Veri bilimi yolculu\u011funuzun 16. g\u00fcn\u00fcnde becerilerinizi nas\u0131l geli\u015ftirece\u011finizi merak m\u0131 ediyorsunuz? G\u00fcnl\u00fck pratiklerle kariyerinizi h\u0131zland\u0131racak stratejileri bu rehberde ke\u015ffedin.<\/p>\n
Veri bilimi gibi dinamik bir alanda s\u00fcrekli \u00f6\u011frenme ve pratik yapma, ba\u015far\u0131n\u0131n anahtar\u0131d\u0131r. \u00d6zellikle ilk birka\u00e7 hafta, temel kavramlar\u0131 oturttu\u011funuz ve zihinsel kaslar\u0131n\u0131z\u0131 geli\u015ftirdi\u011finiz kritik bir d\u00f6nemdir. Peki, 16. g\u00fcn\u00fcn \u00f6zel k\u0131lan nedir? Bu nokta, genellikle ba\u015flang\u0131\u00e7taki heyecan\u0131n yerini disiplinli ve tutarl\u0131 bir \u00f6\u011frenme s\u00fcrecine b\u0131rakt\u0131\u011f\u0131 e\u015fiktir. \u0130lk birka\u00e7 g\u00fcn, y\u00fczeysel bilgilerle dolu olabilirken, 16. g\u00fcn itibar\u0131yla teorik bilgiyi pratikle birle\u015ftirme, sorun \u00e7\u00f6zme yetene\u011finizi geli\u015ftirme ve karma\u015f\u0131k veri setleriyle daha derinlemesine etkile\u015fim kurma f\u0131rsat\u0131 bulursunuz. Bu a\u015famada, sadece bilmekle kalmay\u0131p, bildiklerinizi uygulamaya d\u00f6kme ve kar\u015f\u0131la\u015ft\u0131\u011f\u0131n\u0131z zorluklarla ba\u015fa \u00e7\u0131kma becerisi kazanmaya ba\u015flars\u0131n\u0131z.<\/p>\n
Bu s\u00fcre\u00e7, t\u0131pk\u0131 bir sporcunun antrenman rutini gibi d\u00fc\u015f\u00fcn\u00fclebilir. Ba\u015flang\u0131\u00e7ta temel hareketleri \u00f6\u011frenirsiniz; 16. g\u00fcn ise bu hareketleri birle\u015ftirerek daha karma\u015f\u0131k egzersizlere ge\u00e7i\u015f yapt\u0131\u011f\u0131n\u0131z zamand\u0131r. Veri biliminde de benzer bir durum s\u00f6z konusudur. Art\u0131k temel Python veya R s\u00f6zdizimine hakimsinizdir, basit veri manip\u00fclasyonlar\u0131 yapabiliyorsunuzdur ve belki de ilk regresyon modelinizi kurmu\u015fsunuzdur. Ancak bu noktada, ger\u00e7ek d\u00fcnya verilerinin karma\u015f\u0131kl\u0131\u011f\u0131yla y\u00fczle\u015fmek, eksik de\u011ferlerle, ayk\u0131r\u0131 g\u00f6zlemlerle veya anlams\u0131z \u00f6zelliklerle m\u00fccadele etmek gibi daha zorlu g\u00f6revler sizi bekler. \u0130\u015fte bu g\u00f6revler, sizi “teorik bilgi sahibi” olmaktan “problem \u00e7\u00f6zen bir veri bilimcisi” olmaya ta\u015f\u0131yacak ad\u0131mlard\u0131r. Ayr\u0131ca, bu a\u015famada kendinize g\u00fcveniniz artmaya ba\u015flar, \u00e7\u00fcnk\u00fc art\u0131k sadece ba\u015fkalar\u0131n\u0131n kodunu okumakla kalm\u0131yor, kendi \u00f6zg\u00fcn \u00e7\u00f6z\u00fcmlerinizi \u00fcretmeye ba\u015fl\u0131yorsunuz. Bu da \u00f6\u011frenme motivasyonunuzu s\u00fcrekli y\u00fcksek tutman\u0131n en etkili yollar\u0131ndan biridir.<\/p>\n
\u00d6zellikle, 16. g\u00fcn, \u00f6\u011frenme s\u00fcrecinde kar\u015f\u0131la\u015f\u0131lan yayg\u0131n bir “duvar\u0131” a\u015fma potansiyeli ta\u015f\u0131r. Bir\u00e7ok ki\u015fi, \u00f6\u011frenmeye ba\u015flar ancak belirli bir noktadan sonra ilerlemekte zorlan\u0131r veya motivasyonunu kaybeder. Bu y\u00fczden, bu a\u015famada kararl\u0131l\u0131\u011f\u0131n\u0131z\u0131 s\u00fcrd\u00fcrmek, uzun vadeli ba\u015far\u0131 i\u00e7in hayati \u00f6nem ta\u015f\u0131r. Bu d\u00f6nemde edinece\u011finiz al\u0131\u015fkanl\u0131klar \u2013 d\u00fczenli pratik, hata ay\u0131klama, dok\u00fcmantasyon okuma ve topluluklarla etkile\u015fim \u2013 kariyerinizin geri kalan\u0131nda size rehberlik edecektir. Veri bilimi d\u00fcnyas\u0131 s\u00fcrekli evrildi\u011finden, bu erken a\u015famada sa\u011flam bir temel olu\u015fturmak, yeni teknolojilere ve metodolojilere adapte olma yetene\u011finizi de g\u00fc\u00e7lendirir. Dolay\u0131s\u0131yla, 16. g\u00fcn sadece bir say\u0131dan ibaret de\u011fil, ayn\u0131 zamanda veri bilimi yetkinli\u011finizin ger\u00e7ek anlamda \u015fekillenmeye ba\u015flad\u0131\u011f\u0131 bir d\u00f6n\u00fcm noktas\u0131d\u0131r.<\/p>\n
Veri bilimi, birden fazla disiplini bir araya getiren kapsaml\u0131 bir aland\u0131r. Yeni ba\u015flayanlar i\u00e7in bu \u00e7e\u015fitlilik bazen bunalt\u0131c\u0131 olabilir, ancak temel ta\u015flar\u0131 do\u011fru anlad\u0131\u011f\u0131n\u0131zda her \u015fey yerine oturur. \u0130lk olarak, programlama yetene\u011fi<\/strong> veri bilimcinin olmazsa olmaz\u0131d\u0131r. Genellikle Python veya R dilleri tercih edilir. Python’daki Pandas k\u00fct\u00fcphanesi veri manip\u00fclasyonu i\u00e7in, NumPy say\u0131sal i\u015flemler i\u00e7in ve Matplotlib\/Seaborn g\u00f6rselle\u015ftirme i\u00e7in temel ara\u00e7lard\u0131r. Bu k\u00fct\u00fcphanelere hakimiyet, veri \u00fczerinde etkili bir \u015fekilde \u00e7al\u0131\u015fman\u0131z\u0131 sa\u011flar. \u00d6rne\u011fin, bir CSV dosyas\u0131n\u0131 okumak, belirli s\u00fctunlar\u0131 se\u00e7mek veya yeni s\u00fctunlar olu\u015fturmak gibi i\u015flemler g\u00fcnl\u00fck rutininizin \u00f6nemli bir par\u00e7as\u0131d\u0131r. <\/p>\n <\/code><\/p>\n \u0130kinci temel ta\u015f ise istatistik ve olas\u0131l\u0131k<\/strong> bilgisidir. Ortalamalar, medyanlar, modlar gibi tan\u0131mlay\u0131c\u0131 istatistikler, bir veri setinin genel yap\u0131s\u0131n\u0131 anlaman\u0131za yard\u0131mc\u0131 olur. Hipotez testleri ve g\u00fcven aral\u0131klar\u0131 ise \u00e7\u0131kar\u0131msal istatistiklerin temelidir ve veriden genelleme yapman\u0131z\u0131 sa\u011flar. \u00d6rne\u011fin, A\/B testi sonu\u00e7lar\u0131n\u0131 analiz ederken veya iki grup aras\u0131ndaki fark\u0131n istatistiksel olarak anlaml\u0131 olup olmad\u0131\u011f\u0131n\u0131 belirlerken bu bilgilere ihtiyac\u0131n\u0131z olur. Veri bilimi projelerinde, model geli\u015ftirme kadar \u00f6nemli, hatta bazen daha \u00f6nemli olan bir a\u015fama da veri ke\u015ffi ve \u00f6n i\u015fleme s\u00fcrecidir. \u00c7o\u011fu zaman, bir veri bilimcinin zaman\u0131n\u0131n %70-80'i bu a\u015famalarda harcan\u0131r. Temel seviyede, bu s\u00fcre\u00e7ler eksik de\u011ferleri doldurmak, kategorik de\u011fi\u015fkenleri d\u00f6n\u00fc\u015ft\u00fcrmek veya ayk\u0131r\u0131 de\u011ferleri tespit etmekle s\u0131n\u0131rl\u0131 kalabilir. Ancak 16. g\u00fcn itibar\u0131yla, bu i\u015flemleri daha stratejik ve derinlemesine yapmay\u0131 \u00f6\u011frenmelisiniz. Bu, \u00f6zellik m\u00fchendisli\u011fi (feature engineering)<\/strong> kavram\u0131n\u0131 daha iyi anlamay\u0131 ve uygulamay\u0131 gerektirir. \u00d6zellik m\u00fchendisli\u011fi, ham veriden modelin \u00f6\u011frenme performans\u0131n\u0131 art\u0131rabilecek yeni, anlaml\u0131 \u00f6zellikler yaratma sanat\u0131d\u0131r. \u00d6rne\u011fin, bir e-ticaret veri setinde sadece m\u00fc\u015fteri ID'si ve sat\u0131n alma miktar\u0131 varken, bu verilerden \"ortalama sat\u0131n alma s\u0131kl\u0131\u011f\u0131\", \"son sat\u0131n alma tarihi ile bug\u00fcnk\u00fc fark\" veya \"m\u00fc\u015fterinin toplam harcama miktar\u0131\" gibi yeni \u00f6zellikler t\u00fcretebiliriz. Bu t\u00fcr \u00f6zellikler, modelin m\u00fc\u015fteri davran\u0131\u015f\u0131n\u0131 daha iyi anlamas\u0131na ve tahmin g\u00fcc\u00fcn\u00fc art\u0131rmas\u0131na yard\u0131mc\u0131 olur. Ayr\u0131ca, zaman serisi verilerinde gecikmeli de\u011ferler (lag features) veya hareketli ortalamalar olu\u015fturmak da g\u00fc\u00e7l\u00fc \u00f6zellik m\u00fchendisli\u011fi \u00f6rnekleridir.<\/p>\n Veri temizli\u011fi ve \u00f6n i\u015fleme, sadece eksik de\u011ferleri doldurmaktan ibaret de\u011fildir. Veri setlerindeki g\u00fcr\u00fclt\u00fc, tutars\u0131zl\u0131klar ve hatalar modelin performans\u0131n\u0131 ciddi \u015fekilde d\u00fc\u015f\u00fcrebilir. \u00d6rne\u011fin, bir m\u00fc\u015fteri ad\u0131 alan\u0131 \"Ali\", \"ali\" ve \"ALI\" olarak farkl\u0131 \u015fekillerde girilmi\u015f olabilir. Bu t\u00fcr tutars\u0131zl\u0131klar\u0131 standart bir formata d\u00f6n\u00fc\u015ft\u00fcrmek, veri kalitesini art\u0131r\u0131r. Metin verilerinde stop word'lerin \u00e7\u0131kar\u0131lmas\u0131, k\u00f6kle\u015ftirme (stemming) veya lematizasyon gibi teknikler de \u00f6n i\u015fleme s\u00fcrecinin vazge\u00e7ilmez bir par\u00e7as\u0131d\u0131r. Say\u0131sal verilerde ise \u00f6l\u00e7eklendirme (StandardScaler, MinMaxScaler) modellerin daha h\u0131zl\u0131 ve kararl\u0131 bir \u015fekilde yak\u0131nsamas\u0131n\u0131 sa\u011flar. Bu derinle\u015fmi\u015f \u00f6n i\u015fleme tekniklerini uygulamak i\u00e7in etki alan\u0131na (domain) \u00f6zg\u00fc bilgiye sahip olmak genellikle kritik \u00f6neme sahiptir. Bir finans projesinde doland\u0131r\u0131c\u0131l\u0131k tespiti yaparken, i\u015flemin saat ka\u00e7ta ger\u00e7ekle\u015fti\u011fi veya ne kadar b\u00fcy\u00fck bir tutar oldu\u011fu gibi bilgileri birle\u015ftirerek yeni bir \"risk skoru\" \u00f6zelli\u011fi olu\u015fturmak, modelin performans\u0131n\u0131 k\u00f6kten de\u011fi\u015ftirebilir. Bu, sadece teknik beceri de\u011fil, ayn\u0131 zamanda veriye ele\u015ftirel bir g\u00f6zle bakma ve ondan gizli kal\u0131plar\u0131 \u00e7\u0131karma yetene\u011fidir. Dolay\u0131s\u0131yla, bu a\u015famada veri setinizi sadece bir tablo olarak g\u00f6rmek yerine, ondan bir hikaye \u00e7\u0131karmaya \u00e7al\u0131\u015fmal\u0131 ve bu hikayeyi modelinizin anlayabilece\u011fi en iyi formata d\u00f6n\u00fc\u015ft\u00fcrmelisiniz. Bu s\u00fcre\u00e7, pratik ve deneyimle geli\u015fen bir sanatt\u0131r.<\/p>\n Eksik de\u011ferler, ger\u00e7ek d\u00fcnya veri setlerinin ka\u00e7\u0131n\u0131lmaz bir par\u00e7as\u0131d\u0131r ve do\u011fru \u015fekilde ele al\u0131nmazsa model performans\u0131n\u0131 ciddi \u015fekilde etkileyebilir. Ba\u015flang\u0131\u00e7ta, eksik de\u011ferleri i\u00e7eren sat\u0131rlar\u0131 veya s\u00fctunlar\u0131 tamamen kald\u0131rmak gibi basit yakla\u015f\u0131mlar \u00f6\u011frenilebilir. Ancak bu y\u00f6ntemler, \u00f6zellikle b\u00fcy\u00fck miktarda eksik veri oldu\u011funda \u00f6nemli bilgi kayb\u0131na yol a\u00e7abilir. 16. g\u00fcn seviyesinde, bu soruna daha sofistike \u00e7\u00f6z\u00fcmlerle yakla\u015fmal\u0131s\u0131n\u0131z. En yayg\u0131n stratejilerden biri, eksik de\u011ferleri bir t\u00fcr tahminle doldurmak yani imputasyon<\/strong> yapmakt\u0131r. Medyan, ortalama veya mod ile doldurma basit ama bazen etkili y\u00f6ntemlerdir. Ancak, bu y\u00f6ntemler de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkileri g\u00f6z ard\u0131 eder ve verinin varyans\u0131n\u0131 azaltarak modele \u00f6nyarg\u0131 katabilir. Daha geli\u015fmi\u015f yakla\u015f\u0131mlar, de\u011fi\u015fkenler aras\u0131ndaki korelasyonlar\u0131 ve desenleri dikkate al\u0131r.<\/p>\n \u00d6rne\u011fin, K-En Yak\u0131n Kom\u015fular (KNN) Imputasyonu<\/strong>, eksik de\u011ferleri olan bir \u00f6rne\u011fin, di\u011fer \u00f6zelliklerine g\u00f6re en benzer K kom\u015fusunun de\u011ferlerini kullanarak tahmin etmeye \u00e7al\u0131\u015f\u0131r. Bu y\u00f6ntem, verideki yerel yap\u0131lar\u0131 koruma e\u011filimindedir ve daha do\u011fru sonu\u00e7lar verebilir. Bir ba\u015fka geli\u015fmi\u015f y\u00f6ntem ise \u00c7oklu Zincirleme Denklemleri ile \u0130mputasyon (MICE)<\/strong>'dir. MICE, her bir eksik de\u011fi\u015fkeni, di\u011fer de\u011fi\u015fkenleri kullanarak bir regresyon modeli arac\u0131l\u0131\u011f\u0131yla tahmin eder ve bu s\u00fcreci birden \u00e7ok kez tekrarlayarak eksik de\u011ferler i\u00e7in birden \u00e7ok makul tahmin seti olu\u015fturur. Bu, \u00f6zellikle karma\u015f\u0131k veri setlerinde ve birden fazla eksik de\u011fi\u015fken oldu\u011funda g\u00fc\u00e7l\u00fc bir yakla\u015f\u0131md\u0131r. Her imputasyon y\u00f6nteminin avantajlar\u0131 ve dezavantajlar\u0131 vard\u0131r, bu nedenle veri setinizin yap\u0131s\u0131na ve eksiklik mekanizmas\u0131na (MCAR, MAR, NMAR) g\u00f6re en uygun y\u00f6ntemi se\u00e7mek \u00f6nemlidir. Yanl\u0131\u015f bir imputasyon y\u00f6ntemi, modelin yanl\u0131\u015f \u00f6\u011frenmesine ve dolay\u0131s\u0131yla yan\u0131lt\u0131c\u0131 tahminler \u00fcretmesine neden olabilir. Bu nedenle, farkl\u0131 imputasyon stratejilerini denemek ve bunlar\u0131n modeliniz \u00fczerindeki etkisini de\u011ferlendirmek kritik bir ad\u0131md\u0131r.<\/p>\n <\/code><\/p>\n Yukar\u0131daki Python kodu, scikit-learn k\u00fct\u00fcphanesindeki Makine \u00f6\u011frenmesi modellerini e\u011fitmek, genellikle sadece Model performans\u0131n\u0131 optimize etmenin bir di\u011fer \u00f6nemli ad\u0131m\u0131 ise hiperparametre ayarlamas\u0131d\u0131r<\/strong>. Hiperparametreler, modelin \u00f6\u011frenme s\u00fcreci ba\u015flamadan \u00f6nce belirlenen d\u0131\u015f parametrelerdir (\u00f6rne\u011fin, bir karar a\u011fac\u0131n\u0131n derinli\u011fi, bir destek vekt\u00f6r makinesinin C de\u011feri veya bir sinir a\u011f\u0131n\u0131n \u00f6\u011frenme oran\u0131). Bu hiperparametrelerin do\u011fru kombinasyonunu bulmak, modelinizin potansiyelini tam olarak ortaya \u00e7\u0131karmak i\u00e7in hayati \u00f6nem ta\u015f\u0131r. Manuel ayarlama zaman al\u0131c\u0131 ve yan\u0131lt\u0131c\u0131 olabilir. Bu nedenle, Grid Search<\/strong> ve Random Search<\/strong> gibi otomatik teknikler yayg\u0131n olarak kullan\u0131l\u0131r. Grid Search, \u00f6nceden tan\u0131mlanm\u0131\u015f bir hiperparametre \u0131zgaras\u0131ndaki her kombinasyonu denerken, Random Search rastgele se\u00e7ilen kombinasyonlar\u0131 dener. Daha geli\u015fmi\u015f y\u00f6ntemler aras\u0131nda, \u00f6nceki denemelerin sonu\u00e7lar\u0131n\u0131 kullanarak bir sonraki en iyi hiperparametre kombinasyonunu tahmin eden Bayesian Optimizasyon<\/strong> yer al\u0131r. Bu teknikler, daha k\u0131sa s\u00fcrede daha iyi performansl\u0131 modeller bulman\u0131za yard\u0131mc\u0131 olur. \u00d6zellikle b\u00fcy\u00fck ve karma\u015f\u0131k veri setlerinde, bu optimizasyon teknikleri olmadan tatmin edici sonu\u00e7lar elde etmek olduk\u00e7a zordur.<\/p>\n Son olarak, ensemble y\u00f6ntemleri<\/strong> model performans\u0131n\u0131 art\u0131rmak i\u00e7in g\u00fc\u00e7l\u00fc bir stratejidir. Ensemble y\u00f6ntemleri, birden fazla temel modelin tahminlerini birle\u015ftirerek daha g\u00fc\u00e7l\u00fc ve genellenebilir bir model olu\u015fturur. En pop\u00fcler ensemble y\u00f6ntemlerinden baz\u0131lar\u0131 Bagging (\u00d6rne\u011fin, Random Forest)<\/strong> ve Boosting (\u00d6rne\u011fin, Gradient Boosting, XGBoost, LightGBM)<\/strong>'dir. Bagging, veri setinin farkl\u0131 alt k\u00fcmeleri \u00fczerinde ba\u011f\u0131ms\u0131z olarak e\u011fitilmi\u015f modellerin tahminlerini birle\u015ftirirken, Boosting, zay\u0131f modelleri s\u0131rayla e\u011fitir ve her yeni modelin \u00f6nceki modelin yapt\u0131\u011f\u0131 hatalar\u0131 d\u00fczeltmeye odaklan\u0131r. Bu y\u00f6ntemler, genellikle tek bir modelden daha iyi performans g\u00f6sterir, \u00e7\u00fcnk\u00fc bireysel modellerin hatalar\u0131n\u0131 dengeler ve genelleme yeteneklerini art\u0131r\u0131r. Bir finansal doland\u0131r\u0131c\u0131l\u0131k tespiti senaryosunda, sadece tek bir lojistik regresyon modeli kullanmak yerine, Random Forest veya XGBoost gibi daha karma\u015f\u0131k bir ensemble modelini optimize ederek \u00e7ok daha y\u00fcksek do\u011fruluk oranlar\u0131na ula\u015fabilirsiniz. Bu sayede, finansal kay\u0131plar\u0131n \u00f6n\u00fcne ge\u00e7mek i\u00e7in daha g\u00fcvenilir bir sistem kurmu\u015f olursunuz. Model optimizasyonu, s\u00fcrekli deneme, yan\u0131lma ve \u00f6\u011frenme gerektiren bir s\u00fcre\u00e7tir ve bu a\u015famada edinece\u011finiz deneyimler, bir veri bilimci olarak de\u011ferinizi b\u00fcy\u00fck \u00f6l\u00e7\u00fcde art\u0131racakt\u0131r.<\/p>\n Bir makine \u00f6\u011frenmesi modeli geli\u015ftirmek kadar, onu do\u011fru bir \u015fekilde de\u011ferlendirmek de kritiktir. Modelinizi de\u011ferlendirirken sadece tek bir metri\u011fe ba\u011fl\u0131 kalmak yan\u0131lt\u0131c\u0131 sonu\u00e7lara yol a\u00e7abilir. 16. g\u00fcn seviyesinde, farkl\u0131 problem t\u00fcrleri i\u00e7in uygun de\u011ferlendirme metriklerini ve bunlar\u0131n anlamlar\u0131n\u0131 derinlemesine kavramal\u0131s\u0131n\u0131z. S\u0131n\u0131fland\u0131rma problemlerinde<\/strong>, \u00f6rne\u011fin, bir e-posta spam m\u0131 de\u011fil mi, veya bir hasta belirli bir hastal\u0131\u011fa sahip mi de\u011fil mi gibi ikili veya \u00e7ok s\u0131n\u0131fl\u0131 kararlar verilir. Bu t\u00fcr problemler i\u00e7in yayg\u0131n metrikler \u015funlard\u0131r:<\/p>\n Regresyon problemlerinde<\/strong> ise, s\u00fcrekli bir de\u011feri tahmin ederiz (\u00f6rne\u011fin, ev fiyat\u0131, hisse senedi fiyat\u0131). Bu t\u00fcr problemler i\u00e7in kullan\u0131lan ba\u015fl\u0131ca metrikler:<\/p>\n Bu metrikleri anlamak kadar, modelinizin genelleme yetene\u011fini test etmek i\u00e7in \u00e7apraz do\u011frulama (Cross-Validation)<\/strong> kullanmak da hayati \u00f6neme sahiptir. \u00c7apraz do\u011frulama, veri setinizi birden fazla e\u011fitim ve test setine ay\u0131rarak modelinizin farkl\u0131 veri alt k\u00fcmeleri \u00fczerindeki performans\u0131n\u0131 de\u011ferlendirir. En yayg\u0131n t\u00fcr\u00fc olan K-Fold \u00e7apraz do\u011frulamada, veri seti K e\u015fit par\u00e7aya b\u00f6l\u00fcn\u00fcr. Her iterasyonda bir par\u00e7a test seti olarak kullan\u0131l\u0131rken, K-1 par\u00e7a e\u011fitim i\u00e7in kullan\u0131l\u0131r. Bu s\u00fcre\u00e7 K kez tekrarlan\u0131r ve sonu\u00e7lar ortalamas\u0131 al\u0131n\u0131r. Bu y\u00f6ntem, modelinizin a\u015f\u0131r\u0131 \u00f6\u011frenmesini \u00f6nlemeye ve daha g\u00fcvenilir performans tahminleri elde etmeye yard\u0131mc\u0131 olur. \u00d6rne\u011fin, bir hisse senedi tahmin modelinin performans\u0131n\u0131 tek bir test setiyle de\u011ferlendirmek, \u015fans eseri iyi sonu\u00e7lar verebilirken, K-Fold \u00e7apraz do\u011frulama ile daha ger\u00e7ek\u00e7i ve sa\u011flam bir de\u011ferlendirme elde edersiniz.<\/p>\n <\/code><\/p>\n Bu kod blo\u011fu, 5 katl\u0131 \u00e7apraz do\u011frulama kullanarak bir Lojistik Regresyon modelinin \u00e7e\u015fitli metrikler \u00fczerindeki ortalama performans\u0131n\u0131 nas\u0131l hesaplayaca\u011f\u0131n\u0131z\u0131 g\u00f6sterir. Bu \u015fekilde, modelinizin farkl\u0131 veri alt k\u00fcmeleri \u00fczerindeki tutarl\u0131l\u0131\u011f\u0131n\u0131 ve genelleme yetene\u011fini daha iyi anlayabilirsiniz.<\/p>\n Teorik bilgi edinmek ve k\u00fc\u00e7\u00fck pratikler yapmak \u00f6nemlidir, ancak bir veri bilimci olarak ger\u00e7ek de\u011ferinizi g\u00f6stermenin en iyi yolu, anlaml\u0131 projeler olu\u015fturmakt\u0131r. 16. g\u00fcn itibar\u0131yla, art\u0131k temel ara\u00e7lara ve algoritmalara hakimsiniz, bu nedenle portfolyonuzu zenginle\u015ftirecek ger\u00e7ek d\u00fcnya projelerine odaklanmal\u0131s\u0131n\u0131z. \u0130yi bir proje, sadece kod yazmakla kalmaz, ayn\u0131 zamanda bir problemi tan\u0131mlamay\u0131, veri toplamay\u0131, \u00f6n i\u015flemeyi, modeli geli\u015ftirmeyi, de\u011ferlendirmeyi ve sonu\u00e7lar\u0131 etkili bir \u015fekilde sunmay\u0131 da i\u00e7erir. Proje se\u00e7imi yaparken, ilgi alanlar\u0131n\u0131za ve potansiyel i\u015fverenlerinizin ilgisini \u00e7ekebilecek konulara odaklanman\u0131z \u00f6nemlidir. \u00d6rne\u011fin, finans sekt\u00f6r\u00fcne ilgi duyuyorsan\u0131z, hisse senedi fiyat tahmini veya kredi doland\u0131r\u0131c\u0131l\u0131\u011f\u0131 tespiti gibi projelere y\u00f6nelebilirsiniz. Sa\u011fl\u0131k sekt\u00f6r\u00fcne ilgi duyuyorsan\u0131z, hastal\u0131k te\u015fhisi veya ila\u00e7 ke\u015ffi projeleri ideal olabilir. Kaggle veya UCI Machine Learning Repository gibi platformlar, ba\u015flang\u0131\u00e7 i\u00e7in harika veri setleri ve ilham verici proje fikirleri sunar.<\/p>\n Bir projeyi geli\u015ftirirken, a\u015fa\u011f\u0131daki ad\u0131mlar\u0131 izlemek size yard\u0131mc\u0131 olacakt\u0131r:<\/p>\n Projenizi geli\u015ftirirken, versiyon kontrol sistemi (Git ve GitHub gibi)<\/strong> kullanmak \u00e7ok \u00f6nemlidir. Bu, kodunuzdaki de\u011fi\u015fiklikleri takip etmenizi, farkl\u0131 s\u00fcr\u00fcmler aras\u0131nda ge\u00e7i\u015f yapman\u0131z\u0131 ve di\u011fer geli\u015ftiricilerle i\u015fbirli\u011fi yapman\u0131z\u0131 sa\u011flar. Bir GitHub deposu, sadece kodunuzu saklamakla kalmaz, ayn\u0131 zamanda yapt\u0131\u011f\u0131n\u0131z \u00e7al\u0131\u015fmalar\u0131 potansiyel i\u015fverenlere sergilemek i\u00e7in bir portfolyo g\u00f6revi g\u00f6r\u00fcr. Her projede, kulland\u0131\u011f\u0131n\u0131z t\u00fcm k\u00fct\u00fcphaneleri, veri kaynaklar\u0131n\u0131 ve problem tan\u0131m\u0131n\u0131 a\u00e7\u0131k\u00e7a belirten detayl\u0131 bir G\u00fcn\u00fcm\u00fczde veri bilimcilerin \u00fcretti\u011fi modeller veya analizler, sadece masa\u00fcst\u00fc bilgisayarlarda de\u011fil, tabletler ve ak\u0131ll\u0131 telefonlar dahil olmak \u00fczere \u00e7e\u015fitli cihazlarda eri\u015filebilir olmal\u0131d\u0131r. Bir veri bilimi projesinin son a\u015famalar\u0131ndan biri, genellikle modelin veya olu\u015fturulan bir dashboard'un da\u011f\u0131t\u0131m\u0131 (deployment) ve kullan\u0131c\u0131lar taraf\u0131ndan eri\u015filebilir hale getirilmesidir. Bu ba\u011flamda, mobil uyumluluk, kullan\u0131c\u0131 deneyimini do\u011frudan etkileyen kritik bir fakt\u00f6rd\u00fcr. Veri g\u00f6rselle\u015ftirmelerinizi veya interaktif dashboard'lar\u0131n\u0131z\u0131 (\u00f6rne\u011fin, Streamlit, Dash veya Flask ile olu\u015fturulanlar) tasarlarken, responsive (duyarl\u0131) tasar\u0131m prensiplerini uygulamak hayati \u00f6nem ta\u015f\u0131r. Bu, i\u00e7eri\u011finizin ekran boyutuna g\u00f6re otomatik olarak ayarlana\u011f\u0131 anlam\u0131na gelir, b\u00f6ylece kullan\u0131c\u0131lar cihazlar\u0131ndan ba\u011f\u0131ms\u0131z olarak en iyi deneyimi ya\u015farlar.<\/p>\n Mobil uyumlu bir web uygulamas\u0131nda veya dashboard'da, temel bile\u015fenler \u015funlard\u0131r: Esnek Izgaralar (Flexible Grids)<\/strong>, Esnek G\u00f6rseller (Flexible Images)<\/strong> ve Medya Sorgular\u0131 (Media Queries)<\/strong>. Esnek \u0131zgaralar, i\u00e7eri\u011finizi sabit pikseller yerine y\u00fczde (%) birimleriyle boyutland\u0131rarak farkl\u0131 ekran geni\u015fliklerine otomatik olarak adapte olmas\u0131n\u0131 sa\u011flar. Esnek g\u00f6rseller de benzer \u015fekilde, ekran boyutuna g\u00f6re otomatik olarak \u00f6l\u00e7eklenir. Ancak mobil uyumlulu\u011fun kalbi, belirli ekran geni\u015fliklerinde farkl\u0131 CSS kurallar\u0131 uygulaman\u0131za olanak tan\u0131yan medya sorgular\u0131d\u0131r. \u00d6rne\u011fin, geni\u015f ekranlarda \u00fc\u00e7 s\u00fctunlu bir d\u00fczen kullan\u0131rken, k\u00fc\u00e7\u00fck ekranlarda bu s\u00fctunlar\u0131n alt alta y\u0131\u011f\u0131lmas\u0131n\u0131 sa\u011flayabilirsiniz. Bu, \u00f6zellikle karma\u015f\u0131k veri g\u00f6rselle\u015ftirmeleri i\u00e7eren dashboard'larda b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r; \u00e7\u00fcnk\u00fc mobil ekranda t\u00fcm detaylar\u0131 s\u0131\u011fd\u0131rmaya \u00e7al\u0131\u015fmak yerine, daha az \u00f6nemli bilgileri gizleyebilir veya farkl\u0131 bir d\u00fczenle sunabilirsiniz.<\/p>\n A\u015fa\u011f\u0131da, bir web sayfas\u0131n\u0131n basit bir b\u00f6l\u00fcm\u00fcn\u00fcn mobil cihazlarda farkl\u0131 g\u00f6r\u00fcnmesini sa\u011flayan temel bir CSS medya sorgusu \u00f6rne\u011fi verilmi\u015ftir. Bu prensibi, veri bilimcilerin olu\u015fturdu\u011fu interaktif dashboard'lara veya model aray\u00fczlerine uygulayabiliriz:<\/p>\n\nimport pandas as pd\nimport numpy as np\n\n# \u00d6rnek bir DataFrame olu\u015ftural\u0131m\ndata = {'M\u00fc\u015fteri_ID': [1, 2, 3, 4, 5],\n 'Ya\u015f': [25, 34, 42, 28, 51],\n 'Gelir': [50000, 75000, 120000, 60000, 95000],\n 'Harcanan_Miktar': [1000, 2500, 4000, 1200, 3000]}\ndf = pd.DataFrame(data)\n\n# 'Gelir' ve 'Harcanan_Miktar' s\u00fctunlar\u0131n\u0131 kullanarak 'Tasarruf_Oran\u0131' hesaplama\ndf['Tasarruf_Oran\u0131'] = (df['Gelir'] - df['Harcanan_Miktar']) \/ df['Gelir']\n\nprint(df.head())\n <\/pre>\n
\u00dc\u00e7\u00fcnc\u00fc olarak, makine \u00f6\u011frenmesi<\/strong> algoritmalar\u0131 veri bilimin kalbinde yer al\u0131r. Regresyon (do\u011frusal, lojistik), s\u0131n\u0131fland\u0131rma (karar a\u011fa\u00e7lar\u0131, SVM, K-NN), k\u00fcmeleme (K-Means) ve boyut indirgeme (PCA) gibi temel algoritmalar\u0131 anlamak, do\u011fru modeli se\u00e7mek ve uygulamak i\u00e7in kritik \u00f6neme sahiptir. Her algoritman\u0131n kendine \u00f6zg\u00fc varsay\u0131mlar\u0131 ve kullan\u0131m alanlar\u0131 vard\u0131r. Bu y\u00fczden, hangi algoritman\u0131n hangi problem i\u00e7in daha uygun oldu\u011funu bilmek, etkili \u00e7\u00f6z\u00fcmler \u00fcretmenizi sa\u011flar. Son olarak, veri g\u00f6rselle\u015ftirme<\/strong> ve ileti\u015fim becerileri<\/strong>, bulgular\u0131n\u0131z\u0131 anla\u015f\u0131l\u0131r bir \u015fekilde sunman\u0131z\u0131 sa\u011flar. Matplotlib, Seaborn ve Plotly gibi k\u00fct\u00fcphanelerle olu\u015fturulan grafikler, karma\u015f\u0131k veri setlerindeki kal\u0131plar\u0131 ve e\u011filimleri ortaya koyarak hikaye anlatman\u0131za yard\u0131mc\u0131 olur. Bu d\u00f6rt ana alan, veri bilimi kariyerinizde ilerlemek i\u00e7in sa\u011flam bir temel olu\u015fturur ve 16. g\u00fcn itibar\u0131yla bu kavramlar \u00fczerinde daha derinle\u015fimle \u00e7al\u0131\u015fmaya ba\u015flamal\u0131s\u0131n\u0131z.<\/p>\nVeri Ke\u015ffi ve \u00d6n \u0130\u015fleme S\u00fcre\u00e7leri Nas\u0131l Derinle\u015ftirilir?<\/h2>\n
Ger\u00e7ek D\u00fcnya Veri Setlerinde Eksik De\u011ferlerle Nas\u0131l Ba\u015fa \u00c7\u0131k\u0131l\u0131r?<\/h3>\n
\nimport pandas as pd\nfrom sklearn.impute import KNNImputer\nimport numpy as np\n\n# Eksik de\u011ferler i\u00e7eren \u00f6rnek bir DataFrame\ndata_with_nan = {\n '\u00d6zellik_A': [10, 20, np.nan, 40, 50],\n '\u00d6zellik_B': [1.1, np.nan, 3.3, 4.4, 5.5],\n '\u00d6zellik_C': [100, 200, 300, np.nan, 500]\n}\ndf_nan = pd.DataFrame(data_with_nan)\nprint(\"Eksik De\u011ferler \u0130\u00e7eren DataFrame:\")\nprint(df_nan)\n\n# KNN Imputer kullanarak eksik de\u011ferleri doldurma\n# n_neighbors: Kom\u015fu say\u0131s\u0131 (genellikle 3, 5 veya 7 kullan\u0131l\u0131r)\nimputer = KNNImputer(n_neighbors=3)\ndf_imputed = pd.DataFrame(imputer.fit_transform(df_nan), columns=df_nan.columns)\n\nprint(\"\\nKNN \u0130mputasyon Sonras\u0131 DataFrame:\")\nprint(df_imputed)\n <\/pre>\nKNNImputer<\/code> s\u0131n\u0131f\u0131n\u0131 kullanarak eksik de\u011ferleri nas\u0131l dolduraca\u011f\u0131n\u0131z\u0131 g\u00f6sterir. Bu, eksik de\u011ferleri rastgele doldurmak yerine, verideki desenleri kullanarak daha ak\u0131ll\u0131ca bir tahmin yapar. Her zaman, imputasyon sonras\u0131 veriyi g\u00f6rselle\u015ftirerek veya istatistiksel analizler yaparak, imputasyonun veri da\u011f\u0131l\u0131m\u0131n\u0131 nas\u0131l etkiledi\u011fini kontrol etmelisiniz. Bu yakla\u015f\u0131m, sadece eksik de\u011ferleri gidermekle kalmaz, ayn\u0131 zamanda veri setinizin b\u00fct\u00fcnl\u00fc\u011f\u00fcn\u00fc ve modelinizin genelleme yetene\u011fini de art\u0131r\u0131r.<\/p>\nMakine \u00d6\u011frenmesi Modellerini Optimize Etmenin P\u00fcf Noktalar\u0131 Nelerdir?<\/h2>\n
.fit()<\/code> fonksiyonunu \u00e7a\u011f\u0131rmaktan \u00e7ok daha fazlas\u0131n\u0131 gerektirir. Temel bir modelin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 anlad\u0131ktan sonra, 16. g\u00fcn itibar\u0131yla modellerinizin performans\u0131n\u0131 nas\u0131l en \u00fcst d\u00fczeye \u00e7\u0131karaca\u011f\u0131n\u0131z\u0131 \u00f6\u011frenmelisiniz. Bu, model se\u00e7imi, hiperparametre ayarlamas\u0131 ve ensemble y\u00f6ntemleri gibi konular\u0131 kapsar. Bir probleme birden fazla makine \u00f6\u011frenmesi algoritmas\u0131 uygulanabilir ve her birinin kendine \u00f6zg\u00fc g\u00fc\u00e7l\u00fc ve zay\u0131f y\u00f6nleri vard\u0131r. \u00d6rne\u011fin, do\u011frusal regresyon basit ve h\u0131zl\u0131d\u0131r, ancak do\u011frusal olmayan ili\u015fkileri yakalamakta zorlan\u0131r. Karar a\u011fa\u00e7lar\u0131 daha esnektir ancak a\u015f\u0131r\u0131 \u00f6\u011frenmeye (overfitting) e\u011filimli olabilirler. Bu nedenle, veri setinizin yap\u0131s\u0131na, problem t\u00fcr\u00fcne (s\u0131n\u0131fland\u0131rma m\u0131, regresyon mu?) ve performans beklentilerinize g\u00f6re do\u011fru modeli se\u00e7mek kritiktir. \u00c7o\u011fu zaman, farkl\u0131 modelleri kar\u015f\u0131la\u015ft\u0131rmak ve en iyi performans\u0131 g\u00f6stereni se\u00e7mek en ak\u0131ll\u0131ca yakla\u015f\u0131md\u0131r.<\/p>\nEtkili Model De\u011ferlendirme Metrikleri Nelerdir ve Nas\u0131l Kullan\u0131l\u0131r?<\/h3>\n
\n
\n
\nimport pandas as pd\nfrom sklearn.model_selection import KFold\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score\nfrom sklearn.datasets import make_classification # \u00d6rnek veri seti olu\u015fturmak i\u00e7in\n\n# \u00d6rnek veri seti olu\u015ftural\u0131m (s\u0131n\u0131fland\u0131rma problemi i\u00e7in)\nX, y = make_classification(n_samples=1000, n_features=20, n_informative=10, n_redundant=10, random_state=42)\ndf = pd.DataFrame(X, columns=[f'feature_{i}' for i in range(X.shape[1])])\ndf['target'] = y\n\n# K-Fold \u00c7apraz Do\u011frulama uygulamas\u0131\nkf = KFold(n_splits=5, shuffle=True, random_state=42) # 5 katl\u0131 \u00e7apraz do\u011frulama\n\naccuracies = []\nprecisions = []\nrecalls = []\nf1_scores = []\n\nmodel = LogisticRegression(solver='liblinear', random_state=42) # \u00d6rnek bir model\n\nfor train_index, test_index in kf.split(X):\n X_train, X_test = X[train_index], X[test_index]\n y_train, y_test = y[train_index], y[test_index]\n\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n accuracies.append(accuracy_score(y_test, y_pred))\n precisions.append(precision_score(y_test, y_pred))\n recalls.append(recall_score(y_test, y_pred))\n f1_scores.append(f1_score(y_test, y_pred))\n\nprint(f\"Ortalama Do\u011fruluk: {np.mean(accuracies):.4f}\")\nprint(f\"Ortalama Hassasiyet: {np.mean(precisions):.4f}\")\nprint(f\"Ortalama Geri \u00c7a\u011f\u0131rma: {np.mean(recalls):.4f}\")\nprint(f\"Ortalama F1 Skoru: {np.mean(f1_scores):.4f}\")\n <\/pre>\nPortfolyonuzu G\u00fc\u00e7lendirecek Projeler Nas\u0131l Se\u00e7ilir ve Geli\u015ftirilir?<\/h2>\n
\n
README.md<\/code> dosyas\u0131 eklemeyi unutmay\u0131n. Bu, projenizin profesyonelli\u011fini art\u0131r\u0131r ve ba\u015fkalar\u0131n\u0131n projenizi anlamas\u0131n\u0131 kolayla\u015ft\u0131r\u0131r. Ayr\u0131ca, projenizin sadece teknik bir \u00e7\u00f6z\u00fcm olmaktan \u00f6te, ger\u00e7ek bir i\u015f problemini nas\u0131l \u00e7\u00f6zd\u00fc\u011f\u00fcn\u00fc vurgulayan bir hikaye anlatmaya \u00e7al\u0131\u015f\u0131n. Bu, sizi di\u011fer adaylardan ay\u0131racak en \u00f6nemli unsurlardan biridir.<\/p>\nPerformans\u0131 Art\u0131rmak \u0130\u00e7in Mobil Uyumlu Yakla\u015f\u0131mlar Nas\u0131l Uygulan\u0131r?<\/h3>\n
\n\n\n\n \n \n