Pwnur-odIu-YcGCklCRTSA.png" /></figure><p>Yaş histogramını incelediğimde 85 yaş üzerinde ve 18 yaş altında yaşayanların fazla olduğunu gördüm ve veriyi tekrardan incelediğimde veride yanlışalr olduğunu gördüm örneğin 0 yaşındaki birini mühendis olması 97 yaşındaki birinin iş hayatına devam etmesi gibi kısacası hataların yoğunluklu olduğu bölgeler bu iki bölgeydi ve bu verileri silmek yerine onları aralıklarındaki medyan değeriyle değiştirmek daha doğru olurdu bunun için ufak bir kod yazdım</p><pre>median_age = df[(df[&#39;Age&#39;] &gt;= 18) | (df[&#39;Age&#39;] &lt;= 85)][[&#39;Age&#39;,&#39;Profession&#39;]].groupby(&#39;Profession&#39;)[&#39;Age&#39;].median().reset_index()<br><br>median_age</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/184/1*2J2Fh2ueGfd6TQQnhLwyFA.png" /></figure><h4>Kadın ve Erkek Oranları</h4><pre>plt.title(&quot;Female purchased higher than man&quot;, loc=&quot;center&quot;);   <br><br>plt.pie(df[&#39;Gender&#39;].value_counts(), labels = [&quot;Female&quot;, &quot;Male&quot;], normalize=True, autopct=&#39;%.2f%%&#39;);<br>                     <br>plt.tight_layout();</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/502/1*647N-Oq6lcwPjXbkbZ9kEA.png" /></figure><p>40&#39;a 60 oranında bir cinsiyet farkı olduğunu gözlemledim</p><h3>Yüksek harcama yapan insanlar aynı zamanda yüksek gelir düzeyine sahip midir ?</h3><p>Müşterilerin gelir düzeyi arttıkça bu bu marketteki harcama sayılarıda artıyor mu ?</p><pre>plt.title(&quot;Daha Yüksek Maaşlı müşteriler, mağazadan daha fazla alışveriş yapar mı ?&quot;, loc=&quot;left&quot;);<br><br>ax = sns.histplot(df[&#39;Annual Income ($)&#39;],bins = [0,30000,60000,90000,120000,150000,170000,190000] );<br><br>plt.ylabel(&quot;Kişi sayısı&quot;, size = 13);<br>plt.xlabel(&quot;Gelir Düzeyi&quot;, size = 13);<br><br># Gelir Düzeyi-Kişi sayısı grafiğini düzenlerken bins metodu ile belirlediğim sınırlar çerçevesinde grafik oluşturuldu</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/822/1*_d0OnVITEBXJ-RXkel-FYw.png" /></figure><p>Bu mağaza orta gelirli insanların daha fazla alışveriş yaptıkları bir mağaza diyebliriz</p><h4>Mesleklerin yıllık gelir analizi</h4><p>Mesleklerin gelir düzeyleri arasında uç bir fark varmı bunu öğrenmek için çoklu boxplot grafiği çizdirdim</p><pre>sns.boxplot(x=df[&quot;Profession&quot;], y=df[&quot;Annual Income ($)&quot;]);<br>plt.xticks(rotation = 33);</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/737/1*80BFY4-BXkF8llAy-Z6APg.png" /></figure><p>Çoklu kutu grafiğinden meslek gurupları arasnda gelir olarak çok bir uçuk fark olmadığını gözlemledim sadece “Marketing” meslek gurubuna dahil olanlar ortalamanın üstündeydi</p><h3>En çok alışveriş yapan olan meslek grupları hangileridir</h3><pre>plt.title(&#39;Satın alımlar hangi meslek guruplarından&#39;);<br>explode=(0.15,0.13,0.1,0,0,0,0,0,0)<br><br>plt.pie(df[&#39;Profession&#39;].value_counts(), labels = df[&#39;Profession&#39;].value_counts().keys(),autopct=&#39;%0.f%%&#39;,explode=explode);</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/671/1*9LOCUI1KRRuMMih8YGgF2g.png" /></figure><p>Mağazadaki toplam satın alımların %60&#39;ını sadece 3 meslek gurubu oluşturuyor “Sanatçılar,Sağlık çalışanları ve Eğlence sektörü”</p><h3>Harcama Tutarı — Aile üyesi sayısı ilişkisi</h3><p>Bu marketten alışveriş yapan kişilerin ailedeki birey sayısı arttıkça marketteki harcama tutarları artarmı bu sorunun cevabı için birey sayılarını ve alışveriş skorlarını gösteren çoklu boxplot gafiği oluşturdum</p><pre>a = plt.title(&quot;Harcama tutarları ile ailedeki kişi sayılarının bir alakası varmı&quot;,loc=&quot;left&quot;)<br>b = sns.boxenplot(x= df[&#39;Family Size&#39;], y=df[&#39;Spending Score (1-100)&#39;])</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/735/1*RVJ7xIeLOL6XXG4dkHur3w.png" /></figure><p>Bir seviyeye kadar (4) aile sayısının artışı harcama skorlarını etkiliyor ama sonrasında düşüşe geçiyor</p><p>8 ve 9 kişilik aile bireylerinin kutu grafiklerinin kötü olması beni düşündürdü ve sayılarına bakmak istedim</p><pre>df[(df[&#39;Family Size&#39;])&gt;7]</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/911/1*oMfzqZANi1QdcTyJm0X7mg.png" /></figure><p>Çıktıda gördüğüm üzere ailesi 8 kişik olan 4 kişi, 9 kişilik olan ise sadece 1 kişi vardı tahmin ettiğim gibi verinin azlığından dolayı grafikte bozulmalar olmuştu</p><h3>Genel olarak veriden çıkarımlarım ve mağazanın kar marjını yükseltmeye yönelik tasiyelerim</h3><p>Mağaza müşterilerinin %30&#39;u 85 yaş üzeri ve sanatçılardan oluşuyor bu veri ışığında dizayn etmek ve bu kesimin ilgisini çekebilecek ürünleri satışa çıkarmak önemli düzeyde satışları arttırabilir diğer yandan farklı gelir düzeylerinin alışveriş oranlarının tutarlarını karşılaştırdığım grafiğikde en çok alışverişi yapanların en yüksek gelirli insanlar değilde orta kesim olduğunu gördüm, bu mağaza orta kesim insanların tercih ettiği bir mağaza,lüks diye tabir edeceğimiz ürünleri çok fazla ön plana çıkarmak mağazamızın kar marjı açısından sağlıklı olmayacaktır. Mağazaya gelen müşterilerin %60 oranda kadın olduğunu gördüm bu açıdan kadınların ilgisini çeken reyonları daha fazla canlı tutmak ve ön plana çıkarmak mağazadaki alışveriş ve ekstra ürün satışı bakımından çok iyi olacaktır</p><p><em>Okuyup için teşekkür ederim…</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a7e60b51e9df" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sıfırdan öğrenme yeteneği|Gelişmeyi sevmek]]></title>
            <link>https://medium.com/@berkaydiler_26539/s%C4%B1f%C4%B1rdan-%C3%B6%C4%9Frenme-yetene%C4%9Fi-geli%C5%9Fmeyi-sevmek-59a2069e171?source=rss-1f3011785649------2</link>
            <guid isPermaLink="false">https://medium.com/p/59a2069e171</guid>
            <dc:creator><![CDATA[Berkay Diler]]></dc:creator>
            <pubDate>Tue, 16 Aug 2022 21:32:25 GMT</pubDate>
            <atom:updated>2022-08-17T11:05:32.882Z</atom:updated>
            <content:encoded><![CDATA[<p>Çevremizdeki çoğu insan çarkın dişlilerine kapılmış gibi sabit yaptıkları bir iş veya alışkanlıklardan başka herhangi birşey denemek istemiyor ve sürekli içlerinde bir sıkıntı olduğundan ve bunun da nedeninin ne olduğunu bilmediklerinden bahsediyorlar. Uzun süreli durmak ve hiçbirşey yapmamak insanın doğasında olmayan birşey, sabit oturduğumuzda bile vücumdumuzda ki kan sürekli hareket halinde,yani durduğumuzda bile içerlerimiz de biryerlerde hareket var.</p><p>Uykunu güzelce almış karnını iyice doyurmuş olsan bile kafanı kurcalayan içini rahatsız eden düşünceler olacaktır bu çoğunlukla stabil bir yaşamın yan etkileridir. Öğrenmeyi sevmemiz lazım dostlar,öğrenmeyi ve okumayı bıraktığımız an hayat inanılmaz derecede stabilleşir,yaptığımız iş ile alakalı olsun veya bir hobimizle ilgili olsun gün içerisinde mutlaka gelişim odaklı faaliyetlerde bulunmamız lazım dünyayı ve dünyada gelişen yeni olayları takip etmemiz lazım bizi diğer canlılardan ayıran en önemli özellik çevredeki olayları algılayıp düşünerek çözümler üretme becerimizdir.</p><p>Sadece yemek yiyip işe gidip uyku uyunan bir yaşam bence kabul edilemez şartlar ne olursa olsun stabilliği kırıp birşeyler yapmaya çalışan insan heryerde kendini belli eder, çaresizce konuşmak, ona buna sallamak yerine mevcut soruna bir çözüm üretmenin yollarını arar çünkü bunu geri kalan hayatında bir çok kez yapmıştır hiç bilmediği bir konu hakkında okuyup araştırıp kendini zorlayarak belli bir yetginliğe sahip insan bazı tabuları aşmış ve aslında hiçbirşeyin imkanısz olmadığı kanısına varmıştır.</p><p>İnanın yeterli zamanı ve emeği verdiğinizde öğrenmesi ve başarması imkansız hiçbirsey yok sadece Türk insanı herşeyi çabuk olsun istedği için bir konuya odaklanıp onu öğrenmek sıkıcı gelebiliyor,ama bunu bir kaç kez deneyip kendinizi zorladığınızda bu tabuyu aşmak çokda zor olmuyor.</p><p>İŞE SEVDİĞİNİZ BİR KONUDAN BAŞLAYIN hemen bugün veya yarın geciktirme, yan fülüt mü çalmak istiyorsun git dene bu düşünce kafana 10 kereden 20 kereden fazla girdiyse bunu git ve yap büyük ihtimal kafana giren bu düşünce seni uzunca bir süre rahatsız edecek onu yapmadan ondan kurtulamayacaksın bu ve bunun gibi kafanı yoran düşünceleri biriktirdikçe yorgunluğun kat ve kat artacak.</p><p>Bakın mesela Çanakkale de tanıştığım bir adam bana Çanakkaleli olduğunu ama hemen şu karşıda duran şehitliklere daha önce hiç gitmediğini söyledi inanılmaz şaşırmıştım Türkiyenin 4 bir yanından ziyarete gelinen bu mekana abimiz yıllardır burda yaşadığı halde gitmemiş yahu hiç mi merak etmedin burda kimler yatıyor,bana bu rahat yaşamı sağlayan insanların adları nelermiş acaba sadece Türk askerlermi yatıyor bu şehitliklerde bu nasıl birşeydir bazen aklım almıyor. Bu şehitlik örneği aklıma şunu getiriyor insanlar bazı şeyleri hemen ekonomik nedenlere bağlıyor yani ekonomimizi zorlamayan bir takım aktiveteleri ziyaretleri vs. bile yapmıyorken sadece ekonomizizi aşan faaliyetleri dile getirmemiz tamamen tembelliktir yahu senin yanı başında destan yazılmış oraya gidip o ölen Kosovalı Bulgaristanlı Makedonyalı askerlerin mezarlarını görüp o savaşın ruhunu,zaferin zorluğunu bile hissetmişsin sen neyin imkansızlığından ve yapılamıyor olmasından bahsediyorsun.</p><p>Herşey meraktan doğar arkadaşlar sevdiğiniz ve yaparken iyi hissettiğiniz şeyleri bulun bunları yapmak için zamanınız yoksa şartları zorlayarak bunlara zaman ayırın, bunları yaptığınız zaman iş yaşamınızda da diğer girdiğiniz ortamlarda da öz farkındalığınız yüksek olacaktır artık birşeyleri öylesine yapan bir insan değilde hayatı biraz daha seven yaptığı herşeyi daha farkında olarak yapan bir insana dönüşeceksiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=59a2069e171" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>