Fatih Soysal’\u0131n websitesini<\/a> ziyaret edebilirsiniz.<\/p>\nVekt\u00f6rizasyon Nedir ve Neden \u00d6nemlidir?<\/h2>\n
Vekt\u00f6rizasyon, verilerinizi say\u0131sal vekt\u00f6rler halinde temsil etme i\u015flemidir. Python’da, \u00f6zellikle NumPy k\u00fct\u00fcphanesi, bu i\u015flemi son derece verimli bir \u015fekilde ger\u00e7ekle\u015ftirmemizi sa\u011flar. Neden \u00f6nemlidir? \u00c7\u00fcnk\u00fc makine \u00f6\u011frenmesi algoritmalar\u0131, vekt\u00f6rler \u00fczerinde \u00e7al\u0131\u015fmak \u00fczere tasarlanm\u0131\u015ft\u0131r. Metin verilerini do\u011frudan bir algoritmaya besleyemezsiniz; \u00f6ncelikle say\u0131sal bir g\u00f6sterime (\u00f6rne\u011fin, kelime vekt\u00f6rleri) d\u00f6n\u00fc\u015ft\u00fcrmeniz gerekir. Vekt\u00f6rizasyon, bu d\u00f6n\u00fc\u015f\u00fcm\u00fc sa\u011flayan temel bir ad\u0131md\u0131r. Ayr\u0131ca, vekt\u00f6rize edilmi\u015f veriler, NumPy’nin sa\u011flad\u0131\u011f\u0131 h\u0131zl\u0131 i\u015flem yetenekleriyle birlikte, hesaplamalar\u0131n \u00e7ok daha h\u0131zl\u0131 yap\u0131lmas\u0131n\u0131 sa\u011flar. Bu da \u00f6zellikle b\u00fcy\u00fck veri setlerinde \u00f6nemli bir performans avantaj\u0131 sunar. \u00d6rne\u011fin, bir metin s\u0131n\u0131fland\u0131rma g\u00f6revinde, her metni temsil eden bir vekt\u00f6r kullanarak, algoritman\u0131n metinleri kar\u015f\u0131la\u015ft\u0131rmas\u0131n\u0131 ve s\u0131n\u0131fland\u0131rmas\u0131n\u0131 kolayla\u015ft\u0131r\u0131r\u0131z.<\/p>\n
Python’da Vekt\u00f6rizasyon i\u00e7in Temel K\u00fct\u00fcphaneler: NumPy ve SciPy<\/h2>\n
Python’da vekt\u00f6rizasyonun olmazsa olmaz k\u00fct\u00fcphaneleri NumPy ve SciPy’dir. NumPy, \u00e7ok boyutlu diziler (ndarray) ve bunlar \u00fczerinde h\u0131zl\u0131 matematiksel i\u015flemler i\u00e7in temel bir ara\u00e7t\u0131r. SciPy ise NumPy \u00fczerine in\u015fa edilmi\u015f, ileri d\u00fczey bilimsel hesaplama fonksiyonlar\u0131 sunan daha kapsaml\u0131 bir k\u00fct\u00fcphanedir. Vekt\u00f6rizasyon i\u015flemlerinin b\u00fcy\u00fck bir k\u0131sm\u0131 NumPy’nin array<\/code> nesnesi \u00fczerinde ger\u00e7ekle\u015ftirilir. Bu nesneler, listelere g\u00f6re \u00e7ok daha h\u0131zl\u0131 ve bellek verimlidir. SciPy ise, \u00f6rne\u011fin scipy.sparse mod\u00fcl\u00fc ile seyrek matrisler i\u00e7in optimize edilmi\u015f fonksiyonlar sa\u011flar. Bu, b\u00fcy\u00fck ve seyrek veri setlerinde bellek kullan\u0131m\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r. \u00d6rne\u011fin, bir milyon kelimelik bir kelime vekt\u00f6r\u00fc olu\u015fturdu\u011funuzda, SciPy’nin seyrek matrisleri kullanarak bellek kullan\u0131m\u0131n\u0131 optimize etmesi b\u00fcy\u00fck bir avantaj sa\u011flar.<\/p>\nVekt\u00f6rizasyon Teknikleri: \u00c7e\u015fitli Yakla\u015f\u0131mlar ve Uygulamalar\u0131<\/h2>\n
Vekt\u00f6rizasyon tek bir y\u00f6ntem de\u011fil, bir dizi teknik i\u00e7eren bir kavramd\u0131r. Veri t\u00fcr\u00fcne ve makine \u00f6\u011frenmesi g\u00f6revinize ba\u011fl\u0131 olarak farkl\u0131 teknikler kullanman\u0131z gerekebilir. Baz\u0131 yayg\u0131n teknikler \u015funlard\u0131r:<\/p>\n
\n- One-Hot Encoding:<\/strong> Kategorik de\u011fi\u015fkenleri temsil etmek i\u00e7in kullan\u0131l\u0131r. Her kategori i\u00e7in bir boyut olu\u015fturur ve o kategoriye aitse 1, de\u011filse 0 de\u011ferini atar.<\/li>\n
- Label Encoding:<\/strong> Kategorik de\u011fi\u015fkenleri say\u0131sal de\u011ferlere d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in kullan\u0131l\u0131r. Her kategoriye bir benzersiz say\u0131 atan\u0131r.<\/li>\n
- Kelime Vekt\u00f6rleri (Word Embeddings):<\/strong> Metin verilerini vekt\u00f6rize etmek i\u00e7in kullan\u0131lan y\u00f6ntemlerdir. Word2Vec, GloVe ve FastText gibi \u00f6nceden e\u011fitilmi\u015f modeller veya kendi verilerinizle e\u011fitilmi\u015f modeller kullan\u0131labilir. Bu modeller, kelimelerin anlamsal benzerliklerini yakalamak i\u00e7in y\u00fcksek boyutlu vekt\u00f6rler \u00fcretir.<\/li>\n
- TF-IDF (Term Frequency-Inverse Document Frequency):<\/strong> Belgedeki bir kelimenin \u00f6nemini \u00f6l\u00e7mek i\u00e7in kullan\u0131l\u0131r. S\u0131k kullan\u0131lan kelimelerin \u00f6nemi azalt\u0131l\u0131rken, nadir kullan\u0131lan kelimelerin \u00f6nemi art\u0131r\u0131l\u0131r.<\/li>\n
- Resim Vekt\u00f6rizasyonu:<\/strong> G\u00f6r\u00fcnt\u00fcleri vekt\u00f6rize etmek i\u00e7in, g\u00f6r\u00fcnt\u00fcn\u00fcn piksel de\u011ferleri veya daha karma\u015f\u0131k \u00f6zellik \u00e7\u0131kar\u0131m teknikleri kullan\u0131labilir. \u00d6rne\u011fin, Convolutional Neural Networks (CNN’ler) g\u00f6r\u00fcnt\u00fclerden y\u00fcksek seviyeli \u00f6zellik vekt\u00f6rleri \u00e7\u0131kar\u0131r.<\/li>\n<\/ul>\n
Bu tekniklerin her biri farkl\u0131 durumlarda en uygun performans\u0131 sunar. Se\u00e7ti\u011finiz teknik, veri setinizin \u00f6zelliklerine ve makine \u00f6\u011frenmesi g\u00f6revinizin ihtiya\u00e7lar\u0131na ba\u011fl\u0131 olmal\u0131d\u0131r.<\/p>\n
Uygulamal\u0131 \u00d6rnek: NumPy ile Vekt\u00f6rizasyon<\/h2>\n
\u015eimdi, NumPy kullanarak basit bir vekt\u00f6rizasyon \u00f6rne\u011fi inceleyelim. A\u015fa\u011f\u0131daki kod, iki listeyi NumPy dizilerine d\u00f6n\u00fc\u015ft\u00fcr\u00fcr ve bunlar \u00fczerinde element-wise toplama i\u015flemi ger\u00e7ekle\u015ftirir:<\/p>\n
import numpy as np\n\nliste1 = [1, 2, 3, 4, 5]\nliste2 = [6, 7, 8, 9, 10]\n\ndizi1 = np.array(liste1)\ndizi2 = np.array(liste2)\n\ntoplam = dizi1 + dizi2\n\nprint(toplam) # \u00c7\u0131kt\u0131: [ 7 9 11 13 15]<\/pre>\n<\/code><\/p>\n
G\u00f6rd\u00fc\u011f\u00fcn\u00fcz gibi, NumPy dizileri \u00fczerinde i\u015flemler, listeler \u00fczerinde yap\u0131lan i\u015flemlerden \u00e7ok daha h\u0131zl\u0131d\u0131r. Bu performans fark\u0131, b\u00fcy\u00fck veri setlerinde \u00e7ok daha belirgin hale gelir. Bu basit \u00f6rnek, NumPy'nin vekt\u00f6rizasyonun temelini olu\u015fturdu\u011funu g\u00f6stermektedir.<\/p>\n
\u0130leri D\u00fczey Vekt\u00f6rizasyon Teknikleri: Sparse Matrisler ve \u00d6zellik M\u00fchendisli\u011fi<\/h2>\n
B\u00fcy\u00fck ve seyrek veri setlerinde, bellek kullan\u0131m\u0131n\u0131 optimize etmek i\u00e7in sparse matrisler kullanmak \u00e7ok \u00f6nemlidir. SciPy'nin sparse<\/code> mod\u00fcl\u00fc, bu ama\u00e7 i\u00e7in kullan\u0131\u015fl\u0131 fonksiyonlar sunar. Sparse matrisler, sadece s\u0131f\u0131r olmayan de\u011ferleri depolayarak bellek kullan\u0131m\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r. Bu, milyonlarca \u00f6zellik i\u00e7eren veri setlerinde \u00f6zellikle kritiktir. \u00d6rne\u011fin, metin s\u0131n\u0131fland\u0131rma problemlerinde kelime vekt\u00f6rleri genellikle \u00e7ok seyrektir. \u00c7o\u011fu kelime, bir belgede bulunmaz ve bu nedenle, sparse matrisler kullanarak bu bo\u015fluklar\u0131 depolamaktan ka\u00e7\u0131nabiliriz.<\/p>\nAyr\u0131ca, \u00f6zellik m\u00fchendisli\u011fi, vekt\u00f6rizasyonun \u00f6nemli bir par\u00e7as\u0131d\u0131r. Verilerinizden anlaml\u0131 \u00f6zellikler \u00e7\u0131kararak, makine \u00f6\u011frenmesi modelinizin performans\u0131n\u0131 art\u0131rabilirsiniz. Bu, yeni \u00f6zellikler olu\u015fturmay\u0131 veya mevcut \u00f6zelliklerden daha etkili olanlar\u0131 t\u00fcretmeyi i\u00e7erebilir. \u00d6rne\u011fin, bir e-ticaret sitesinde \u00fcr\u00fcn sat\u0131n alma davran\u0131\u015f\u0131n\u0131 tahmin etmek i\u00e7in, m\u00fc\u015fterilerin \u00f6nceki sat\u0131n al\u0131mlar\u0131n\u0131n tarihini, sat\u0131n al\u0131nan \u00fcr\u00fcn kategorilerini ve harcad\u0131klar\u0131 toplam paray\u0131 \u00f6zellik olarak kullanabilirsiniz.<\/p>\n
Ger\u00e7ek D\u00fcnya Senaryosu: Metin S\u0131n\u0131fland\u0131rma<\/h2>\n
Bir metin s\u0131n\u0131fland\u0131rma g\u00f6revinde, \u00f6rne\u011fin spam tespiti, her e-postay\u0131 temsil eden bir vekt\u00f6r olu\u015fturmam\u0131z gerekir. Bu vekt\u00f6r, e-postadaki kelimelerin frekanslar\u0131n\u0131 veya daha geli\u015fmi\u015f temsilleri (\u00f6rne\u011fin, Word2Vec vekt\u00f6rleri) i\u00e7erebilir. Sonras\u0131nda, bir makine \u00f6\u011frenmesi algoritmas\u0131 (\u00f6rne\u011fin, Naive Bayes, SVM veya bir derin \u00f6\u011frenme modeli) bu vekt\u00f6rleri kullanarak e-postalar\u0131 spam veya spam olmayan olarak s\u0131n\u0131fland\u0131rabilir. Bu s\u00fcre\u00e7te, \u00f6ncelikle metni \u00f6n i\u015fleme (temizleme, tokenle\u015ftirme), ard\u0131ndan vekt\u00f6rizasyon (\u00f6rne\u011fin TF-IDF veya Word2Vec) ve son olarak makine \u00f6\u011frenmesi model e\u011fitimi ad\u0131mlar\u0131 ger\u00e7ekle\u015ftirilir.<\/p>\n
Performans Kar\u015f\u0131la\u015ft\u0131rmas\u0131: Listeler vs. NumPy Dizileri<\/h2>\n
A\u015fa\u011f\u0131daki tablo, listeler ve NumPy dizileri aras\u0131ndaki performans fark\u0131n\u0131 g\u00f6stermektedir. B\u00fcy\u00fck \u00f6l\u00e7ekli i\u015flemler i\u00e7in NumPy'nin \u00e7ok daha h\u0131zl\u0131 oldu\u011funu g\u00f6rebilirsiniz:<\/p>\n
\n\n| \u0130\u015flem<\/th>\n | Listeler (saniye)<\/th>\n | NumPy Dizileri (saniye)<\/th>\n<\/tr>\n |
\n| 1 milyon say\u0131n\u0131n toplam\u0131<\/td>\n | 0.5<\/td>\n | 0.001<\/td>\n<\/tr>\n |
\n| 1 milyon say\u0131n\u0131n karesi<\/td>\n | 1.2<\/td>\n | 0.002<\/td>\n<\/tr>\n |
\n| \u0130ki 1 milyon uzunlu\u011fundaki listenin element-wise \u00e7arp\u0131m\u0131<\/td>\n | 2.0<\/td>\n | 0.003<\/td>\n<\/tr>\n<\/table>\n G\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, NumPy'nin sundu\u011fu vekt\u00f6rizasyon, listeler \u00fczerinde yap\u0131lan i\u015flemlere g\u00f6re \u00e7ok daha h\u0131zl\u0131d\u0131r. Bu performans art\u0131\u015f\u0131, \u00f6zellikle b\u00fcy\u00fck veri setlerinde \u00f6nemlidir.<\/p>\n |