Veri y\u0131\u011f\u0131nlar\u0131 aras\u0131nda kaybolmak, g\u00fcn\u00fcm\u00fcz i\u015f d\u00fcnyas\u0131n\u0131n ve ara\u015ft\u0131rmalar\u0131n\u0131n en b\u00fcy\u00fck sorunlar\u0131ndan biri olabilir. Neyse ki, Python ile k\u00fcmeleme analizi, bu karma\u015f\u0131k veri setlerini anlaml\u0131 ve y\u00f6netilebilir gruplara ay\u0131rman\u0131za olanak tan\u0131yor. Bu kapsaml\u0131 rehber, verilerinizi nas\u0131l seviyelendirece\u011finizi, gizli desenleri nas\u0131l ke\u015ffedece\u011finizi ve kararlar\u0131n\u0131z\u0131 nas\u0131l optimize edece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131kl\u0131yor.<\/p>\n
G\u00fcn\u00fcm\u00fczde her sekt\u00f6r, muazzam boyutlarda veri \u00fcretiyor. E-ticaret siteleri m\u00fc\u015fteri davran\u0131\u015flar\u0131n\u0131, sa\u011fl\u0131k kurulu\u015flar\u0131 hasta verilerini, sosyal medya platformlar\u0131 kullan\u0131c\u0131 etkile\u015fimlerini s\u00fcrekli kaydediyor. Ancak bu ham veriler, tek ba\u015flar\u0131na nadiren anlam ta\u015f\u0131r. \u0130\u015fte tam da bu noktada k\u00fcmeleme analizi devreye giriyor. K\u00fcmeleme analizi, denetimsiz \u00f6\u011frenme (unsupervised learning) tekniklerinden biridir ve amac\u0131, bir veri setindeki benzer \u00f6\u011feleri otomatik olarak gruplamakt\u0131r. Ba\u015fka bir deyi\u015fle, algoritma, veri noktalar\u0131 aras\u0131ndaki gizli benzerlikleri ke\u015ffederek onlar\u0131 do\u011fal “k\u00fcmeler” halinde bir araya getirir.<\/p>\n
Bu s\u00fcre\u00e7, manuel olarak yap\u0131lamayacak kadar karma\u015f\u0131k veya b\u00fcy\u00fck veri setleri i\u00e7in paha bi\u00e7ilmezdir. \u00d6rne\u011fin, bir perakendeci binlerce m\u00fc\u015fterisini segmentlere ay\u0131rmak istedi\u011finde, her bir m\u00fc\u015fterinin sat\u0131n alma ge\u00e7mi\u015fini, demografik bilgilerini ve web sitesi etkile\u015fimlerini tek tek incelemek yerine, k\u00fcmeleme analizi ile benzer \u00f6zelliklere sahip m\u00fc\u015fteri gruplar\u0131n\u0131 kolayca tan\u0131mlayabilir. Bu gruplar, daha sonra ki\u015fiselle\u015ftirilmi\u015f pazarlama stratejileri geli\u015ftirmek, \u00fcr\u00fcn \u00f6nerilerini iyile\u015ftirmek veya m\u00fc\u015fteri hizmetlerini optimize etmek i\u00e7in kullan\u0131labilir. Benzer \u015fekilde, biyolojide genetik verilerin s\u0131n\u0131fland\u0131r\u0131lmas\u0131ndan, \u015fehir planlamas\u0131nda trafik yo\u011funluk b\u00f6lgelerinin belirlenmesine kadar pek \u00e7ok alanda k\u00fcmeleme analizi, verilerdeki temel yap\u0131lar\u0131 anlamak i\u00e7in g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r.<\/p>\n
Peki, bu “benzerlik” nas\u0131l tan\u0131mlan\u0131r? Genellikle, veri noktalar\u0131 aras\u0131ndaki mesafe \u00f6l\u00e7\u00fclerek belirlenir. \u00d6klid mesafesi, Manhattan mesafesi veya kosin\u00fcs benzerli\u011fi gibi \u00e7e\u015fitli metrikler kullan\u0131labilir. Se\u00e7ilen metrik, veri t\u00fcr\u00fcne ve analizin amac\u0131na g\u00f6re de\u011fi\u015fiklik g\u00f6sterebilir. \u00d6rne\u011fin, g\u00f6r\u00fcnt\u00fc i\u015fleme alan\u0131nda, piksel de\u011ferleri aras\u0131ndaki benzerlikler k\u00fcmeleme i\u00e7in temel olu\u015fturabilirken, metin analizi projelerinde kelime vekt\u00f6rlerinin kosin\u00fcs benzerli\u011fi daha uygun olabilir. K\u00fcmeleme analizi, veri biliminde ke\u015fifsel veri analizinin \u00f6nemli bir par\u00e7as\u0131d\u0131r ve veri setinizdeki \u00f6r\u00fcnt\u00fcleri ortaya \u00e7\u0131kararak daha derinlemesine analizler i\u00e7in bir temel olu\u015fturur. Bu sayede, ilk bak\u0131\u015fta anla\u015f\u0131lmaz g\u00f6r\u00fcnen veri y\u0131\u011f\u0131nlar\u0131, anlaml\u0131 i\u00e7g\u00f6r\u00fclere d\u00f6n\u00fc\u015ft\u00fcr\u00fclebilir ve bu da i\u015f stratejilerinden bilimsel ke\u015fiflere kadar geni\u015f bir yelpazede fayda sa\u011flar. Dolay\u0131s\u0131yla, veri odakl\u0131 kararlar almak isteyen herkes i\u00e7in k\u00fcmeleme analizini anlamak ve uygulamak kritik bir beceridir.<\/p>\n
K\u00fcmeleme analizi, tek bir algoritmadan ziyade, farkl\u0131 yakla\u015f\u0131mlara sahip bir algoritma ailesini kapsar. Her bir algoritman\u0131n kendine \u00f6zg\u00fc avantajlar\u0131, dezavantajlar\u0131 ve belirli veri t\u00fcrleri veya sorunlar i\u00e7in daha uygun oldu\u011fu durumlar vard\u0131r. Bu \u00e7e\u015fitlilik, analistlere veri setlerinin karma\u015f\u0131k yap\u0131s\u0131na en uygun arac\u0131 se\u00e7me esnekli\u011fi sunar. Temel olarak en s\u0131k kullan\u0131lan algoritmalardan baz\u0131lar\u0131na g\u00f6z atal\u0131m:<\/p>\n
Sonu\u00e7lar genellikle bir dendrogram ile g\u00f6rselle\u015ftirilir, bu da k\u00fcme yap\u0131s\u0131n\u0131n farkl\u0131 seviyelerde nas\u0131l g\u00f6r\u00fcnd\u00fc\u011f\u00fcn\u00fc anlamay\u0131 sa\u011flar.<\/li>\n
Hangi algoritmay\u0131 se\u00e7ece\u011finiz, veri setinizin \u00f6zelliklerine, k\u00fcmelemenin amac\u0131na ve bekledi\u011finiz sonu\u00e7lara ba\u011fl\u0131d\u0131r. \u00d6rne\u011fin, k\u00fcremsi ve benzer boyutlarda k\u00fcmeler bekliyorsan\u0131z K-Means iyi bir ba\u015flang\u0131\u00e7 noktas\u0131 olabilir. Ancak veri setinizde ayk\u0131r\u0131 de\u011ferlerin \u00f6nemli oldu\u011funu d\u00fc\u015f\u00fcn\u00fcyorsan\u0131z veya k\u00fcmelerin farkl\u0131 \u015fekillerde olabilece\u011fini tahmin ediyorsan\u0131z DBSCAN veya GMM daha uygun olabilir. Hiyerar\u015fik k\u00fcmeleme ise, k\u00fcme yap\u0131s\u0131n\u0131n farkl\u0131 seviyelerdeki ili\u015fkilerini g\u00f6rsel olarak ke\u015ffetmek istedi\u011finizde \u00e7ok de\u011ferlidir. Bu algoritmalar\u0131n her biri, veri bilimcinin ara\u00e7 kutusunda kendine \u00f6zg\u00fc bir yere sahiptir ve do\u011fru arac\u0131 do\u011fru zamanda kullanmak, analizlerinizin ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n
Python’da k\u00fcmeleme analizi yapmak i\u00e7in g\u00fc\u00e7l\u00fc ve kullan\u0131m\u0131 kolay k\u00fct\u00fcphanelere ihtiyac\u0131m\u0131z var. Neyse ki, Python ekosistemi bu konuda olduk\u00e7a zengindir. Ba\u015flamadan \u00f6nce, \u00e7al\u0131\u015fma ortam\u0131m\u0131z\u0131 haz\u0131rlamam\u0131z gerekiyor. Genellikle, bu t\u00fcr veri bilimi projeleri i\u00e7in sanal ortamlar kullanmak en iyi uygulamad\u0131r. Sanal ortamlar, projelerinizin ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 izole etmenizi ve farkl\u0131 projeler aras\u0131nda versiyon \u00e7ak\u0131\u015fmalar\u0131n\u0131 \u00f6nlemenizi sa\u011flar. \u00d6rne\u011fin, <\/code> Bu k\u00fct\u00fcphaneleri, sanal ortam\u0131n\u0131z aktifken a\u015fa\u011f\u0131daki komutla kurabilirsiniz:<\/p>\n <\/code> <\/code> K-Means, k\u00fcmeleme algoritmalar\u0131 aras\u0131nda en \u00e7ok bilinen ve uygulananlardan biridir. \u00c7al\u0131\u015fma prensibi olduk\u00e7a sezgiseldir: Belirli say\u0131da k\u00fcme (k) se\u00e7ilir ve algoritma, her veri noktas\u0131n\u0131 kendisine en yak\u0131n k\u00fcme merkezine atayarak bu k\u00fcmeleri olu\u015fturmaya \u00e7al\u0131\u015f\u0131r. Bu s\u00fcre\u00e7, k\u00fcme merkezleri art\u0131k hareket etmeyene veya maksimum iterasyon say\u0131s\u0131na ula\u015f\u0131lana kadar tekrarlan\u0131r. Ancak, K-Means'in etkinli\u011fi, ba\u015flang\u0131\u00e7ta se\u00e7ilen 'k' de\u011feri ve veri setinin \u00f6n i\u015flenmesi gibi fakt\u00f6rlere ba\u011fl\u0131d\u0131r. \u015eimdi, K-Means'i Python'da ad\u0131m ad\u0131m nas\u0131l uygulayaca\u011f\u0131m\u0131za bakal\u0131m.<\/p>\n K-Means gibi mesafe tabanl\u0131 algoritmalar, \u00f6l\u00e7eklendirilmemi\u015f \u00f6zelliklere kar\u015f\u0131 hassast\u0131r. B\u00fcy\u00fck de\u011fer aral\u0131klar\u0131na sahip \u00f6zellikler, k\u00fc\u00e7\u00fck de\u011fer aral\u0131klar\u0131na sahip \u00f6zelliklere g\u00f6re k\u00fcmeleme s\u00fcrecini daha fazla etkileyebilir. Bu nedenle, veriyi standartla\u015ft\u0131rmak veya normalle\u015ftirmek genellikle iyi bir uygulamad\u0131r. Standartla\u015ft\u0131rma (StandardScaler), verileri ortalamas\u0131 0 ve standart sapmas\u0131 1 olacak \u015fekilde d\u00f6n\u00fc\u015ft\u00fcr\u00fcrken, normalle\u015ftirme (MinMaxScaler) verileri belirli bir aral\u0131\u011fa (genellikle 0-1 aras\u0131na) \u00e7eker. \u015eimdi, daha \u00f6nce olu\u015fturdu\u011fumuz sentetik veri setimiz \u00fczerinde bir \u00f6n i\u015fleme ad\u0131m\u0131 uygulayal\u0131m:<\/p>\n <\/code><\/p>\n Yukar\u0131daki kod blo\u011funda, veri setimizi Uzman \u0130pucu: Elbow metodu bazen s\u00fcbjektif olabilir. Daha objektif bir yakla\u015f\u0131m i\u00e7in Silhouette Skoru gibi metrikleri de de\u011ferlendirebilirsiniz. Y\u00fcksek Silhouette skoru, k\u00fcmelerin iyi ayr\u0131ld\u0131\u011f\u0131n\u0131 ve i\u00e7sel olarak tutarl\u0131 oldu\u011funu g\u00f6sterir.<\/p>\n<\/div>\n Optimal k\u00fcme say\u0131s\u0131n\u0131 belirledikten sonra, K-Means algoritmas\u0131n\u0131 uygulayabilir ve sonu\u00e7lar\u0131 g\u00f6rselle\u015ftirebiliriz. G\u00f6rselle\u015ftirme, k\u00fcmeleme sonu\u00e7lar\u0131n\u0131 anlamak ve do\u011frulamak i\u00e7in hayati \u00f6neme sahiptir.<\/p>\n <\/code><\/p>\n Bu kod blo\u011fu, K-Means algoritmas\u0131 basit ve etkilidir, ancak k\u00fcme say\u0131s\u0131n\u0131 \u00f6nceden belirlemenizi gerektirir. Ayr\u0131ca, k\u00fcremsi \u015fekilli k\u00fcmeleri daha iyi bulma e\u011filimindedir. E\u011fer k\u00fcme say\u0131s\u0131ndan emin de\u011filseniz veya k\u00fcmeler aras\u0131ndaki hiyerar\u015fik ili\u015fkileri ke\u015ffetmek istiyorsan\u0131z, Hiyerar\u015fik K\u00fcmeleme (Hierarchical Clustering) m\u00fckemmel bir alternatif sunar. Bu y\u00f6ntem, veri noktalar\u0131n\u0131 bir a\u011fa\u00e7 yap\u0131s\u0131 veya dendrogram \u015feklinde gruplayarak, farkl\u0131 seviyelerde k\u00fcmeleme yap\u0131s\u0131n\u0131 g\u00f6rmemizi sa\u011flar.<\/p>\n Hiyerar\u015fik k\u00fcmeleme iki ana yakla\u015f\u0131ma sahiptir:<\/p>\n \u015eimdi, Python'da Hiyerar\u015fik K\u00fcmelemeyi nas\u0131l uygulayaca\u011f\u0131m\u0131za ve sonu\u00e7lar\u0131 dendrogram ile nas\u0131l g\u00f6rselle\u015ftirece\u011fimize bakal\u0131m:<\/p>\n <\/code><\/p>\n Yukar\u0131daki kod blo\u011fu, Dendrogramdan elde etti\u011fimiz bilgiye dayanarak, K\u00fcmeleme analizi sadece bir algoritmay\u0131 \u00e7al\u0131\u015ft\u0131rmaktan ibaret de\u011fildir; ayn\u0131 zamanda veri haz\u0131rl\u0131\u011f\u0131, algoritma se\u00e7imi, hiperparametre ayarlamas\u0131 ve sonu\u00e7lar\u0131n yorumlanmas\u0131 gibi bir dizi dikkatli ad\u0131m\u0131 i\u00e7erir. Bu ad\u0131mlar\u0131n her biri, k\u00fcmeleme modelinizin performans\u0131n\u0131 ve elde etti\u011finiz i\u00e7g\u00f6r\u00fclerin do\u011frulu\u011funu \u00f6nemli \u00f6l\u00e7\u00fcde etkileyebilir. Do\u011fru yakla\u015f\u0131mlarla, veri setinizdeki gizli desenleri daha etkili bir \u015fekilde ortaya \u00e7\u0131karabilir ve daha anlaml\u0131 sonu\u00e7lar elde edebilirsiniz.<\/p>\n Daha \u00f6nce de belirtti\u011fimiz gibi, veri \u00f6n i\u015fleme k\u00fcmeleme analizinin temelidir. \u00d6l\u00e7eklendirilmemi\u015f \u00f6zellikler, \u00f6zellikle mesafe tabanl\u0131 algoritmalar i\u00e7in yan\u0131lt\u0131c\u0131 sonu\u00e7lar verebilir. Ancak \u00f6n i\u015fleme sadece \u00f6l\u00e7eklendirmeden ibaret de\u011fildir:<\/p>\n Her k\u00fcmeleme algoritmas\u0131n\u0131n kendine \u00f6zg\u00fc hiperparametreleri vard\u0131r (\u00f6rne\u011fin, K-Means i\u00e7in 'k', DBSCAN i\u00e7in 'eps' ve 'min_samples'). Bu parametrelerin do\u011fru ayarlanmas\u0131, modelinizin performans\u0131n\u0131 b\u00fcy\u00fck \u00f6l\u00e7\u00fcde etkiler. Grid Search veya Random Search gibi teknikler, optimal hiperparametre kombinasyonlar\u0131n\u0131 bulman\u0131za yard\u0131mc\u0131 olabilir. Ayr\u0131ca, tek bir algoritma yerine farkl\u0131 k\u00fcmeleme algoritmalar\u0131n\u0131 (K-Means, DBSCAN, Hiyerar\u015fik, GMM) denemek ve sonu\u00e7lar\u0131n\u0131 kar\u015f\u0131la\u015ft\u0131rmak, veri setinize en uygun olan\u0131 bulman\u0131z\u0131 sa\u011flar.<\/p>\n Uzman \u0130pucu: K\u00fcmeleme sonu\u00e7lar\u0131n\u0131 de\u011ferlendirmek i\u00e7in i\u00e7sel ve d\u0131\u015fsal validasyon metriklerini kullan\u0131n. Silhouette Skoru, Davies-Bouldin Endeksi ve Calinski-Harabasz Endeksi gibi i\u00e7sel metrikler, ger\u00e7ek etiketleriniz olmad\u0131\u011f\u0131nda k\u00fcmelerin kalitesini \u00f6l\u00e7er. E\u011fer ger\u00e7ek etiketleriniz varsa (denetimli k\u00fcmeleme, genellikle s\u0131n\u0131fland\u0131rma i\u00e7in kullan\u0131l\u0131r), Rand Index veya Fowlkes-Mallows Skoru gibi d\u0131\u015fsal metrikleri kullanabilirsiniz.<\/p>\n<\/div>\n Bir e-ticaret \u015firketi d\u00fc\u015f\u00fcn\u00fcn. Binlerce m\u00fc\u015fterisi var ve her birine ayn\u0131 pazarlama e-postas\u0131n\u0131 g\u00f6ndermek yerine, daha ki\u015fiselle\u015ftirilmi\u015f kampanyalar olu\u015fturmak istiyorlar. \u0130\u015fte k\u00fcmeleme analizi burada devreye girer. \u015eirket, m\u00fc\u015fterilerini sat\u0131n alma s\u0131kl\u0131\u011f\u0131 (frequency), harcanan para miktar\u0131 (monetary) ve son sat\u0131n alma tarihi (recency) gibi \u00f6zelliklere g\u00f6re segmentlere ay\u0131rabilir (RFM analizi).<\/p>\n Bu segmentasyon sayesinde \u015firket, her bir gruba \u00f6zel pazarlama mesajlar\u0131 g\u00f6ndererek d\u00f6n\u00fc\u015f\u00fcm oranlar\u0131n\u0131 art\u0131rabilir, m\u00fc\u015fteri memnuniyetini y\u00fckseltebilir ve sonu\u00e7 olarak sat\u0131\u015flar\u0131n\u0131 maksimize edebilir. Bu \u00f6rnek, k\u00fcmeleme analizinin sadece teorik bir kavram olmad\u0131\u011f\u0131n\u0131, ayn\u0131 zamanda somut i\u015f de\u011feri yaratabilen pratik bir ara\u00e7 oldu\u011funu a\u00e7\u0131k\u00e7a g\u00f6stermektedir.<\/p>\n K\u00fcmeleme analizi sonu\u00e7lar\u0131n\u0131 sadece Jupyter Notebook'ta g\u00f6rmekle kalmay\u0131p, bunlar\u0131 web uygulamalar\u0131, panolar (dashboards) veya mobil cihazlar \u00fczerinden payla\u015fmak isteyebilirsiniz. Bu durum, sonu\u00e7lar\u0131n sunumu ve b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015fma konular\u0131nda baz\u0131 ek d\u00fc\u015f\u00fcnceler gerektirir.<\/p>\n Mobil Uyumlu HTML ve Raporlama:<\/strong> <\/code><\/p>\n Bu CSS kodu, tabloyu 600 pikselden daha k\u00fc\u00e7\u00fck ekranlarda daha okunabilir hale getirmek i\u00e7in d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Her <\/code><\/p>\n Grafikler i\u00e7in ise, Plotly veya Bokeh gibi interaktif g\u00f6rselle\u015ftirme k\u00fct\u00fcphaneleri, taray\u0131c\u0131 tabanl\u0131 ve responsive \u00e7\u0131kt\u0131lar \u00fcretebilir. Bu k\u00fct\u00fcphaneler, grafiklerin farkl\u0131 ekran boyutlar\u0131na otomatik olarak uyum sa\u011flamas\u0131na yard\u0131mc\u0131 olur.<\/p>\n B\u00fcy\u00fck Veri Setleri ile \u00c7al\u0131\u015fma:<\/strong> Bu ara\u00e7lar, veri setinizi birden fazla makineye da\u011f\u0131tarak veya tek bir makinede \u00e7oklu \u00e7ekirdekleri kullanarak k\u00fcmeleme i\u015flemini h\u0131zland\u0131r\u0131r. Bu sayede, boyut ne olursa olsun veri setlerinizden anlaml\u0131 i\u00e7g\u00f6r\u00fcler elde etmeye devam edebilirsiniz. B\u00fcy\u00fck veri ile \u00e7al\u0131\u015f\u0131rken, veri okuma\/yazma h\u0131zlar\u0131, bellek kullan\u0131m\u0131 ve i\u015flemci g\u00fcc\u00fc gibi fakt\u00f6rler kritik \u00f6neme sahiptir. Bu nedenle, do\u011fru ara\u00e7lar\u0131 se\u00e7mek ve veri ak\u0131\u015f\u0131n\u0131z\u0131 optimize etmek, ba\u015far\u0131l\u0131 bir k\u00fcmeleme projesi i\u00e7in olmazsa olmazd\u0131r.<\/p>\n Bu makalede, Python ile k\u00fcmeleme analizinin temel prensiplerinden ba\u015flayarak, en pop\u00fcler algoritmalar\u0131n uygulanmas\u0131na, performans art\u0131r\u0131c\u0131 tekniklere ve hatta mobil uyumluluk ve b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015fma stratejilerine kadar geni\u015f bir yelpazeyi ele ald\u0131k. G\u00f6rd\u00fck ki, k\u00fcmeleme analizi sadece bir istatistiksel y\u00f6ntem de\u011fil, ayn\u0131 zamanda veri setlerinizdeki gizli yap\u0131lar\u0131, \u00f6r\u00fcnt\u00fcleri ve ili\u015fkileri ortaya \u00e7\u0131kararak anlaml\u0131 i\u00e7g\u00f6r\u00fcler elde etmenizi sa\u011flayan g\u00fc\u00e7l\u00fc bir ke\u015fif arac\u0131d\u0131r. \u0130ster m\u00fc\u015fteri segmentasyonu, ister dok\u00fcman s\u0131n\u0131fland\u0131rmas\u0131, isterse anomali tespiti olsun, k\u00fcmeleme analizi, veri odakl\u0131 kararlar alman\u0131z i\u00e7in size sa\u011flam bir temel sunar.<\/p>\n Python'un zengin k\u00fct\u00fcphane ekosistemi (Scikit-learn, Pandas, Matplotlib, Seaborn), k\u00fcmeleme algoritmalar\u0131n\u0131 uygulamay\u0131 ve sonu\u00e7lar\u0131 g\u00f6rselle\u015ftirmeyi inan\u0131lmaz derecede kolayla\u015ft\u0131r\u0131r. Ancak unutmamal\u0131y\u0131z ki, bir algoritman\u0131n kodunu \u00e7al\u0131\u015ft\u0131rmak, analizin sadece bir k\u0131sm\u0131d\u0131r. Veri \u00f6n i\u015fleme, optimal k\u00fcme say\u0131s\u0131n\u0131 belirleme, farkl\u0131 algoritmalar\u0131 deneme ve sonu\u00e7lar\u0131 dikkatlice yorumlama gibi ad\u0131mlar, elde edilen i\u00e7g\u00f6r\u00fclerin kalitesini do\u011frudan etkiler. Bu ad\u0131mlara \u00f6zen g\u00f6stermek, rastgele gruplamalar yerine ger\u00e7ekten anlaml\u0131 ve aksiyona d\u00f6n\u00fc\u015ft\u00fcr\u00fclebilir k\u00fcmeler elde etmenizi sa\u011flar.<\/p>\n Gelecekte, k\u00fcmeleme algoritmalar\u0131 ve uygulamalar\u0131 daha da geli\u015fmeye devam edecektir. Derin \u00f6\u011frenme tabanl\u0131 k\u00fcmeleme teknikleri, daha karma\u015f\u0131k ve y\u00fcksek boyutlu veri setleri \u00fczerinde yeni kap\u0131lar a\u00e7arken, otomatize edilmi\u015f makine \u00f6\u011frenimi (AutoML) platformlar\u0131, optimal algoritma ve hiperparametre se\u00e7imini daha da kolayla\u015ft\u0131racakt\u0131r. Siz de bu heyecan verici alanda kendinizi geli\u015ftirmeye devam ederek, veri setlerinizdeki potansiyeli maksimize edebilir ve ger\u00e7ek d\u00fcnyadaki sorunlara yenilik\u00e7i \u00e7\u00f6z\u00fcmler \u00fcretebilirsiniz. \u015eimdi s\u0131ra sizde! Kendi veri setlerinizle deneyler yapmaya ba\u015flay\u0131n ve Python'\u0131n sundu\u011fu bu g\u00fc\u00e7l\u00fc ara\u00e7la verilerinizden daha fazlas\u0131n\u0131 \u00e7\u0131kar\u0131n.<\/p>\n K\u00fcmeleme analizi, veri setinizdeki do\u011fal gruplar\u0131 veya desenleri ke\u015ffetmek, denetimsiz bir \u015fekilde veri segmentasyonu yapmak veya veri setinizdeki ayk\u0131r\u0131 de\u011ferleri tespit etmek istedi\u011finizde kullan\u0131lmal\u0131d\u0131r. \u00d6zellikle elinizde s\u0131n\u0131f etiketleri olmayan durumlarda \u00e7ok de\u011ferlidir (\u00f6rne\u011fin, m\u00fc\u015fteri davran\u0131\u015flar\u0131n\u0131 segmentlere ay\u0131rma).<\/p>\n<\/li>\n Optimal k\u00fcme say\u0131s\u0131n\u0131 belirlemek i\u00e7in en yayg\u0131n y\u00f6ntemler Elbow Metodu (WCSS grafi\u011findeki 'dirsek' noktas\u0131) ve Silhouette Skoru'dur (k\u00fcmelerin ne kadar iyi ayr\u0131ld\u0131\u011f\u0131n\u0131 ve ne kadar tutarl\u0131 oldu\u011funu \u00f6l\u00e7er). Hiyerar\u015fik k\u00fcmelemede dendrogramlar g\u00f6rsel olarak bu karar\u0131 vermeye yard\u0131mc\u0131 olabilir.<\/p>\n<\/li>\n Sonu\u00e7lar, i\u00e7sel validasyon metrikleri (Silhouette Skoru, Davies-Bouldin Endeksi) veya g\u00f6rselle\u015ftirme (scatter plot, dendrogram) ile do\u011frulanabilir. E\u011fer ger\u00e7ek s\u0131n\u0131f etiketleriniz varsa (nadiren de olsa), Rand Index veya Adjusted Mutual Information gibi d\u0131\u015fsal metrikler de kullan\u0131labilir. Ayr\u0131ca, k\u00fcme \u00f6zelliklerinin domain bilgisiyle tutarl\u0131l\u0131\u011f\u0131n\u0131 kontrol etmek de \u00f6nemlidir.<\/p>\n<\/li>\n Tek bir \"en iyi\" k\u00fcmeleme algoritmas\u0131 yoktur. En uygun algoritma, veri setinizin \u00f6zelliklerine (boyut, \u015fekil, yo\u011funluk, g\u00fcr\u00fclt\u00fc), k\u00fcmeleme amac\u0131n\u0131za ve bekledi\u011finiz sonu\u00e7lara ba\u011fl\u0131d\u0131r. K-Means basit ve h\u0131zl\u0131d\u0131r; DBSCAN yo\u011funluk tabanl\u0131 k\u00fcmeleri ve ayk\u0131r\u0131 de\u011ferleri iyi bulur; Hiyerar\u015fik k\u00fcmeleme hiyerar\u015fik ili\u015fkileri g\u00f6sterir; GMM ise eliptik k\u00fcmelere daha esnek yakla\u015f\u0131r. Genellikle, birden fazla algoritmay\u0131 denemek ve sonu\u00e7lar\u0131 kar\u015f\u0131la\u015ft\u0131rmak en iyi yoldur.<\/p>\n<\/li>\n Python'da k\u00fcmeleme analizi i\u00e7in ba\u015fl\u0131ca k\u00fct\u00fcphaneler \u015funlard\u0131r: venv<\/code> veya conda<\/code> gibi ara\u00e7larla bir sanal ortam olu\u015fturabiliriz. A\u015fa\u011f\u0131daki ad\u0131mlar, temel bir kurulum i\u00e7in size rehberlik edecektir:<\/p>\n\n
\npython -m venv cluster_env\nsource cluster_env\/bin\/activate # Linux\/macOS\ncluster_env\\Scripts\\activate # Windows\n<\/pre>\n
\n Bu komutlar, projenize \u00f6zel bir ortam olu\u015fturacak ve onu aktifle\u015ftirecektir.<\/li>\n\n
\npip install numpy pandas scikit-learn matplotlib seaborn\n<\/pre>\n
\n Bu i\u015flem, gerekli t\u00fcm ba\u011f\u0131ml\u0131l\u0131klar\u0131 y\u00fckleyecektir. \u0130nternet h\u0131z\u0131n\u0131za ba\u011fl\u0131 olarak birka\u00e7 dakika s\u00fcrebilir.<\/li>\n\nimport pandas as pd\nfrom sklearn.datasets import make_blobs\n\n# \u00d6rnek bir veri seti olu\u015ftural\u0131m\n# 3 farkl\u0131 k\u00fcme ve 2 \u00f6zelli\u011fe sahip 300 \u00f6rnek olu\u015ftural\u0131m\nX, y = make_blobs(n_samples=300, centers=3, cluster_std=0.60, random_state=0)\ndf = pd.DataFrame(X, columns=['Ozellik_1', 'Ozellik_2'])\n\nprint(\"Veri Setinin \u0130lk 5 Sat\u0131r\u0131:\")\nprint(df.head())\n<\/pre>\n
\n Bu kod blo\u011fu, k\u00fcmeleme i\u00e7in ideal, belirgin 3 k\u00fcmesi olan sentetik bir veri seti olu\u015fturur. Ger\u00e7ek d\u00fcnya senaryolar\u0131nda, pd.read_csv()<\/code> veya pd.read_excel()<\/code> gibi fonksiyonlarla kendi veri setlerinizi y\u00fcklemeniz gerekecektir. T\u00fcm bu kurulumlar tamamland\u0131\u011f\u0131nda, Python'da k\u00fcmeleme analizi yapmaya haz\u0131rs\u0131n\u0131z demektir. Art\u0131k algoritmalar\u0131 uygulayabilir, sonu\u00e7lar\u0131 yorumlayabilir ve verilerinizden de\u011ferli bilgiler \u00e7\u0131karabilirsiniz.<\/li>\n<\/ol>\nK-Means ile Verilerinizi Grupland\u0131rma: Ad\u0131m Ad\u0131m Python Uygulamas\u0131<\/h2>\n
Veri \u00d6n \u0130\u015fleme ve Optimal K\u00fcme Say\u0131s\u0131n\u0131 Belirleme: K-Means i\u00e7in Haz\u0131rl\u0131k<\/h3>\n
\nfrom sklearn.preprocessing import StandardScaler\nimport matplotlib.pyplot as plt\nimport seaborn as sns\nimport numpy as np\n\n# Veri setini standartla\u015ft\u0131rma\nscaler = StandardScaler()\nX_scaled = scaler.fit_transform(X)\n\n# Optimal k\u00fcme say\u0131s\u0131n\u0131 bulma: Elbow Metodu\nwcss = [] # Within-Cluster Sum of Squares (K\u00fcme \u0130\u00e7i Kareler Toplam\u0131)\nfor i in range(1, 11):\n kmeans = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=42)\n kmeans.fit(X_scaled)\n wcss.append(kmeans.inertia_) # inertia_ k\u00fcme i\u00e7i kareler toplam\u0131n\u0131 verir\n\n# Elbow Metodu grafi\u011fini \u00e7izme\nplt.figure(figsize=(10, 6))\nplt.plot(range(1, 11), wcss, marker='o', linestyle='--')\nplt.title('Elbow Metodu ile Optimal K\u00fcme Say\u0131s\u0131')\nplt.xlabel('K\u00fcme Say\u0131s\u0131 (k)')\nplt.ylabel('WCSS')\nplt.grid(True)\nplt.show()\n<\/pre>\nStandardScaler<\/code> ile \u00f6l\u00e7eklendirdik. Daha sonra, K-Means'in en kritik hiperparametrelerinden biri olan 'k' (k\u00fcme say\u0131s\u0131) de\u011ferini belirlemek i\u00e7in \"Elbow Metodu\"nu kulland\u0131k. Bu y\u00f6ntem, farkl\u0131 'k' de\u011ferleri i\u00e7in K\u00fcme \u0130\u00e7i Kareler Toplam\u0131n\u0131 (WCSS) hesaplar ve bu de\u011ferlerin grafi\u011fini \u00e7izer. Grafikte WCSS'nin aniden azald\u0131\u011f\u0131 ve sonra yava\u015flamaya ba\u015flad\u0131\u011f\u0131 \"dirsek\" noktas\u0131n\u0131 arar\u0131z. Bu nokta genellikle optimal 'k' de\u011feri olarak kabul edilir. G\u00f6rselle\u015ftirmede, WCSS de\u011ferinin 3'ten sonra \u00f6nemli \u00f6l\u00e7\u00fcde azald\u0131\u011f\u0131n\u0131 ve ard\u0131ndan d\u00fc\u015f\u00fc\u015f h\u0131z\u0131n\u0131n yava\u015flad\u0131\u011f\u0131n\u0131 g\u00f6zlemleyeceksiniz, bu da 3 k\u00fcmenin uygun bir se\u00e7im olabilece\u011fini g\u00f6sterir.<\/p>\nK-Means Uygulamas\u0131 ve Sonu\u00e7lar\u0131n G\u00f6rselle\u015ftirilmesi<\/h3>\n
\nfrom sklearn.cluster import KMeans\n\n# Elbow metoduna g\u00f6re belirledi\u011fimiz optimal k\u00fcme say\u0131s\u0131n\u0131 (k=3) kullanarak K-Means uygulayal\u0131m\noptimal_k = 3\nkmeans = KMeans(n_clusters=optimal_k, init='k-means++', max_iter=300, n_init=10, random_state=42)\nclusters = kmeans.fit_predict(X_scaled)\n\n# K\u00fcme merkezlerini alal\u0131m (\u00f6l\u00e7eklendirilmi\u015f veride)\ncenters_scaled = kmeans.cluster_centers_\n\n# G\u00f6rselle\u015ftirme i\u00e7in \u00f6l\u00e7eklendirilmi\u015f verileri ve k\u00fcmeleri kullanal\u0131m\nplt.figure(figsize=(10, 7))\nsns.scatterplot(x=X_scaled[:, 0], y=X_scaled[:, 1], hue=clusters, palette='viridis', s=100, alpha=0.7)\nplt.scatter(centers_scaled[:, 0], centers_scaled[:, 1], s=300, c='red', marker='X', label='K\u00fcme Merkezleri')\nplt.title(f'K-Means K\u00fcmeleme Sonu\u00e7lar\u0131 (k={optimal_k})')\nplt.xlabel('\u00d6zellik 1 (\u00d6l\u00e7eklendirilmi\u015f)')\nplt.ylabel('\u00d6zellik 2 (\u00d6l\u00e7eklendirilmi\u015f)')\nplt.legend()\nplt.grid(True)\nplt.show()\n\n# Her k\u00fcmedeki veri noktas\u0131 say\u0131s\u0131n\u0131 kontrol edelim\nunique, counts = np.unique(clusters, return_counts=True)\ncluster_counts = dict(zip(unique, counts))\nprint(\"\\nHer K\u00fcmedeki Veri Noktas\u0131 Say\u0131s\u0131:\", cluster_counts)\n<\/pre>\nKMeans<\/code> s\u0131n\u0131f\u0131n\u0131 kullanarak k\u00fcmeleme i\u015flemini ger\u00e7ekle\u015ftirir. fit_predict()<\/code> metodu, hem modeli e\u011fitir hem de her veri noktas\u0131na bir k\u00fcme etiketi atar. Sonu\u00e7lar, matplotlib<\/code> ve seaborn<\/code> kullan\u0131larak g\u00f6rselle\u015ftirilir. Bu grafikte, farkl\u0131 k\u00fcmeler farkl\u0131 renklerle temsil edilirken, k\u0131rm\u0131z\u0131 'X' i\u015faretleri k\u00fcme merkezlerini g\u00f6sterir. G\u00f6rselle\u015ftirme, k\u00fcmelerin nas\u0131l ayr\u0131ld\u0131\u011f\u0131n\u0131 ve merkezlerin nerede konumland\u0131\u011f\u0131n\u0131 net bir \u015fekilde g\u00f6rmemizi sa\u011flar. Kendi verileriniz \u00fczerinde bu ad\u0131mlar\u0131 uygulad\u0131\u011f\u0131n\u0131zda, benzer desenleri ve gruplar\u0131 kolayca ke\u015ffedebileceksiniz. K-Means, basitli\u011fi ve genellikle iyi performans\u0131yla, k\u00fcmeleme analizine ba\u015flamak i\u00e7in harika bir se\u00e7imdir.<\/p>\nHiyerar\u015fik K\u00fcmeleme: Farkl\u0131 Bir Bak\u0131\u015f A\u00e7\u0131s\u0131 ve Dendrogramlar<\/h3>\n
\n
\nfrom scipy.cluster.hierarchy import dendrogram, linkage\nfrom sklearn.cluster import AgglomerativeClustering\n\n# Linkage matrisini olu\u015ftural\u0131m (birle\u015ftirme i\u015flemi i\u00e7in)\n# 'ward' metodu, birle\u015ftirme s\u0131ras\u0131nda k\u00fcme i\u00e7i varyans\u0131 minimize etmeye \u00e7al\u0131\u015f\u0131r.\n# Bu genellikle iyi sonu\u00e7lar verir.\nlinkage_matrix = linkage(X_scaled, method='ward')\n\n# Dendrogram\u0131 \u00e7izelim\nplt.figure(figsize=(15, 8))\ndendrogram(linkage_matrix)\nplt.title('Hiyerar\u015fik K\u00fcmeleme Dendrogram\u0131')\nplt.xlabel('\u00d6rnek \u0130ndeksleri veya K\u00fcme Boyutu')\nplt.ylabel('Mesafe')\nplt.show()\n\n# Dendrogramdan uygun bir mesafe e\u015fi\u011fi se\u00e7erek k\u00fcmeleme uygulayal\u0131m\n# \u00d6rne\u011fin, dendrograma bakarak 3 veya 4 k\u00fcme se\u00e7ebiliriz.\n# E\u011fer 3 k\u00fcme istiyorsak, 3 \u00e7izgiye b\u00f6l\u00fcnd\u00fc\u011f\u00fc bir noktay\u0131 kesebiliriz.\n# Buradaki g\u00f6rselde, 'mesafe' ekseninde belirli bir e\u015fik se\u00e7erek k\u00fcme say\u0131s\u0131n\u0131 belirleyebiliriz.\n# K-Means'te 3 k\u00fcme belirledi\u011fimiz i\u00e7in burada da 3 k\u00fcmeyi hedefleyelim.\nagg_clustering = AgglomerativeClustering(n_clusters=3, affinity='euclidean', linkage='ward')\nhierarchical_clusters = agg_clustering.fit_predict(X_scaled)\n\n# K\u00fcmeleme sonu\u00e7lar\u0131n\u0131 g\u00f6rselle\u015ftirelim\nplt.figure(figsize=(10, 7))\nsns.scatterplot(x=X_scaled[:, 0], y=X_scaled[:, 1], hue=hierarchical_clusters, palette='viridis', s=100, alpha=0.7)\nplt.title('Hiyerar\u015fik K\u00fcmeleme Sonu\u00e7lar\u0131 (3 K\u00fcme)')\nplt.xlabel('\u00d6zellik 1 (\u00d6l\u00e7eklendirilmi\u015f)')\nplt.ylabel('\u00d6zellik 2 (\u00d6l\u00e7eklendirilmi\u015f)')\nplt.grid(True)\nplt.show()\n<\/pre>\nscipy.cluster.hierarchy<\/code> mod\u00fcl\u00fcnden linkage<\/code> fonksiyonunu kullanarak birle\u015ftirme matrisini olu\u015fturur ve ard\u0131ndan dendrogram<\/code> fonksiyonu ile g\u00f6rselle\u015ftirir. Dendrogram, hangi veri noktalar\u0131n\u0131n veya k\u00fcmelerin birbirine ne kadar yak\u0131n oldu\u011funu g\u00f6rsel olarak g\u00f6sterir. Dikey \u00e7izgiler birle\u015fmeleri, yatay \u00e7izgiler ise birle\u015ftirilen k\u00fcmeler aras\u0131ndaki mesafeyi temsil eder. Dendrogram \u00fczerinde yatay bir \u00e7izgi \u00e7ekerek ka\u00e7 k\u00fcmeniz olaca\u011f\u0131n\u0131 g\u00f6rsel olarak belirleyebilirsiniz. \u00d6rne\u011fin, yukar\u0131dan a\u015fa\u011f\u0131ya do\u011fru 3 yatay \u00e7izgiyle kesi\u015fen bir yer se\u00e7erek 3 k\u00fcme olu\u015fturabiliriz.<\/p>\nAgglomerativeClustering<\/code> s\u0131n\u0131f\u0131n\u0131 kullanarak belirli say\u0131da k\u00fcme ile Hiyerar\u015fik K\u00fcmeleme uygulad\u0131k. n_clusters<\/code> parametresi ile k\u00fcme say\u0131s\u0131n\u0131 belirledik ve affinity<\/code> (benzerlik \u00f6l\u00e7\u00fcs\u00fc) ile linkage<\/code> (k\u00fcmeleri birle\u015ftirme stratejisi) parametrelerini ayarlad\u0131k. Sonu\u00e7lar\u0131, K-Means'te oldu\u011fu gibi bir scatter plot \u00fczerinde g\u00f6rselle\u015ftirdik. Bu y\u00f6ntem, \u00f6zellikle veri setinizdeki do\u011fal k\u00fcme say\u0131s\u0131ndan emin olmad\u0131\u011f\u0131n\u0131zda veya veri noktalar\u0131 aras\u0131ndaki ili\u015fkilerin daha ayr\u0131nt\u0131l\u0131 bir g\u00f6r\u00fcn\u00fcm\u00fcn\u00fc istedi\u011finizde \u00e7ok de\u011ferli i\u00e7g\u00f6r\u00fcler sunar. Dendrogram, sadece k\u00fcmeleri de\u011fil, ayn\u0131 zamanda bu k\u00fcmelerin hangi a\u015famalarda birle\u015fti\u011fini de g\u00f6stererek, veri setinizdeki hiyerar\u015fik yap\u0131lar\u0131 daha iyi anlaman\u0131za yard\u0131mc\u0131 olur.<\/p>\nK\u00fcmeleme Analizinde Performans\u0131 ve Do\u011frulu\u011fu Art\u0131rman\u0131n Yollar\u0131<\/h2>\n
\u00d6n \u0130\u015fleme ve \u00d6zellik M\u00fchendisli\u011finin Rol\u00fc<\/h3>\n
\n
Hiperparametre Optimizasyonu ve Algoritma Kar\u015f\u0131la\u015ft\u0131rmas\u0131<\/h3>\n
Ger\u00e7ek D\u00fcnya Vaka Analizi: E-ticaret M\u00fc\u015fteri Segmentasyonu<\/h3>\n
\n
\n
Mobil Uyumluluk ve B\u00fcy\u00fck Veri Setleri \u0130\u00e7in Optimizasyon<\/h3>\n
\nK\u00fcmeleme sonu\u00e7lar\u0131n\u0131 i\u00e7eren tablolar veya grafikler genellikle masa\u00fcst\u00fc ortamlar i\u00e7in tasarlan\u0131r. Ancak, bu i\u00e7eriklerin mobil cihazlarda da d\u00fczg\u00fcn g\u00f6r\u00fcnmesi \u00f6nemlidir. \u00d6zellikle veri tablolar\u0131 (Pandas DataFrame'lerinden olu\u015fturulanlar), k\u00fc\u00e7\u00fck ekranlarda ta\u015fma yapabilir. Bu sorunu \u00e7\u00f6zmek i\u00e7in CSS media query'ler ve responsive tasar\u0131m yakla\u015f\u0131mlar\u0131 kullan\u0131labilir. \u00d6rne\u011fin, bir tabloyu daha k\u00fc\u00e7\u00fck ekranlarda yatay olarak kayd\u0131r\u0131labilir hale getirebilir veya \u00f6nemli bilgileri y\u0131\u011f\u0131nlayarak g\u00f6sterebilirsiniz.<\/p>\n\n\/* Temel tablo stili *\/\ntable {\n width: 100%;\n border-collapse: collapse;\n}\nth, td {\n border: 1px solid #ddd;\n padding: 8px;\n text-align: left;\n}\nth {\n background-color: #f2f2f2;\n}\n\n\/* Mobil cihazlar i\u00e7in responsive tablo *\/\n@media screen and (max-width: 600px) {\n table {\n border: 0;\n }\n table thead {\n display: none; \/* Ba\u015fl\u0131klar\u0131 gizle *\/\n }\n table tr {\n margin-bottom: 10px;\n display: block;\n border: 1px solid #ddd;\n }\n table td {\n display: block;\n text-align: right;\n font-size: 13px;\n border-bottom: 1px dotted #ccc;\n }\n table td:before {\n \/* Her h\u00fccrenin \u00f6n\u00fcne bir etiket ekle *\/\n content: attr(data-label);\n float: left;\n font-weight: bold;\n text-transform: uppercase;\n }\n table td:last-child {\n border-bottom: 0;\n }\n}\n<\/pre>\n<\/p>\n<\/code> etiketine data-label<\/code> \u00f6zelli\u011fi ekleyerek, ba\u015fl\u0131k bilgisini mobil g\u00f6r\u00fcn\u00fcmde her h\u00fccrenin \u00f6n\u00fcne ta\u015f\u0131yabilirsiniz. \u00d6rne\u011fin:<\/p>\n\n12345<\/td>\n<\/pre>\n
\nK\u00fcmeleme analizi, y\u00fcz binlerce veya milyonlarca veri noktas\u0131 i\u00e7eren b\u00fcy\u00fck veri setlerinde \u00e7al\u0131\u015f\u0131rken performans sorunlar\u0131 ya\u015fayabilir. Scikit-learn k\u00fct\u00fcphanesi, orta \u00f6l\u00e7ekli veri setleri i\u00e7in harika olsa da, gigabaytlarca veya terabaytlarca veri ile kar\u015f\u0131la\u015ft\u0131\u011f\u0131nda yetersiz kalabilir. Bu gibi durumlarda, da\u011f\u0131t\u0131k hesaplama (distributed computing) ara\u00e7lar\u0131 devreye girer:<\/p>\n\n
Sonu\u00e7: K\u00fcmeleme Analizi ile Verilerinizden Daha Fazlas\u0131n\u0131 \u00c7\u0131kar\u0131n<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
\n
scikit-learn<\/code> (\u00e7e\u015fitli algoritmalar), pandas<\/code> (veri manip\u00fclasyonu), numpy<\/code> (say\u0131sal i\u015flemler), matplotlib<\/code> ve seaborn<\/code> (g\u00f6rselle\u015ftirme) ve scipy.cluster.hierarchy<\/code> (dendrogramlar i\u00e7in).<\/p>\n<\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"Veri y\u0131\u011f\u0131nlar\u0131 aras\u0131nda kaybolmak, g\u00fcn\u00fcm\u00fcz i\u015f d\u00fcnyas\u0131n\u0131n ve ara\u015ft\u0131rmalar\u0131n\u0131n en b\u00fcy\u00fck sorunlar\u0131ndan biri olabilir. Neyse ki, Python ile…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1403],"tags":[],"class_list":{"0":"post-33187","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-python","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n