<?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 Seher Kumsar on Medium]]></title>
        <description><![CDATA[Stories by Seher Kumsar on Medium]]></description>
        <link>https://medium.com/@seherkumsar?source=rss-c42dcc340ca7------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*bO8rUsSYXUpz8wQF</url>
            <title>Stories by Seher Kumsar on Medium</title>
            <link>https://medium.com/@seherkumsar?source=rss-c42dcc340ca7------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 08:41:00 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@seherkumsar/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[MongoDB: Esnek ve Ölçeklenebilir Veritabanı Çözümü]]></title>
            <link>https://medium.com/@seherkumsar/mongodb-esnek-ve-%C3%B6l%C3%A7eklenebilir-veritaban%C4%B1-%C3%A7%C3%B6z%C3%BCm%C3%BC-934556d93f31?source=rss-c42dcc340ca7------2</link>
            <guid isPermaLink="false">https://medium.com/p/934556d93f31</guid>
            <dc:creator><![CDATA[Seher Kumsar]]></dc:creator>
            <pubDate>Fri, 03 May 2024 18:41:16 GMT</pubDate>
            <atom:updated>2024-05-03T18:42:12.747Z</atom:updated>
            <content:encoded><![CDATA[<p>MongoDB, modern web uygulamalarının veritabanı ihtiyaçlarını karşılamak için geliştirilmiş bir NoSQL(Non-Relational) veritabanıdır. Esneklik, ölçeklenebilirlik ve performans odaklı yapısıyla öne çıkan MongoDB, veri yönetiminde yeni bir yaklaşım sunar. Geleneksel SQL tabanlı veri tabanlarıyla karşılaştırıldığında MongoDB’nin sunduğu esneklik, ölçeklenebilirlik ve performansı sayesinde dinamik veri modelleri oluşturabilir, anlık değişen gereksinimlere hızlıca cevap verebilir ve uygulama performansını artırabilirsiniz. Ayrıca, MongoDB’nin belge tabanlı yapısı sayesinde verileri JSON benzeri belgeler halinde depolayabilir ve ilişkisel veri tabanlarının gerektirdiği karmaşık birleştirmelerden kaçınabilirsiniz.</p><p>NoSQL veritabanı çözümleri, özellikle çoklu tablo birleştirme sorgularıyla uğraşmanın zor olduğu durumlarda tercih edilir. Bu durumda, MongoDB gibi bir NoSQL veritabanı kullanmak daha etkili olabilir. MongoDB, performansınızı artırmanızı ve hızlı değişen gereksinimlere cevap vermenizi sağlar.</p><p>MongoDB, belge tabanlı yapısı sayesinde verilerinizi daha doğal bir şekilde depolamanıza olanak tanır. Bu, veri modelinizi daha esnek hale getirir ve uygulama geliştirme sürecini hızlandırır. Ayrıca, MongoDB’nin dağıtılmış mimarisi, veritabanınızı kolayca ölçeklendirmenizi sağlar, böylece iş yükünüz arttıkça performansı koruyabilirsiniz.</p><h4>MongoDB Compass ve Express Arayüzleri</h4><p>MongoDB veritabanlarını yönetmek ve keşfetmek için kullanılan bir grafiksel kullanıcı arayüzü (GUI) araçlarıdır. Bu araçlar, kullanıcıların MongoDB veritabanlarını daha etkili bir şekilde görselleştirmelerine, sorgulamalarını oluşturmalarına ve verileri keşfetmelerine yardımcı olmak için tasarlanmıştır.</p><p>MongoDB Compass kullanıcı dostu bir arayüze sahiptir ve temel olarak üç ana işlevi vardır: Veritabanı Keşfi, Veri Görselleştirmesi ve Sorgu Oluşturma.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZXqeak_BlNXzedrtESfdCA.png" /><figcaption>MongoDB Compass</figcaption></figure><p><strong>Veritabanı Keşfi:</strong> MongoDB Compass, kullanıcılara veritabanları arasında gezinme ve bu veritabanlarındaki koleksiyonları görüntüleme olanağı tanır. Veritabanı şemalarını görselleştirerek kullanıcıların veri ilişkilerini daha iyi anlamalarına yardımcı olur.</p><p><strong>Veri Görselleştirmesi:</strong> Kullanıcılar, MongoDB Compass aracılığıyla verileri grafiksel olarak görselleştirebilirler. Bu, büyük veri setleri arasında hızlıca gezinmeyi ve önemli bilgileri daha kolay anlamayı sağlar. Grafiksel gösterimler, veri dağılımını, eğilimleri ve ilişkileri anlamak için kullanılabilir.</p><p><strong>Sorgu Oluşturma:</strong> MongoDB Compass, kullanıcılara görsel bir sorgu oluşturma arayüzü sunar. Kullanıcılar, bu araç sayesinde SQL benzeri bir sorgu dili kullanmadan, grafiksel olarak sorgular oluşturabilirler. Bu özellik, veritabanı sorgularını daha hızlı ve hatasız bir şekilde yazmalarına yardımcı olur.</p><p>Ayrıca, MongoDB Compass’un diğer özellikleri arasında veritabanı performansını izleme, indekslerin optimize edilmesi ve güvenlik kontrolleri gibi yönetim işlevleri de bulunabilir. Bu özellikler, geliştiricilere ve veritabanı yöneticilerine MongoDB veritabanlarını daha etkili bir şekilde kullanmaları için geniş bir araç seti sunar.</p><p>Mongo Express ise MongoDB için bir web tabanlı kullanıcı arayüzü sağlar. Bu araç sayesinde veritabanınızı yönetebilir, veri ekleyebilir, güncelleyebilir, silebilir ve sorgular oluşturabilirsiniz. Ayrıca, MongoDB’nin sunduğu özelliklere tam erişim sağlayarak veritabanı yönetimini daha verimli bir şekilde gerçekleştirebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ftLnfx-0IqOqHhxziWBjNg.png" /><figcaption>Mongo Express</figcaption></figure><blockquote><strong><em>Mongo Express</em></strong><em> nasıl kurulur?</em></blockquote><p>Bu iş için de bir docker container oluşturabiliriz. Hali hazırda geliştirilmiş Mongo Express docker imajı hızlı bir şekilde yerel ortamımızda mongo express’i kurmamıza olanak sağlar. Bu araçlar, MongoDB’nin kullanımını daha kolay ve verimli hale getirirken aynı zamanda geliştirme sürecinizi de hızlandırabilir.</p><p>Web tabanlı olması sebebiyle, belirlediğiniz port adresini kullanarak yerel ortamınızda MongoDB Express’e erişebilir ve veritabanınızı kolayca yönetebilirsiniz. Örneğin port değerini 8081 verdiğimizde <a href="http://localhost:8081/"><strong>http://localhost:8081/</strong></a><strong> </strong>adresinden arayüze erişebiliriz. Bu arayüzden mongo<strong> </strong>servisimize erişiyoruz ve oluşturduğumuz dokümanları, collection ları görüntüleyerek, yeni eklemeler yapabiliyoruz.</p><p>Kubernetes kullanarak MongoDB Compass ve MongoDB Express arayüzlerini içeren bir projeyi GitHub üzerinde paylaştım. Bu projeyi inceleyerek Kubernetes ortamında araçların nasıl kullanıldığını adım adım görebilirsiniz 🌞</p><p><a href="https://github.com/SeherKumsar/devops-akademi-27-04-2024-mongo-db">GitHub — SeherKumsar/devops-akademi-27–04–2024-mongo-db</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=934556d93f31" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kubernetes Nedir ve Nasıl Çalışır?]]></title>
            <link>https://medium.com/@seherkumsar/kubernetes-nedir-ve-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-48a16755040c?source=rss-c42dcc340ca7------2</link>
            <guid isPermaLink="false">https://medium.com/p/48a16755040c</guid>
            <dc:creator><![CDATA[Seher Kumsar]]></dc:creator>
            <pubDate>Sun, 07 Apr 2024 21:12:11 GMT</pubDate>
            <atom:updated>2024-04-07T21:16:55.625Z</atom:updated>
            <content:encoded><![CDATA[<p>Kubernetes (k8s), konteynerli iş yüklerini ve hizmetleri yönetmeye yönelik taşınabilir, genişletilebilir ve açık kaynaklı bir konteyner düzenleme platformudur. Google tarafından geliştirilmiş ve Cloud Native Computing Foundation (CNCF) tarafından desteklenmektedir. “<strong>k8s</strong>” kısaltması, k ve s harfleri arasında 8 harf olduğu için kullanılır.</p><p>Kubernetes, konteyner teknolojisiyle iş yüklerini ve hizmetleri yönetmeye yönelik bir platform olarak oldukça esnek ve genişletilebilir bir yapıya sahiptir. Bu özelliği sayesinde, uygulamaların otomatik dağıtımı, ölçeklendirilmesi ve yönetilmesi de oldukça kolay hale gelir.</p><p>Kubernetes’in yapısına göz atacak olursak master ve worker dedikleri node’lardan oluşur. Kubernetes kümesindeki her bir sunucuya “node” adı verilir .Bu worker dediğimiz node’lar içerisinde pod’lar ve pod’ların içerisinde konteyner’larımız bulunmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*WE4aKfeQjxRanBMr.jpeg" /><figcaption>Cluster Mimarisi</figcaption></figure><ul><li>Master Node: Cluster üzerindeki tüm kaynakları yönetir ve worker node’lar arasında iş yüklerini dağıtır. Kümeyi yöneten API sunucusunu, etcd veritabanını, kontrol düzlemi bileşenlerini ve diğer hizmetleri içerir.</li><li>Worker Node: Uygulama konteynerlerini çalıştırır ve master node ile iletişim kurarak kaynak taleplerini karşılar.</li><li>Pod<strong>: </strong>Kubernetes’teki en küçük çalıştırma birimidir. Bir pod, bir veya birden fazla konteyneri içerebilir. Aynı pod içerisinde bulunan konteynerler, aynı ağı ve kaynakları kullanır ve bu konteynerler birbirleriyle haberleşebilir. Her pod’un eşsiz bir ip adresi bulunmaktadır.</li><li>Service: Bir servis, uygulamalara bir ağ öğesi olarak bir IP adresi sağlar. Bu IP adresi, uygulamaların birbirlerine ve dış dünyaya erişimini sağlamak için kullanılır.</li></ul><h4><strong>Kubernetes cluster nasıl oluşturulur?</strong></h4><p>Kubernetes cluster oluşturmak için öncelikle bir cloud sağlayıcısı veya yerel bir ortamda uygun bir altyapıya sahip olmanız gerekmektedir. Ardından, kubeadm gibi araçları kullanarak master ve worker node’ları oluşturabilir ve yapılandırabilirsiniz. Kubeadm’ın sağladığı komutlarla, cluster’ın temel yapılandırmasını gerçekleştirebilir ve etkileşimli bir şekilde yönetebilirsiniz.</p><blockquote>Kubernetes cluster oluşturmak için aşağıdaki adımları izleyebilirsiniz:</blockquote><blockquote>Cloud veya on-premise bir platform seçin: Kubernetes cluster’ınızı çalıştırmak için bir platform seçmeniz gerekir. Amazon Web Services (AWS), Google Cloud Platform (GCP), Microsoft Azure gibi bir bulut platformu kullanabilirsiniz. Kendi altyapınızda kullanmak isterseniz, Kubernetes platformunu kullanarak bir cluster oluşturabilirsiniz.</blockquote><blockquote>Node’lar oluşturun: Kubernetes cluster’ı oluşturmak için en az iki node’a ihtiyacınız vardır: bir master ve bir worker. Node’lar genellikle sanal makinelerdir ve Kubernetes API’si ile iletişim kurarlar.</blockquote><blockquote>Kubernetes kurulumunu gerçekleştirin: Node’ları oluşturduktan sonra, Kubernetes cluster’ınızı kurmanız gerekir. Kurulum için kubectl gibi Kubernetes araçları kullanabilirsiniz.</blockquote><blockquote>Cluster’ınızı yapılandırın: Cluster’ınızı yapılandırmak için YAML dosyaları kullanabilirsiniz. Bu dosyalar, Kubernetes API’si tarafından anlaşılabilen objeleri tanımlar.</blockquote><blockquote>Uygulamalarınızı oluşturun: Cluster’ınız hazır olduğunda, uygulamalarınızı oluşturabilirsiniz. Uygulamalarınızı Docker imajları olarak oluşturabilir ve Kubernetes API’si aracılığıyla cluster’ınıza dağıtabilirsiniz.</blockquote><blockquote>Uygulamalarınızı yönetin: Kubernetes, uygulamalarınızın dağıtımı, ölçeklendirilmesi, güncellenmesi ve yönetimi için bir dizi araç sunar. Bu araçlarla uygulamalarınızı yönetebilir ve sağlıklarını izleyebilirsiniz.</blockquote><blockquote><a href="https://milindasenaka96.medium.com/setup-your-k8s-cluster-with-aws-ec2-3768d78e7f05">Setup Your K8s Cluster with AWS EC2 | by Milinda Nandasena | Medium</a></blockquote><p>Bu blog yazısındaki adımları takip ederek, AWS EC2 üzerinde kubernetes cluster’ı nasıl oluşturabileceğinizi detaylı bir şekilde öğrenebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*kdfWFN448rouMjPN.png" /><figcaption>AWS k8s Cluster</figcaption></figure><p>Kubernetes cluster yönetimi sırasında, işlem adımları genellikle şu şekilde gerçekleşir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*rCGV1b--CpVq6DhZ.png" /></figure><ol><li>Kubectl(kubernetes client) isteği API server ‘a iletir.</li><li>API Server isteği kontrol eder etcd ‘ye yazar.</li><li>etcd yazdığına dair bilgilendirmeyi API Server’a iletir.</li><li>API Server ,yeni pod yaratılacağına dair isteği Scheduler ‘a iletir.</li><li>Scheduler, pod ‘un hangi server’da çalışacağına karar verir ve bunun bilgisini API Server’a iletir.</li><li>API Server bunu etcd ye yazar</li><li>etcd yazdığına dair bilgiyi API Server’a iletir.</li><li>API Server ilgili node’daki kubelet’i bilgilendirir</li><li>Kubelet,Docker servisi ile ilgili docker soketi üzerindeki API’yi kullanarak konuşur ve konteyner’ı yaratır.</li><li>Kubelet ,pod’un yaratıldığını ve pod durumunu API Server’a iletir.</li><li>API Server pod’un yeni durumunu etcd’ye yazar.</li></ol><p>Kubernetes, uygulamalarınızı daha hızlı, güvenli ve verimli bir şekilde dağıtmanıza olanak tanır. Eğer herhangi bir zorlukla karşılaşırsanız, Kubernetes’in resmi dokümantasyonuna ve topluluk kaynaklarına başvurabilirsiniz 📖🚀</p><blockquote><a href="https://kubernetes.io/docs/setup/production-environment/tools/kubeadm/install-kubeadm/">Installing kubeadm | Kubernetes</a></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=48a16755040c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Docker Kurulumu | Windows 11 Home Sürümünde Hyper-V Kurulumu]]></title>
            <link>https://medium.com/@seherkumsar/docker-kurulumu-windows-11-home-s%C3%BCr%C3%BCm%C3%BCnde-hyper-v-kurulumu-46887387d640?source=rss-c42dcc340ca7------2</link>
            <guid isPermaLink="false">https://medium.com/p/46887387d640</guid>
            <category><![CDATA[hyper-v]]></category>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[windows-11]]></category>
            <dc:creator><![CDATA[Seher Kumsar]]></dc:creator>
            <pubDate>Sat, 24 Feb 2024 05:55:45 GMT</pubDate>
            <atom:updated>2024-02-24T19:26:41.546Z</atom:updated>
            <content:encoded><![CDATA[<p>Docker, uygulama geliştirme ve dağıtım süreçlerini hızlandırmak için yaygın olarak kullanılan bir konteynerleme platformudur. Konteyner temel olarak işletim sistemlerinden soyutlayarak her bir ayrı konteyner üzerinden çalışabilen birbirlerinin bozulması veya değiştirilmesinden etkilenmeden ayrı uygulama yayın alanları oluşturulmasını sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bIQOZL_pZujjrfaaYlQ_gQ.png" /><figcaption>Docker Sunucu İstemci Mimarisi</figcaption></figure><h3>Docker Kurulumu</h3><h4>Docker Desktop’un İndirilmesi ve Kurulumu</h4><p>İlk adım olarak Docker Desktop’un resmi web sitesinden indirme işlemi gerçekleştirilmelidir.</p><p><a href="https://hub.docker.com/">Docker Hub Container Image Library | App Containerization</a> üzerinden giriş yaparak indirebilirsiniz. İşletim sisteminize uygun kurulum dosyasını indirin.</p><p><a href="https://desktop.docker.com/win/main/amd64/Docker%20Desktop%20Installer.exe"><strong>Download for Windows</strong></a></p><h4>Windows Özelliklerinin Ayarlanması</h4><p>Docker Desktop’un düzgün çalışabilmesi için bazı Windows özelliklerinin etkinleştirilmesi gerekmektedir.</p><ol><li>Denetim Masası’na gidin.</li><li>“Programlar” bölümünü açın.</li><li>“Programlar ve Özellikler”i seçin.</li><li>“Windows Özelliklerini Aç veya Kapat” seçeneğini bulun.</li><li>Açılan pencerede</li></ol><ul><li>Hyper-V (yoksa yükleme hatası alınır)</li><li>Linux için Windows Alt sistemi</li><li>Sanal Makine Platformu</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/426/1*bvFeQX07ayxXC-q5Sji-4w.png" /><figcaption>Windows Özelliklerini Aç veya Kapat</figcaption></figure><p>seçeneklerini işaretleyin ve kaydedin.</p><p><strong>Uyarı</strong>: Docker Desktop ile VirtualBox (Vagrant) aynı anda çalışamaz. Hyper-v enable durumda Docker Desktop çalışır. Hyper-V disable durumda VirtualBox (Vagrant) çalışır.</p><h4>Windows 11 Home Sürümünde Hyper-V Kurulumu</h4><p>Eğer Windows Özelliklerini Aç veya Kapat içerisinde Hyper-V’yi göremediğiniz için etkinleştiremiyorsanız sürümünüz karşılamadığı için indirmeniz gerekiyor olabilir.</p><p>Hyper-V, sanal makine ve konteyner tabanlı uygulamaların çalıştırılmasını sağlar. Bu özelliği etkinleştirmek için:</p><ul><li>Başlat menüsünden “Görev Yöneticisi”ni açın.</li><li>“Performans” sekmesine gidin ve “CPU” bölümünde Sanallaştırma’nın “Etkin” olduğundan emin olun.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vDjA0wLsSyyXZuSb_V2jtw.png" /><figcaption>Görev Yöneticisi Sanallaştırma</figcaption></figure><p>Bilgisayarınızda herhangi bir yerde bir Not Defteri dosyası açın ve aşağıdaki kodu yapıştırın.</p><pre>pushd &quot;%~dp0&quot;<br><br>dir /b %SystemRoot%\servicing\Packages\*Hyper-V*.mum &gt;hyper-v.txt<br><br>for /f %%i in (&#39;findstr /i . hyper-v.txt 2^&gt;nul&#39;) do dism /online /norestart /add-package:&quot;%SystemRoot%\servicing\Packages\%%i&quot;<br><br>del hyper-v.txt<br><br>Dism /online /enable-feature /featurename:Microsoft-Hyper-V -All /LimitAccess /ALL<br><br>pause</pre><p>Not Defteri dosyasını hyperv.bat olarak farklı kaydedin ve dosyaya sağ tıklayarak Yönetici olarak çalıştır’ı seçin. İndirme bittikten sonra “Y” belirtilerek bilgisayarınız yeniden başlatılır.</p><h4>Docker Desktop’un Başlatılması ve Kontrol Edilmesi</h4><p>Docker kurulum dosyasını çalıştırarak kurulum sihirbazını başlatın. Sihirbaz adımlarını takip ederek Docker Desktop’u bilgisayarınıza başarıyla kurun. Docker Desktop kurulumu tamamlandıktan sonra, Docker Desktop uygulamasını başlatın.</p><p>Docker’ın düzgün çalıştığını doğrulamak için Windows PowerShell ISE terminalini yönetici olarak çalıştırın.</p><pre>PS C:\WINDOWS\system32&gt; docker version<br>PS C:\WINDOWS\system32&gt; wsl -l<br>PS C:\WINDOWS\system32&gt; wsl -l -o</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/560/1*l1isrUfZkZoBohbjgt1lrg.png" /><figcaption>Windows PowerShell ISE</figcaption></figure><p>Kaynakça:</p><p>[1] <a href="https://geekermag.com/how-to-install-hyper-v-in-windows-11/">How to Enable &amp; Install Hyper-V in Windows 11 Home PC (geekermag.com)</a></p><p>[2] <a href="https://www.youtube.com/watch?v=9zTKV4RIf1Q">Windows 10 için Docker for Windows kurulumu — YouTube</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=46887387d640" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Bilimi Yolculuğum: Machine Learning Evaluation Teknikleri]]></title>
            <link>https://medium.com/@seherkumsar/veri-bilimi-yolculu%C4%9Fum-machine-learning-evaluation-teknikleri-d9e11197ded3?source=rss-c42dcc340ca7------2</link>
            <guid isPermaLink="false">https://medium.com/p/d9e11197ded3</guid>
            <dc:creator><![CDATA[Seher Kumsar]]></dc:creator>
            <pubDate>Fri, 12 Jan 2024 17:59:41 GMT</pubDate>
            <atom:updated>2024-01-12T17:59:41.018Z</atom:updated>
            <content:encoded><![CDATA[<p><a href="https://medium.com/@seherkumsar/veri-bilimi-yolculu%C4%9Fum-makine-%C3%B6%C4%9Frenmesine-giri%C5%9F-f61eb0a168c7">Veri Bilimi Yolculuğum:</a></p><p>SistersLab — Bilim ve Teknolojide Kadın Derneği tarafından yürütülen, Sabancı Vakfı tarafından desteklenen <strong><em>Ada Lovelace Akademi</em></strong> Projesi kapsamında Veri Bilimi Akademisi katılımcılarından biriyim. Bu proje, Aile ve Sosyal Hizmetler Bakanlığı ile Çalışma ve Sosyal Güvenlik Bakanlığı iş birliğinde, Birleşmiş Milletler Kalkınma Programı (UNDP) ve Sabancı Vakfı tarafından yürütülen Geleceğini Kuran Genç Kadınlar Projesi Hibe Programı kapsamında, Sabancı Vakfı’nın mali katkısı ile gerçekleştirilmektedir.</p><p>Merhaba,<br>Bir önceki yazımda Machine Learning konusuna giriş yapmıştım. Şimdi bu yazımda Machine Learning alanında kullanılan model evaluation tekniklerinden bahsedeceğim.</p><p>Makine öğrenimi modellerinin değerlendirilmesi, projenin başarı oranını belirlemek ve modelin performansını anlamak için kritik bir süreçtir. Bu yazıda, model değerlendirmesi konusunu derinlemesine ele alacağız ve bu alanda kullanılan teknikleri, metrikleri ve pratik uygulamaları inceleyeceğiz.</p><h3>1. Model Evaluation Teknikleri:</h3><h4>Çapraz Doğrulama (Cross-Validation): K-Fold ve Stratified K-Fold yöntemleri</h4><ol><li><strong>K-Fold Çapraz Doğrulama:</strong> K-Fold çapraz doğrulama, veri setini K parçaya bölerek modelin K farklı alt kümes üzerinde eğitilip değerlendirilmesini sağlar. Adımları şu şekildedir:</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/868/0*NVofbWUVWwUZk0_4" /></figure><ul><li>Veri seti K eşit parçaya bölünür.</li><li>Model, K-1 parça üzerinde eğitilir ve geriye kalan 1 parça üzerinde değerlendirilir.</li><li>Bu işlem K kez tekrarlanır ve her seferinde farklı bir parça test seti olarak kullanılır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/0*s-L2ewofXGT1TNKu" /></figure><ul><li>Elde edilen performans ölçümleri ortalanarak genel model performansı elde edilir.</li></ul><pre>from sklearn.model_selection import KFold<br>from sklearn.model_selection import cross_val_score<br>from sklearn.linear_model import LogisticRegression<br><br># Veri seti ve hedef değişkenini yükleyin (örnek olarak iris veri seti kullanıldı).<br>X, y = load_iris(return_X_y=True)<br><br># K-Fold çapraz doğrulama n_splits=5 olarak ayarlandı, isteğe bağlı olarak değiştirilebilir.<br>kf = KFold(n_splits=5, shuffle=True, random_state=42)<br><br># Modeli tanımlayın (örnek olarak logistic regression kullanıldı).<br>model = LogisticRegression()<br><br># K-Fold çapraz doğrulama ile modelin performansını değerlendirin.<br>results = cross_val_score(model, X, y, cv=kf)<br>print(&quot;K-Fold Çapraz Doğrulama Sonuçları:&quot;, results)<br>print(&quot;Ortalama Doğruluk (Accuracy):&quot;, results.mean())</pre><p><strong>2. Stratified K-Fold Çapraz Doğrulama:</strong> Stratified K-Fold, K-Fold’un bir türüdür ve özellikle dengesiz sınıflara sahip veri setlerinde kullanılır. Adımları şu şekildedir:</p><ul><li>Veri seti, sınıf oranlarını koruyacak şekilde K parçaya bölünür.</li><li>Her bir parça içindeki sınıf oranları orijinal veri setiyle aynıdır.</li><li>Model eğitilir ve değerlendirilirken sınıf dengesi korunur, bu da daha güvenilir sonuçlar elde etmemize olanak tanır.</li></ul><pre>from sklearn.model_selection import StratifiedKFold<br><br># Stratified K-Fold çapraz doğrulama n_splits=5 olarak ayarlandı, isteğe bağlı olarak değiştirilebilir.<br>skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)<br><br># Model ve veri seti aynı olduğu için tekrar tanımlandı.<br>model = LogisticRegression()<br><br># Stratified K-Fold çapraz doğrulama ile modelin performansını değerlendirin.<br>results_stratified = cross_val_score(model, X, y, cv=skf)<br>print(&quot;Stratified K-Fold Çapraz Doğrulama Sonuçları:&quot;, results_stratified)<br>print(&quot;Ortalama Doğruluk (Accuracy):&quot;, results_stratified.mean())</pre><h4>Hiperparametre Ayarlama: Grid Search ve Random Search ile optimal parametre seçimi</h4><p><strong>1. Grid Search:</strong> Grid Search, belirli bir parametre aralığında tüm kombinasyonları deneyerek en iyi performansı sağlayan hiperparametre setini bulma tekniğidir.</p><ul><li>Ayarlanacak parametreler ve değer aralıkları belirlenir.</li><li>Tüm kombinasyonlar ayrı ayrı denenir.</li><li>En iyi performansı veren kombinasyon seçilir.</li></ul><pre>from sklearn.model_selection import GridSearchCV<br><br># Model (örnek olarak Support Vector Machine - SVM kullanıldı).<br>model_svm = SVC()<br><br># Ayarlanacak hiperparametreler ve değer aralıkları belirlenir.<br>param_grid = {&#39;C&#39;: [0.1, 1, 10], &#39;kernel&#39;: [&#39;linear&#39;, &#39;rbf&#39;]}<br><br># Grid Search ile en iyi hiperparametreleri bulunur.<br>grid_search = GridSearchCV(model_svm, param_grid, cv=5)<br>grid_search.fit(X, y)<br><br># En iyi hiperparametreleri ve sonuçları görüntüleyin.<br>print(&quot;En İyi Hiperparametreler:&quot;, grid_search.best_params_)<br>print(&quot;En İyi Doğruluk (Accuracy):&quot;, grid_search.best_score_)</pre><p><strong>2. Random Search</strong>: Random Search, parametre uzayında rastgele seçilen noktalarda denemeler yaparak en iyi performansı sağlayan hiperparametre setini bulma tekniğidir.</p><ul><li>Parametre aralıkları belirlenir.</li><li>Belirli bir sayıda rastgele kombinasyon seçilir.</li><li>En iyi performansı veren kombinasyon seçilir.</li></ul><pre>from sklearn.model_selection import RandomizedSearchCV<br><br># Model ve hiperparametre aralıkları aynı olduğu için tekrar tanımlandı.<br>model_svm = SVC()<br><br># Random Search ile en iyi hiperparametreleri bulunur.<br>random_search = RandomizedSearchCV(model_svm, param_distributions=param_grid, n_iter=3, cv=5)<br>random_search.fit(X, y)<br><br># En iyi hiperparametreleri ve sonuçları görüntüleyin.<br>print(&quot;En İyi Hiperparametreler:&quot;, random_search.best_params_)<br>print(&quot;En İyi Doğruluk (Accuracy):&quot;, random_search.best_score_)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*0wXVCoWhX9h9e2aR.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d9e11197ded3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Bilimi Yolculuğum: Makine Öğrenmesine Giriş]]></title>
            <link>https://medium.com/@seherkumsar/veri-bilimi-yolculu%C4%9Fum-makine-%C3%B6%C4%9Frenmesine-giri%C5%9F-f61eb0a168c7?source=rss-c42dcc340ca7------2</link>
            <guid isPermaLink="false">https://medium.com/p/f61eb0a168c7</guid>
            <dc:creator><![CDATA[Seher Kumsar]]></dc:creator>
            <pubDate>Fri, 05 Jan 2024 17:59:09 GMT</pubDate>
            <atom:updated>2024-01-05T18:21:10.227Z</atom:updated>
            <content:encoded><![CDATA[<h4><a href="https://medium.com/@seherkumsar/veri-bilimi-yolculu%C4%9Fum-python-programlama-veri-tipleri-a54613870e84">Veri Bilimi Yolculuğum:</a></h4><p>SistersLab — Bilim ve Teknolojide Kadın Derneği tarafından yürütülen, Sabancı Vakfı tarafından desteklenen <strong><em>Ada Lovelace Akademi</em></strong> Projesi kapsamında Veri Bilimi Akademisi katılımcılarından biriyim. Bu proje, Aile ve Sosyal Hizmetler Bakanlığı ile Çalışma ve Sosyal Güvenlik Bakanlığı iş birliğinde, Birleşmiş Milletler Kalkınma Programı (UNDP) ve Sabancı Vakfı tarafından yürütülen Geleceğini Kuran Genç Kadınlar Projesi Hibe Programı kapsamında, Sabancı Vakfı’nın mali katkısı ile gerçekleştirilmektedir.</p><h3><strong>Makine Öğrenmesi Nedir ?</strong></h3><p>Makine öğrenmesi, bilgisayarların insanlara benzer şekilde öğrenmesini sağlamak amacıyla çeşitli algoritma ve tekniklerin geliştirildiği bir bilimsel çalışma alanıdır.</p><p><strong>Gerçek Hayat Örnekleri</strong></p><ul><li>Fotoğraftan araç tanıma uygulaması</li><li>Chatbotlar ve kişisel asistanlar</li><li>Netflix, Amazon ve E Ticarette tavsiye sistemleri</li><li>Spam Engelleme</li></ul><p>Bu alanda çalışmaya başlamak için kullanılan temel kütüphaneler arasında Numpy, Scipy, Matplotlib, Pandas ve Scikit-learn bulunmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*CYyso6gQl2q12Y4r.png" /></figure><h3>Python için Temel Kütüphaneler</h3><ol><li><strong>Numpy:</strong> Numerik hesaplamalar ve çok boyutlu diziler üzerinde çalışmak için kullanılır.</li><li><strong>Scipy:</strong> Bilimsel ve teknik hesaplamalar için geniş bir işlev yelpazesi sunar.</li><li><strong>Matplotlib: </strong>Veri görselleştirmesi ve grafik oluşturmak için kullanılır.</li><li><strong>Pandas:</strong> Veri analizi ve manipülasyonu için etkili bir araçtır. Tablo benzeri veri yapıları sunar.</li><li><strong>Scikit-learn:</strong> Sınıflandırma, regresyon, kümeleme gibi birçok makine öğrenimi görevini destekler.</li></ol><p>Bu kütüphaneler sayesinde veri ön işleme, özellik seçimi, model eğitimi ve değerlendirme gibi süreçleri kolayca gerçekleştirebiliriz.</p><h3>Makine Öğrenmesi Terminolojisi</h3><h3><strong>1-Bağımlı Değişken &amp; Bağımsız Değişken</strong></h3><ul><li>Bağımlı değişken, deneylerde değişkenlerden birinin değişmesine bağlı olarak değişen sonuçlardır.</li><li>Bağımsız değişkenler, bir şeye bağlı olmadan değişen ve daha çok neden oluşturan değişkenlerdir.</li></ul><h3><strong>2-Öğrenme Türleri</strong></h3><ul><li><strong>Gözetimli Öğrenme (Supervised Learning):</strong> Etiketli veriler üzerinde yapılan makine öğrenmesi yöntemidir. Etiketli veriler, girdi (X) ve çıktı (y) olarak iki bileşene sahip olan verilerdir. Supervised learning modelleri girdiden çıktıyı tahmin etmeye çalışır. Sınıflandırma veya regresyon olarak ikiye ayrılır.</li><li><strong>Gözetimsiz Öğrenme (Unsupervised Learning):</strong> Verileri sebep-sonuç ya da giriş-çıkış şeklinde etiketlemeden, veri içerisinde var olan ilişkilerin ve yapıların öğrenilmesidir. Kümeleme, boyut indirgeme gibi görevleri içerir.</li><li><strong>Yarı Gözetimli Öğrenme (Semi-supervised Learning):</strong> Eğitim sırasında az miktarda etiketlenmiş verileri büyük miktarda etiketlenmemiş verilerle birleştiren bir yaklaşımdır.</li></ul><p>Gözetimli ve gözetimsiz öğrenme arasındaki en temel fark, gözetimli öğrenmenin etiketli verilerle çalışmasıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/563/0*Ubck7M8v44jdNXuy.jpg" /></figure><h3><strong>3-Problem Türü</strong></h3><p><strong>Regresyon: </strong>İki (ya da daha çok) değişken arasındaki doğrusal ilişkinin fonksiyonel şeklini, biri bağımlı diğeri bağımsız değişken olarak bir doğru denklemi olarak gösterilmesine denir.</p><p>Regresyon algoritmalarını listelemek gerekirse:</p><ul><li><em>Simple Linear Regression</em></li><li><em>Multiple Linear Regression</em></li><li><em>Polynomial Regression</em></li><li><em>Logistic Regression</em></li><li><em>Support Vector Regression</em></li><li><em>Decision Tree Regression</em></li><li><em>Random Forest Regression</em></li></ul><p><strong>Sınıflandırma: </strong>Veri kümesi üzerinde tanımlı olan çeşitli sınıflar arasında veriyi dağıtmak için kullanılır.</p><p>Sınıflandırma şu algoritmaları içerir:</p><ul><li><em>Logistic Regression</em></li><li><em>K-Nearest Neighbours</em></li><li><em>Support Vector Machines</em></li><li><em>Kernel SVM</em></li><li><em>Naïve Bayes</em></li><li><em>Decision Tree Classification</em></li><li><em>Random Forest Classification</em></li></ul><h3><strong>4-Feature Engineering</strong></h3><p>Kişinin kendisinin veya otomatikleştirdiği sistemin içerisinden yeni değişkenler oluşturma basamağıdır.</p><h3><strong>5-Değişken Seçimi</strong></h3><p>Değişkenlerin Bağımlı değişken üzerindeki etkisi ve model üzerindeki etkisi göz önüne alınarak düşük performanslı değişkenlerin model dışında bırakılması işlemine “Değişken Seçimi” denir.</p><h3><strong>6- </strong>Model Seçimi ve Değerlendirilmesi</h3><h4>Model Neye Göre Seçilir ?</h4><p>Model seçimi, veri setine en uygun algoritmayı belirlemek için kullanılır. Model değerlendirilmesi ise seçilen algoritmanın performansını ölçmek için kullanılır.</p><h4>Regresyon:</h4><ul><li><strong>Mean Square Error (MSE):</strong> Bir modelin ortalama kare hatalarının karelerinin ortalamasını, yani tahmini değerler ile gerçek değer arasındaki ortalama kare farkını ölçer.</li></ul><h4><em>Sınıflandırma:</em></h4><ul><li><strong>Karışıklık Matrisi:</strong> Modelin sınıfları ne kadar doğru tahmin ettiğini gösteren bir matristir. Doğru ve yanlış sınıflandırmaları içerir.</li></ul><blockquote><em>TP (True positive — Doğru Pozitif): Hastaya hasta demek.</em></blockquote><blockquote><em>FP (False positive — Yanlış Pozitif): Hasta olmayana hasta demek.</em></blockquote><blockquote><em>TN (True negative — Doğru Negatif): Hasta olmayana hasta değil demek.</em></blockquote><blockquote><em>FN (False negative — Yanlış Negatif): Hasta olana hasta değil demek.</em></blockquote><ul><li><strong>Doğruluk (Accuracy):</strong> Toplam doğru tahminlerin, toplam veri noktalarına oranıdır. Ancak dengesiz sınıflara sahipseniz, doğruluk yetersiz olabilir. Accuracy skoru ne kadar yüksekse tahmin başarısı o kadar iyi demektir.</li></ul><h3>7-Overfitting(Aşırı Öğrenme) ve Underfitting(Yetersiz Öğrenme)</h3><p>Eğitilen modelin bir veri kümesini ezberleyecek derecede iyi öğrenmesi sonucunda bu veri kümesinde yer almayan yeni verilere uyum sağlayamamasına “OverFitting” denir.</p><p>Underfitting ise modelin eğitim verilerine yeterince uyum sağlayamaması durumudur. Model, eğitim verilerini doğru bir şekilde öğrenemez ve bu nedenle hem eğitim hem de test verilerinde düşük performans gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/698/0*cwuWX9jZK4qkkr59.png" /></figure><p>Bir sonraki yazımda Makine Öğrenmesi yöntemlerinden olan Doğrusal Regresyon konusu ile devam edeceğim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*KaeKd05ZxTRyzEII.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f61eb0a168c7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Biliminde API kullanımı]]></title>
            <link>https://medium.com/@seherkumsar/veri-biliminde-api-kullan%C4%B1m%C4%B1-7b21aa28f3d9?source=rss-c42dcc340ca7------2</link>
            <guid isPermaLink="false">https://medium.com/p/7b21aa28f3d9</guid>
            <category><![CDATA[get-youtube-api-key]]></category>
            <category><![CDATA[google-developer-console]]></category>
            <category><![CDATA[api]]></category>
            <category><![CDATA[youtube-data-api-v3]]></category>
            <category><![CDATA[youtube-channel-id-finder]]></category>
            <dc:creator><![CDATA[Seher Kumsar]]></dc:creator>
            <pubDate>Fri, 22 Dec 2023 09:58:34 GMT</pubDate>
            <atom:updated>2024-01-15T18:37:13.613Z</atom:updated>
            <content:encoded><![CDATA[<h4><strong>YouTube API kullanarak Video Verilerini Çekme</strong></h4><p>Herkese merhaba, ben <strong><em>Ada Lovelace Akademisi </em></strong>katılımcılarından Seher. Bu proje, Aile ve Sosyal Hizmetler Bakanlığı ile Çalışma ve Sosyal Güvenlik Bakanlığı iş birliğinde, Birleşmiş Milletler Kalkınma Programı (UNDP) ve Sabancı Vakfı tarafından yürütülen Geleceğini Kuran Genç Kadınlar Projesi Hibe Programı kapsamında, Sabancı Vakfı’nın mali katkısı ile gerçekleştirilmektedir.</p><p>Veri Bilimi Akademisi’ndeki yolculuğumuz devam ediyor ve bu sefer API kullanımına dair öğrendiklerimi sizinle paylaşmak istiyorum 🚀</p><p>Uygulama Programlama Arayüzü (API), yazılım uygulamaları arasında iletişimi sağlayan bir arayüzdür. Bu arayüz, bir uygulamanın belirli işlevlerini başka bir uygulamanın kullanmasına olanak tanır. Farklı hizmet sağlayıcıların API’lerini kullanarak Twitter, YouTube, OpenWeather, vb. platformlardan veri çekebilir ve ardından bu verileri analiz edebilirsiniz.</p><h3>API Anahtarları ve Kullanımı 🔑</h3><p>API’leri kullanmak için öncelikle API hizmet sağlayıcısının belirlediği kurallara ve formatlara uymanız gerekir. Bu kurallar, API’nin nasıl çalıştığını, hangi parametreleri alabileceğini ve hangi yanıtları verebileceğini belirtir. API hizmet sağlayıcısı, genellikle bu kuralları belgeleyerek geliştiricilere sunar.</p><p>API’ye erişmek için ise API anahtarı adı verilen benzersiz bir tanımlayıcıya ihtiyacınız vardır. API anahtarı, bir API’ye erişimi doğrulamak ve yetkilendirmek için kullanılan benzersiz bir tanımlayıcıdır. Genellikle API hizmet sağlayıcıları, geliştiricilere API anahtarları oluşturmalarına izin verir ve daha sonra bu anahtarları uygulamalarda ve araçlarda kullanmalarına olanak tanır.</p><p>Bu yazıda YouTube API’sini kullanarak Python ile video verilerini nasıl çekebileceğinizi adım adım anlatacağım.</p><h3>YouTube API Kullanımı ▶️</h3><p>YouTube dünyanın en büyük video paylaşım platformlarından biridir. YouTube API geliştiricilere platformdaki video verilerine programatik olarak erişim sağlar. YouTube API’si, YouTube’da bulunan videoların başlıklarını, açıklamalarını, yorumlarını, beğeni sayılarını ve daha birçok bilgiyi almanızı sağlayan bir arayüzdür.</p><p>YouTube API’sini kullanabilmek için öncelikle bir API anahtarı almanız gerekiyor.</p><p><strong><em>Aşağıdaki adımları takip ederek YouTube API anahtarını alabilirsiniz:</em></strong></p><ol><li>Google Cloud Platform’a giriş yapın veya yeni bir hesap oluşturun.</li><li><a href="https://console.developers.google.com/?hl=tr">Google Developers Console</a>’da bir proje oluşturmak için sol menüden APIs &amp; Services’e tıklayın.</li><li>Üst kısımdan + Creat Project’e tıklayın ve projenize bir isim verin.</li><li>Oluşturduğunuz projeyi seçin ve sol menüden Credentials’a (<a href="https://developers.google.com/youtube/registering_an_application?hl=tr">Kimlik Doğrulama Bilgileri</a>) tıklayın.</li><li>Üst kısımdan + Create credentials’a tıklayın ve API Anahtarı’nı seçin.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/547/1*drakgU0O3kbMb7Aq73Rdmw.png" /><figcaption>APIs &amp; Services | Credentials</figcaption></figure><p>6. Enabled APIs &amp; Services’e tıklayın ve YouTube Data API v3&#39;ü arayın ve etkinleştirin.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/628/1*eTodYETLQyux7Oln3CKjoQ.png" /><figcaption>Enabled APIs &amp; Services</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PetznoKeDeb1MZzmBjRoWQ.png" /><figcaption>YouTube Data API v3</figcaption></figure><p>YouTube API anahtarını kopyalayarak projenizde kullanabilirsiniz.</p><p>Projenizde config klasörü ekleyin. Klasör içerisine config.py dosyası oluşturarak API anahtarlarını ve diğer hassas bilgileri ayrı bir dosyada saklayabilirsiniz.</p><pre># YouTube API anahtarı<br>YOUTUBE_API_KEY = &#39;&#39;</pre><h4>YouTube API’sini kullanma örneği:</h4><pre>import requests<br>import pandas as pd<br>import time<br>from config.config import YOUTUBE_API_KEY</pre><ul><li>requests: HTTP istekleri göndermek ve almak için kullanılır.</li><li>pandas: Veri analizi ve manipülasyonu için kullanılır.</li><li>time: Zamanla ilgili işlemleri gerçekleştirmek için kullanılır.</li><li>config klasöründen config modülünü içeri aktararak YOUTUBE_API_KEY değişkeni import edilir.</li></ul><pre>def get_video_statistics(video_id, youtube_api_key):<br>    # collecting video statistics<br>    video_stats_url = &quot;https://www.googleapis.com/youtube/v3/videos?id=&quot;+video_id+&quot;&amp;part=statistics&amp;key=&quot;+youtube_api_key<br>    video_stats_response = requests.get(video_stats_url).json()<br><br>    view_count = video_stats_response[&#39;items&#39;][0][&quot;statistics&quot;][&quot;viewCount&quot;]<br>    like_count = video_stats_response[&#39;items&#39;][0][&quot;statistics&quot;][&quot;likeCount&quot;]<br><br>    return view_count, like_count</pre><p>YouTube videosunun istatistik bilgilerini çekmek için get_video_statistics adlı bir fonksiyon yazdık.</p><p>video_stats_url adlı bir değişken oluşturulur ve bu değişkende YouTube API&#39;nin videos endpoint&#39;ini kullanarak belirli bir videoya ait istatistik bilgilerini çekmek için kullanılan URL bulunur. Bu bilgilerle yapılan bir GET isteği video istatistiklerini içeren JSON verilerini alacaktır. Video istatistiklerini içeren JSON verisi üzerinden istediğimiz bilgileri çekeriz. Bu örnekte, görüntülenme sayısı (viewCount) ve beğeni sayısı (likeCount) çektik.</p><pre>def get_videos_from_channel(df, channel_id, youtube_api_key):<br>    # make API call<br>    pageToken = &quot;&quot;<br>    url = &quot;https://www.googleapis.com/youtube/v3/search?key=&quot;+youtube_api_key+&quot;&amp;channelId=&quot;+channel_id+&quot;&amp;part=snippet,id&amp;order=date&amp;maxResults=1000&quot;+pageToken<br>    <br>    response = requests.get(url).json()<br>    time.sleep(3)<br><br>    for video in response[&#39;items&#39;]:<br>        if video[&#39;id&#39;][&#39;kind&#39;] == &#39;youtube#video&#39;:<br>            video_title = video[&#39;snippet&#39;][&#39;title&#39;]<br>            video_id = video[&#39;id&#39;][&#39;videoId&#39;]<br>            upload_date = video[&#39;snippet&#39;][&#39;publishedAt&#39;]<br>            upload_date= str(upload_date).split(&quot;T&quot;)[0]<br><br>            view_count, like_count = get_video_statistics(video_id, youtube_api_key)<br><br>            #save in pandas df<br>            df = df._append({<br>                &quot;video_id&quot;: video_id,<br>                &quot;video_title&quot;: video_title,<br>                &quot;upload_date&quot;: upload_date,<br>                &quot;view_count&quot;: view_count,<br>                &quot;like_count&quot;: like_count<br>            }, <br>            ignore_index = True<br>            )<br>    return df</pre><p>Belirli bir YouTube kanalına ait video bilgilerini çekmek için get_videos_from_channel adlı bir fonksiyon oluşturduk.</p><p>Fonksiyon üç parametre alır:</p><ul><li>Pandas DataFrame (df),</li><li>çekilecek kanalın ID&#39;si (channel_id),</li><li>YouTube API&#39;ye erişim sağlamak için API anahtarı (youtube_api_key)</li></ul><p>pageToken değişkeni boş bir dize olarak tanımlanır. Bu değişken, YouTube API&#39;nin sayfalama (pagination) işlemi için kullanılacaktır.</p><p>url değişkeni oluşturulur ve bu değişkende YouTube API&#39;nin search endpoint&#39;ini kullanarak belirli bir kanala ait videoları çekmek için kullanılan URL bulunur.</p><p>response değişkeni oluşturulur ve bu değişken, yukarıda oluşturulan URL&#39;ye yapılan GET isteğinin JSON yanıtını içerir.</p><p>time.sleep(3) ifadesi, API&#39;ye yapılan her isteğin arasında 3 saniyelik bir bekleme süresi ekler.</p><p>response içindeki her video için bir döngü oluşturulur ve videoların bilgileri çekilir.</p><p>Bu bilgileri bir Pandas DataFrame’e eklemek için _append() methodu kullanılır.</p><pre>CHANNEL_ID = &quot;UCLA_DiR1FfKNvjuUpBHmylQ&quot;<br><br>df = pd.DataFrame(columns=[&quot;video_id&quot;,&quot;video_title&quot;,&quot;upload_date&quot;,&quot;view_count&quot;,&quot;like_count&quot;]) <br>youtube_data = get_videos_from_channel(df, CHANNEL_ID, YOUTUBE_API_KEY)</pre><p>YouTube kanalının ID’sini (CHANNEL_ID) ve bir API anahtarını (YOUTUBE_API_KEY) kullanarak videoların bilgilerini içeren bir Pandas DataFrame oluşturduk. CHANNEL_ID değerini elde etmek için <a href="https://www.streamweasels.com/tools/youtube-channel-id-and-user-id-convertor/">YouTube Username to ID Convertor</a> kullanılır. Kanalın YouTube Username’i yazılarak Channel ID’sine ulaşılır. Bu örnekte <a href="https://www.youtube.com/@NASA">NASA — YouTube</a> kanalındaki veriler çekildi.</p><pre>youtube_data.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/678/1*Z0SWN9aLLPEQaRJ_Lu_IvA.png" /><figcaption>İlk 5 Videonun İstatikleri</figcaption></figure><p>YouTube API ile ilgili daha fazla bilgiye <a href="https://developers.google.com/youtube/v3/getting-started?hl=tr">YouTube Data API’ye Genel Bakış | Google for Developers</a> adresinden ulaşabilirsiniz. Umarım faydalı olur 🤗</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8yTQ1IPjQNIXPH3slH9ezA.png" /><figcaption><a href="https://developers.google.com/apis-explorer/?hl=tr#p/youtube/v3/">YouTube Data API Gezgini</a></figcaption></figure><p>Github hesabımdan kodlara göz atabilirsiniz :)</p><p><a href="https://github.com/SeherKumsar/youtube-api-project">GitHub - SeherKumsar/youtube-api-project: An example project for data science lessons</a></p><p>Kaynakça:</p><p>[1] <a href="https://blog.streamlit.io/8-tips-for-securely-using-api-keys/">https://blog.streamlit.io/8-tips-for-securely-using-api-keys/</a></p><p>[2] <a href="https://github.com/public-apis/public-apis">https://github.com/public-apis/public-apis</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*-hGdS3471pmLj9dO.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7b21aa28f3d9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri görselleştirmesine nasıl karar verilir]]></title>
            <link>https://medium.com/@seherkumsar/veri-g%C3%B6rselle%C5%9Ftirmesine-nas%C4%B1l-karar-verilir-e9fc493ba8e2?source=rss-c42dcc340ca7------2</link>
            <guid isPermaLink="false">https://medium.com/p/e9fc493ba8e2</guid>
            <dc:creator><![CDATA[Seher Kumsar]]></dc:creator>
            <pubDate>Fri, 15 Dec 2023 09:59:31 GMT</pubDate>
            <atom:updated>2023-12-15T10:27:26.771Z</atom:updated>
            <content:encoded><![CDATA[<p>Veri görselleştirmesi, veri biliminin temel taşlarından biridir. Karmaşık veri setlerini anlamak, trendleri belirlemek ve içgörüler elde etmek için güçlü bir araçtır. Ancak, etkili bir görselleştirme oluşturmak için doğru kararları vermek önemlidir. İşte veri görselleştirmesine karar verme sürecinde dikkate almanız gereken bazı önemli adımlar:</p><p><strong>1. Hedef Belirleme:</strong></p><p>İlk olarak, görselleştirmenin amacını ve hedeflerini belirleyin. Veriyi nasıl iletmek istediğinizi ve hangi sorulara cevap aradığınızı anlamak, doğru görselleştirme türünü seçmenize yardımcı olacaktır. Örneğin, trendleri göstermek mi, karşılaştırmalar yapmak mı, yoksa dağılımları incelemek mi istiyorsunuz?</p><p><strong>2. Hedef Kitleyi Belirleme:</strong></p><p>Görselleştirmenizin hedef kitlesini anlamak önemlidir. Görselleştirmeniz bir yöneticiye mi, teknik bir uzmana mı yoksa geniş bir halka mı hitap edecek? Hedef kitlenizi belirleyerek görselleştirmenin detay seviyesini ayarlayabilirsiniz.</p><p><strong>3. Veri Türünü Anlama:</strong></p><p>Veri setinizin türünü ve içeriğini anlamak, hangi görselleştirme yöntemlerinin uygun olduğunu belirlemenize yardımcı olacaktır. Sayısal veriler mi, kategorik veriler mi yoksa coğrafi veriler mi üzerinde çalışıyorsunuz?</p><p><strong>4. Görselleştirme Türünü Seçme:</strong></p><p>Veri setiniz ve hedefleriniz doğrultusunda uygun görselleştirme türünü seçin. Çizgi grafikleri, çubuk grafikleri, pasta grafikleri, haritalar, ısı haritaları gibi farklı grafik türleri arasından doğru olanı seçmek, mesajınızın etkili bir şekilde iletilmesini sağlar.</p><p><strong>5. Renk ve Tasarım Seçimi:</strong></p><p>Renk paleti ve genel tasarım estetiği, görselleştirmenizin anlaşılabilirliğini etkiler. Dikkatli renk seçimi, veriyi vurgulamanıza ve okuyucuların dikkatini çekmenize yardımcı olacaktır.</p><p><strong>6. Düzenli ve Anlaşılır Başlık ve Etiketler:</strong></p><p>Grafiklerinizin ve görselleştirmelerinizin düzenli ve anlaşılır başlıklar ve etiketler içermesi önemlidir. Bu, okuyucuların hızlıca içeriği anlamalarına yardımcı olur.</p><p><strong>7. Görselleştirmenin Bağlamını Belirleme:</strong></p><p>Görselleştirmenizi bir bağlam içinde değerlendirin. Veriyi izole etmek yerine, çevresindeki bağlamı da göstermek, daha kapsamlı bir anlayış sağlar.</p><p>Bu adımları takip ederek, veri görselleştirmesi oluştururken daha bilinçli ve etkili kararlar verebilirsiniz. Unutmayın ki görselleştirme, veri setinizin hikayesini anlatmanın güçlü bir yoludur ve doğru kararlarla bu hikayeyi daha etkili bir şekilde iletebilirsiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e9fc493ba8e2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Bilimi Yolculuğum: Python Programlama — Veri Tipleri]]></title>
            <link>https://medium.com/@seherkumsar/veri-bilimi-yolculu%C4%9Fum-python-programlama-veri-tipleri-a54613870e84?source=rss-c42dcc340ca7------2</link>
            <guid isPermaLink="false">https://medium.com/p/a54613870e84</guid>
            <category><![CDATA[python-programlama]]></category>
            <category><![CDATA[python-veri-tipleri]]></category>
            <dc:creator><![CDATA[Seher Kumsar]]></dc:creator>
            <pubDate>Fri, 08 Dec 2023 09:41:53 GMT</pubDate>
            <atom:updated>2024-01-05T13:42:57.723Z</atom:updated>
            <content:encoded><![CDATA[<h3>Veri Bilimi Yolculuğum: Python Programlama — Veri Tipleri</h3><h4><a href="https://medium.com/@seherkumsar/veri-bilimi-yolculu%C4%9Fum-python-programlamaya-giri%C5%9F-ca8b783e8f9a?source=user_profile---------0----------------------------">Veri Bilimi Yolculuğum</a></h4><p>SistersLab — Bilim ve Teknolojide Kadın Derneği tarafından yürütülen, Sabancı Vakfı tarafından desteklenen <strong><em>Ada Lovelace Akademi</em></strong> Projesi kapsamında Veri Bilimi Akademisi katılımcılarından biriyim. Bu proje, Aile ve Sosyal Hizmetler Bakanlığı ile Çalışma ve Sosyal Güvenlik Bakanlığı iş birliğinde, Birleşmiş Milletler Kalkınma Programı (UNDP) ve Sabancı Vakfı tarafından yürütülen Geleceğini Kuran Genç Kadınlar Projesi Hibe Programı kapsamında, Sabancı Vakfı’nın mali katkısı ile gerçekleştirilmektedir.</p><p>Proje, ne eğitimde ne istihdamda(NEET), üniversitelerin mühendislik bölümlerinden mezun olan kadınların, teknik &amp; destekleyici eğitimlerle ve mentorluk desteğiyle yetkinliklerinin artırılmasını destekleyerek iş gücüne katılımlarını artırmayı hedeflenmektedir.</p><p>Sizlere bu yazımda önce verinin neden görselleştirildiğinden da sonra doğru veri görselleştirilmesine nasıl karar verildiğinden bahsedeceğim.</p><p>Bu yazımda, Python programlama dilinin temel özelliklerinden biri olan veri tipleri ile devam edeceğim. Veri tiplerini iyi bilmek, verileri doğru şekilde işlemek, saklamak ve analiz etmek için önemlidir.</p><h3>Strings</h3><pre>my_number = 42<br>my_number = str(my_number)<br>print(type(my_number))</pre><p>Sayının str() fonksiyonu ile String’e dönüştürüldükten sonra String veri türüne sahip olduğunu gösterir. type() fonksiyonu, bir değişkenin veri türünü döndürür.</p><pre>my_string = &#39;my text is &quot;important&quot;&#39;<br>print(my_string)</pre><pre>my_string[-1]</pre><p>-1 indeks bu String ifadenin son karakterini döndür</p><pre>my_string[1:]</pre><p>String ifadenin ikinci karakterinden başlayarak sona kadar olan kısmını elde etmektedir.</p><pre>my_string[::-1]</pre><p>Bir string ifadenin tersine çevrilmiş halini elde etmeyi amaçlar. my_string[::-1] ifadesi, String’in sondan başlayarak başa doğru olan ters sıralamasını elde eder.</p><pre>my_string.split()</pre><p>split() methodu String’i boşluk karakterlerine göre böler ve elde edilen parçaları bir liste olarak döndürür.</p><pre>animals = [&quot;cat&quot;, &quot;dog&quot;, &quot;horse&quot;]</pre><p>animals adlı üç farklı öğe içeren bir liste oluşturduk.</p><pre>liste_animals = &quot;, &quot;.join(animals)<br>liste_animals</pre><p>Bu Python ifadesi, animals listesindeki öğeleri virgül ve boşluk karakteri (&quot;, &quot;) ile birleştirerek tek bir String oluşturur.animals listesindeki öğeleri virgül ve boşluk karakteri ile birleştirerek bir String oluşturur ve bu String’i liste_animals adlı değişkene atar.</p><pre>for item in my_string:<br>    print(item)</pre><p>my_string adlı string içindeki her bir karakteri alır ve her bir karakteri ayrı ayrı ekrana yazdırır. Boşluklar, noktalama işaretleri ve diğer karakterler de dahil olmak üzere tüm karakterleri işler.</p><h3><strong>fstrings</strong></h3><p>f-strings, f ön ekini kullanarak tanımlanır ve içinde süslü parantezler {} kullanılarak değişkenler veya ifadeler yerleştirilir. Süslü parantezlerin içine yazılan ifadeler, çalışma zamanında değerlendirilir ve string içine yerleştirilir.</p><pre>name = &quot;Kemal&quot;<br>age = 33<br>print(f&quot;My name is {name} and my age is {age}.&quot;)</pre><p>f-strings, değişkenlerin veya ifadelerin doğrudan string içine yerleştirilmesini sağladığından, Python’da string formatlamayı kolaylaştıran ve daha okunabilir ve anlaşılır kod yazmamızı sağlar.</p><pre>import datetime<br>today = datetime.datetime.today()<br>print(today)</pre><p>datetime modülü, çeşitli sınıflar içerir ve bu sınıflar, tarih, saat, zaman damgası gibi farklı zaman kavramlarını temsil etmek için kullanılır. Başlıca sınıfları şunlardır:</p><ul><li>datetime: Yıl, ay, gün, saat, dakika ve saniye gibi tarih ve saat bilgisini temsil eder.</li><li>date: Yıl, ay ve gün gibi sadece tarih bilgisini temsil eder.</li><li>time: Saat, dakika, saniye ve mikrosaniye gibi sadece saat bilgisini temsil eder.</li><li>timedelta: İki tarih veya saat arasındaki farkı temsil eder.</li></ul><pre>today = datetime.datetime.today()<br>print(today)<br>print(f&quot;{today:%d %B %Y}&quot;)</pre><p>today adlı bir datetime nesnesi oluşturduktan sonra bu nesneyi “gün ay yıl” biçiminde ekrana yazdırdık.</p><h4><strong>String methods</strong></h4><p>String (metin) veri türü üzerinde birçok kullanışlı metot (method) bulunmaktadır. İşte bu metotlardan bazıları:</p><pre>test_string = &quot;Ada Lovelace Academy had started!&quot;</pre><p>upper() methodu bir string’in tüm karakterlerini büyük harfe dönüştürür.</p><pre>test_string.upper()</pre><p>lower() methodu bir string’in tüm karakterlerini küçük harfe dönüştürür.</p><pre>test_string.lower()</pre><p>strip() methodu başındaki ve sonundaki boşlukları kaldırır.</p><pre>test_string.strip(&quot;!&quot;)</pre><p>endswith() methodu belirli bir alt dize ile bitiyorsa True döndürür.</p><pre>test_string.endswith(&#39;!&#39;)</pre><p>replace() methodu belirli bir alt dizeyi başka bir alt dizeyle değiştirir.</p><pre>test_string.replace(&#39;!&#39;,&#39;.&#39;)</pre><p>String ler immutable(değiştirilemez) veri tipidir. Cümlemizde herhangi bir değişiklik olmaz, atama olmadığı için string üzerinde yapılan değişiklikler doğrudan o stringi değiştirmez.</p><p>dir(str) yazıldığında tüm string methodları çağrılır.</p><h3><strong>Boolean</strong></h3><p>bool(1) ve bool(0)</p><pre>my_variable = 0<br>if my_variable:<br>    print(&quot;yes it is true&quot;)<br>else:<br>    print(&quot;no it is false&quot;)</pre><p>my_variable değişkeni doğru (True) bir değere sahipse, yani 0 olmayan bir değer ise, “yes it is true” çıktısı verilir. Eğer my_variable değişkeni yanlış (False) bir değere sahipse, yani 0 ise, “no it is false” çıktısı verilir.</p><pre>my_variable is True</pre><p>my_variable değeri 0 olduğu için, bu değer True ile eşit olmadığından, koşul False olarak değerlendirilir</p><h4>Boolean Operators</h4><p>“or, and, not” sırası halinde bakılır</p><p><strong>or Operatörü:</strong></p><ul><li>or operatörü, iki koşuldan en az birinin doğru olması durumunda ifadeyi doğru yapar.</li></ul><p><strong>and Operatörü:</strong></p><ul><li>and operatörü, iki koşulun da doğru olması durumunda ifadeyi doğru yapar.</li></ul><p><strong>not Operatörü:</strong></p><ul><li>not operatörü, bir koşulun tersini alır. Yani, doğru ise False yapar, yanlış ise True yapar.</li></ul><pre>not True and True</pre><ol><li>not operatörü, bir koşulun tersini alır. not True, yani True&#39;un tersi False olacaktır.</li><li>Ardından, and operatörü, iki koşulun da doğru olması durumunda ifadeyi doğru yapar. Ancak, birinci koşul False olduğu için ikinci koşulu değerlendirmeye gerek kalmadan sonuç False olacaktır.</li></ol><p>Sonuç olarak, not True and True ifadesi False değerini verecektir.</p><pre>result = 1 and 0<br>bool(result)</pre><p>and operatörü, iki koşulun da doğru (truthy) olması durumunda ifadeyi doğru, en az bir koşulun yanlış (falsy) olması durumunda ise ifadeyi yanlış yapar.</p><ol><li>1 ifadesi, Python&#39;da truthy bir değerdir.</li><li>0 ifadesi, Python&#39;da falsy bir değerdir.</li></ol><p>Bu durumda, 1 and 0 ifadesi ikinci koşulu olan 0&#39;ı değerlendirmeye gerek kalmadan direkt olarak 0 olarak kabul edilir. Yani, sonuç 0 olacaktır.</p><p>bool(result) ifadesi, sonucu bir boolean değerine dönüştürür. Python&#39;da bool() fonksiyonu kullanıldığında, 0 olan değer False olarak kabul edilirken, diğer sayılar ve truthy değerler True olarak kabul edilir.</p><p>Bu nedenle, bool(result) ifadesi False değerini verecektir.</p><pre>print(not True and False)<br>print(not(True and False)) # parantez öncelikli</pre><p>İlk ifade:</p><ul><li>not True ifadesi False olacaktır.</li><li>Ardından, False and False ifadesi False olacaktır. Sonuç olarak, bu ifade False değerini verecektir.</li></ul><p>İkinci ifade:</p><ul><li>True and False ifadesi False olacaktır.</li><li>Ardından, not False ifadesi True olacaktır. Sonuç olarak, bu ifade True değerini verecektir.</li></ul><pre>first_num = 10<br>second_num = 5<br><br>if first_num &gt; second_num:<br>    print(f&quot;{first_num} is greater than {second_num}&quot;)<br>elif first_num == second_num:<br>    print(f&quot;{first_num} is equal with {second_num}&quot;)<br>else: # Geriye kalan tüm durumlar<br>    print(f&quot;{second_num} is greater than {first_num}&quot;)</pre><p>İki sayıyı karşılaştırarak hangisinin diğerinden büyük, eşit veya küçük olduğunu kontrol eder ve buna göre bir mesaj yazdırdık.</p><p>Kodun çalışma mantığı şu şekildedir:</p><ul><li>İlk olarak, first_num &gt; second_num koşulu kontrol edilir. Eğer bu koşul doğruysa, yani first_num büyükse, ilgili mesaj yazdırılır ve diğer koşullar kontrol edilmez.</li><li>Eğer first_num &gt; second_num koşulu yanlışsa, elif first_num == second_num koşulu kontrol edilir. Eğer bu koşul doğruysa, yani first_num ve second_num eşitse, ilgili mesaj yazdırılır.</li><li>Eğer her iki koşul da sağlanmazsa, yani first_num küçükse, else bloğu devreye girer ve ilgili mesaj yazdırılır.</li></ul><h3>Nested Functions</h3><p>Sürücü belgesi almak için belirli yaş ve sürücü belgesi sınav puanı kriterlerine göre bir kişinin sürücü belgesi durumunu değerlendiren bir fonksiyon yazalım.</p><pre>def driver_status(age, test_score):<br>    if test_score &gt;= 80:<br>        if 18 &gt; age &gt;= 16:<br>            return &quot;intern-driver&quot;<br>        elif age &gt;= 18:<br>            return &quot;driver&quot;<br>    elif 80 &gt; test_score &gt; 60:<br>        if 18 &gt; age &gt;= 16:<br>            return &quot;supervised-intern-driver&quot; <br>        elif age &gt; 18:<br>            return &quot;supervised-driver&quot;<br>        <br>    # Geriye kalan tüm durumlar<br>    return &quot;Unlicenced&quot;</pre><pre>driver_status(age, test_score)</pre><p>İlk olarak, sürücü belgesi sınav puanı (test_score) kontrol edilir. Eğer puan 80 veya daha fazlaysa:</p><ul><li>age 16 ile 18 arasında ise &quot;intern-driver&quot; döndürülür.</li><li>age 18 veya daha büyükse “driver” döndürülür.</li></ul><p>Eğer sınav puanı 80&#39;den büyük değilse ve 60 ile 80 arasında ise:</p><ul><li>age 16 ile 18 arasında ise “supervised-intern-driver” döndürülür.</li><li>age 18&#39;den büyükse “supervised-driver” döndürülür.</li></ul><p>Yukarıdaki durumlar sağlanmazsa, yani sınav puanı 60&#39;dan küçükse veya diğer durumlar sağlanmazsa, “Unlicensed” döndürülür.</p><h3><strong>Comparisons</strong></h3><p>Comparisons(Karşılaştırmalar) ifadeler karar vermek, performansı değerlendirmek ve fikirleri iletmek için yararlı araçlardır.</p><p>Karşılaştırma operatörleri, iki değer arasındaki ilişkiyi belirlemek için kullanılır. Python’da aşağıdaki karşılaştırma operatörleri vardır:</p><p>- == : Eşit mi?<br>- != : Eşit değil mi?<br>- &gt; : Büyük mü?<br>- &lt; : Küçük mü?<br>- &gt;= : Büyük veya eşit mi?<br>- &lt;= : Küçük veya eşit mi?<br>- in : İçinde mi?<br>- not in : İçinde değil mi?</p><pre>print(15 != 10)<br>print(&quot;Ada&quot; == &quot;Lovelace&quot;)</pre><ol><li>print(15 != 10)</li></ol><ul><li>Bu ifade, “15 sayısı 10 sayısına eşit değil mi?” sorusunu sorar.</li><li>!= operatörü, &quot;eşit değil&quot; anlamına gelir.</li><li>Dolayısıyla, 15 sayısı 10 sayısına eşit olmadığı için bu ifade True değerini verecektir.</li></ul><p>2. print(&quot;Ada&quot; == &quot;Lovelace&quot;)</p><ul><li>Bu ifade, “Ada” kelimesi “Lovelace” kelimesine eşit mi?” sorusunu sorar.</li><li>== operatörü, &quot;eşit mi&quot; anlamına gelir.</li><li>Dolayısıyla, “Ada” kelimesi “Lovelace” kelimesine eşit olmadığı için bu ifade False değerini verecektir.</li></ul><pre>15 is my_number<br>15 is not my_number</pre><p>Eskiden bu şekilde kullanılırdı yani aynı obje olma durumuna bakar, artık == kullanılır yani sadece değerleri karşılaştırır.</p><pre>15 == my_number</pre><p>== ifadesi bir değişken değeri ile sabit bir değer olan 15&#39;in eşit olup olmadığını kontrol eder.</p><pre>my_list = [1, 2, 3]<br>print(3 in my_list)<br>print(1 not in my_list)</pre><p>bir liste içinde belirli bir öğenin bulunup bulunmadığını kontrol etmek için in ve not in operatörlerini kullanır. İşte her bir ifadenin açıklaması:</p><ol><li>print(3 in my_list)</li></ol><ul><li>Bu ifade, my_list adlı listenin içinde 3 sayısının bulunup bulunmadığını kontrol eder.</li><li>Dolayısıyla, 3 sayısı my_list içinde bulunduğu için bu ifade True değerini verecektir.</li></ul><p>2. print(1 not in my_list)</p><ul><li>Bu ifade, my_list adlı listenin içinde 1 sayısının bulunup bulunmadığını kontrol eder.</li><li>Dolayısıyla, 1 sayısı my_list içinde bulunmadığı için bu ifade True değerini verecektir.</li></ul><h3>List</h3><ul><li>Değiştirilebilirdir.</li><li>Kapsayıcıdır (farklı tipte verileri tutabilir) -&gt; string, int, list ifade olabilir.</li><li>Sıralıdır.</li></ul><p>Boş bir liste oluşturarak bu boş listeyi ekrana yazdıralım.</p><pre>test_list = list()<br>print(test_list)</pre><pre>empty_list = []<br>print(empty_list)</pre><p>Farklı veri tiplerini içeren bir listeyi oluşturarak bu listeyi ekrana yazdırabiliriz.</p><pre>example_list = [1, &quot;string&quot;, [1, 2 , 3]]<br>print(example_list)</pre><p>Liste içinde üç farklı eleman bulunuyor:</p><ul><li>Birinci eleman: 1 (integer)</li><li>İkinci eleman: “string” (string/karakter dizisi)</li><li>Üçüncü eleman: [1, 2, 3] (başka bir liste)</li></ul><pre>example_list2 = list(1)<br>print(example_list2)</pre><p>Bu kod hata verecektir. Çünkü list fonksiyonu iterable bir objeyi alır ve onu bir liste dönüştürür.</p><pre>example_list2 = list(&quot;string&quot;)<br>print(example_list2)</pre><p>list() fonksiyonu, bir string&#39;i karakterlerine ayırarak her bir karakteri bir liste elemanı haline getirir.</p><pre>literal_list = [&quot;string&quot;]<br>print(literal_list)</pre><p>String ifadesini köşeli parantez içinde bir liste elemanı olarak oluşturduğumuzda tek bir eleman olarak bulunmaktadır.</p><p>Listede belirli bir elemana erişme işlemine indeksleme denir. Python’da indeksleme sıfırdan başlar.</p><pre>example_list[0] # ilk eleman<br>example_list[:1] # ilk elaman</pre><pre>example_list[-1] # son eleman</pre><p>Listede belirli bir aralıktaki elemanları seçme işlemine Slicing denir.</p><pre>example_list = [1, &quot;academt&quot;, [1, 2 , 3]]<br>example_list[:2] # ilk 2 eleman</pre><p>Liste içindeki elemanları bir döngü kullanarak ekrana yazdıralım.</p><pre>colors = [&quot;yellow&quot;, &quot;green&quot;, &quot;red&quot;, &quot;blue&quot;, &quot;purple&quot;]<br># listeyi döngü içinde yazdır<br>for color in colors:<br>    print(color)</pre><p>enumerate fonksiyonu her bir elemanın indeksiyle birlikte ekrana yazdırmayı sağlar.</p><pre>for index, color in enumerate(colors):<br>    # enumerate 2 obje döndürür<br>    print(f&quot;{index}: {color}&quot;)</pre><p>Bir döngü kullanarak 1&#39;den 10&#39;a kadar olan sayıların küplerini hesaplayalım.</p><pre>cubes_to_1000 = []<br># for i in range(1,100):<br>for i in range(1,11): # range(start, stop, step)<br>    cubes_to_1000.append(i**3)</pre><p>Önceden oluşturduğumuz colors adlı liste değişkeninin referansını new_colors adlı yeni bir değişkene atayalım.</p><pre>new_colors = colors<br>print(new_colors)</pre><p>append() metodu listenin sonuna yeni bir eleman ekler.</p><pre>new_colors.append(&quot;orange&quot;)<br>print(new_colors)</pre><p>Bir listeden son elemanı silmek için pop() metodu kullanılır.</p><pre>colors.pop()</pre><p>copy() metodu listenin yüzeysel bir kopyasını oluşturur.</p><pre>newest_colors = colors.copy()<br>print(newest_colors)</pre><p>append() metodu, bir elemanı listenin sonuna eklemek için kullanılır. insert() metodu, belirtilen indekse bir eleman eklemek için kullanılır.</p><pre>newest_colors.append(&quot;black&quot;)<br>newest_colors.insert(0, &quot;gray&quot;)<br>print(newest_colors)</pre><p>Bir elemanı kaldırmak için remove() metodu kullanılır.</p><pre>newest_colors.remove(&quot;yellow&quot;)</pre><p>sorted() fonksiyonu, bir listeyi sıralanmış bir şekilde döndürür, ancak orijinal listeyi değiştirmez.</p><pre>newest_colors_list = sorted(newest_colors)<br>newest_colors_list</pre><p>sort() metodunun reverse parametresine True değeri verildiğinde, listeyi ters sıralar.</p><pre>colors = [&#39;yellow&#39;, &#39;green&#39;, &#39;red&#39;, &#39;blue&#39;, &#39;purple&#39;] # listeler immutable değildir<br>colors.sort(reverse=True)<br>colors</pre><h3>Tuples</h3><ul><li>Değiştirilemez (listelerden en önemli farkları) -&gt; Dokunulmaz !!!</li><li>Kapsayıcıdır (farklı tipte verileri tutabilir) -&gt; string, int, list ifade olabilir.</li><li>Sıralıdır (index işlemler 0.index, 1.index)</li></ul><p>3 farklı yöntemle tuple oluşturulabilir.</p><p><strong>1. Yöntem</strong></p><pre>my_tuple = tuple([10])<br>print(my_tuple) # tuple lar virgül ile gösterilir</pre><pre>my_tuple = tuple(&quot;Lovelace&quot;)<br>print(my_tuple)</pre><pre>my_tuple = tuple([10, &quot;Ada&quot;, &quot;Lovelace&quot;, 11]) # liste içerisindeki her objeyi dönerek tuple oluşturur<br>print(my_tuple)</pre><p><strong>2. Yöntem</strong></p><pre># my_new_tuple = [&quot;ada&quot;] # liste oluşturur<br>my_new_tuple = &quot;ada&quot;, &quot;lovelace&quot;<br>print(my_new_tuple)<br>print(type(my_new_tuple))</pre><p>my_new_tuple adlı tuple&#39;ın ilk elemanına erişmek için indeks 0 verilir.</p><pre>my_new_tuple[0]</pre><p><strong>3. Yöntem</strong></p><pre>my_new_tuple = (&quot;ada&quot;,) # literal oluşum<br># Tek elemanlı tuple oluştururken sonuna virgül koymak zorundayız<br>print(my_new_tuple)<br>print(type(my_new_tuple))</pre><h4>Dictionary to Tuple</h4><h4>Dictionary (Sözlükler)</h4><ul><li>Kapsayıcıdır (farklı tipte verileri tutabilir). -&gt; string, int, list ifade olabilir.</li><li>Sırasızdır (diğer veri tiplerinden farklı olarak). Python 3.9 sonrası dictinory sıralıdır.</li><li>Değiştirilebilirdir.</li></ul><pre># Dictionary üzerinden tuple oluşturma<br><br># dictionary oluştur<br>animal_colors = {<br>    &quot;cat&quot;: &quot;yellow&quot;,<br>    &quot;dog&quot;: &quot;black&quot;,<br>    &quot;horse&quot;: &quot;brown&quot;<br>}</pre><p>Anahtar (key) ifadelerin karşılıklarının bir arada tutulduğu referanslı bir veri yapısıdır. Listelerde olduğu gibi index işlemleri yapılamaz.</p><pre>animal_colors_tuple = tuple(animal_colors)<br>print(animal_colors_tuple) # sadece key ler üzerinden dönerek tuple oluşturur</pre><p>items() metodunu kullanarak her bir çifti içeren bir tuple oluşturur. Her tuple elemanı, bir key-value çiftini temsil eder.</p><pre>animal_colors_tuple_2 = tuple(animal_colors.items()) <br># &lt;dictionary_name&gt;. ile tüm methodları görebiliriz<br>print(animal_colors_tuple_2)</pre><p>dict() fonksiyonu ile liste içinde tuple’lar kullanarak bir sözlük oluşturalım.</p><pre>animals = dict([(&#39;cat&#39;, &#39;yellow&#39;), (&#39;dog&#39;, &#39;black&#39;), (&#39;horse&#39;, &#39;brown&#39;)]) <br>print(animals)<br>print(type(animals))</pre><p>Nested yapıda sözlükler de oluşturulabilir.</p><pre># structed dict, tuple lar sıralı değildir bu yüzden doğrudan key ler ile çağrılır<br>animals = {<br>    &quot;cat&quot;: {<br>        &quot;color&quot;: &quot;yellow&quot;,<br>        &quot;weight&quot;: &quot;5.1&quot;<br>    },<br>    &quot;dog&quot;: &quot;black&quot;,<br>    &quot;horse&quot;: &quot;brown&quot;<br>}</pre><p>Sözlük içindeki her bir öğe bir hayvanı temsil eder. Bazı hayvanlar kendi içinde veri türleri içerebilir. Örneğin, &quot;cat&quot; adlı hayvanın renk ve ağırlık özellikleri bulunmaktadır.</p><pre>animals[&quot;cat&quot;][&quot;color&quot;]</pre><p>get() methodu sözlükten seçilen anahtarın sahip olduğu değeri almak için kullanılır.</p><pre>animals.get(&quot;cat&quot;)</pre><p>pop() metodu, belirtilen anahtara sahip değeri sözlükten çıkarır.</p><pre>animals.pop(&quot;horse&quot;) # çıkarılacak değeri de gösterir</pre><h3>Sets</h3><ul><li>Sırasızdırlar.</li><li>Değerleri eşsizdir.</li><li>Değiştirilebilirdir.</li><li>Farklı tipleri barındırabilir.</li></ul><p>Tekrar eden değerlerden oluşmaz, unique veri yapılardır. Matematikteki kümelere benzerdir. frozenset veri tipi, set veri tipinin değiştirilemez (immutable) bir sürümüdür.</p><ul><li>Iteration: Set üzerinde döngü yapabilirsiniz.</li><li>in ve not in operatörleri: Bir elemanın set içinde olup olmadığını kontrol edebilirsiniz.</li><li>len(): Set’in eleman sayısını öğrenebilirsiniz.</li><li>copy(): Set’in bir kopyasını oluşturabilirsiniz.</li></ul><p>Set’lerde indexing (indeksleme), ordering/sorting (sıralama), slicing (dilimleme), concatenation (birleştirme) işlemleri desteklenmez.</p><pre>my_set = {&quot;ada&quot;, &quot;lovelace&quot;, &quot;marry&quot;, &quot;albert&quot;, &quot;ada&quot;}<br>print(my_set)<br>print(type(my_set))</pre><p>Bir sözlüğün değerlerini kullanarak bir set oluşturalım.</p><pre>animal_colors = {<br>    &quot;cat&quot;: &quot;yellow&quot;,<br>    &quot;dog&quot;: &quot;black&quot;,<br>    &quot;horse&quot;: &quot;brown&quot;,<br>    &quot;bear&quot;: &quot;brown&quot;<br>}<br><br>animal_set = set(animal_colors.values())<br>print(animal_set)</pre><p>Bir liste içerisindeki sayıların karelerini hesapladıktan sonra karesi 3&#39;e bölünebilenleri içeren bir set oluşturalım.</p><pre>numbers = [1, 1, 1, 2, 2, 2, 3, 4, 4, 5, 15]<br>calculated_numbers_set={number**2 for number in numbers if number % 3 == 0}<br>print(calculated_numbers_set)</pre><p>List Comprehension yaklaşım yerine fonksiyonel de yazılabilir.</p><pre>def calculate_numbers(my_number):<br>    my_list = []<br>    for number in numbers:<br>        value = number**2<br>        if value % 3 == 0:<br>            my_list.append(value)         <br>    return set(my_list)</pre><pre>print(calculate_numbers(numbers))</pre><p>set() methodu içerisinde bir string ifade yazıldığında karakter dizisini alır ve bu dizideki her bir karakteri bir küme içine ekler.</p><pre>elements_string = set(&quot;lovelace&quot;)<br>print(elements_string)</pre><p>birds ve animals isimli iki adet set oluşturalım.</p><pre>birds = {&#39;crow&#39;,&#39;sparrow&#39;,&#39;eagle&#39;,&#39;chicken&#39;, &#39;albatross&#39;}</pre><pre>animals = {&#39;chicken&#39;: &#39;white&#39;,<br>           &#39;sparrow&#39;: &#39;grey&#39;,<br>           &#39;eagle&#39;: &#39;brown and white&#39;,<br>           &#39;albatross&#39;: &#39;grey and white&#39;,<br>           &#39;crow&#39;: &#39;black&#39;,<br>           &#39;elephant&#39;: &#39;grey&#39;, <br>           &#39;dog&#39;: &#39;rust&#39;,<br>           &#39;cow&#39;: &#39;black and white&#39;,<br>           &#39;tiger&#39;: &#39;orange and black&#39;,<br>           &#39;cat&#39;: &#39;grey&#39;,<br>           &#39;squirrel&#39;: &#39;black&#39;}</pre><p>isdisjoint() metodu iki kümenin kesişim kümesinin boş olup olmadığını kontrol eder.</p><pre>birds.isdisjoint(animals)</pre><p>issubset() metodu, bir kümenin başka bir kümenin alt kümesi (veya eşiti) olup olmadığını kontrol eder.</p><pre>birds.issubset(animals)</pre><p>issuperset metodu, bir kümenin başka bir kümenin üst kümesi olup olmadığını kontrol eder.</p><pre>set(animals).issuperset(birds)</pre><p>Python veri tipleri konusunu burada tamamladık. Veri manipülasyonu konusuna bir sonraki yazımda devam edeceğim.</p><p>Bu yazıda kullandığım kodları github hesabımdan indirebilirsiniz :)</p><p>[1] <a href="https://github.com/SeherKumsar/Ada-Lovelace-Veri-Bilimi-Akademisi/blob/main/week-1/1-python-data-types.ipynb">https://github.com/SeherKumsar/Ada-Lovelace-Veri-Bilimi-Akademisi/blob/main/week-1/1-python-data-types.ipynb</a></p><p>[2] <a href="https://github.com/SeherKumsar/Ada-Lovelace-Veri-Bilimi-Akademisi/blob/main/week-2/2-python-data-types.ipynb">https://github.com/SeherKumsar/Ada-Lovelace-Veri-Bilimi-Akademisi/blob/main/week-2/2-python-data-types.ipynb</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a54613870e84" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Bilimi Yolculuğum: Python Programlamaya Giriş]]></title>
            <link>https://medium.com/@seherkumsar/veri-bilimi-yolculu%C4%9Fum-python-programlamaya-giri%C5%9F-ca8b783e8f9a?source=rss-c42dcc340ca7------2</link>
            <guid isPermaLink="false">https://medium.com/p/ca8b783e8f9a</guid>
            <dc:creator><![CDATA[Seher Kumsar]]></dc:creator>
            <pubDate>Thu, 30 Nov 2023 20:55:57 GMT</pubDate>
            <atom:updated>2023-11-30T20:57:51.089Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhaba ben Seher. SistersLab Bilim ve Teknolojide Kadın Derneği tarafından desteklenen <strong><em>Ada Lovelace Akademi</em></strong> projesinin katılımcılarından biriyim. Bu proje, Aile ve Sosyal Hizmetler Bakanlığı ile Çalışma ve Sosyal Güvenlik Bakanlığı iş birliğinde, Birleşmiş Milletler Kalkınma Programı (UNDP) ve Sabancı Vakfı tarafından yürütülen Geleceğini Kuran Genç Kadınlar Projesi Hibe Programı kapsamında, Sabancı Vakfı’nın mali katkısı ile gerçekleştirilmektedir.</p><p><strong><em>Ada Lovelace Akademi</em></strong> projesi, 22–29 yaş aralığındaki mühendislik mezunu 200 NEET kadına, IT sektörüne giriş sürecinde güçlü bir başlangıç yapma fırsatı sunmayı hedeflemektedir. Projeyle ilgili daha fazla bilgiye <a href="https://geleceginikurangenckadinlar.org/kadin-yazilimcilarin-mentorluk-ve-egitimler-araciligi-ile-guclendirilmesi/">geleceginikurangenckadinlar.org</a> adresinden ulaşabilirsiniz.</p><p>Veri Bilimi Akademisi programına ait notlarımı sizinle paylaşmak istiyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/707/1*Njxw8sP6k6OaPe3o4RQAJA.png" /></figure><h3>Veri bilimi nedir?</h3><p>Veri bilimi, iş için anlamlı öngörüler ayıklamak amacıyla veriler üzerinde gerçekleştirilen çalışmaların adıdır. Büyük miktardaki verileri analiz etmek için matematik, istatistik, yapay zeka ve bilgisayar mühendisliği alanlarının ilke ve uygulamalarını bir araya getiren, disiplinler arası bir yaklaşımdır. Bu analiz, veri bilimcilerinin ne olduğu, neden olduğu, ne olacağı ve sonuçlarla neler yapılabileceğini sormalarına ve bu soruları cevaplamalarına yardımcı olur.</p><h3>Bir veri bilimci ne yapar?</h3><p>Veri bilimci, veri bilimi sürecinde farklı teknik, araç ve teknolojileri kullanarak hızlı ve doğru sonuçlar elde etmeye çalışır. Büyük veri bilimi ekiplerinde diğer analistler, mühendisler, makine öğrenimi uzmanları ve istatistikçilerle işbirliği yaparak veri bilimi süreçlerini yönetir. Küçük ekiplerde ise bir veri bilimcisi genellikle birden fazla rolü üstlenir ve temel veri bilimi metodolojilerinin yanı sıra mühendislik, analiz ve makine öğrenimi gibi alanlarda çalışabilir.</p><h3>Veri biliminde Python</h3><p>Python, veri bilimcilerin tercih ettiği bir dil olup, veri manipülasyonu, görselleştirme, istatistiksel analiz, makine öğrenmesi ve büyük veri işleme gibi birçok alanda kullanılır. Python’un basit sözdizimi ve geniş kütüphane desteği, veri bilimcilerin etkili bir şekilde çalışmasına olanak sağlar.</p><p>Şimdi Python’a bir giriş yapalım :)</p><p>Okumaya başlamadan önce Anaconda’yı bilgisayarınıza kurmanızı öneririm. Python için 3.10 versiyonunu kullanacağım.</p><h3><strong>Python Nedir?</strong></h3><p>Python, yukarıdan aşağıya doğru çalışan, kullanımı kolay ve okunabilir bir programlama dilidir. Yorumlamalı bir dil olduğu için her bir satırı sırasıyla yürüterek çalıştırır.</p><ul><li>Girintilere dayalı basit söz dizimi, dilin öğrenilmesini ve akılda kalmasını kolaylaştırır, bu da ona söz diziminin ayrıntıları ile vakit kaybetmeden programlama yapmaya başlayabilen bir dil olma özelliği kazandırır.</li><li>Nesne yönelimli, yorumlaması basit ve etkileşimli yüksek seviyeli bir programlama dilidir.</li><li>Hemen hemen her türlü işletim sisteminde çalışabilir (Windows, Mac, Linux, Pardux).</li><li>Python, güçlü bir standart kütüphaneden elde edinilen bilgileri de kolayca kullanılabilen kütüphanelerden destek alır. Python’ın temel kütüphanesi, birçok yaygın görevi gerçekleştirmek için kullanılabilecek işlevler ve araçlar içerir. Ayrıca, üçüncü taraf kütüphaneler ve araçlar ekleyerek Python’un yeteneklerini genişletebilirsiniz. Veri analizi, makine öğrenmesi, web geliştirme, görselleştirme ve daha pek çok alanda kullanılabilen kütüphaneler mevcuttur.</li></ul><h3>Değişkenler</h3><p>Programlama dillerinde verileri tutan yapılardır. Bilgi saklama ve işlemleri gerçekleştirme amacıyla kullanılır. Değişkenler, bir isim (etiket) ile bir değeri temsil eder ve bu değer, programın çalışma sürecinde değişebilir.</p><h3>Değişken İsimlendirme Kuralları:</h3><ul><li>Python’da her şey birer objedir ve her objenin bir sınıfı (class) bulunmaktadır. Veri tiplerine göre bu sınıflar belirlenir ve bu sınıflara ait metodlar kullanılabilir.</li><li>Değişken isimlendirme kuralları genellikle “snake case” adı verilen küçük harflerle ve kelimeler arasında alt çizgi (_ ) kullanılarak yapılır.</li></ul><pre>first_varible = 30<br>print(type(first_varible))<br>print(first_varible)</pre><pre>first_varible = &quot;Ada Lovelace Akademi&quot;<br>print(first_varible)</pre><h3><strong>Counter</strong></h3><p>Counter içerisinde liste kullanılır. Liste içerisinde sıralı olarak farklı veri tipleri barındırabilir.</p><pre>import collections<br>first_varible = collections.Counter([1,1,2,2,3,4,4,4])<br>print(type(first_varible))</pre><pre>print(first_varible)<br># Bir dictionary döndürür.</pre><h3><strong>Constants</strong></h3><p>Büyük harfle yazılır. (Screaming Snake Case)</p><pre>MY_CONSTANT = 15</pre><h3><strong>Functions</strong></h3><p>“def” kavramı ile fonksiyon yazılır. Snake Case yazımında iki kelime arasında _ kullanılır. Örneğin “addTwoNumbers” kavramı kullanılmaz.</p><p>Fonksiyonu tanımlarken parametreler belirtilir ve : dan sonra otomatik bir tab yaratır. tab miktarı doğru olmadığında Indentation hatası verir.</p><pre>def add_two_numbers(number_one,number_two):<br>    total = number_one + number_two<br>    return total</pre><p>Sadece fonksiyonu tanımladığımız için sonucu göstermez. Fonksiyonu çağırmak gerekir. Fonksiyonun 2 positional argümanı bulunmaktadır. (add_two_numbers())</p><pre>add_two_numbers(4,5)</pre><p>Her fonksiyon bir değer döndürür. Eğer tanımlamazsak None değer döndürmektedir.</p><pre>def add_two_numbers(number_one,number_two):<br>    total = number_one + number_two</pre><pre>add_two_numbers(3,7)</pre><p>Fonksiyonlar parantez kullanılarak çağrılır. Methodlar yani class ların içindeki fonksiyonları çağırırken . kullanılır.</p><h3><strong>Veri Tipleri</strong></h3><h3>String</h3><p>Metinsel ifadelerdir, herhangi bir karakter dizisine “string” denir. Kod yapısında “str” şeklinde kısaltılmış halini kullanırız, değişkenin değerini tutarken “çift tırnak” veya ‘tek tırnak’ arasında kullanabiliriz. ‘Ada Lovelace Academy’ ve “Ada Lovelace Academy” aynıdır.</p><pre>text = &quot;Ada Lovelace Academy&quot;<br>print(type(text)) # Veri türünü kontrol et</pre><pre>str.upper(text)# Metni büyük harfe çevir</pre><p>İlk derste işlenen kısımları sizlerle paylaştım. Bir sonraki yazımda devamı gelecek :)</p><p>Kaynakça:</p><p>[1] <a href="https://aws.amazon.com/tr/what-is/data-science/">https://aws.amazon.com/tr/what-is/data-science/</a><br>[2] <a href="https://www.veribilimiokulu.com/nasil-veri-bilimci-olunur/">https://www.veribilimiokulu.com/nasil-veri-bilimci-olunur/</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/940/1*3hdIk9I91evj_hHfcqi4ug.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ca8b783e8f9a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>