<?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 Yunus Emre Öztürk on Medium]]></title>
        <description><![CDATA[Stories by Yunus Emre Öztürk on Medium]]></description>
        <link>https://medium.com/@ozturky81?source=rss-3b179fa025bd------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*wwGZubnEabHu1C7PzAWuJw.jpeg</url>
            <title>Stories by Yunus Emre Öztürk on Medium</title>
            <link>https://medium.com/@ozturky81?source=rss-3b179fa025bd------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 16:05:56 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ozturky81/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[Gradio nedir ne için kullanılır ?]]></title>
            <link>https://medium.com/global-ai-hub/gradio-nedir-ne-i%C3%A7in-kullan%C4%B1l%C4%B1r-2d311ddb96fd?source=rss-3b179fa025bd------2</link>
            <guid isPermaLink="false">https://medium.com/p/2d311ddb96fd</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[ui]]></category>
            <category><![CDATA[gradio]]></category>
            <category><![CDATA[framework]]></category>
            <dc:creator><![CDATA[Yunus Emre Öztürk]]></dc:creator>
            <pubDate>Tue, 05 Aug 2025 07:01:44 GMT</pubDate>
            <atom:updated>2025-08-05T07:01:44.274Z</atom:updated>
            <content:encoded><![CDATA[<h3>Gradio Nedir, Ne İçin Kullanılır ?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/930/1*-1HY6_R0VAJ3ePkyTk_Ysw.jpeg" /></figure><p>Merhabalar, Gradio makine öğrenimi modelleri ve veri uygulamaları için kullanıcı dostu arayüzler oluşturmamızı sağlayan açık kaynaklı bir Python kütüphanesidir. Amacı, makine öğrenimi modellerinin kullanıcılarla etkileşim kurabilmesi ve anlaşılabilir olabilmesini kolaylaştıran web uygulamalarına dönüştürmektir.</p><p>Bu yazımızda Gradio’yu amacı, kullanım kolaylığı ve kod örnekleriyle birlikte inceleyeceğiz.</p><h4><strong><em>Gradio nedir? :</em></strong></h4><p>JavaScript veya CSS’e gerek olmadan direkt kullanıcıya ulaşabilmemizi sağlayan Gradio, makine öğrenimi modeli, API veya istediğimiz şekilde oluşturduğumuz bir yapıyı web uygulamasına dönüştürür. En büyük avantajlarından bir tanesi, birkaç satır kod ile kullanıcı dostu arayüzler oluşturmaktır.</p><p>Bu sayede geliştirdiğimiz modelleri, örneğin bir görüntü işleme modelini sadece yazılım alanında çalışanların değil, bu alanda bilgisi olmayan kişilerin de rahatlıkla kullanabileceği bir formata sokabiliriz. Özellikle deneme aşamasındaki projeler için, geri bildirim almak veya modelin nasıl çalıştığını göstermek istediğimiz zaman Gradio oldukça işlevli olur.</p><p>Gradio sayesinde geliştirdiğimiz yapay zeka modellerini, kolay arayüzler oluşturarak daha fazla kişiye ulaştırabiliriz. Şimdi de bu arayüzleri oluştururken Gradio’yu sistemimize nasıl dahil edeceğimize bakalım.</p><h4><strong>Gradio Kurulumu :</strong></h4><p>Gradio Python tabanlı bir kütüphanedir ve kurulumu basittir. Kurabilmek için ön koşul olarak Python sürümünün <strong>Python 3.10 </strong>veya üzeri olması gerekmektedir.</p><p><strong>Gradionun Yüklenmesi :</strong></p><p>Gradio’yu yüklemek için terminal ya da komut satırına aşağıdaki komutu yazmamız yeterlidir :</p><pre>pip install --upgrade gradio</pre><p>Komutu yazdıktan sonra bu şekilde yükleme tamamlanır ve Gradio kullanıma hazır bir hale gelir.</p><p>Gradio’nun nasıl çalıştığını daha iyi anlayabilmek için basit bir giriş seviyesi örneği yapalım.</p><p><strong>Gradio Arayüzü Örneği :</strong></p><p>Gradio’nun nasıl çalıştığını göreceğimiz bu örnekte ki arayüz de kullanıcının girdiği metni selamlayan bir uygulama yapacağız.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2Ff051237a-d731-49d6-82a3-d40e30e07608%2F67af9141310f41be961c53d4134216d6%2F718867f2fe064e9ea389fbaf791a5fe3%3Fheight%3D317&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2Ff051237a-d731-49d6-82a3-d40e30e07608%2F67af9141310f41be961c53d4134216d6%2F718867f2fe064e9ea389fbaf791a5fe3%3Fheight%3D317&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="317" frameborder="0" scrolling="no"><a href="https://medium.com/media/ed20698edefc3a56ab2232380319fc4a/href">https://medium.com/media/ed20698edefc3a56ab2232380319fc4a/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/891/1*wqzD3eXutHjlFdZ7WFUITg.png" /><figcaption><a href="https://huggingface.co/spaces/gradio/hello_world_4"><strong>Gradio Arayüzü</strong></a></figcaption></figure><p>Bir kaç satır kod ile basit bir arayüz oluşturduk. Gradionun temelini oluşturan ve arayüz içerisinde yazdıklarımızın anlamlarını şu şekilde sırayabiliriz :</p><ul><li>fn: <strong>Arayüzde çalışacak olan Python fonksiyonu.</strong></li><li>inputs: <strong>Kullanıcıdan alınacak giriş türü.</strong></li><li>outputs: <strong>Fonksiyonun çıktısının tipi.</strong></li><li>launch(): <strong>Web arayüzünü başlatır.</strong></li><li>launch(share=True) : <strong>Bu sayede genel bir URL oluşturulup demo paylaşılabilir bir hale dönüştürülür.</strong></li></ul><p>Gradio hakkında temel düzeyde bir başlangıç yapıp ne olduğunu ve ne için kullanıldığını örneklerle birlikte gördük. Eğer daha detaylı incelemek isterseniz <a href="https://www.gradio.app/"><strong>Gradio</strong></a> sitesini inceleyebilir projelerinizi yaparken yararlanabilirsiniz.</p><p><strong>Daha fazlası için </strong><a href="https://www.linkedin.com/in/yunus-emre-%C3%B6zt%C3%BCrk-83a794250/"><strong>Linkedin</strong></a><strong> profilimden beni takip edebilirsiniz.</strong></p><p><strong>KAYNAKLAR</strong></p><ul><li><a href="https://www.gradio.app/">Gradio</a></li><li><a href="https://myscale.com/blog/streamlit-vs-gradio-ultimate-showdown-python-dashboards/">Streamlit vs Gradio: The Ultimate Showdown for Python Dashboards</a></li><li><a href="https://github.com/gradio-app/gradio">GitHub - gradio-app/gradio: Build and share delightful machine learning apps, all in Python. 🌟 Star to support our work!</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2d311ddb96fd" width="1" height="1" alt=""><hr><p><a href="https://medium.com/global-ai-hub/gradio-nedir-ne-i%C3%A7in-kullan%C4%B1l%C4%B1r-2d311ddb96fd">Gradio nedir ne için kullanılır ?</a> was originally published in <a href="https://medium.com/global-ai-hub">Global AI Hub</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenmesi : Veri Ön İşleme]]></title>
            <link>https://medium.com/global-ai-hub/makine-%C3%B6%C4%9Frenmesi-veri-%C3%B6n-i%CC%87%C5%9Fleme-86cd17f39bc7?source=rss-3b179fa025bd------2</link>
            <guid isPermaLink="false">https://medium.com/p/86cd17f39bc7</guid>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[yazılım]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[veri-ön-işleme]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <dc:creator><![CDATA[Yunus Emre Öztürk]]></dc:creator>
            <pubDate>Sun, 20 Apr 2025 13:19:39 GMT</pubDate>
            <atom:updated>2025-04-20T13:19:39.190Z</atom:updated>
            <content:encoded><![CDATA[<h3>Makine Öğrenmesi : Veri Ön İşleme</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NEr0hSSN_qtAJqTA18NeTw.png" /></figure><p>Merhabalar, Makine Öğrenmesi projelerinde ML modellerini eğitebilmek için ham veriyi uygun bir biçimde hazırlayıp dönüştürmemiz gerekir bu sayede eğitilen model daha yüksek bir performans sağlar ve modelimizin tahmini gerçeğe yakın olabilir. Modelimizin başarısı bu adıma bağlıdır. Veri Önişleme adımları; <strong>Veri Keşfi ve Analizi</strong>, <strong>Eksik Değerleri İşlemek İçin Veri Temizleme</strong>, <strong>Aykırı Değerleri Kaldırma</strong>, <strong>Veri Dönüştürme</strong>, <strong>Özellikleri Ölçekleme</strong>, <strong>Veri Dengesi Sağlama</strong> gibi çeşitli teknikler içerir. Bu teknikler sayesinde verilerin ML algoritmaları için tutarlı ve kullanılabilir biçimde olması sağlanır.</p><p>Bu yazımızda Makine Öğrenmesi için Veri Ön İşleme adımının tekniklerini detaylıca ele alıp örneklerle açıklayacağız.</p><p><strong>Veri Ön İşleme Nedir? :</strong></p><p>Veri Ön İşleme herhangi bir işlem yapılmamış ham veriyi ML algoritmaları için uygun ve anlamlı bir hale getiren bir adımdır. Bu adım içerisinde bazı teknikler bulunur bu teknikleri sırayla uyguladıktan sonra oluşturduğumuz model istenilen başarı düzeyini gösterebilir.</p><ol><li><strong>Veri Keşfi ve Analizi :</strong></li></ol><p>Veriyi analiz etmek, temel özelliklerini anlamak, özetlemek ve görselleştirebilmek için Veri Keşfi ve Analizi yöntemini kullanırız. Bu teknik veriyi diğer adımlar için hazırlar, ML modelleri için de önemlidir. Verideki problemi anlayıp tanımladıktan sonra Veri Keşfi ve Analizine başlarız.</p><p>Veri Keşfi ve Analizinin tanımını ve önemini belirttik tam olarak ne işe yaradığını görebilmek için İris verisetini kullanacağız:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2Ff051237a-d731-49d6-82a3-d40e30e07608%2Fd420209236c84985a7fb5f20a5ee1d5f%2F3c46b41fabc941cdbfc56012dbcf4b13%3Fheight%3D506.8000030517578&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2Ff051237a-d731-49d6-82a3-d40e30e07608%2Fd420209236c84985a7fb5f20a5ee1d5f%2F3c46b41fabc941cdbfc56012dbcf4b13%3Fheight%3D506.8000030517578&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="506" frameborder="0" scrolling="no"><a href="https://medium.com/media/ffe30598fb1cf5e88c630e42a32c0953/href">https://medium.com/media/ffe30598fb1cf5e88c630e42a32c0953/href</a></iframe><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fembed.deepnote.com%2Ff051237a-d731-49d6-82a3-d40e30e07608%2Fd420209236c84985a7fb5f20a5ee1d5f%2Fad3dbcc9ce1444d4a75f80cdb4045351%3Fheight%3D927.7999877929688&amp;display_name=Deepnote&amp;url=https%3A%2F%2Fembed.deepnote.com%2Ff051237a-d731-49d6-82a3-d40e30e07608%2Fd420209236c84985a7fb5f20a5ee1d5f%2Fad3dbcc9ce1444d4a75f80cdb4045351%3Fheight%3D927.7999877929688&amp;image=https%3A%2F%2Fdeepnote.com%2Fstatic%2Fthumbnails%2Fmain.png&amp;type=text%2Fhtml&amp;schema=deepnote" width="700" height="927" frameborder="0" scrolling="no"><a href="https://medium.com/media/e9205c64d7fc11e73bdade7b11abe002/href">https://medium.com/media/e9205c64d7fc11e73bdade7b11abe002/href</a></iframe><p>Verisetindeki problemi anlayıp tanımlayabilmemiz için verisetinin ilk 5 satırını inceledik ve <strong>check_df</strong> fonksiyonuyla bazı bilgilerine eriştik. Daha detaylı incelemek isterseniz Kaggle’da bulunan <a href="https://www.kaggle.com/code/semrasilaertug/ke-if-i-veri-analizi">Keşifçi Veri Analizi</a> örneğini inceleyebilirsiniz.</p><p>2. <strong>Eksik Değerleri İşlemek İçin Veri Temizleme :</strong></p><p>Eksik değerler genelde verilerde <strong>NA</strong> şeklinde karşımıza çıkan gerçek veri kümelerinde çalışırken karşılaşılan yaygın sorunlardan biridir. ML modellerini olumsuz etkileyebilir ve yanıltabilir bundan dolayı eksik değerler ile başa çıkmamız gerekir. Eksik değerler sayısal ise ortalama, medyan ve mod ataması gibi teknikler kullanılabilir, kategorik özellikler için ise kategoriye atama yapılabilir.</p><p>Eksik değerler analiz edilirken model üzerindeki etkisi belirlenip her sütundaki eksik değerlerin yüzdesi ve genel veri kümesine etkileri göz önünde bulundurulur. Bu aşamadan sonra eksik değerlerin yüzdesi düşükse ve veri için kritik değilse pandas’taki <strong>dropna() </strong>gibi yöntemlerle kaldırılabilir.</p><p>3. <strong>Aykırı Değerleri Kaldırma :</strong></p><p>Aykırı değerler veri kümesinin geri kalanından önemli ölçüde farklı olan veri noktalarıdır. Bu değerler kaldırılmazsa veriyi ve eğitilen modeli etkiler etkilenen model beklenenden farklı sonuçlar verebilir.</p><p>Aykırı değerler kaldırılmadan önce verisetinin anlaşılması gerekebilir örneğin ev fiyatları veri kümesine sahip olduğumuzu düşünelim ortalamadan yüksek olan ev fiyatları burdaki aykırı değerlerdir ama önemli sayıda ki evler bu fiyatlardaysa ev fiyatlarında bir artış olabilir. Bundan dolayı verisetini anlayabilmek, veriseti hakkında bilgili olmak da beklenir.</p><p>Aykırı değerler tespit edilirken görselleştirme de önemlidir boxplot, scatterplot ve histogram grafikleri kullanılarak bu değerler tespit edilir. Aykırı değerler grafikler ile tespit edildikten sonra iki yöntem ile kaldırılabilir bunlardan biri Z-skor diğeri ise Interquartile Range (IQR) yani çeyreklik aralığıdır. Z-skor kullanılırken verisetinin veya incelenen değerin normal bir dağılımda olması önemlidir.</p><p>4. <strong>Veri Dönüştürme :</strong></p><p>ML modellerinin verisetinde bulunan değerleri daha iyi anlayabilmesi ve beklenilen sonuçlar çıkarabilmesi için Veri Dönüştürme işlemleri yapılır. Bu aşamada doğrusal olmayan ilişkiler doğrusal hale getirilebilir, farklı ölçeklerdeki özellikler benzer ölçeklere getirilebilir, kategorik veriler sayısal formata dönüştürülebilir, çarpık dağılımlar normalleştirilebilir ve gürültülü veriler düzeltilebilir bu sayede model her bir değere eşit seviyede yaklaşıp tahminini üretir.</p><p>5.<strong> Özellikleri Ölçekleme :</strong></p><p>Makine öğrenmesi algoritmaları verideki değişkenlerin birbirinden çok farklı ölçeklerde olmasından olumsuz etkilenebilir. Özellikle mesafeye dayalı algoritmalar (K-NN, K-Means) veya gradyan inişi (Gradient Descent) kullanan algoritmalarda, büyük ölçekli değişkenler modelin eğilimini bozabilir. Bu yüzden değişkenlerin aynı ölçek düzeyine getirilmesi yani <strong>özellik ölçekleme (feature scaling)</strong> işlemi uygulanmalıdır.</p><p>En yaygın iki ölçekleme yöntemi şunlardır:</p><ul><li><strong>Min-Max Normalizasyonu:</strong> Veriyi 0 ile 1 arasında bir aralığa çeker. Özellikle dağılımın bilindiği ve sabit olduğu durumlarda uygundur.</li><li><strong>Standartlaştırma (Z-score standardization):</strong> Veriyi ortalaması 0, standart sapması 1 olacak şekilde dönüştürür. Normal dağılım varsayımı olan algoritmalar için uygundur.</li></ul><p>Hangi yöntemin kullanılacağı, veri setinin yapısına ve kullanılacak modele bağlıdır. Örneğin, karar ağaçları gibi algoritmalar ölçeklemeden etkilenmezken, lojistik regresyon, destek vektör makineleri (SVM) gibi modeller için ölçekleme oldukça önemlidir.</p><p>6. <strong>Veri Dengesi Sağlama :</strong></p><p>Gerçek dünya verilerinde sınıflar arasında dengesizlik olabilir. Örneğin dolandırıcılık tespiti gibi bir problemde “dolandırıcılık” sınıfı çok az sayıda gözlem içerirken, “normal” sınıf çok fazladır. Bu tür durumlarda model büyük sınıfa daha fazla önem verebilir ve küçük sınıfı görmezden gelebilir. Bu da <strong>dengesiz sınıf sorunu (class imbalance)</strong> olarak bilinir.</p><p>Bu sorunu çözmek için birkaç yöntem kullanılabilir:</p><p><strong>Oversampling (Aşırı örnekleme):</strong> Azınlık sınıfındaki örnek sayısı artırılır. En popüler yöntemlerden biri SMOTE (Synthetic Minority Over-sampling Technique)’dur. Bu teknik, mevcut azınlık örneklerinden sentetik veri üretir.</p><p><strong>Undersampling (Eksik örnekleme):</strong> Çoğunluk sınıfındaki örnekler azaltılır. Veri kaybı yaşanabileceği için dikkatli kullanılmalıdır.</p><p><strong>Sınıf ağırlıklarını ayarlama:</strong> Modelin eğitiminde azınlık sınıfına daha fazla ağırlık verilebilir. Scikit-learn gibi kütüphanelerde class_weight parametresi ile bu ayar yapılabilir.</p><p>Veri dengesi sağlandığında model her sınıfa eşit duyarlılıkla yaklaşır ve gerçek performansı daha doğru bir şekilde ortaya çıkar.</p><p>Makine öğrenmesi modellerinin başarısı, sadece iyi bir algoritma seçmekle değil, verinin ne kadar iyi işlendiğiyle de yakından ilgilidir. Veri ön işleme, bu sürecin en temel ve kritik adımlarından biridir. Veri keşfiyle başlayıp eksik ve aykırı değerlerin temizlenmesi, dönüştürülmesi, ölçeklenmesi ve dengelenmesi gibi işlemler sayesinde veriyi model için en anlamlı hale getiririz.</p><p>Veri Ön İşleme ile ilgili daha detaylı incelemelerde bulunmak isterseniz Kaggle da oluşturduğum <a href="https://www.kaggle.com/code/yunusemreoztrk/analysis-and-lightgbm-model">Analysis and Lightgbm Model</a> ve <a href="https://www.kaggle.com/code/yunusemreoztrk/mental-health-technology-usage-analysis">Mental Health &amp; Technology Usage Analysis</a> projelerinden yararlanabilirsiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=86cd17f39bc7" width="1" height="1" alt=""><hr><p><a href="https://medium.com/global-ai-hub/makine-%C3%B6%C4%9Frenmesi-veri-%C3%B6n-i%CC%87%C5%9Fleme-86cd17f39bc7">Makine Öğrenmesi : Veri Ön İşleme</a> was originally published in <a href="https://medium.com/global-ai-hub">Global AI Hub</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Regression (Regresyon)]]></title>
            <link>https://medium.com/@ozturky81/regression-regresyon-b16dd26b311e?source=rss-3b179fa025bd------2</link>
            <guid isPermaLink="false">https://medium.com/p/b16dd26b311e</guid>
            <dc:creator><![CDATA[Yunus Emre Öztürk]]></dc:creator>
            <pubDate>Mon, 20 Jan 2025 17:32:24 GMT</pubDate>
            <atom:updated>2025-01-20T17:32:24.940Z</atom:updated>
            <content:encoded><![CDATA[<p>Model kurarken modelin oluşturduğu tahminin gerçek değere yakın olmasını isteriz ve buna göre modeller kurarız tahminler <strong>sayısal </strong>veya <strong>kategorik</strong> olabilir. Şöyle düşünelim elimiz de bir veri var ve bu veri de bazı değişkenlere bağlı olarak maaşı tahmin etmeye çalışıyoruz bu durum sayısal tahmine örnek olarak gösterilebilir. Kategorik tahmin ise maaşımızın ‘yüksek’ veya ‘düşük’ olduğunu söyler. Sayısal tahmin <strong>Regression(Regresyon)</strong>, kategorik tahmin ise <strong>Classification</strong> olarak bilinir. Bu yazım da Regresyonu açıklamaya çalışacağım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/394/1*hxy5VS_bvoiWPgYjzXBrWQ.jpeg" /></figure><p>Yukarda ki örnekte belirttiğim gibi verisetimde modele sayısal bir tahmin yaptırmak istersem Regresyonu kullanacağız. Regresyonda <strong>x</strong> ve <strong>y</strong> arasında bir ilişki bulunur x e değişkenler diyebiliriz örneğin <strong>(x) -&gt; deneyim yılı (y) -&gt; maaş </strong>olabilir burada <strong>(x)</strong> in <strong>bağımsız</strong> <strong>(y)</strong> nin ise <strong>bağımlı</strong> değişken olduğunu anlayabiliriz ve <strong>(x)</strong> <strong>(y)</strong> yi <strong>etkiliyor</strong> diyebiliriz.</p><p><strong>Regresyon Algoritmaları:</strong></p><ul><li><strong>Linear Regression</strong></li><li><strong>Multiple Linear Regression</strong></li><li><strong>Polynomial Linear Regression</strong></li><li><strong>Decision Tree Regression</strong></li><li><strong>Random Forest Regression</strong></li></ul><p><strong>Simple Linear Regression ( Basit Doğrusal Regresyon):</strong></p><p>Basit Doğrusal Regresyon da <strong>(x)</strong> ve <strong>(y)</strong> bulunur ve aralarında <strong>doğrusal</strong> bir ilişki vardır.</p><p>Formülü basit olarak <strong>y = a + bx</strong> diyebiliriz formülde ki ifadelerin ne anlama geldiğini açıklamak gerekirse;</p><ul><li>y = bağımlı değişken (tahmin edilmeye çalışılan)</li><li>a = sabit</li><li>b = eğim</li><li>x = veri</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XqCNodZvaAhZWnSJI6-3zg.png" /></figure><p><a href="https://www.kaggle.com/datasets/ashydv/advertising-dataset">Advertising</a> verisetini kullanarak önce Simple Linear Regression un mantığını anlamak için basit bir şekilde formüle göre değerlerin nasıl bulunacağına bakacağız bulduğumuz sonuç ile modelin sonucunu karşılaştıracağız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/417/1*0ceaZpi2bK_iPT4Q46ZCzw.png" /></figure><p>Basit doğrusal regresyonda sadece 1 değişken bulunur ve (y) tahmin edilmeye çalışılır.</p><pre><br>#     Tv(X)                   Sales(y)<br><br>#      230                    22<br>#      44                     10<br>#      17                     12<br>#      151                    17<br>#      180                    18</pre><p><strong>(x) bağımsız </strong>değişken <strong>(y)</strong> ise <strong>bağımlı</strong> değişkendir bu örnekte <strong>y=a+bx</strong> formülünü kullanarak y nin nasıl bulunacağını basit bir şekilde açıklamaya çalışıp mantığını anlatacağım.</p><pre># b değerini bulmak:<br><br># x li toplam 622<br># y li toplam 79<br># x kare toplam 110326<br># y li kare toplam 1341<br># xy çarpım 11.511<br># veri sayısı  n =5<br><br># b = [n(ΣXY) - (ΣX)(ΣY)] / [n(ΣX²) - (ΣX)²]<br><br># b= verisi sayısı * (xy çarpımının toplamı) - (x li toplam) * (y li toplam) / veri sayısı *(x kare toplam ) - (x li toplam karesi)<br><br># b = 5(11.511) - 622*79 / 5(110326) - 622*622<br><br># b = 8417 / 164746<br><br># b= 0.05<br><br># b değerini yani eğim değerini bulmuş olduk</pre><pre># a değerini bulmak:<br><br># a = (ΣY - b×ΣX) / n<br><br># a = (y li toplam - b değeri * x li toplam ) / veri sayısı<br><br># a= 79-0.05 *622 / 5<br><br># a = 47.9 / 5<br><br># a= 9.58</pre><pre># Tahmin etme:<br><br># Reklam 300 olan ürünün satış değeri nedir ?<br><br># y=a+bx -&gt; basit doğrusal regresyon formülü<br><br># y= 9.58 + 0.05 * 300<br><br># y= 24.58<br><br># y yi  24.58 olarak buluyoruz</pre><p>Bulduğumuz sonuç <strong>24.58</strong> burada basit doğrusal regresyon yapılırken <strong>(y)</strong> nin yani bağımsız değişkenin nasıl bulunduğunu görmüş olduk şimdi de yaptığımız işlemleri modelin nasıl yaptığını göreceğiz.</p><p><strong>Model Kurma:</strong></p><p>Model kurarken belirttiğimiz formüle göre <strong>bağımsız (x)</strong> ve <strong>bağımlı (y)</strong> değişkenlerimizi belirtip işlemlerimizi yapacağız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/281/1*E90CSoHYSh3J5YyzLsu4LA.png" /></figure><ul><li>bağımsız değişkeni <strong>X</strong> bağımlı değişkeni ise <strong>y</strong> olarak belirledik</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/555/1*jd88gg0zKzjqT5dgyBTcBQ.png" /></figure><ul><li><strong>reg_model</strong> değişkeni oluşturup <strong>bağımlı</strong> ve <strong>bağımsız</strong> değişkenlerimizi <strong>fit</strong> ediyoruz.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/387/1*IK0kbZM4MwwDOHvvIvo9Ew.png" /></figure><ul><li><strong>sabit değer </strong>i buluyoruz</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/372/1*tmUitw8cCw7NnyjpJg_h8A.png" /></figure><ul><li>Tv nin <strong>katsayısı </strong>nı alıyoruz</li></ul><p><strong>Tahmin:</strong></p><p>Örneğin 300 birimlik Tv harcaması olursa ne kadar satış olması beklenir adında bir senaryo oluşturalım</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/772/1*hXIg1fDOWP2Z1KmBf5HThw.png" /></figure><p>sonucumuz <strong>23.61</strong> olur kendi yaptığımız sonucu ise <strong>24.58</strong> olarak bulmuştuk.</p><p><strong>Modelin Görselleştirilmesi:</strong></p><p>Oluşturduğumuz modelin grafik üzerinde nasıl göründüğünü anlamak ve modelimizin tutarlılığını görebilmek için <strong>Seaborn</strong> kütüphanesi kullanarak görselleştirme yapacağız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QQwImN6-0RCMOkexE-zkKA.png" /></figure><p>Görselleştirme sonucunda <strong>X (Tv Harcamaları)</strong> ve <strong>y (Satış Sayısı)</strong> grafiğini görebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/1*lDtNl4PMymX6rcZbcFHGYg.png" /></figure><p>Simple Linear Regression (Basit Doğrusal Regresyon) mantığını bu yazımızda inceledik. Gelecek yazımızda, modelin tahmin performansını değerlendirmek için kullanılan ölçüm metriklerini ve Multiple Linear Regression (Çoklu Doğrusal Regresyon) konusunu ele alacağız. Bu metrikleri kullanarak, modelimizin tahminlerinin ne kadar doğru olduğunu ve başarı oranını nasıl ölçebileceğimizi detaylı bir şekilde inceleyeceğiz.</p><p>Bir sonraki yazımızda görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b16dd26b311e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Feature Engineering (1)]]></title>
            <link>https://medium.com/@ozturky81/feature-engineering-1-0b70f737c5eb?source=rss-3b179fa025bd------2</link>
            <guid isPermaLink="false">https://medium.com/p/0b70f737c5eb</guid>
            <dc:creator><![CDATA[Yunus Emre Öztürk]]></dc:creator>
            <pubDate>Sun, 15 Dec 2024 12:33:33 GMT</pubDate>
            <atom:updated>2024-12-15T12:33:33.339Z</atom:updated>
            <content:encoded><![CDATA[<p>Feature Engineering yani Özellik Mühendisliği Veri Bilimi ve Makine Öğrenmesi için önemli bir bölümdür. Belirli bir probleme çözüm veya çözümler üreten, yol gösteren Veribilimci verisetleri ile çalışırken bazı adımlar uygular bu sayede verilerden anlamlı sonuçlar çıkar ve problemlere çözümler üretilebilir. Feature Engineering ise bu adımlardan biridir kısaca açıklamak gerekirse Feature Engineering uygulanan verisetinde gereksiz veya düşük önemli değişkenler istatistiksel yöntemlerle belirlenir, eksik veriler için uygun doldurma teknikleri uygulanır ve aykırı değerler tespit edilir belirlenen aralığa çekilir sonuç olarak veri daha anlamlı ve anlaşılır hale gelir bu sayede model kurulurken tutarlı sonuçlara ulaşılır. Bu yazıda Feature Engineering adımlarının bir kısmını detaylı bir şekilde ele alıp açıklamaya çalışacağım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AhjLzrO76exvNwmIQHRwPg.png" /></figure><h4>1 . Veri Keşfi ve Anlama</h4><p>Örneğin Kaggle ı açtığımızı düşünelim çalışmak istediğimiz veya problemimize yönelik bir verisetini bulduk. Öncelikle verinin hangi konu ile alakalı olduğunu bilmek, kafamızda o konuyu düşünmek önemlidir. Belirlediğimiz verisetini çalıştığımız ortam da değişkene atayıp okuttuktan sonra verisetimiz çalışmaya hazır artık veri hakkında genel bilgiler alabiliriz öncelikle verimizin ilk 5 satırına bakarak satır ve sütunların da neler olduğunu inceleyip veri hakkında bilgi sahibi oluruz ve kafamızın içinde satır ve sütunlarla ilgili bazı şeyler oluşmaya başlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OyATOmQ7tRR46OlSPZuvBQ.png" /></figure><p>Verinin ilk 5 satırına bakıp kafamızda birşeyler oluştuktan sonra değişkenlerin türlerini ve özelliklerini belirlemek için bazı adımlar uygularız örneğin; dtypes ile verilerin tiplerini, shape ile satır ve sütun sayısını, info() ile veriseti hakkında genel bilgiyi, describe() fonksiyonu ile numerik değişkenlerin istatiksel özelliklerini, isnull().sum() fonksiyonları ile boş değer kontrolünü, nunique() fonksiyonu ile de değişkenlerin benzersiz değerlerini görebiliriz</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/996/1*gpFuaPdNlXC8ky1zqkS5Ig.png" /></figure><p>Tüm bu fonksiyon ve methodlar sayesinde veriyi daha iyi anlayabilir sonraki adımlarımızı ona göre atabiliriz.</p><h4>1. Aykırı Değer Tespiti ve İşleme</h4><p>Çalıştığımız verisetlerin de bir değişken içerisinde bulunan belirli sayı aralıkları olduğunu düşünelim örneğin yaş değişkenimiz var ve normal de 15 ile 60 arasında kişiler var ama verimizi etkileyen ve yanlış sonuçlar doğurabilecek değerler de olabilir. Yaş değişkeni içerisinde 1000 veya -20 gibi değerlerle karşılaşabiliriz bu değerler aykırı değerlerdir bu değerler girilirken yanlış girilmiş olabilirler. Veribilimci olarak verisetini daha anlaşılır ve temiz bir hale getirebilmek için aykırı değerlerden kurtulmamız gerekir bazı yöntemler uygulayarak aykırı değerlerden kurtulacağız.<br> Öncelikle aykırı değerlerimizi tespit edebilmemiz için boxplot yöntemini kullanacağız bu sayede yaş değişkenin de bulunan aykırı değerleri görebileceğiz</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/657/1*iyAM_ruH9hkhG8wFO0tOIg.png" /></figure><p>Belirlediğimiz aykırı değerleri bahsetmiş olduğum 2 yöntemle temizleyebiliriz;</p><h4>IQR (Interquartile Range — Çeyrekler Arası Genişlik)</h4><p>Bu yöntem ile aykırı değerlerimizi belirledikten sonra belli bir sayı aralığına çekiyoruz örneğin yaş değişkenimde bulunan 1000 aykırı değerini belirlediğim çeyrekler arasına baskılıyorum ve bu sayede aykırı değerlerimi temizlemiş oluyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/832/1*gNtuS60282nWiNwsU7nfJA.png" /></figure><p>outlier_threshold adında oluşturduğumuz fonksiyona dataframe ve variable parametreleri veriyoruz fonskiyon içerisinde 1. ve 3. çeyreklerimizi belirledik yani aykırı olan değerlerimizi bu aralığa çekmek istiyoruz. Düşük ve yüksek limitlerimizi sayesinde aykırı değerlerimiz bu aralıkta olacak</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AKl5RlZ9oJW5Kt5BYtQYoQ.png" /></figure><p>ikinci adımda replace_with_threshold fonksiyonu sayesinde low ve up limitleri belirlenen aralık için değişkenin durumuna göre eğer low limitten küçükse low a up limitten büyükse up a eşitliyoruz bu sayede aykırı değerler belirlenen aralıklara çekiliyor</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/747/1*8sZTlQS-bPurKxpfnOILUg.png" /></figure><p>Son adımda aykırı değerlerimizi kontrol eden bir fonksiyon yazıyoruz ve fonksiyon içierisnde replace_with_threshold ile hedef değişkenimize bakıyoruz ve df=check_outlier(df) diyerek verisetinde bulunan aykırı değerlerimizi belirlenen aralığa çekiyor yani baskılıyoruz.</p><p>IQR aykırı değerler için kullanılan en yaygın yöntemlerden birtanesi bu sayede aykırı değerler verisetini artık etkilemiyor ve daha tutarlı bir veri çıkabiliyor</p><h4>Z-skoru</h4><p>IQR gibi Z-skorda da belirleyeceğimiz alt ve üst limitlerimiz olacak bu limitlerin dışında kalanları ise aykırı değerler olarak belirleyeceğiz. Belirlenen aykırı değerleri alt ve üst limitlere çekip aykırı değerleri ortadan kaldıracağız</p><p>Basit bir şekilde yazmak gerekirse Z-skoru belirlediğimiz hedef değişkenin ortalamadan çıkartılıp standart sapmaya bölünmesi ile elde edilir. Öncelikle verisetinde hedef değişkenimizi belirleriz sonra bu değişkenin standart sapmasına ve ortalamasına baktıktan sonra gerekli iişlemi yaparız.<br>Belirlenen aykırı değerler yukarıda verdiğimiz fonksiyonlar ile up ve low limite çekilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/460/1*EOGvHAaZSjmmhKH0mcQyjw.jpeg" /></figure><p>Feature Engineering, veri bilimi yolculuğunda ham veriden değerli içgörülere giden kritik bir köprüdür. Bu yazıda ele aldığımız adımlar, veri setinizi daha anlaşılır ve modelleme için hazır hale getirmenin temelini oluşturuyor. Her ne kadar bu süreç karmaşık görünse de, doğru yaklaşımlarla verilerinizin gerçek potansiyelini açığa çıkarabilirsiniz. Önümüzdeki yazılarda Feature Engineering’in diğer detaylarını ve pratik uygulama örneklerini paylaşacağım.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0b70f737c5eb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PYTHON NEDİR ?]]></title>
            <link>https://medium.com/@ozturky81/python-nedi%CC%87r-15cac30f7871?source=rss-3b179fa025bd------2</link>
            <guid isPermaLink="false">https://medium.com/p/15cac30f7871</guid>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Yunus Emre Öztürk]]></dc:creator>
            <pubDate>Fri, 15 Nov 2024 14:20:18 GMT</pubDate>
            <atom:updated>2024-11-15T14:43:23.653Z</atom:updated>
            <content:encoded><![CDATA[<h3>PYTHON NEDİR ?</h3><p>Merhabalar bu yazımda Python çalışırken aldığım bazı notları derledim. Python a yeni başlayanlar ve merak edenler için altında yatan mantığı basit bir şekilde yazmaya çalıştım yararlı olabileceğini düşünüyorum.</p><p>Python, öğrenmesi kolay ve okunaklı sözdizimi sayesinde yeni başlayanlar için ideal bir programlama dilidir. <strong>Veri bilimi, makine öğrenimi, web geliştirme</strong> gibi birçok alanda yaygın olarak kullanılır. <strong>CPython</strong> olarak bilinen Python yorumlayıcısı, yazdığınız kodu <strong>bytecode</strong> adı verilen ara bir dile çevirir ve ardından bu kodu <strong>virtual machine</strong> üzerinde çalıştırır. Bu sayede platform bağımsız bir dil olur.</p><p>Daha da detaylı ve açık birşekilde anlatmak gerekirse diğer programlama dilleri gibi yazılan kodları bilgisayara yorumlayıcı kullanarak ileten bir yazılım dilidir. İnterpreter olarak da bilinen yorumlayıcı sayesinde makine ye kodlarımızı iletiriz makine de bunları anlayabileceği bir dile yani 0 ve 1 lere çevirip anlamaya çalışır.Pythonun İnterpreter olması bu dilin yazılan kodları tek tek sırasıyla çevirdiği anlamına gelir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/765/1*cLTFQXZbzxZIdVXSXhGM7g.gif" /></figure><p>Sırayla; İnterpreter &gt; byte code &gt; cpython virtual machine &gt; running program şeklinde ilerler yukarda ki görsel de olduğu gibi kodun çalışabilmesi için arka tarafta byte şeklinde görülen kodlar cpython sanal makinesi sayesin de derlenir ve çalışan bir kod a dönüşür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/728/1*SfuZqKWES-0jrn7IEtaFcA.png" /></figure><p>cpython sanal makinesi demişken Python Programlama dili aslında C dilinde yazılmış bir programlama dilidir python.org gibi sitelerden python u yorumlamak için indirdiğimiz de cpython diye bir makineyi indirmiş oluruz indirdiğimiz makine aslında github da bulunan cpython <br>ile yazılmıştır. Bu sanal makine yazdığımız python kodlarını okur ve derler.</p><p><a href="https://github.com/python/cpython">GitHub - python/cpython: The Python programming language</a></p><p>Programlama dillerini öğrenirken, bazen temel prensiplere ulaşmak zor olabiliyor. Bu nedenle, yazdığım bu içerikte Python’un çalışma mantığını, arkasındaki mekanizmaları ve en önemli özelliklerini vurgulamaya çalıştım. Böylece, Python’a yeni başlayan okuyucular için daha kolay bir öğrenme deneyimi sağlayabileceğini düşünüyorum.</p><p>BONUS :</p><p>Öğrenmeye yeni başlayan veya Python dilini merak eden kişiler için, gerçekten öğrenilmesi gereken bilgilere ulaşmanın zor olduğunu fark ettim. Bu nedenle, onlara faydalı olacağını düşündüğüm bazı notlar hazırladım.</p><p><a href="https://github.com/emre-02/Python">GitHub - emre-02/Python</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=15cac30f7871" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>