Python, makine öğrenimi (ML) ve yapay zekâ (AI) alanlarında en çok tercih edilen dillerden biridir çünkü hem kolay öğrenilebilir hem de zengin kütüphane ekosistemine sahiptir.
Aşağıda sana kısa bir özet ve örnek bir uygulama veriyorum:
1. Temel Kavramlar
Python: Yüksek seviyeli, dinamik tipli, açık kaynak bir programlama dili.
Makine Öğrenimi (ML): Veriden öğrenen ve tahmin yapan algoritmaların geliştirilmesi.
Yapay Zekâ (AI): İnsan benzeri karar verme ve problem çözme yeteneklerini taklit eden sistemler.
2. Python’da ML/AI İçin Önemli Kütüphaneler
NumPy: Sayısal hesaplamalar.
Pandas: Veri analizi ve manipülasyonu.
Matplotlib / Seaborn: Veri görselleştirme.
Scikit-learn: Makine öğrenimi algoritmaları.
TensorFlow / PyTorch: Derin öğrenme (Deep Learning) modelleri.
3. Basit Makine Öğrenimi Örneği
Aşağıdaki kod, Python ve scikit-learn kullanarak basit bir doğrusal regresyon modeli kurar.
Python
Kodu kopyala
# Basit Makine Öğrenimi Örneği: Doğrusal Regresyon
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
# Örnek veri oluşturma
# X: Çalışma saatleri, y: Sınav puanı
X = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9]).reshape(-1, 1)
y = np.array([35, 40, 50, 55, 65, 70, 75, 80, 90])
# Veriyi eğitim ve test olarak ayırma
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Model oluşturma ve eğitme
model = LinearRegression()
model.fit(X_train, y_train)
# Tahmin yapma
y_pred = model.predict(X_test)
# Hata hesaplama
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse:.2f}")
# Görselleştirme
plt.scatter(X, y, color='blue', label='Gerçek Veri')
plt.plot(X, model.predict(X), color='red', label='Tahmin')
plt.xlabel("Çalışma Saatleri")
plt.ylabel("Sınav Puanı")
plt.legend()
plt.show()
Çalışma Mantığı
Veri oluşturulur (X ve y).
Eğitim/Test ayrımı yapılır.
Model (LinearRegression) eğitilir.
Tahmin yapılır ve hata ölçülür.
Grafik ile sonuç görselleştirilir.
Aşağıda sana kısa bir özet ve örnek bir uygulama veriyorum:
1. Temel Kavramlar
Python: Yüksek seviyeli, dinamik tipli, açık kaynak bir programlama dili.
Makine Öğrenimi (ML): Veriden öğrenen ve tahmin yapan algoritmaların geliştirilmesi.
Yapay Zekâ (AI): İnsan benzeri karar verme ve problem çözme yeteneklerini taklit eden sistemler.
2. Python’da ML/AI İçin Önemli Kütüphaneler
NumPy: Sayısal hesaplamalar.
Pandas: Veri analizi ve manipülasyonu.
Matplotlib / Seaborn: Veri görselleştirme.
Scikit-learn: Makine öğrenimi algoritmaları.
TensorFlow / PyTorch: Derin öğrenme (Deep Learning) modelleri.
3. Basit Makine Öğrenimi Örneği
Aşağıdaki kod, Python ve scikit-learn kullanarak basit bir doğrusal regresyon modeli kurar.
Python
Kodu kopyala
# Basit Makine Öğrenimi Örneği: Doğrusal Regresyon
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
# Örnek veri oluşturma
# X: Çalışma saatleri, y: Sınav puanı
X = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9]).reshape(-1, 1)
y = np.array([35, 40, 50, 55, 65, 70, 75, 80, 90])
# Veriyi eğitim ve test olarak ayırma
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Model oluşturma ve eğitme
model = LinearRegression()
model.fit(X_train, y_train)
# Tahmin yapma
y_pred = model.predict(X_test)
# Hata hesaplama
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse:.2f}")
# Görselleştirme
plt.scatter(X, y, color='blue', label='Gerçek Veri')
plt.plot(X, model.predict(X), color='red', label='Tahmin')
plt.xlabel("Çalışma Saatleri")
plt.ylabel("Sınav Puanı")
plt.legend()
plt.show()
Çalışma Mantığı
Veri oluşturulur (X ve y).
Eğitim/Test ayrımı yapılır.
Model (LinearRegression) eğitilir.
Tahmin yapılır ve hata ölçülür.
Grafik ile sonuç görselleştirilir.