<?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 Sevgicann Kilic on Medium]]></title>
        <description><![CDATA[Stories by Sevgicann Kilic on Medium]]></description>
        <link>https://medium.com/@sevgicann.kilic?source=rss-5be15d73170b------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*gyk70pDJYRwz2M6yVJJsUw.jpeg</url>
            <title>Stories by Sevgicann Kilic on Medium</title>
            <link>https://medium.com/@sevgicann.kilic?source=rss-5be15d73170b------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 09:14:15 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@sevgicann.kilic/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[Jupyter İçin Kısayollar]]></title>
            <link>https://medium.com/@sevgicann.kilic/jupyter-i%CC%87%C3%A7in-k%C4%B1sayollar-fa69b6cdcd7d?source=rss-5be15d73170b------2</link>
            <guid isPermaLink="false">https://medium.com/p/fa69b6cdcd7d</guid>
            <category><![CDATA[kısayollar]]></category>
            <category><![CDATA[jupyter-notebook]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[jupyter]]></category>
            <category><![CDATA[vscode]]></category>
            <dc:creator><![CDATA[Sevgicann Kilic]]></dc:creator>
            <pubDate>Sat, 28 Dec 2024 11:04:12 GMT</pubDate>
            <atom:updated>2024-12-28T11:04:12.997Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*aHywFFgsTQo8_EMti14EgA.png" /></figure><p>Merhaba, bugün sıklıkla kullandığım Jupyter Notebook için faydalı olabilecek kısayolları paylaşacağım.</p><ul><li>Shift + Enter Bulunduğunuz kod hücresini çalıştırır ve alttaki hücreye geçiş yapar.</li><li>Ctrl + Enter Bulunduğunuz kod hücresini çalıştırır.</li><li>Alt + Enter Bulunduğunuz kod hücresini çalıştırır ve alt satıra yeni bir hücre ekler.</li><li>A bir üst satırda yeni hücre yaratılır. (Bu işlem için kod hücresi dışında herhangi bir yere tıklayın. Kod hücresi seçili değilken çalışır)</li><li>X seçili hücreler için kes(cut) yapar.</li><li>C seçili hücreleri kopyalar.</li><li>V seçili hücreleri alt sıraya yapıştırır.</li><li>D, D (iki kere) seçili hücreleri siler.</li><li>Z hücre silme işlemi geri alınır.</li><li>S kayıt işlemi yapılır.</li></ul><p>Biliyorsunuz Jupyter Notebook’da kodların yazıldığı Code alanı ve bilgilendirici metin girilen Markdown alanı bulunur. Uygun kısayol tuşlarını kullanarak değişim yapabilirsiniz.</p><ul><li>Y hücre türünü <em>Code </em>olarak değiştirir</li><li>M hücre tipini <em>Markdown </em>olarak değiştirir.</li></ul><p>Kod düzenlemeleri yaparken;</p><ul><li>Ctrl + C hangi kod satırının sonunda yapılıyorsa o satırı kopyalar.</li><li>Ctrl + A hepsini seçer.</li><li>Tab satır boşluğu bırakma veya kod tamamlama için de kullanılır.</li><li>Ctrl + Z geri alma kısayoludur.</li><li>Ctrl + Right bir öbek sağa götürür.</li><li>Ctrl + Left bir öbek sola götürür.</li><li>Ctrl + Shift + P komut istemcisini(command palette) açar.</li><li>Ctrl + Shift + -Hücreyi imlecin olduğu yerden ikiye böler ve bölüneni yeni bir hücreye ekler.</li><li>Shift + TabFonksiyon yardımını gösterir.</li><li>Esc Komut moduna geç.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fa69b6cdcd7d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Etkili Postman Kullanımı]]></title>
            <link>https://medium.com/@sevgicann.kilic/etkili-postman-kullan%C4%B1m%C4%B1-140f4056d31f?source=rss-5be15d73170b------2</link>
            <guid isPermaLink="false">https://medium.com/p/140f4056d31f</guid>
            <category><![CDATA[postman-testing]]></category>
            <category><![CDATA[testing]]></category>
            <category><![CDATA[postman]]></category>
            <category><![CDATA[postman-collections]]></category>
            <dc:creator><![CDATA[Sevgicann Kilic]]></dc:creator>
            <pubDate>Fri, 30 Aug 2024 17:13:28 GMT</pubDate>
            <atom:updated>2024-08-30T17:13:28.947Z</atom:updated>
            <content:encoded><![CDATA[<p>API’lerle çalışma süreci günümüzde sıklıkla kullanılmaktadır. API’lerle çalışırken kullanacağımız en faydalı araçlardan biri olan Postman, geliştiricilerin ve test uzmanlarının API’leri hızlı ve etkili bir şekilde test etmelerini, yönetmelerini ve dokümante etmelerine olanak tanıyan kapsamlı bir platformdur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NWBFIgrwc0Sl900EqwGvFA.png" /></figure><p>Bu yazıda, Postman’ın sunduğu temel özellikleri ve API testlerinizi nasıl daha verimli hale getirebileceğinizi öğreneceksiniz.</p><h3>Postman Arayüzü</h3><p>Postman Arayüzü kullanıcı dostu olması ile bilinse de bazen kafa karıştırıcı olabiliyor. Arayüzü, kullanıcıların API isteklerini yönetmelerine ve test etmelerine olanak tanır. Postman’ın ana bileşenleri:</p><ul><li><strong>Collections:</strong> API isteklerini organize etmek için kullanılan bileşendir. İstekler koleksiyonlar içinde gruplandırılabilir ve bu koleksiyonlar paylaşılabilir.</li><li><strong>Environments:</strong> API isteklerini dinamik hale getirmek için değişkenler tanımlanabilir.</li><li><strong>Requests:</strong> API endpoint’lerine yapılacak isteklerdir. GET, POST, PUT, DELETE gibi HTTP yöntemleri kullanılabilir.</li><li><strong>Responses:</strong> API’den dönen yanıtları görüntülemenize ve analiz etmenize yardımcı olur.</li></ul><h3>İstek Türleri</h3><p>Test ortamında en sık kullanacağımız istek türleri ise şunlardır:</p><ul><li><strong>GET, POST, PUT, DELETE:</strong> Her bir HTTP yöntemi, API’nizin farklı işlevlerini test etmek için kullanılır. Örneğin, GET ile veri alabilir, POST ile veri oluşturabilir, PUT ile veri güncelleyebilir ve DELETE ile veri silebilirsiniz.</li><li><strong>Test Scriptleri:</strong> Postman’da, isteklerinize yanıt aldığınızda otomatik olarak testler yazabilirsiniz. Bu testler, yanıtın beklenen değerleri içerip içermediğini doğrular. Örneğin, yanıtın belirli bir JSON yapısına sahip olup olmadığını test edebilirsiniz.</li></ul><h3>Örnek İstek Türleri</h3><p>Bir havayolu yönetim sistemini basit bir şekilde ele alalım. Uçakların ve havayollarının eklenebildiği, listelenebildiği, güncellenebilindiği ve silinebildiği bir sistem için gerekli isteklere Postman üzerinden beraber bakalım.</p><p>POST İsteği:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AKIs15xq4BteOdiKOMAk2g.png" /><figcaption>Post İşlemi</figcaption></figure><p>GET İsteği:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3zo980f1XAio3ium7Itu-A.png" /><figcaption>Get İşlemi</figcaption></figure><p>PUT İsteği:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fK61ZgjxYd-0bsywl1Z9Tg.png" /><figcaption>Put İşlemi</figcaption></figure><p>Delete İsteği:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qNnbL68H-Km_eADHEE6rRw.png" /><figcaption>Delete İşlemi</figcaption></figure><p>Postman, API testlerinizi ve yönetiminizi daha etkili ve verimli hale getirebilir. Bu araçla API’lerinizi doğru bir şekilde test etmek, dokümante etmek ve izlemek, yazılım geliştirme süreçlerinizde önemli bir fark yaratabilir. Bu yazıda paylaşılan örneklerle beraber Postman’ı daha etkin kullanarak API performansınızı optimize edebilir ve geliştirme süreçlerinizi hızlandırabilirsiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=140f4056d31f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Agile Kullanımına Neden Başvurulmalı?]]></title>
            <link>https://medium.com/@sevgicann.kilic/agile-kullan%C4%B1m%C4%B1na-neden-ba%C5%9Fvurulmal%C4%B1-71b08f35dd2b?source=rss-5be15d73170b------2</link>
            <guid isPermaLink="false">https://medium.com/p/71b08f35dd2b</guid>
            <category><![CDATA[agile-development]]></category>
            <category><![CDATA[yazılım-yaşam-döngüsü]]></category>
            <category><![CDATA[agile]]></category>
            <category><![CDATA[yazılım]]></category>
            <dc:creator><![CDATA[Sevgicann Kilic]]></dc:creator>
            <pubDate>Tue, 06 Aug 2024 19:20:57 GMT</pubDate>
            <atom:updated>2024-08-06T19:20:57.795Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/924/1*BwcpNps3ei9nczQHhiWf1Q.png" /><figcaption>Agile Development</figcaption></figure><p>Projelerin etkili bir şekilde yürütülmesi iş dünyasının önemli bir yaklaşımdır. Birçok şirketin kullandığı bu Agile metodolojisi, şirketlerin ihtiyaçlarını karşılamak üzere geliştirilmiş bir yöntemdir. Agile kullanımına neden başvurulması gerektiğini merak ediyorsanız yazımız tam size göre.</p><ol><li>İlk adım elbette gereksinimlerin toplanması. Projenin hedefleri, gereksinimleri ve başarı kriterlerinin belirlenmesi gerekir.</li><li>İkinci adım ise sprint planlama. Yani projenin belirli bir dönemi için hangi işlemlerin yapılacağı planlanır.</li><li>Sprint (Küçük İş Evreleri) süreci bir sonraki adımdır. Planlanan işler kısa süreli sprintler (birkaç hafta gibi) olarak belirlenen zaman dilimlerinde tanımlanır. Bu süreçte ekip o sprint üzerinde çalışır.</li><li>Günlük Durum Güncellemeleri (Stand-up meeting) yapılır. Projede hangi adımların tamamlandığı, hangi işlerin devam ettiği ve karşılaşılan engeller ekiple paylaşılır.</li><li>Development ve testing süreçleri bir sonraki adımdır. Planlanan iş parçaları üzerinde geliştirmeler ardından testler yapılır.</li><li>Sprint Review yani sprint sonunda yapılan işlerin gözden geçirilme işlemi yapılır. Elde edilen sonuç ekip üyeleri ve müşterilerle paylaşılır. Müşteri ve paydaşlara demo sunulur.</li><li>Sprint Retrospektifi yapılır. Önceki sprintler üzerinde nasıl geliştirmeler olacağı, gelecekteki sprintler için nasıl iyileştirmeler yapılacağı belli olur.</li><li>Ardından önceki sprintin sonuçlarına göre yeni bir sprint tanımlanır. Yeni hedef belirlenmiş olur.</li><li>Agile’de sürekli iyileştirme söz konusudur. Sürekli tekrar eden bir döngü olmasından kaynaklı verimlilik artmış olur.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*3vEt_grYgwp9fL-jStv4sQ.png" /><figcaption>Agile Adımlar</figcaption></figure><p>AGİLE METODOLOJİSİ İÇİN ÖRNEKLER</p><ul><li>Bir e-ticaret perakendecisi şirketinde yeni bir ürün lansmanı için pazarlama kampanyası başlatılmak isteniyor. Kampanya için reklam tasarımı, sosyal medya stratejileri ve içerik oluşturma gibi hedefler bir backlogda listelenir. İki haftada bir olacak şekilde sprintler gerçekleştirilir. Örneğin ilk sprintte kampanyanın hedef kitleye uygunluğu test edilir. Sprint sonunda ise elde edilen veriler üzerinden geri bildirimlerle beraber kampanya stratejisini oluşturmada düzenlemeler yapılır. Kampanya süreci boyunca sürekli olarak iyileştirmeler devam eder.</li><li>Bir yazılım şirketi yeni bir mobil uygulama geliştirmeye karar verir. Ekip bunun için bir backlog listeler. Her iki haftada bir sprintler düzenlenir. Uygulamanın kullanıcı arayüzü ve işlevselliği ilk sprintlerde geliştirilir. Sprint sonunda ekiğ gerekli gözden geçirmeleri yapar ve müşteriler tarafından geri bildirimler alır. Bu geri bildirim doğrultusunda, bir sonraki sprintte kullanıcı deneyimini geliştirmek için iyileştirmeler yapılır. Bu döngü, uygulama piyasaya sürülene kadar devam eder.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=71b08f35dd2b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Selenium ile Test Otomasyonu]]></title>
            <link>https://medium.com/@sevgicann.kilic/selenium-ile-test-otomasyonu-946dd068a0f5?source=rss-5be15d73170b------2</link>
            <guid isPermaLink="false">https://medium.com/p/946dd068a0f5</guid>
            <category><![CDATA[test-otomasyonu]]></category>
            <category><![CDATA[selenium-webdriver]]></category>
            <category><![CDATA[testing]]></category>
            <category><![CDATA[yazılım-test-mühendisi]]></category>
            <dc:creator><![CDATA[Sevgicann Kilic]]></dc:creator>
            <pubDate>Wed, 17 Apr 2024 13:54:30 GMT</pubDate>
            <atom:updated>2024-04-17T13:54:30.897Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4pCCo0KFzgManqNL6z-FPQ.jpeg" /></figure><p>Modern yazılım geliştirme süreçlerinde, hızlı ve güvenilir bir şekilde kaliteyi sağlamak için test otomasyonu artık vazgeçilmez bir araç haline gelmiştir. Selenium, özellikle web uygulamalarının test otomasyonunda yaygın olarak kullanılan güçlü bir araç haline gelmiştir. Selenium’un esnekliği ve geniş desteklediği platformlar sayesinde, QA mühendisleri test senaryolarını hızla oluşturabilmektedirler. Bu yazıda, Selenium ile test otomasyonunun temel ilkelerini, en iyi uygulamalarını ve güçlü yönlerini detaylı bir şekilde inceleyeceğiz.</p><h4>Neden Selenium?</h4><ol><li>Çapraz Platform Desteği: Chrome, Firefox, Safari gibi farklı web tarayıcılarında testlerin kolayca çalışmasına imkan sağlamaktadır.</li><li>Geniş Topluluk Desteği: Sürekli olarak geliştirilmekte ve güncellenmektedir. Yeni başlayanlar için kaynak erişimi kolaydır.</li><li>Uyum: Python, Java, C# gibi farklı programlama dilleri ile uyumludur.</li><li>Entegrasyon Kolaylılığı: Popüler olan CI/CD araçları ile kolayca entegre edilebilmektedir. Bu testlerin otomatik olarak çalıştırılmasını, izlenmesini ve raporlanmasını sağlar.</li></ol><h4>Selenium Locators</h4><p>Locators, bir web öğresini web sayfasında benzersiz bir şekilde tanımlayan adres olarak belirtilebilir. Selenium’a eylemi gerçekleştirmesi gereken web öğresi hakkında bilgi veren HTML özelliklerdir.</p><ol><li>ID: Web öğresini benzersiz olarak tanımlamak için kullanılır. Genelde en hızlı ve en güvenilir yoldur.</li></ol><pre>driver.find_element_by_id(&quot;username&quot;)</pre><p>2. ClassName: HTML elementlerinin ‘class’ özelliğini kullanarak tanımlama yapar. Bir web sayfasında birden fazla element aynı sınıfa sahip olabileceğinden kullanılırken dikkatli olunmalıdır.</p><pre>driver.find_element_by_class_name(&quot;menu-item&quot;)</pre><p>3. Name: HTML elementlerinin ‘name’ özelliğini kullanarak tanımlama yapar. Benzersiz olmayabileceğinden dikkatli kullanılmalıdır.</p><pre>driver.find_element_by_name(&quot;email&quot;)</pre><p>4. TagName: Belirli bir HTML tag türüne sahip olan tüm elementleri bulmak için kullanılır. Örneğin, “input” tag’ine sahip tüm input elementlerini bulmak için tag name locator’ü kullanabilirsiniz.</p><pre>driver.find_element_by_tag_name(&quot;input&quot;)</pre><p>5. LinkTest: Link text locator, tam bağlantı metnini bulmak için kullanılır.</p><pre>driver.find_element_by_link_text(&quot;About Us&quot;)</pre><p>6. XPATH: XPath, HTML dokümanındaki herhangi bir elemente dinamik olarak erişmek için kullanılan güçlü bir dil sağlar.</p><pre>driver.find_element_by_xpath(&quot;//input[@id=&#39;username&#39;]&quot;)<br>driver.find_element_by_xpath(&quot;//div[@class=&#39;container&#39;]/p&quot;)<br>driver.find_element_by_xpath(&quot;//div[@class=&#39;menu&#39;]/a[text()=&#39;Home&#39;]&quot;)</pre><p>7. CSS Selector: CSS web elementlerini tanımlamak için kullanılır. CSS selector locator’leri, elementleri stil özelliklerine göre seçmek için kullanılan tercih edilen bir yöntemdir.</p><pre>driver.find_element_by_css_selector(&quot;input#username&quot;)<br>driver.find_element_by_css_selector(&quot;div.container &gt; p&quot;)<br>driver.find_element_by_css_selector(&quot;.menu-item&quot;)</pre><p>Selenium’un sunduğu otomasyon yeteneği ve çapraz tarayıcı uyumluluğu, yazılım geliştirme sürecinde büyük avantajlar sağlar. Web uygulamalarının kalitesini artırmak ve hızlı bir şekilde güncellemeler yapmak için Selenium’un esnekliği ve gücünden yararlanabilirsiniz. Geliştiricilerin ve test uzmanlarının, Selenium’u etkin bir şekilde kullanarak verimliliği artırması ve daha güvenilir web uygulamaları oluşturması mümkündür.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=946dd068a0f5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[25 Veri Görselleştirme Tekniği]]></title>
            <link>https://medium.com/@sevgicann.kilic/25-veri-g%C3%B6rselle%C5%9Ftirme-tekni%C4%9Fi-951f31ce8677?source=rss-5be15d73170b------2</link>
            <guid isPermaLink="false">https://medium.com/p/951f31ce8677</guid>
            <category><![CDATA[verianalizi]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[grafik]]></category>
            <category><![CDATA[veri]]></category>
            <category><![CDATA[veri-görselleştirme]]></category>
            <dc:creator><![CDATA[Sevgicann Kilic]]></dc:creator>
            <pubDate>Thu, 01 Feb 2024 19:47:35 GMT</pubDate>
            <atom:updated>2024-02-01T19:47:35.518Z</atom:updated>
            <content:encoded><![CDATA[<p>Veri görselleştirmesi, veri analizi süreçlerinde önemli bir rol oynar ve bir dizi avantaj sunar. Grafikler ve grafiksel gösterimler, veri analistlerinin ve karar alıcıların veriyi daha kolay yorumlamasına yardımcı olur. Bilinenden çok daha fazla veri görselleştirme tekniği vardır.</p><p>1)Pie Chart (Pasta Grafikleri): Orantılı, bütün-ile-parça ilişkilerini basit bir şekilde sergiler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/553/1*_FyJCoK3j6P2am4toERZaw.png" /><figcaption>Pie Chart</figcaption></figure><p>2) Doughnut Charts (Donut Grafiği): Pasta grafiklerine boş bir merkez ekleyerek ek detaylar sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/1*6e1mtdtN4AiAG73JdIKxwg.png" /><figcaption>Doughnut Charts</figcaption></figure><p>3) Exploded Doughnut Charts (Ayrılmış Donut Grafiği): Bu grafiklerde belirli dilimler vurgulanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/526/1*IeljA9POCCzmMydOrbhYCA.png" /><figcaption>Exploded Doughnut Charts</figcaption></figure><p>4) Line Charts (Çizgi Grafikleri): Zaman içindeki trendleri ve değişiklikleri sergiler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*x-d0TIQ0GiZdBYLodw8Pxw.png" /><figcaption>Line Charts</figcaption></figure><p>5) Area Charts (Alan Grafikleri): Zaman içindeki değişiklikleri vurgular ve büyüklüğünü vurgular.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*mHpNL5WHYm4HTxO3kJVFjQ.png" /><figcaption>Area Charts</figcaption></figure><p>6) Stacked Bar Charts (Yığın Bar Grafikleri): Parça-ile-bütün ilişkilerini ve dağılımı gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/819/1*_rhTISA_QNrFpXVRIETZ6A.png" /><figcaption>Stacked Bar Charts</figcaption></figure><p>7) Bar Charts (Bar Grafikleri): Farklı grupları veya kategorileri etkili bir şekilde karşılaştırır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/814/1*UhoglHwEwmx2VNcWRQnZ-g.png" /><figcaption>Bar Charts</figcaption></figure><p>8) Pyramid Charts (Piramit Grafikleri): Hiyerarşik veriyi benzersiz bir formatta gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/823/1*49gu3T759_oUMh9YVTtiGw.png" /><figcaption>Pyramid Charts</figcaption></figure><p>9) Mind Maps (Zihin Haritası): Kavram ve fikirleri düşünme süreçlerine yardımcı olur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*gacE70a-xdMzeLdZK7RnzA.png" /><figcaption>Mind Maps</figcaption></figure><p>10) Decision Trees (Karar Ağaçları): Sonuçları modelleme konusunda yardımcı olmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/793/1*kgxSTdh56CEgU8hbW0VY-w.png" /><figcaption>Decision Trees</figcaption></figure><p>11) Bubble Charts (Buble Diyagram): Aynı anda üç boyutlu veriyi gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/898/1*MUm-Td2QFV3jkVF-2AeOPA.png" /><figcaption>Bubble Charts</figcaption></figure><p>12) Gantt Charts (Gantt Grafikleri): Proje programlarını ve zaman çizelgelerini belirtir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/838/1*Wcq_jn83AEeSEbrhzDc-2w.png" /><figcaption>Gantt Charts</figcaption></figure><p>13) Nested Bubble Charts (İkincil Bubble Diyagram): İç içe geçmiş kabarcıklar kullanarak hiyerarşik veriyi gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/382/1*iW2Q-v3OgiwBFZGOWlkEwA.png" /><figcaption>Nested Bubble Charts</figcaption></figure><p>14) Scatter Plots (Dağılım Grafikleri): Scatter plot, iki değişken arasındaki ilişkiyi görsel olarak göstermek için kullanılan bir grafik türüdür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*FqGVnaaha5Xg4mSMAkSrrQ.png" /><figcaption>Scatter Plots</figcaption></figure><p>15) Flow Charts (Akış Diyagramları): Kavramları ve fikirleri birbirine bağlar. Kolay gözlemlenebilme olanağı sunar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/437/1*_5EPcD4mWPImri9tPZiRWA.png" /><figcaption>Flow Charts</figcaption></figure><p>16) Funnel Charts (Huni Diyagramları): Satış veya işlem akışındaki aşamaları gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/846/1*N2t8KOirhdi3xXxQEXUxhw.png" /><figcaption>Funnel Charts</figcaption></figure><p>17) Radar Charts (Radar Grafikleri): Birden fazla değişkeni karşılaştırma olanağı sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/439/1*HGnrK83PPXr9Et8naYF5kQ.png" /><figcaption>Radar Charts</figcaption></figure><p>18) Venn Diagrams (Venn Diyagramları): Gruplar arasındaki mantıksal ilişkileri vurgular.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/431/1*h4K7vhcrMsbTVzl8rs690A.png" /><figcaption>Venn Diagrams</figcaption></figure><p>19) 3D Bubble Maps (Üç Boyutlu Bubble Haritaları): İç içe geçmiş kabarcıklar kullanarak hiyerarşik veriyi gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/506/1*57QDdQGZx5yHrEmKTDNs0g.png" /><figcaption>3D Bubble Maps</figcaption></figure><p>20) Timeline Charts (Saat Dilimi Grafikleri): Olayları veya grafikleri kronolojik sırayla gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/881/1*l7X5KakKR8AtILve4VLflg.png" /><figcaption>Timeline Charts</figcaption></figure><p>21) Arc Diagrams (Yarı Çember Diyagramları): Veri noktalarını yarı dairesel bir düzen içinde birleştirir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/927/1*GHMnwd2Q3uFV53N5H3Cy3A.png" /><figcaption>Arc Diagrams</figcaption></figure><p>22) Map Charts (Harita Grafikleri): Veriyi coğrafi olarak temsil eder.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/716/1*St7VOZoQV-yfvSYPMX9EjA.png" /><figcaption>Map Charts</figcaption></figure><p>23) Network Diagrams (Ağ Diyagramları): İlişkileri ve akışları net gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/857/1*ZGEzr_jhIjB0stbWFLuu6A.png" /><figcaption>Network Diagrams</figcaption></figure><p>24) Sankey Diagrams (Sankey Diyagramları): Ağlardaki miktarları ve akışları gösterir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/621/1*9MAjNkLw8Zkp7QNM01QmBQ.png" /><figcaption>Sankey Diagrams</figcaption></figure><p>25) Word Clouds (Kelime Bulutları): Popüler terimleri ve anahtar kelimeleri vurgular.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/933/1*7Azhu1NWP6I6SySNhFQqrA.png" /><figcaption>Word Clouds</figcaption></figure><p>Farklı veri görselleştirme tekniklerini kullanmanın veri analizinde daha kapsamlı ve derinlemesine görüler elde etmenize yardımcı olabileceği görülmüştür.</p><p>Farklı grafik türleri, veri setinizin farklı yönlerini vurgular. Pasta grafikleri, orantılı ilişkileri gösterirken, çizgi grafikleri zaman içindeki değişimleri vurgular. Farklı perspektiflerden bakmak, veri setinizdeki önemli desenleri ve ilişkileri daha iyi anlamanıza yardımcı olabilir.</p><p>Farklı grafik türleri, veri türlerine ve analiz amaçlarına daha iyi uyan yöntemleri içerir. Sayısal veriler için çizgi grafikler veya scatter plotlar kullanmak, kategorik veriler için bar grafikleri veya pasta grafikler kullanmak uygun olabilir.</p><p>Farklı görselleştirme teknikleri, veri setinizdeki gizli desenleri veya beklenmeyen ilişkileri ortaya çıkarmak için kullanılabilir. Belirli bir grafik türü deseni vurgulamıyorsa, başka bir grafik türü belirli bir deseni daha iyi gösterebilir.</p><p>Sonuç olarak, farklı veri görselleştirme tekniklerini kullanmak, daha zengin ve derinlemesine bir veri analizi deneyimi sağlar. Her bir teknik, belirli bir amaca veya veri setine daha uygun olabilir, bu nedenle çeşitliliği kullanmak, daha kapsamlı ve etkili bir veri analizi yapmanıza yardımcı olabilir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=951f31ce8677" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Müşteri Davranışlarına Göre Pazarlama Stratejisi Analizi]]></title>
            <link>https://medium.com/@sevgicann.kilic/m%C3%BC%C5%9Fteri-davran%C4%B1%C5%9Flar%C4%B1na-g%C3%B6re-pazarlama-statejisi-analizi-f73a4368fafd?source=rss-5be15d73170b------2</link>
            <guid isPermaLink="false">https://medium.com/p/f73a4368fafd</guid>
            <category><![CDATA[pazarlama-stratejisi]]></category>
            <category><![CDATA[verianalizi]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <dc:creator><![CDATA[Sevgicann Kilic]]></dc:creator>
            <pubDate>Mon, 29 Jan 2024 20:12:09 GMT</pubDate>
            <atom:updated>2024-01-30T11:57:08.864Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhaba, Sisterslab- Bilim ve Teknolojide Kadın Derneği tarafından düzenlenen Ada Lovelace Akademi Projesi kapsamındaki Veri Bilimi Akademisi bitirme projesine ait sunumum aşağıdadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/698/1*fToE7UtaFJWuu6rrWQ_20w.png" /></figure><p>Tüketicilerin ürün veya hizmet satın alırken nasıl karar verdikleri kişisel, sosyal ve psikolojik olarak hangi parametrelerden etkilendikleri, satış sonrası firmalardan beklentileri tüketicilerin davranışlarını belirlemektedir.</p><p>İşletmeler pazarlama stratejilerini tüketicileri çeşitli gruplara ayırarak, davranışları benzerlik gösteren müşterilerine benzer stratejileri uygulayarak pazar paylarını, marka değerlerini ve karlılıklarını arttırmaya çalışmaktadırlar.</p><p>Müşterilerin davranışları, örneğin bir e ticaret şirketi için çok önemlidir. Eğer bu davranışları iyi analiz edebilirse daha iyi hizmet sunabilir ve büyüme hızı artar.</p><p>Geçmiş pazarlama verilerinin analizi süreci kolaylaştırır. “Bir müşteri davranışı verisinden şirket için iyi bir pazarlama kampanyası nasıl yapılmalı?” sorusunu baz aldım. Şirketin pazarlama kampanyası tahminine yönelik bir model geliştirmek istiyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/702/1*qIvcdUW-S5OVNWqPG80wIw.png" /></figure><h4><strong>Problem</strong></h4><p>Şirketin pazarlama faaliyetlerinden elde ettiği gelir, harcadığı miktardan daha düşüktür. Müşteri davranışları gözlemlenerek uygun kampanyaların, uygun müşterilere sunulması sağlanmalıdır.</p><h4>Amaçlar</h4><ul><li>Veri Seti Özetleme</li><li>Veri Temizleme</li><li>Veri Ön İşleme</li><li>Veri Görselleştirme</li><li>Son kampanyaya yönelik tahmin modelleri oluşturma</li><li>Müşteri davranışlarına göre clustering yapma</li><li>Modelleri analiz etme</li><li>İç görüler elde etme</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/703/1*lMea-vloGVC8XjNsbYwt9A.png" /></figure><p>Veri Setine kısaca göz atalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/708/1*1yt4xSx5NR-KRkCXyndl4A.png" /></figure><p>Data Cleaning aşamasındaki yaptıklarımı özet geçiyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/699/1*AiQ_3a5Isnmsfuhb5-5oCQ.png" /></figure><p>Outliers (aykırı değerler), bir veri setinde diğer gözlemlerden önemli ölçüde farklı olan değerlerdir. Bu değerler, istatistiksel analizleri ve modelleme süreçlerini etkileyebilir. Bu sebeple kaldırılmalı.</p><p>Outliers gözlemlemek için görselleştirme tekniklerinden kutu grafiği kullanmak faydalı olacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/588/1*Eb_FiNO2tKmQ9RX41Y5ijg.png" /></figure><p>Veri setine ait diğer değişkenler için de aykırı değer analizleri yapıldı. Aykırı değerler temizlemeden önce ve temizlenmiş halinden sonra kutu grafiği ile görselleştirerek aradaki fark gözlemlendi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*FGUV4dv5iR6OYPhVLqazvw.png" /></figure><p>Kutu grafiği istatistiksel analiz için önemli bir görselleştirme tekniğidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/698/1*4j0ye1gdnE9F6NuzAG4__Q.png" /></figure><p>Müşterilerin kabul edip etmedikleri kampanya türlerini de belirleyip kabul eden müşteri sayısına göre ayrıca görselleştirildi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/455/1*pu3bDhaFBY-q-pw45Bkdag.png" /></figure><p>Veri setine dair sayısal değişkenlerin gözlemlenebilirliği açısından korelasyon matrisi oluşturuldu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/861/1*K7sUuj-DBIho4eRsDuJT_g.png" /></figure><p>Veri dağılımı incelemek için histogram kullanmak yararlı olacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/689/1*SyBexJI_W645ikY1GlwGAg.png" /></figure><p>Veri setinde müşterilerin toplam harcamalarına ilişkin değişkenler diğer değişkenlerle kıyaslandı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/694/1*nYbMGYRiXb4nPtnk9qW6Vw.png" /></figure><p>Scatter Plot kullanarak satılan ürün türlerine göre dağılım incelendi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/847/1*cQ7KDQuXzCqaOlJDWEy5qA.png" /></figure><p>İlk beş kampanyanın kabul edilme sürecine ilişkin son kampanyanın kabul edilme ihtimali üzerine model oluşturuldu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/693/1*fHrqWxrar_d5Yd3vubUTVg.png" /></figure><p>Elde edilen değerler confusion Matrix kullanarak görselleştirildi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/699/1*lISFcc_DghfhuNVL_zFJ0Q.png" /></figure><p>F1 skor değerinin arttırılması model başarısı yönünden önemlidir. Bu sebeple veri setindeki diğer ilgili değişkenleri de modele dahil edilerek full logistic regresyon modeli oluşturuldu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/693/1*KhEjG0DMuPTakUKhTF77_g.png" /></figure><p>Full Logistic regresyon daha başarılı sonuçlar elde etmemizi sağladı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/709/1*dyhB55ABFYINiN5I2GJfUw.png" /></figure><p>Müşteri davranışı analizi projelerinde genellikle kümeleme teknikleri kullanılmaktadır.</p><p>Kümeleme, müşterileri benzer davranış ve özelliklere göre gruplara ayırarak pazarlama stratejilerini özelleştirmenize yardımcı olur. Bu şekilde, her bir müşteri segmentine özel kampanya, indirim veya içerikler geliştirebilebilir. İlgili veri seti için kümeleme kullanmak yararlı olacaktır.</p><p>Ayrıca müşteri kümeleme, belirli bir müşteri segmentine odaklanarak pazarlama çabalarını optimize etmeye imkan sağlar. Bu, bütçe ve kaynakları daha etkili bir şekilde kullanmaya yardımcı olur.</p><p>Müşteri kümeleme, zaman içinde değişen müşteri davranışlarını takip ederek pazarlama stratejilerini güncellemeye yardımcı olabilir. Müşteri segmentlerinin değişen ihtiyaçlarına uyum sağlamak önemlidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/683/1*JzoF6A176lKj0KkBxNZPwQ.png" /></figure><p>Veri setine göre belirlenen silhouette skorlarına ait grafiklere yer verildi. Silhouette skoru, her bir veri noktasının kendi kümesine olan benzerliğini ve diğer kümelerden ne kadar farklı olduğunu ölçen skordur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3C8DIlKVpc-DZ08pKs2jRw.png" /></figure><p>Kümelemeye göre elde edilen analiz sonuçlarına aşağıda yer verilmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/599/1*gw1FJin6-n1ZhoDXS-xDhg.png" /></figure><p>Veri setinde Label Encoder kullanılarak kategorik türdeki birkaç ilgili değişken modele dahil edildi ve bu kez dört kümeye göre analiz yapıldı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/706/1*gmFySMysBfaviShrszirwg.png" /></figure><p>Müşteri harcamalarına en çok etkileyen değişkenlere göre yapılan analizde 4 küme için sonuçlar elde edildi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*m_72pAJHm8k7uYxJc8e7jw.png" /></figure><ul><li>cluster 0: Düşük gelirli alışveriş potansiyelleri düşük, eski müşteri grubu. Uygun hedef değil.</li><li>cluster 1: Yüksek potansiyelli müşteri grubu. Kampanyaları kabul oranları da, gelir seviyeleri de, total harcamaları da daha iyi. Oldukça uygun bir hedef.</li><li>cluster 2: Düşük gelirli, düşük harcamalı, biraz daha yeni olan müşteriler. Evli müşterilerin çoğunlukta olduğu grup.</li><li>cluster 3: Yüksek gelir seviyeli, ortalamanın üzerinde harcama yapan müşteri grubu.</li></ul><h3>Genel Sonuç</h3><ul><li>Modelleri genel olarak değerlendirdiğimizde logistic modellerde önceki kampanya kabullerine göre ve diğer müşteri davranışlarına göre son kampanya teklifi kabulu ayrı ayrı tahmin edilmiştir.</li><li>Clustering modellerinde ise müşteri profillerini daha iyi değerlendirebilmek için önce 3 kümeye sonra 4 kümeye ayrılarak analiz yapılmıştır.</li><li>Modeller müşteri davranışlarında yüksek gelirli, toplam alışveriş miktarının fazla olduğu ve çocuk sayısı az olan müşterilerde elde edilen gelirin fazla olduğu yönünde bir analiz elde etmemizi sağlamıştır.</li></ul><p>Projeme ait Github Linki:</p><p><a href="https://github.com/sevgicann/Ada_Lovelace_Final">https://github.com/sevgicann/Ada_Lovelace_Final</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f73a4368fafd" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğreniminde Değerlendirme Metrikleri]]></title>
            <link>https://medium.com/@sevgicann.kilic/makine-%C3%B6%C4%9Freniminde-de%C4%9Ferlendirme-metrikleri-a024a2426809?source=rss-5be15d73170b------2</link>
            <guid isPermaLink="false">https://medium.com/p/a024a2426809</guid>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[evaluation-metric]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[makine-öğrenimi]]></category>
            <dc:creator><![CDATA[Sevgicann Kilic]]></dc:creator>
            <pubDate>Mon, 08 Jan 2024 14:20:13 GMT</pubDate>
            <atom:updated>2024-01-08T14:20:13.454Z</atom:updated>
            <content:encoded><![CDATA[<p>Değerlendirme metrikleri (Evaluation Metrics), makine öğrenimi modellerinin performansını değerlendirmede oldukça önemli bir etkendir. Bu metrikler, modelin doğruluğunu, kesinliğini, hatasını ve genel performansını ölçmeyi amaçlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KI_F5R1mwJ6qdnfb-EECaA.png" /><figcaption>Değerlendirme Metrikleri (Evaluation Metrics)</figcaption></figure><h4>Sınıflandırma Metrikleri (Classification Metrics)</h4><p>Bu metrikler, bir modelin belirli sınıflar arasında doğruluk, hassasiyet, geri çağrı gibi performans ölçümlerini sağlar. Bazı sınıflandırma metrikleri şunlardır;</p><p><strong>Accuracy (Doğruluk):</strong> Sınırlandırma için en basit değerlendirme ölçütüdür. Doğru tahmin edilen gözlemlerin toplam gözlemlere oranıdır ve modelin ne sıklıkla doğru olduğuna dair hızlı bir ölçüm sağlar.</p><p><strong>Precision and Recall (Hassasiyet ve Geri Çağırma):</strong> Doğru tahmin edilen pozitif gözlemlerin tüm gerçek pozitiflere oranını ölçer. Bu ölçümler özellikle dengesiz veri kümeleriyle uğraşırken faydalıdır.</p><p><strong>F1 Score (F1 Puanı):</strong> Hassasiyet ve geri çağrının harmonik ortalamasıdır. Dengesiz veri setlerinde kullanışlıdır. Bunun nedeni hem yanlış pozitiflerin hem de yanlış negatiflerin önemli olduğu durumları dikkate almasıdır.</p><p><strong>ROC Curve and AUC (CROC Eğrisi ve AUC): </strong>ROC eğrisi, bir ikili sınıflandırıcının ayrım eşiği değiştikçe teşhis yeteneğini gösteren grafiksel bir çizimdir. Eğri Altındaki Alan (AUC), sınıflandırıcının sınıflar arasında ayrım yapma yeteneğinin ölçüsüdür.</p><h4>Regression Metrics (Regresyon Metrikleri)</h4><p>Bu metrikler, regresyon modellerinin gerçek değerlerle tahmin ettiği değerler arasındaki farkı değerlendirerek, modelin başarısını ve tahmin yeteneğini ölçer. İşte önemli regresyon metrikleri;</p><p><strong>Mean Absolute Error -MAE(Ortalama Mutlak Hata):</strong> Çalıştığımız veri setinde gerçek ve tahmin edilen değerler arasındaki mutlak farkın ortalamasıdır.</p><p><strong>Mean Squared Error -MSE(Ortalama Kare Hatası):</strong> Gerçek ve tahmin edilen değerler arasındaki kare farkların ortalamasıdır. Fazla outliers(aykırı değerler) MSE’yi olumsuz yönde etkiler.</p><p><strong>Root Mean Squared Error — RMSE (Kök Ortalama Kare Hatası): </strong>MSE’nin karekökü alınarak elde edilir. MSE ile aynı bilgileri sağlar fakat RMSE büyük hataların etkisini daha belirgin bir şekilde gösterir.</p><p><strong>R-Kare (R²):</strong> Bağımsız değişkenlerin hedef değişken üzerindeki açıklama oranını temsil eder. 1&#39;e yaklaşan bir R-Kare değeri, modelin bağımsız değişkenlerle hedef değişken arasındaki ilişkiyi ne kadar iyi açıkladığını gösterir.</p><h4>Clustering Metrics (Kümeleme Metrikleri)</h4><p>Benzer öğeleri bir arada gruplamak olan kümeleme metriklerinin sıkça kullanılanları şunlardır;</p><p><strong>Silhouette Score (Siluet Skoru): </strong>Bir nesnenin diğer kümelere kıyasla kendi kümesine ne kadar benzer olduğunu ölçer. Siluet -1 ile 1 arasında değişir; burada yüksek bir değer, nesnenin kendi kümesiyle iyi eşleştiğini, komşu kümelerle ise kötü eşleştiğini gösterir.</p><p><strong>Davies-Bouldin Index (Davies-Bouldin Endeksi): </strong>Küme merkezlerinin birbirlerine olan uzaklığını küme içi benzerlikle karşılaştıran ölçümdür. Düşük değerler, homojen ve birbirinden farklı kümelemeleri temsil eder.</p><p><strong>Calinski-Harabasz Score (Calinski-Harabasz Skoru):</strong> Küme içi benzerliği küme dışı farklılıkla karşılaştırır. Kümeleme performansını ölçmeye yarar. Yüksek skorlar, daha iyi bir kümeleme yapısını göstermektedir.</p><h4>Multi-Class Classification Metrics (Çok Sınıflı Sınıflandırma Metrikleri)</h4><p>Bir modelin birden fazla sınıfı sınıflandırma yeteneğini değerlendirmek için kullanılan ölçümlerdir.</p><p><strong>Confusion Matrix (Karışıklık Matrisi):</strong> Gerçek sınıf etiketleri ile modelin tahmin ettiği sınıf etiketlerini karşılaştırarak sınıflandırma performansını ayrıntılı bir şekilde gösterir.</p><p><strong>Micro and Macro Averages (Mikro ve Makro Ortalamalar): </strong>Çoklu sınıflı sınıflandırma problemlerinde performans metriklerini ölçmek için kullanılan iki farklı ortalamayı ifade eder.</p><p>Mikro ortalamada, tüm class’ların doğru ve yanlış tahminlerinin toplamını alır ve birleştirilmiş tek bir karışık matris elde eder. Ardından bu matris üzerinden doğruluk, hassasiyet, geri çağrı ve F1 puanı gibi metrikler hesaplar. Bu yöntem, tüm sınıfların toplam performansını tek bir puanla ölçmemizi sağlar. Her sınıfın katkısı aynı ağırlıkta ele alınmış olur.</p><p>Makro ortalamada ise, Bu ortalama, her bir class’ın performansını ayrı ayrı değerlendirir ve ardından bu değerlerin ortalamasını alarak genel performansı ölçer.</p><h4>Doğru Değerlendirme Metriği Nasıl Seçilir?</h4><p>Değerlendirme metriklerinin seçimi, veri setinin özelliklerine ve kullanıcının ne beklediğine göre değişmektedir. Uygulama ve model gereksinimlerini iyi belirleyip doğru metriği seçmeliyiz. Gelin birkaç örnek vererek durumu daha iyi anlayalım.</p><p>Örneğin <em>E-Ticaret Öneri Sistemi </em>modeli üzerinde çalışıyoruz. Buna göre doğru metrik belirleme stratejisini belirlerken gereksinimlere bakılır. Kesinlik (Precision) ve Geri Çağrı (Recall) önemli etkenler olabilir. Precision, doğru önerilerin yapılmasının kullanıcı memnuniyeti üzerindeki etkisini belirler. Recall ise tüm ilgili önerilerin (kaçırılanları azaltmak için) yapılmasını gösterir.</p><pre>def calculate_precision(true_positives, false_positives):<br>    precision = true_positives / (true_positives + false_positives)<br>    return precision<br><br>def calculate_recall(true_positives, false_negatives):<br>    recall = true_positives / (true_positives + false_negatives)<br>    return recall</pre><p>Örneğin <em>Müşteri Şikayeti Yönetimi</em> modeli üzerinde çalışıyoruz. Bir şirket, müşteri geri bildirimlerini otomatik olarak sınıflandırmak istemekte. Burada gereksinimleri göz önünde bulundurursak F1 Skoru işimize yarayabilir. F1 skoru, modelin hem doğru sınıflandırma yapma yeteneği hem de dengesiz sınıf dağılımı olan veri setlerinde performansını değerlendirmede fayda sağlar.</p><pre>def feedback_f1_score(true_positives_feedback, false_positives_feedback, false_negatives_feedback):<br>    precision_feedback = true_positives_feedback / (true_positives_feedback + false_positives_feedback)<br>    recall_feedback = true_positives_feedback / (true_positives_feedback + false_negatives_feedback)<br>    <br>    f1_score = 2 * ((precision_feedback * recall_feedback) / (precision_feedback + recall_feedback))<br>    return f1_score</pre><p>Başka bir örnek olarak <em>Tıbbi Teşhis Sistemi</em> modeli örneği verilebilir. Amacının kanser hastalığını belirleme olan bir uygulama geliştirdiğimizi düşünelim. Burada önemli olan sağlıklı bireye kanser teşhisi konulmamasını sağlayarak kanserli bireylere teşhisi koyma hassasiyetini sağlayan bir model oluşturmaktır. Precision (hassasiyet) burada kullanılması gereken metriktir.</p><pre>def cancer_precision(true_positives_cancer, false_positives_cancer):<br>    precision_cancer = true_positives_cancer / (true_positives_cancer + false_positives_cancer)<br>    return precision_cancer</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a024a2426809" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Lineer Regresyon ve Random Forest Algoritması ile Ev Fiyat Tahmini Yapan Uygulama]]></title>
            <link>https://medium.com/@sevgicann.kilic/lineer-regresyon-ve-random-forest-algoritmas%C4%B1-ile-ev-tahmini-yapan-uygulama-97c3bf220e1f?source=rss-5be15d73170b------2</link>
            <guid isPermaLink="false">https://medium.com/p/97c3bf220e1f</guid>
            <category><![CDATA[random-forest]]></category>
            <category><![CDATA[linear-regression-python]]></category>
            <category><![CDATA[regresyon]]></category>
            <category><![CDATA[lineer-regresyon]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <dc:creator><![CDATA[Sevgicann Kilic]]></dc:creator>
            <pubDate>Wed, 03 Jan 2024 17:12:07 GMT</pubDate>
            <atom:updated>2024-01-08T11:43:14.987Z</atom:updated>
            <content:encoded><![CDATA[<p>Random Forest ve Lineer Regresyon, makine öğrenimi alanında kullanılan farklı algoritmaları ifade eder.</p><p>Random Forest, birçok karar ağacının bir araya gelerek oluşturduğu bir ansambil (ensemble) öğrenme algoritmasıdır. Her bir karar ağacı, rastgele örneklem alınmış veri alt kümesi üzerinde eğitilir ve bu ağaçlar rastgele özelliklerle (değişkenlerle) oluşturulur.</p><p>Lineer Regresyon, bir bağımlı değişken ile bir veya daha fazla bağımsız değişken arasındaki ilişkiyi modellemek için kullanılan basit bir istatistiksel regresyon yöntemidir. Bu yöntem, doğrusal bir ilişkiyi ifade eden bir denklem oluşturarak, bağımsız değişkenlerin değerleri ile bağımlı değişken arasındaki ilişkiyi açıklamaya çalışır.</p><p>Makine Öğrenimi algoritmaları ile ilgili detaylı bilgi edinmek için:</p><p><a href="https://medium.com/@sevgicann.kilic/makine-%C3%B6%C4%9Frenmesi-teknikleri-477b025348a7">https://medium.com/@sevgicann.kilic/makine-%C3%B6%C4%9Frenmesi-teknikleri-477b025348a7</a></p><p>Ev fiyatlarını tahmin etmek için iki farklı makine öğrenimi algoritması olan Lineer Regresyon ve Random Forest kullanarak yapılan bir model oluşturacağız. Gayrimenkul sektöründe öngörü ve değerlendirme konusunda önemli bir rol oynayabilecek.</p><p>Kullanacağımız veri setini buradan alabilirsiniz: <a href="https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques/data?select=train.csv">https://www.kaggle.com/competitions/house-prices-advanced-regression-techniques/data?select=train.csv</a></p><pre>#Veri setini dataframe haline getirerek başlıyoruz<br>training = pd.read_csv(&quot;../data/train.csv&quot;)</pre><pre>#Kısa bir şekilde verilere bakıyoruz<br>training.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*8u2uy_mbdHOT_4XLAeYH8w.png" /><figcaption>Veri Seti ilk Beş Satır</figcaption></figure><pre>#Veri türlerini bakmak istiyoruz<br>training.info()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/511/1*1x9xkZ6T3JtsluMPCdgztA.png" /><figcaption>Veri seti özet bilgi</figcaption></figure><p>Burada asıl kullanmak istediğimiz değişken ‘SalePrice’ değişkeni. Bu yüzden bu değeri görselleştiriyoruz.</p><pre>plt.figure(figsize=(8, 6))<br>sns.distplot(training[&#39;SalePrice&#39;], bins=30, kde=False, color=&#39;blue&#39;) # &#39;SalePrice&#39; sütununu belirtilen renkte histogram olarak çizer<br><br>plt.title(&#39;Sale Price Dağılımı&#39;)<br>plt.xlabel(&#39;Sale Price&#39;)<br>plt.ylabel(&#39;Frekans&#39;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/868/1*Z24FPxa70Q5EHKMbT5jgIQ.png" /><figcaption>‘SalePrice’ Histogram Grafiği</figcaption></figure><pre><br>#Veri setinin normal dağılımına ne kadar uygun olduğunu göstermek için gerçek verilerin bir normal dağılım ile karşılaştırılmasını sağlayan bir olasılık plot&#39;u oluşturuyoruz.<br>fig = plt.figure()<br>stats.probplot(training[&#39;SalePrice&#39;], plot=plt)  <br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/555/1*OnDum-ffF8ZaG6nxMsuVJA.png" /><figcaption>Olasılık plot</figcaption></figure><p>Grafik sağa çarpık bir görüntüde oluştu. Dağılımı normalleştireceğiz. Numpy kütüphanesinden np.log1p() fonksiyonu kullanıyorum. Sağa çarpık bir dağılımı normale yaklaştırabilir.</p><pre>training[&#39;SalePrice&#39;] = np.log1p(training[&#39;SalePrice&#39;])</pre><pre>fig = plt.figure()<br>stats.probplot(training[&#39;SalePrice&#39;], plot=plt)  <br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/555/1*E_tDYsGAC8QBvv50P_-xPw.png" /><figcaption>Normal Dağılımlı olasılık plot</figcaption></figure><p>Dağılım daha normal bir hale geldi. Bu adımdan sonra veri temizleme işlemi yapacağız. Eksik veriler model eğitmek için problem oluşturur. Bu yüzden önce eksik olan değerleri görselleştirip ilgili sütunla arasındaki ilişkileri görselleştirip gerekli veri temizleme işlemlerini yapmak gerekiyor. Bu işlemi eksik veri kalmayacak şekilde tamamlayıp NaN olan değerleri veri setini gözlemleyip doğru bir şekilde güncelliyoruz.</p><p>Veri temizleme işlemlerini null karakter kalmayıncaya kadar devam ediyoruz. Sonunda bu haritayı görmeliyiz.</p><pre>plt.figure(figsize =(10, 5))<br>sns.heatmap(training.isnull())</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/559/1*bxrjB4pJP0Fg1mRVS3JvRw.png" /><figcaption>Null Değere Göre HeatMap</figcaption></figure><p>Null değerimiz olmadığına göre sklearn.preprocessing kütüphanesinden LabelEncoder sınıfını kullanarak kategorik olan verileri sayısal değerlere dönüştüreceğim.</p><pre>cols = (&#39;FireplaceQu&#39;, &#39;BsmtQual&#39;, &#39;BsmtCond&#39;, &#39;GarageQual&#39;, &#39;GarageCond&#39;, <br>        &#39;ExterQual&#39;, &#39;ExterCond&#39;,&#39;HeatingQC&#39;, &#39;PoolQC&#39;, &#39;KitchenQual&#39;, &#39;BsmtFinType1&#39;, <br>        &#39;BsmtFinType2&#39;, &#39;Functional&#39;, &#39;Fence&#39;, &#39;BsmtExposure&#39;, &#39;GarageFinish&#39;, &#39;LandSlope&#39;,<br>        &#39;LotShape&#39;, &#39;PavedDrive&#39;, &#39;Street&#39;, &#39;Alley&#39;, &#39;CentralAir&#39;, &#39;MSSubClass&#39;, &#39;OverallCond&#39;, <br>        &#39;YrSold&#39;, &#39;MoSold&#39;, &#39;MSZoning&#39;, &#39;LandContour&#39;, &#39;LotConfig&#39;, &#39;Neighborhood&#39;,<br>        &#39;Condition1&#39;, &#39;Condition2&#39;, &#39;BldgType&#39;, &#39;HouseStyle&#39;, &#39;RoofStyle&#39;, &#39;RoofMatl&#39;, &#39;Exterior1st&#39;,<br>        &#39;Exterior2nd&#39;, &#39;MasVnrType&#39;, &#39;MasVnrArea&#39;, &#39;Foundation&#39;, &#39;GarageType&#39;, &#39;MiscFeature&#39;, <br>        &#39;SaleType&#39;, &#39;SaleCondition&#39;, &#39;Electrical&#39;, &#39;Heating&#39;)</pre><pre>from sklearn.preprocessing import LabelEncoder<br>for c in cols:<br>    lbl = LabelEncoder()<br>    lbl.fit(list(training[c].values))<br>    training[c] = lbl.transform(list(training[c].values))</pre><p>Model oluşturup eğitme kısmı ile başlayacağız. Fakat önce tahmin yapacağum değişken olarak SalePrice’ı belirliyorum.</p><pre>#SalePrice verileri tahmin edeceğimiz için ilgili sütunu sildim. Öncesinde yeni bir değişkene atıyorum.<br>y = training[&#39;SalePrice&#39;]<br><br>del training[&#39;SalePrice&#39;]</pre><p>x_train: Makine öğrenimi modelinin eğitilmesi için kullanılan bağımsız değişkenlerin (features veya özelliklerin) bulunduğu eğitim veri setinin parçasıdır. Bu veri seti, modelin öğrenme sürecinde kullanılan verileri içerir.</p><p>y_train: x_train’deki bağımsız değişkenlere karşılık gelen hedef değişkenin (target veya label) değerlerinin bulunduğu eğitim veri setinin hedef kısmıdır. Bu, modelin eğitilirken öğrenmeye çalıştığı değerleri içerir.</p><p>x_test: Makine öğrenimi modelinin eğitildikten sonra performansını değerlendirmek için kullanılan bağımsız değişkenlerin bulunduğu test veri setinin parçasıdır. Bu veri seti, eğitim veri setinden farklı, ancak benzer özelliklere sahip veriler içerir.</p><p>y_test: x_test’teki bağımsız değişkenlere karşılık gelen gerçek hedef değişkenin değerlerinin bulunduğu test veri setinin hedef kısmıdır. Bu, modelin eğitildikten sonra gerçek veriler üzerinde ne kadar iyi performans gösterdiğini değerlendirmek için kullanılır.</p><pre>#Model için x ve y değerleri belirliyorum<br>X = training.values<br>y = y.values</pre><pre>#Verileri eğitim ve test verileri olmak üzere ikiye ayıralım (%80 eğitim % 20 test)<br>from sklearn.model_selection import train_test_split<br>X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 7)</pre><p>Artık Lineer Regresyon’a başlayabiliriz.</p><pre># Model oluşturma<br>from sklearn import linear_model<br>model = linear_model.LinearRegression()</pre><pre>#Şimdi de eğittiğimiz modelimiz üzerinden tahminler yapalım<br>print(&quot;Tahmin edilen değer : &quot; + str(model.predict([X_test[100]])))<br>print(&quot;Gerçek değer : &quot; + str(y_test[100]))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/425/1*NzUtW07jV6FTfT-YJNi4JQ.png" /><figcaption>Lineer Regresyon Tahmini ve Gerçek Değerler</figcaption></figure><pre>print(&quot;Doğruluk oranı :  &quot;, model.score(X_test, y_test)* 100)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/415/1*yw3EkQc6qBM3ohFBdMGKhA.png" /><figcaption>Lineer Regresyon Doğruluk Oranı</figcaption></figure><p>MSE (Ortalama Kare Hatası) değerine bakıyoruz.</p><pre>from sklearn.metrics import mean_squared_error<br><br># model.predict ile tahminleri yapmak için:<br>predictions = model.predict(X_test)<br><br># MSE hesaplamak için:<br>mse = mean_squared_error(y_test, predictions)<br>print(&quot;Ortalama Kare Hatası (MSE):&quot;, mse)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/532/1*66pnOpHOMs6vL1FnZRLw9A.png" /><figcaption>Lineer Regresyon Ortalama Kare Hatası</figcaption></figure><p>Varyans Skoru hesabı için aşağıdaki kodu kullanıyoruz.</p><pre>from sklearn.metrics import explained_variance_score<br><br># predictions: modelin yaptığı tahminler<br># y_test: gerçek hedef değerler<br>variance_score = explained_variance_score(y_test, predictions)<br>print(&quot;Varyans Skoru:&quot;, variance_score)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/430/1*FkSxmZEqBF9Mx0H0NoVHBw.png" /><figcaption>Lineer Regresyon Varyans Skoru</figcaption></figure><p>Random Forest Regresyona için yapıyoruz.</p><pre>from sklearn.ensemble import RandomForestRegressor<br>model = RandomForestRegressor(n_estimators = 1000)</pre><pre>#modeli eğitmek için:<br>model.fit(X_train, y_train)</pre><pre>#Modelin doğruluğunu kontrol etmek için: <br>print(&quot;Doğruluk oranı :&quot;, model.score(X_test, y_test)*100)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/385/1*8aMzmWjLbSPpQATelFjB1w.png" /><figcaption>Random Forest Regresyon Doğruluk Oranı</figcaption></figure><pre>from sklearn.metrics import mean_squared_error<br><br># model.predict ile tahminleri yapmak için:<br>predictions = model.predict(X_test)<br><br># MSE hesaplamak için:<br>mse = mean_squared_error(y_test, predictions)<br>print(&quot;Ortalama Kare Hatası (MSE):&quot;, mse)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/525/1*dgt4wPA8H2NYshS-voGCeQ.png" /><figcaption>Random Forest Regresyon Ortalama Kare Hatası</figcaption></figure><pre>from sklearn.metrics import explained_variance_score<br><br># predictions: modelin yaptığı tahminler<br># y_test: gerçek hedef değerler<br>variance_score = explained_variance_score(y_test, predictions)<br>print(&quot;Varyans Skoru:&quot;, variance_score)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/413/1*zQQje_JE1ecp8sj_FQHCZg.png" /><figcaption>Random Forest Varyans Skoru</figcaption></figure><p>Bu çalışma, lineer regresyon ve random forest regresyon modelleri üzerine yapılan analizlerle, ev fiyatlarının tahmin edilmesinde kullanılan farklı yaklaşımların karşılaştırılması açısından önemli bir adım atmaktadır. Elde edilen sonuçlar, model performansları ve tahmin doğrulukları bakımından değerlendirilerek, ev fiyatlarının tahmininde hangi modelin daha etkili olduğuna dair faydalı bir perspektif sunmaktadır.</p><p>Projenin tamamı için github hesabıma göz atabilirsiniz.</p><p><a href="https://github.com/sevgicann/pythonfiles/blob/master/week6/house_price_prediction.ipynb">https://github.com/sevgicann/pythonfiles/blob/master/week6/house_price_prediction.ipynb</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=97c3bf220e1f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenmesi Teknikleri]]></title>
            <link>https://medium.com/@sevgicann.kilic/makine-%C3%B6%C4%9Frenmesi-teknikleri-477b025348a7?source=rss-5be15d73170b------2</link>
            <guid isPermaLink="false">https://medium.com/p/477b025348a7</guid>
            <category><![CDATA[denetimsiz-öğrenme]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[makine-öğrenimi]]></category>
            <category><![CDATA[denetimli-öğrenme]]></category>
            <category><![CDATA[derin-ogrenme]]></category>
            <dc:creator><![CDATA[Sevgicann Kilic]]></dc:creator>
            <pubDate>Mon, 01 Jan 2024 22:18:14 GMT</pubDate>
            <atom:updated>2024-01-03T17:27:14.756Z</atom:updated>
            <content:encoded><![CDATA[<p>Makine öğrenimi, sistemlerin açık talimatlar yerine deneyimsel verilerden öğrenerek ve bu deneyimlerle gelecekteki verilere uygun işlem yapabilme yeteneği kazandığı bir yapay zeka alanıdır.</p><p>Bu yazıda, makine öğreniminin temel kavramlarından, makine öğrenimini doğru şekilde kullanmamıza yardımcı olarak önemli algoritma türlerinden bahsedeceğim.</p><h4>Temel Kavramlar</h4><p><strong>Veri:</strong> Makine öğrenimi modellerinin eğitilmesi ve test edilmesi için kullanılan giriş bilgileri denebilir. Veri, genellikle öznitelikler (features) ve hedef değişkenler (labels) olarak düşünülebilir.</p><p><strong>Model: </strong>Bir model, veri üzerinde desenler bulabilen ve bu desenleri kullanarak tahminlerde bulunabilen matematiksel veya istatistiksel bir yapıdır. Örneğin ev fiyatlarının tahmin edilmesi için bir model geliştirmek istenebilir.</p><p><strong>Öznitelikler (Features):</strong> Bir veri noktasının tanımlanmasına yardımcı olan özgü özelliklerdir. Ev fiyatlarının tahmin edilmesi gibi bir model geliştirmek istendiğinde bir evin fiyatını tahmin etmek için odaların sayısı, konumu, büyüklüğü gibi öznitelikleri kullanılabilir.</p><p><strong>Hedef değişkenler (Labels): </strong>Bir modelin tahmin yapmaya çalıştığı veya öğrenmeye çalıştığı çıktı değişkenler. Ev örneğinde Hedef değişken(label) evin gerçek fiyatı olabilir. Model, veri setindeki öznitelikleri kullanarak ev fiyatlarını tahmin etmeye çalıştığında bu tahminlerin gerçek fiyatlara ne kadar yakın olduğunu ölçmek için hedef değişkeni kullanacak.</p><p><strong>Eğitim (Training):</strong> Makine öğrenimi modelinin veri seti üzerinde öğrenme süreci. Model, eğitim verilerini kullanarak, öğrenme ve veri üzerindeki desenleri tanıma yeteneği kazanır.</p><p>Training aşamasında, model, önceden toplanmış olan veri seti üzerinde çalışır. Bu veri seti, evlere ait öznitelikleri (evin büyüklüğü, oda sayısı, konumu, vb.) ve bu özniteliklere karşılık gelen hedef değişkenleri (gerçek fiyatları) içerir. Model, eğitim verilerini analiz eder ve bu veri setindeki desenleri, ilişkileri ve ev fiyatları ile öznitelikler arasındaki bağlantıları öğrenmeye çalışır.</p><p>Model, eğitim verileri üzerindeki desenleri yakalamak için makine öğrenimi algoritmaları kullanarak öğrenme yapar. Bu algoritmalar, veri setindeki ilişkileri matematiksel olarak modellemeye çalışarak, ev fiyatlarını etkileyen faktörleri ve ilişkileri bulmaya çalışır. Yani training aşaması, modelin veri setindeki bilgilerden öğrenme ve ev fiyatlarını tahmin etme yeteneği kazandığı aşamadır.</p><p><strong>Test (Testing):</strong> Model gerçek dünya verileri üzerinde test edilir. gerçek dünya verileri için ayrı bir veri seti kullanır. Model, bu test veri setindeki ev özniteliklerini alır ve bu özniteliklere dayanarak fiyat tahminleri yapar. Yapılan tahminler gerçek fiyatlarla karşılaştırılır ve modelin ne kadar doğru tahminler yaptığı ölçülür.</p><p>Makine öğrenimi, veri analizi tanıma yeteneği kazandırmak için bazı algoritma türleri kullanır. Bu teknikler; Denetimli Öğrenme (Supervised Learning), Denetimsiz Öğrenme (Unsupervised Learning), Pekiştirmeli Öğrenme (Reinforcement Learning) gibi teknikleri barındırır.</p><p><strong>Doğrulama (Validation):</strong> Modelin genelleme yeteneğini değerlendirmek için ayrılmış bir veri seti. Modelin performansını doğrulamak için kullanılır ve aşırı uydurma (overfitting) gibi problemleri tespit etmek için önemlidir. Doğrulama veri seti, genellikle eğitim veri setinden ayrılmış ve modelin daha önce görmediği ancak gerçek dünya verilerine benzer özelliklere sahip olan bir veri setidir.</p><p><strong>Aşırı Öğrenme(Overfitting):</strong> Modelin eğitim veri setine aşırı derecede uyum sağlayarak, genelleme yeteneğini kaybetmesidir. Model, eğitim verilerine çok iyi uysa da yeni verilerde başarı sağlayamaz. Mesela yeni ev özelliklerine göre başarılı tahminler yapamaması gibi.</p><h4>Makine Öğretmesi Algoritmaları</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZQ8Akmzz9UqWParJJ08p4g.png" /><figcaption>Makine Öğrenmesi Algoritmaları</figcaption></figure><h4>1- Denetimli Öğrenme Algoritmaları (Supervised Learning Algorithms)</h4><p>Algoritma eğitilirken veri setindeki her örneğin bir girdi-çıktı ilişkisi olur. Yani, her veri noktasının yanında doğru cevap (etiket veya hedef) verilir. Algoritma, bu girdi-çıktı ilişkilerinden öğrenir ve daha sonra yeni girdiler için doğru çıktıları tahmin etmeye çalışır.</p><p>a) Lineer Regresyon (Linear Regression): Bir değişkenin diğer değişkenlerle ilişkisini açıklamak için kullanılır.</p><p>Ev fiyat tahmini örneğinimiz için düşünmek gerekirse ev fiyatlarını diğer özelliklerle ilişkilendirerek bir evin fiyatını tahmin etmek için kullanılabilir.</p><p>b) Lojistik Regresyon (Logistic Regression): Sınıflandırma problemlerinde kullanılır, iki veya daha fazla sınıf arasında işlem yapar.</p><p>Ev fiyatlarını belirli kategorilere (örneğin, yüksek fiyatlı, orta fiyatlı, düşük fiyatlı) sınıflandırmak için kullanılabilir.</p><p>c) Destek Vektör Makineleri (Support Vector Machines — SVM): Sınıflandırma ve regresyon problemlerini çözmek için kullanılır, özellikle lineer ve non-lineer sınıflandırma için etkilidir.</p><p>Örneğimizde öznitelikleri kullanarak ev fiyatlarını sınıflandırmak veya tahmin etmek için kullanılabilir.</p><p>d) Karar Ağaçları ve Rastgele Ormanlar (Decision Trees and Random Forests): Karar ağaçları, sınıflandırma ve regresyon problemlerinde kullanılır. Random Forests ise birçok karar ağacının bir araya gelmesiyle oluşur.</p><p>Farklı özniteliklerin ev fiyatları üzerindeki etkilerini değerlendirerek fiyatları tahmin etmek için kullanılabilir.</p><h4>2 -Denetimsiz Öğrenme Algoritmaları (Unsupervised Learning Algorithms)</h4><p>algoritma eğitilirken veri setindeki örneklerin etiketlenmemiş (yani, çıktıları belirtilmemiş) olduğu durumlarla çalışılır.</p><p>a) K-Means Kümeleme (K-Means Clustering): Veri noktalarını belirli kriterlere göre kümelere ayırmak için kullanılır.</p><p>Ev fiyat tahmini modeli örneğimizde benzer ev tiplerini veya fiyat aralıklarını belirlemek için kullanılabilir.</p><p>b) Hiyerarşik Kümeleme (Hierarchical Clustering): Kümeleri ağaç yapısı kullanarak oluşturur, veri noktalarını alt ve üst düzeyde gruplara ayırır.</p><p>Ev fiyat tahmini modeli örneğimizde farklı ev tiplerini veya fiyat segmentlerini belirlemek için kullanılabilir.</p><p>c) PCA (Principal Component Analysis): Boyut indirgeme için kullanılır, veri setindeki boyutları azaltarak özniteliklerin anlamını korur.</p><p>Veri setindeki özniteliklerin boyutunu azaltarak ev fiyatlarını etkileyen en önemli faktörleri belirlemek için kullanılabilir.</p><p>d) t-SNE (t-Distributed Stochastic Neighbor Embedding): Veri görselleştirmesi için kullanılır, yüksek boyutlu veriyi düşük boyutlara indirger ve görselleştirir.</p><p>Ev özelliklerini görselleştirmek veya farklı fiyat segmentlerini anlamak için kullanılabilir.</p><h4>3 -Pekiştirmeli Öğrenme Algoritmaları (Reinforcement Learning Algorithms)</h4><p>a) Q-Learning: Belirli bir ortamda en iyi eylemi belirlemek için kullanılır, ödüller ve cezalarla çalışır.</p><p>Bu algoritma için bir ev örneği yerine oyun sektöründen bir örnek verebiliriz. Bilgisayar oyunlarında en uygun hamleyi belirlemek için kullanılabilir. Veya robotların çevreleri ile olan etkileşimlerinde ödül/ceza yöntemi ile en uygun eylemleri belirlemek için kullanılabilir.</p><p>b) Oyuncu-Eleştirmen Algoritmaları (Actor-Critic Algorithms): Ödüllendirme ve strateji geliştirme için kullanılır, bir eleştirmen (critic) ve bir oyuncu (actor) bileşenine dayanır.</p><p>Ev örneği yerine bir robot üzerinden örnek verelim. Robot, actor olarak tanımlanıyor. Critic ise robotun yaptığı eylemlerin performansını değerlendirerek analiz ediyor. Analiz sonucuna göre robota geri bildirim vererek öğrenmesini sağlıyor.</p><h4>4 -Derin Öğrenme (Deep Learning)</h4><p>a) Evrişimli Sinir Ağları (Convolutional Neural Networks — CNN): Görüntü tanıma gibi alanlarda kullanılır.</p><p>Verdiğimiz ev fiyatı tahmin örneğinde odaların boyutunu ve evin dış görünüşünü fotoğraflara göre değerlendirerek analiz etmeye yarar.</p><p>b) Rekürrent Sinir Ağları (Recurrent Neural Networks — RNN): Zaman serisi analizi gibi sürekli veri işleme problemlerinde etkilidir.</p><p>Örneğimize göre geçmiş yıllara ait ev fiyatları verilerini kullanarak gelecekteki fiyatları tahmin etmek için kullanılabilir. RNN’ler, ev fiyatlarının zaman içindeki değişimini anlamayı sağlar ve değişimlerin gelecekteki fiyatları nasıl etkileyebileceğini belirleyebilir.</p><p>c) Derin Doğrusal Ağlar (Deep Belief Networks — DBN): Öğrenilmiş temsilleri kullanarak veri setlerindeki örüntüleri tanır.</p><p>Örneğimize göre bir evin özelliklerini (metrekare, oda sayısı, konum gibi) içeren veri setlerindeki ilişkileri belirleyebilir ve bu ilişkileri kullanarak ev fiyatlarını tahmin etmeye çalışabilir.</p><p>d) Derin Yapay Sinir Ağları (Deep Artificial Neural Networks — DANN): Genellikle çok katmanlı yapay sinir ağlarını ifade eder.</p><p>Ev örneğine göre ev özelliklerini (oda sayısı, konum, metrekare vb.) girdi olarak alır ve bu özellikler arasındaki karmaşık ilişkileri analiz edip öğrenir. Bu öğrenilen ilişkileri kullanarak ev fiyatlarını tahmin etmeye çalışır.</p><p>Derin öğrenme teknikleri, büyük ve karmaşık veri setleri üzerinde daha karmaşık yapıları öğrenmek için daha uygun teknikleri içerir.</p><p>Özetlemek gerekirse her bir algoritma, farklı veri türleri ve problemler için kullanılır. Hangi algoritmanın kullanılacağı, veri setinin yapısını incelediğimizde yapmak istediğimize bağlıdır. Bu nedenle, doğru algoritmayı seçmek, veri analizi sürecinde başarı için kritik bir adımdır.</p><p>Ev Fiyat Tahmini örnek çalışmam için yazdığım blog yazısına buradan ulaşabilirsiniz:</p><p><a href="https://medium.com/@sevgicann.kilic/lineer-regresyon-ve-random-forest-algoritmas%C4%B1-ile-ev-tahmini-yapan-uygulama-97c3bf220e1f">https://medium.com/@sevgicann.kilic/lineer-regresyon-ve-random-forest-algoritmas%C4%B1-ile-ev-tahmini-yapan-uygulama-97c3bf220e1f</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=477b025348a7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kullanım Alanlarına Göre Veritabanları]]></title>
            <link>https://medium.com/@sevgicann.kilic/kullan%C4%B1m-alanlar%C4%B1na-g%C3%B6re-veritabanlar%C4%B1-8c86794491bb?source=rss-5be15d73170b------2</link>
            <guid isPermaLink="false">https://medium.com/p/8c86794491bb</guid>
            <category><![CDATA[veritabanı-tasarımı]]></category>
            <category><![CDATA[veritabanı-yönetimi]]></category>
            <category><![CDATA[veritabanı]]></category>
            <category><![CDATA[ilişkisel-veritabanı]]></category>
            <dc:creator><![CDATA[Sevgicann Kilic]]></dc:creator>
            <pubDate>Tue, 26 Dec 2023 21:46:03 GMT</pubDate>
            <atom:updated>2023-12-26T21:51:42.319Z</atom:updated>
            <content:encoded><![CDATA[<p>Veritabanları, bilgi ve verilerin organize edilmesi, depolanması, yönetilmesi ve erişilmesi için kullanılan temel yapı taşlarıdır. Bir veri bilimci için oldukça önemli olan veritabanları çeşitlerine göz atalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*i-zlitxiPqR45iiJlWvUIg.png" /><figcaption>Types of Databases (Veritabanı Türleri)</figcaption></figure><h4>Relational Databases (İlişkisel Veritabanları)</h4><p>MySQL, Oracle, PostgreSQL gibi yönetim sistemleri veri güvenliği, yedekleme ve kurtarma, kullanıcı arayüzü ve yönetim araçlarının kullanımı açısından oldukça yararlıdır.</p><p>İlişkisel veritabanı araçları genellikle veri yedekleme ve kurtarma işlevselliği sunar. Bu özellikler, veri kaybını önlemek ve veritabanı hatalarının oluşması durumunda verilerin eski durumuna getirilmesini sağlamak için önemlidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IDLrD1sDe6GfbQdmJkAqMg.png" /><figcaption>Relational Databases (İlişkisel Veritabanları)</figcaption></figure><p>Veri bütünlüğünün sağlanması ilişkisel veritabanları için önemlidir. Veri bütünlüğü, veritabanlarında yer alan verilerin doğruluğunu, tutarlılığını ve güvenilirliğini temsil etmektedir.</p><p>Ayrıca ilişkisel veritabanları İlişkisel veritabanları, SQL (Structured Query Language) yani yapılandırılmış sorgu dilini kullanarak veritabanı işlemlerini gerçekleştirir.</p><h4>Document Based Databases (Belgelendirme tabanlı Veritabanları)</h4><p>MongoDB, Couchdb gibi yönetim sistemleri sosyal medya gönderileri ve web sitesi içeriği gibi yapılandırılmamış veriler için esneklik sunan başlıca örneklerdir.</p><p>Belgelendirme tabanlı veritabanları, verileri bir belgede saklar. Bu belge genelde JSON veya benzeri tarzda bir formatta olur. Bu tür veritabanları genellikle yüksek ölçeklenebilirlik sağlar. Büyük miktarda veriyi işleyebilir yapıdadır. Hızlı geliştirmeye olanak tanır.</p><h4>In-Memory Databases (Bellek İçi Veritabanları)</h4><p>Redis ve Memcached, önbelleğe alma ve gerçek zamanlı uygulamalarda kullanılır. Düşük gecikme süresi, yüksek hızlı işleme gibi özellikleri vardır.</p><p>In-Memory veritabanları, verileri bellekte tutarak, geleneksel disk tabanlı veritabanlarına kıyasla çok daha hızlı erişim ve işleme imkanı sunarlar. Bu tür veritabanları genellikle performansı en üst düzeye çıkarmak ve işlemleri hızlandırmak amacıyla kullanılır.</p><h4>Graph Databases (Graf Veritabanları)</h4><p>Neo4j ve ArangoDB en çok kullanılan veritabanlarıdır. Nesneler arasındaki ilişkileri ve bağlantıları daha iyi temsil etmek için kullanılır. Özellikle ağ yapısı olan verilerin modellemesi, sorgulanması ve analizi için idealdir.</p><p>Örneğin, bir sosyal ağdaki kullanıcıları (nodes) ve bu kullanıcıların birbirleriyle olan bağlantılarını (edges) temsil etmek için graf veritabanları kullanılabilir.</p><h4>Time Series Databases (Zaman Serisi Veritabanları)</h4><p>InfluxDB ve TimescaleDB gibi önemli araçlar zaman önemli olduğunda sıklıkla kullanılır. Sensör kullanımı, hisse senedi fiyatları gibi zamanın önemli olduğu verilerde tercih edilir.</p><p>InfluxDB, büyük miktarda zaman serisi verilerini depolamak, sorgulamak ve analiz etmek için tasarlandı. IoT (Nesnelerin İnterneti), metrik izleme ve uygulama performansı izleme gibi alanlarda sıklıkla kullanılır.</p><p>Zaman Serisi veritabanlarını anlamak için şöyle bir örnek verebiliriz:</p><p>Belirli bir zaman aralığındaki sıcaklık değişimini, belirli bir konumda bulunan belirli bir sensörün ölçümlerini veya belirli bir sensörün belirli bir zaman aralığındaki ortalama sıcaklığını sorgulamak istiyoruz. Bu tür sorgular, zaman-serisi veritabanlarından elde edilen verilerin analizini kolaylaştırır ve zaman içindeki değişimleri anlamak için kullanılır.</p><h4>Spatial Databases (Mekansal Veritabanları)</h4><p>PostGIS ve Oracle Spatial en çok tercih edilen Mekansal veritabanları araçlarıdır.</p><p>PostGIS, PostgreSQL üzerine inşa edilmiş açık kaynaklı bir spatial veritabanı uzantısıdır. Coğrafi nesneleri depolamak ve coğrafi sorgular yapmak için kullanılır. Coğrafi Bilgi sistemi yazılımlarında kullanılır.</p><p>Coğrafi konum verilerini saklamak, sorgulamak ve analiz etmek için özel olarak tasarlanmış veritabanı sistemleridir. Bu veritabanları, coğrafi konum verilerini geometrik şekiller, haritalar, yol ağları gibi özel veri tipleri üzerinde işlemek için kullanılır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8c86794491bb" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>