G\u00fcn\u00fcm\u00fcz i\u015f d\u00fcnyas\u0131nda, do\u011fru maa\u015f beklentileri hem \u00e7al\u0131\u015fanlar hem de i\u015fverenler i\u00e7in kritik \u00f6neme sahiptir. \u00c7al\u0131\u015fanlar kariyer planlamas\u0131 yaparken, i\u015fverenler ise rekabet\u00e7i ve adil bir \u00fccret politikas\u0131 olu\u015ftururken g\u00fcvenilir verilere ihtiya\u00e7 duyarlar. Bu makalede, Python programlama dilini kullanarak, makine \u00f6\u011frenimi modelleri ve grafiksel kullan\u0131c\u0131 aray\u00fcz\u00fc (GUI) entegrasyonu ile interaktif bir maa\u015f tahmin sistemi nas\u0131l geli\u015ftirilece\u011fini ad\u0131m ad\u0131m inceleyece\u011fiz. Bu sistem, farkl\u0131 \u00f6zelliklere sahip bir pozisyon i\u00e7in potansiyel maa\u015f aral\u0131\u011f\u0131n\u0131 tahmin etmenize yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n
Maa\u015f tahmin sistemleri, veri bilimi ve makine \u00f6\u011freniminin ger\u00e7ek d\u00fcnya problemlerine uyguland\u0131\u011f\u0131 m\u00fckemmel \u00f6rneklerden biridir. Bu sistemler, ge\u00e7mi\u015f verilere dayanarak gelecekteki maa\u015flar\u0131 \u00f6ng\u00f6rmeyi ama\u00e7lar ve bir\u00e7ok payda\u015f i\u00e7in de\u011ferli i\u00e7g\u00f6r\u00fcler sunar.<\/p>\n
\u0130nsan kaynaklar\u0131 departmanlar\u0131, i\u015fe al\u0131m s\u00fcre\u00e7lerinde adaylara adil teklifler sunmak i\u00e7in bu t\u00fcr sistemlerden faydalanabilir. Ayn\u0131 zamanda, mevcut \u00e7al\u0131\u015fanlar\u0131n \u00fccretlendirme yap\u0131lar\u0131n\u0131 g\u00f6zden ge\u00e7irmek ve piyasa standartlar\u0131na uygun hale getirmek i\u00e7in de kullan\u0131labilir. Bireyler ise kariyer ge\u00e7i\u015flerinde veya terfi g\u00f6r\u00fc\u015fmelerinde pazarl\u0131k g\u00fc\u00e7lerini art\u0131rmak amac\u0131yla potansiyel kazan\u00e7lar\u0131n\u0131 \u00f6\u011frenmek isteyebilirler.<\/p>\n
Bir maa\u015f tahmin sistemi genellikle \u015fu temel bile\u015fenlerden olu\u015fur:<\/p>\n
Bu makale boyunca, bir maa\u015f tahmin sistemi olu\u015fturmak i\u00e7in gerekli olan t\u00fcm ad\u0131mlar\u0131 detayl\u0131 bir \u015fekilde ele alaca\u011f\u0131z. Veri haz\u0131rl\u0131\u011f\u0131ndan model se\u00e7imine, GUI geli\u015ftirmeden sistemin entegrasyonuna kadar her a\u015famay\u0131 pratik \u00f6rneklerle a\u00e7\u0131klayaca\u011f\u0131z. Ama\u00e7, hem teorik bilgiyi peki\u015ftirmek hem de kendi sisteminizi kurman\u0131z i\u00e7in size yol g\u00f6stermektir.<\/p>\n
Her makine \u00f6\u011frenimi projesinin temeli, kaliteli veridir. Maa\u015f tahmin sistemi i\u00e7in de do\u011fru ve temiz verilere sahip olmak, modelin ba\u015far\u0131s\u0131 i\u00e7in hayati \u00f6neme sahiptir.<\/p>\n
Maa\u015f verileri genellikle hassas oldu\u011fundan, kamuya a\u00e7\u0131k ve g\u00fcvenilir kaynaklardan veri toplamak \u00f6nemlidir. Kaggle gibi platformlarda “Salary Prediction” veya “Job Salaries” gibi veri setleri bulunabilir. Bu veri setleri genellikle deneyim y\u0131l\u0131, e\u011fitim seviyesi, pozisyon, sekt\u00f6r, lokasyon gibi \u00f6zellikleri i\u00e7erir.<\/p>\n
Ger\u00e7ek d\u00fcnya verileri genellikle eksik de\u011ferler i\u00e7erir. Bu de\u011ferleri ortalama, medyan ile doldurabilir veya ilgili sat\u0131rlar\u0131 silebiliriz. Ayk\u0131r\u0131 de\u011ferler (outliers) ise modelin genelleme yetene\u011fini olumsuz etkileyebilir. Kutup grafikleri (boxplot) veya Z-skoru gibi y\u00f6ntemlerle ayk\u0131r\u0131 de\u011ferler tespit edilip i\u015flenebilir.<\/p>\n
\nimport pandas as pd\nimport numpy as np\n\n# \u00d6rnek veri seti y\u00fckleme\ndf = pd.read_csv('salary_data.csv')\n\n# Eksik de\u011ferleri medyan ile doldurma\nfor col in ['DeneyimYili', 'EgitimSeviyesi']:\n if df[col].isnull().any():\n df[col] = df[col].fillna(df[col].median())\n\n# Ayk\u0131r\u0131 de\u011ferleri tespit etme (\u00f6rne\u011fin, IQR y\u00f6ntemi ile)\nQ1 = df['Maas'].quantile(0.25)\nQ3 = df['Maas'].quantile(0.75)\nIQR = Q3 - Q1\nalt_sinir = Q1 - 1.5 * IQR\nust_sinir = Q3 + 1.5 * IQR\ndf = df[(df['Maas'] >= alt_sinir) & (df['Maas'] <= ust_sinir)]\n<\/pre>\n<\/code><\/p>\n
Kategorik Verilerin D\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi<\/h3>\n
Sekt\u00f6r, pozisyon, \u015fehir gibi kategorik \u00f6zellikler makine \u00f6\u011frenimi modelleri taraf\u0131ndan do\u011frudan anla\u015f\u0131lamaz. Bu verileri say\u0131sal formata d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in One-Hot Encoding veya Label Encoding gibi teknikler kullan\u0131l\u0131r. One-Hot Encoding, her kategori i\u00e7in yeni bir ikili (0\/1) s\u00fctun olu\u015fturur ve modelin kategoriler aras\u0131ndaki ili\u015fkileri daha iyi \u00f6\u011frenmesini sa\u011flar.<\/p>\n
\n# One-Hot Encoding uygulama\ndf = pd.get_dummies(df, columns=['Pozisyon', 'Sehir'], drop_first=True)\n<\/pre>\n<\/code><\/p>\n
Veri \u00d6l\u00e7eklendirme<\/h3>\n
Farkl\u0131 \u00f6l\u00e7eklerdeki \u00f6zellikler (\u00f6rne\u011fin, Deneyim Y\u0131l\u0131 ve E\u011fitim Seviyesi) baz\u0131 makine \u00f6\u011frenimi algoritmalar\u0131n\u0131 olumsuz etkileyebilir. \u00d6zellikleri ayn\u0131 \u00f6l\u00e7e\u011fe getirmek i\u00e7in Min-Max Scaling veya Standard Scaling gibi y\u00f6ntemler kullan\u0131l\u0131r. Bu, modelin daha h\u0131zl\u0131 ve do\u011fru bir \u015fekilde yak\u0131nsamas\u0131n\u0131 sa\u011flar.<\/p>\n
\nfrom sklearn.preprocessing import StandardScaler\n\nscaler = StandardScaler()\ndf[['DeneyimYili', 'EgitimSeviyesi']] = scaler.fit_transform(df[['DeneyimYili', 'EgitimSeviyesi']])\n<\/pre>\n<\/code><\/p>\n
Ke\u015fif\u00e7i Veri Analizi (EDA) ve \u00d6zellik M\u00fchendisli\u011fi<\/h2>\n
Veriyi anlamak ve ondan yeni, anlaml\u0131 \u00f6zellikler \u00e7\u0131karmak, modelin performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir.<\/p>\n
Veri Setini Anlamak<\/h3>\n
EDA, veri setindeki kal\u0131plar\u0131, e\u011filimleri ve anormallikleri g\u00f6rsel ve istatistiksel y\u00f6ntemlerle ke\u015ffetme s\u00fcrecidir. .info()<\/code>, .describe()<\/code> gibi Pandas fonksiyonlar\u0131 ile veri setinin yap\u0131s\u0131 hakk\u0131nda ilk bilgileri edinebiliriz.<\/p>\nKorelasyon Analizi<\/h3>\n
\u00d6zellikler aras\u0131ndaki ili\u015fkileri anlamak, hangi \u00f6zelliklerin maa\u015f tahmini i\u00e7in daha \u00f6nemli oldu\u011funu belirlememize yard\u0131mc\u0131 olur. Korelasyon matrisleri ve \u0131s\u0131 haritalar\u0131 (heatmap) bu analiz i\u00e7in s\u0131k\u00e7a kullan\u0131l\u0131r. Maa\u015f ile y\u00fcksek korelasyona sahip \u00f6zellikler, model i\u00e7in daha de\u011ferli olacakt\u0131r.<\/p>\n
\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\nplt.figure(figsize=(10, 8))\nsns.heatmap(df.corr(), annot=True, cmap='coolwarm', fmt=\".2f\")\nplt.title('\u00d6zellikler Aras\u0131 Korelasyon Matrisi')\nplt.show()\n<\/pre>\n<\/code><\/p>\n
Yeni \u00d6zellikler Olu\u015fturma<\/h3>\n
Mevcut \u00f6zelliklerden yeni ve daha anlaml\u0131 \u00f6zellikler t\u00fcretmeye \u00f6zellik m\u00fchendisli\u011fi denir. \u00d6rne\u011fin, \"Deneyim Y\u0131l\u0131\" ve \"E\u011fitim Seviyesi\"nden \"Deneyim_Egitim_Etkilesimi\" gibi bir \u00f6zellik olu\u015fturulabilir. Bu, modelin daha karma\u015f\u0131k ili\u015fkileri yakalamas\u0131na yard\u0131mc\u0131 olabilir.<\/p>\n
\ndf['Deneyim_Egitim_Etkilesimi'] = df['DeneyimYili'] * df['EgitimSeviyesi']\n<\/pre>\n<\/code><\/p>\n
G\u00f6rselle\u015ftirmelerle \u0130li\u015fkileri Ke\u015ffetme<\/h3>\n
Da\u011f\u0131l\u0131m grafikleri (scatterplot), \u00e7ubuk grafikler (barplot) ve kutup grafikleri gibi g\u00f6rselle\u015ftirmeler, maa\u015f ile di\u011fer \u00f6zellikler aras\u0131ndaki ili\u015fkileri net bir \u015fekilde ortaya koyar. \u00d6rne\u011fin, deneyim y\u0131l\u0131 artt\u0131k\u00e7a maa\u015f\u0131n nas\u0131l de\u011fi\u015fti\u011fini bir da\u011f\u0131l\u0131m grafi\u011fi ile g\u00f6rebiliriz.<\/p>\n
Makine \u00d6\u011frenimi Modeli Se\u00e7imi ve E\u011fitimi<\/h2>\n
Maa\u015f tahmini bir regresyon problemidir, yani s\u00fcrekli bir de\u011feri tahmin etmeye \u00e7al\u0131\u015f\u0131r\u0131z. Bu nedenle, regresyon algoritmalar\u0131 bu i\u015f i\u00e7in uygundur.<\/p>\n
Regresyon Modellerine Genel Bak\u0131\u015f<\/h3>\n
Bir\u00e7ok regresyon algoritmas\u0131 mevcuttur:<\/p>\n
\n- Lineer Regresyon:<\/b> \u00d6zellikler ve hedef de\u011fi\u015fken aras\u0131nda do\u011frusal bir ili\u015fki varsayar. Basit ve h\u0131zl\u0131d\u0131r.<\/li>\n
- Karar A\u011fa\u00e7lar\u0131:<\/b> Veriyi belirli kurallara g\u00f6re b\u00f6lerek tahmin yapar. Yorumlanmas\u0131 kolayd\u0131r.<\/li>\n
- Rastgele Orman (Random Forest):<\/b> Birden fazla karar a\u011fac\u0131n\u0131n bir araya gelmesiyle olu\u015fur. Genellikle y\u00fcksek do\u011fruluk sa\u011flar ve a\u015f\u0131r\u0131 uydurmaya kar\u015f\u0131 dayan\u0131kl\u0131d\u0131r.<\/li>\n
- Gradient Boosting (XGBoost, LightGBM):<\/b> Ard\u0131\u015f\u0131k olarak zay\u0131f modelleri e\u011fiterek performans\u0131 art\u0131r\u0131r. Genellikle en y\u00fcksek do\u011fruluklar\u0131 sunar.<\/li>\n<\/ul>\n
Model Se\u00e7imi: Lineer Regresyon, Karar A\u011fa\u00e7lar\u0131, Rastgele Orman<\/h3>\n
Projenin karma\u015f\u0131kl\u0131\u011f\u0131na ve veri setinin \u00f6zelliklerine g\u00f6re model se\u00e7imi yap\u0131l\u0131r. Genellikle Rastgele Orman Regresyonu, iyi bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r \u00e7\u00fcnk\u00fc hem iyi performans g\u00f6sterir hem de a\u015f\u0131r\u0131 uydurmaya kar\u015f\u0131 nispeten diren\u00e7lidir.<\/p>\n
Model E\u011fitimi ve Hiperparametre Ayar\u0131<\/h3>\n
Se\u00e7ilen model, \u00f6n i\u015flenmi\u015f veri seti \u00fczerinde e\u011fitilir. Modelin performans\u0131n\u0131 optimize etmek i\u00e7in hiperparametre ayar\u0131 (\u00f6rne\u011fin, n_estimators<\/code>, max_depth<\/code>) Grid Search veya Random Search gibi y\u00f6ntemlerle yap\u0131labilir.<\/p>\n\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.ensemble import RandomForestRegressor\nfrom sklearn.metrics import mean_absolute_error, r2_score\nimport joblib\n\n# \u00d6zellikler (X) ve Hedef (y) ay\u0131rma\nX = df.drop('Maas', axis=1)\ny = df['Maas']\n\n# E\u011fitim ve test setlerine ay\u0131rma\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\n# Rastgele Orman Regresyon modeli olu\u015fturma ve e\u011fitme\nmodel = RandomForestRegressor(n_estimators=100, random_state=42)\nmodel.fit(X_train, y_train)\n\n# Modeli kaydetme\njoblib.dump(model, 'salary_predictor_model.pkl')\njoblib.dump(scaler, 'scaler.pkl') # \u00d6l\u00e7ekleyiciyi de kaydetmek \u00f6nemli\n<\/pre>\n<\/code><\/p>\n
\u00c7apraz Do\u011frulama (Cross-Validation)<\/h3>\n
Modelin genelleme yetene\u011fini daha g\u00fcvenilir bir \u015fekilde de\u011ferlendirmek i\u00e7in \u00e7apraz do\u011frulama kullan\u0131l\u0131r. Bu y\u00f6ntem, veri setini birden fazla e\u011fitim ve test katman\u0131na b\u00f6lerek modelin farkl\u0131 veri alt k\u00fcmeleri \u00fczerindeki performans\u0131n\u0131 \u00f6l\u00e7er.<\/p>\n
Model De\u011ferlendirme ve Optimizasyon<\/h2>\n
Model e\u011fitildikten sonra, performans\u0131n\u0131 de\u011ferlendirmek ve gerekirse iyile\u015ftirmek \u00f6nemlidir.<\/p>\n
Performans Metrikleri (MAE, MSE, R\u00b2)<\/h3>\n
Regresyon modellerinin performans\u0131n\u0131 \u00f6l\u00e7mek i\u00e7in \u00e7e\u015fitli metrikler kullan\u0131l\u0131r:<\/p>\n
\n- Ortalama Mutlak Hata (MAE):<\/b> Tahminler ile ger\u00e7ek de\u011ferler aras\u0131ndaki mutlak farklar\u0131n ortalamas\u0131d\u0131r. Daha k\u00fc\u00e7\u00fck de\u011ferler daha iyi performans\u0131 g\u00f6sterir.<\/li>\n
- Ortalama Kare Hata (MSE):<\/b> Tahminler ile ger\u00e7ek de\u011ferler aras\u0131ndaki farklar\u0131n karelerinin ortalamas\u0131d\u0131r. B\u00fcy\u00fck hatalar\u0131 daha fazla cezaland\u0131r\u0131r.<\/li>\n
- R-kare (R\u00b2):<\/b> Modelin ba\u011f\u0131ml\u0131 de\u011fi\u015fkendeki varyans\u0131n ne kadar\u0131n\u0131 a\u00e7\u0131klad\u0131\u011f\u0131n\u0131 g\u00f6sterir. 0 ile 1 aras\u0131nda de\u011fi\u015fir; 1'e yak\u0131n de\u011ferler daha iyi uyumu g\u00f6sterir.<\/li>\n<\/ul>\n
\n# Test seti \u00fczerinde tahmin yapma\ny_pred = model.predict(X_test)\n\n# Performans metriklerini hesaplama\nmae = mean_absolute_error(y_test, y_pred)\nr2 = r2_score(y_test, y_pred)\n\nprint(f\"Ortalama Mutlak Hata (MAE): {mae:.2f}\")\nprint(f\"R-kare (R\u00b2): {r2:.2f}\")\n<\/pre>\n<\/code><\/p>\n
A\u015fa\u011f\u0131daki tablo, farkl\u0131 modellerin potansiyel performans metriklerini \u00f6zetlemektedir:<\/p>\n
\n\n\nModel Tipi<\/th>\n MAE (\u00d6rnek)<\/th>\n R\u00b2 (\u00d6rnek)<\/th>\n A\u00e7\u0131klama<\/th>\n<\/tr>\n<\/thead>\n \n\nLineer Regresyon<\/td>\n 3500<\/td>\n 0.70<\/td>\n Basit, h\u0131zl\u0131, do\u011frusal ili\u015fkiler i\u00e7in iyi.<\/td>\n<\/tr>\n \nKarar A\u011fac\u0131<\/td>\n 2800<\/td>\n 0.82<\/td>\n Do\u011frusal olmayan ili\u015fkileri yakalar, a\u015f\u0131r\u0131 uydurmaya e\u011filimli olabilir.<\/td>\n<\/tr>\n \nRastgele Orman<\/td>\n 2200<\/td>\n 0.88<\/td>\n Genellikle y\u00fcksek do\u011fruluk, a\u015f\u0131r\u0131 uydurmaya kar\u015f\u0131 dayan\u0131kl\u0131.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\nModelin A\u015f\u0131r\u0131 Uyumunu Engelleme<\/h3>\n
A\u015f\u0131r\u0131 uyum (overfitting), modelin e\u011fitim verisini ezberlemesi ve yeni, g\u00f6r\u00fcnmeyen verilere genelleme yapamamas\u0131 durumudur. \u00c7apraz do\u011frulama, d\u00fczenlile\u015ftirme (regularization) teknikleri ve daha fazla veri toplama gibi y\u00f6ntemlerle a\u015f\u0131r\u0131 uyum engellenebilir.<\/p>\n
Modeli Kaydetme ve Y\u00fckleme<\/h3>\n
E\u011fitilmi\u015f modeli ve kullan\u0131lan \u00f6l\u00e7ekleyiciyi kaydetmek, her seferinde yeniden e\u011fitmek yerine do\u011frudan GUI uygulamas\u0131na y\u00fckleyerek kullanmam\u0131z\u0131 sa\u011flar. Bu, joblib<\/code> veya pickle<\/code> k\u00fct\u00fcphaneleri ile kolayca yap\u0131labilir.<\/p>\nGrafiksel Kullan\u0131c\u0131 Aray\u00fcz\u00fc (GUI) Geli\u015ftirme<\/h2>\n
Kullan\u0131c\u0131lar\u0131n makine \u00f6\u011frenimi modelimizle etkile\u015fim kurmas\u0131n\u0131 sa\u011flayacak bir aray\u00fcz olu\u015fturaca\u011f\u0131z. Python'da Tkinter veya PyQt gibi k\u00fct\u00fcphaneler bu i\u015f i\u00e7in olduk\u00e7a pop\u00fclerdir.<\/p>\n
GUI K\u00fct\u00fcphanesi Se\u00e7imi (Tkinter veya PyQt)<\/h3>\n\n- Tkinter:<\/b> Python'\u0131n standart GUI k\u00fct\u00fcphanesidir. Kurulum gerektirmez, basit ve h\u0131zl\u0131 prototipleme i\u00e7in idealdir.<\/li>\n
- PyQt\/PySide:<\/b> Daha geli\u015fmi\u015f ve profesyonel g\u00f6r\u00fcn\u00fcml\u00fc uygulamalar i\u00e7in tercih edilir. Daha fazla \u00f6zellik ve esneklik sunar ancak kurulumu ve kullan\u0131m\u0131 biraz daha karma\u015f\u0131kt\u0131r.<\/li>\n<\/ul>\n
Bu makalede basitli\u011fi nedeniyle Tkinter'\u0131 kullanaca\u011f\u0131z.<\/p>\n
Aray\u00fcz Tasar\u0131m\u0131 ve Bile\u015fenler<\/h3>\n
Bir maa\u015f tahmin uygulamas\u0131 i\u00e7in temel GUI bile\u015fenleri \u015funlar\u0131 i\u00e7erebilir:<\/p>\n
\n- Girdi alanlar\u0131 (Entry widget) for deneyim y\u0131l\u0131, e\u011fitim seviyesi vb.<\/li>\n
- A\u00e7\u0131l\u0131r men\u00fcler (Combobox) for pozisyon, sekt\u00f6r, \u015fehir.<\/li>\n
- Bir tahmin butonu (Button).<\/li>\n
- Tahmin sonucunu g\u00f6sterecek bir metin alan\u0131 (Label).<\/li>\n<\/ul>\n
Model Entegrasyonu ve Tahmin Fonksiyonu<\/h3>\n
GUI'deki tahmin butonuna t\u0131kland\u0131\u011f\u0131nda, kullan\u0131c\u0131n\u0131n girdi\u011fi de\u011ferler al\u0131nacak, \u00f6n i\u015fleme tabi tutulacak ve e\u011fitilmi\u015f model kullan\u0131larak bir tahmin yap\u0131lacakt\u0131r. Bu tahmin daha sonra GUI \u00fczerinde g\u00f6sterilecektir.<\/p>\n
\nimport tkinter as tk\nfrom tkinter import ttk\nimport joblib\nimport pandas as pd\nimport numpy as np\n\n# Modeli ve \u00f6l\u00e7ekleyiciyi y\u00fckle\nmodel = joblib.load('salary_predictor_model.pkl')\nscaler = joblib.load('scaler.pkl')\n\n# \u00d6rnek \u00f6zellik isimleri (e\u011fitimde kullan\u0131lanlarla ayn\u0131 olmal\u0131)\n# Bu k\u0131s\u0131m, veri setinizdeki kolon isimlerine g\u00f6re dinamik olarak olu\u015fturulmal\u0131d\u0131r.\n# \u00d6rne\u011fin: ['DeneyimYili', 'EgitimSeviyesi', 'Pozisyon_Veri Bilimci', 'Pozisyon_Yaz\u0131l\u0131m M\u00fchendisi', ...]\n# Basitlik i\u00e7in burada \u00f6rnek bir liste kullan\u0131yoruz.\nfeature_names = ['DeneyimYili', 'EgitimSeviyesi', 'Pozisyon_Yaz\u0131l\u0131m M\u00fchendisi', 'Sehir_\u0130stanbul'] # \u00d6rnek\n\ndef predict_salary():\n try:\n deneyim_yili = float(entry_deneyim.get())\n egitim_seviyesi = float(entry_egitim.get())\n pozisyon = combo_pozisyon.get()\n sehir = combo_sehir.get()\n\n # Kullan\u0131c\u0131 girdilerini modelin bekledi\u011fi formata d\u00f6n\u00fc\u015ft\u00fcr\n input_data = pd.DataFrame(np.zeros((1, len(feature_names))), columns=feature_names)\n input_data['DeneyimYili'] = deneyim_yili\n input_data['EgitimSeviyesi'] = egitim_seviyesi\n\n # Kategorik de\u011ferleri One-Hot Encoding'e uygun hale getir\n if f'Pozisyon_{pozisyon}' in feature_names:\n input_data[f'Pozisyon_{pozisyon}'] = 1\n if f'Sehir_{sehir}' in feature_names:\n input_data[f'Sehir_{sehir}'] = 1\n\n # \u00d6l\u00e7eklendirme (sadece \u00f6l\u00e7eklenmesi gereken s\u00fctunlar)\n input_data[['DeneyimYili', 'EgitimSeviyesi']] = scaler.transform(input_data[['DeneyimYili', 'EgitimSeviyesi']])\n\n # Tahmin yap\n tahmin_maas = model.predict(input_data)[0]\n result_label.config(text=f\"Tahmini Maa\u015f: {tahmin_maas:.2f} TL\")\n except ValueError:\n result_label.config(text=\"L\u00fctfen ge\u00e7erli say\u0131sal de\u011ferler girin.\")\n except Exception as e:\n result_label.config(text=f\"Bir hata olu\u015ftu: {e}\")\n\n# Ana pencere olu\u015fturma\nroot = tk.Tk()\nroot.title(\"Maa\u015f Tahmin Sistemi\")\n\n# Girdi alanlar\u0131\ntk.Label(root, text=\"Deneyim Y\u0131l\u0131:\").grid(row=0, column=0, padx=10, pady=5, sticky=\"w\")\nentry_deneyim = tk.Entry(root)\nentry_deneyim.grid(row=0, column=1, padx=10, pady=5)\n\ntk.Label(root, text=\"E\u011fitim Seviyesi (1-5):\").grid(row=1, column=0, padx=10, pady=5, sticky=\"w\")\nentry_egitim = tk.Entry(root)\nentry_egitim.grid(row=1, column=1, padx=10, pady=5)\n\ntk.Label(root, text=\"Pozisyon:\").grid(row=2, column=0, padx=10, pady=5, sticky=\"w\")\npozisyon_options = [\"Veri Bilimci\", \"Yaz\u0131l\u0131m M\u00fchendisi\", \"Proje Y\u00f6neticisi\"] # Veri setinizdeki pozisyonlar\ncombo_pozisyon = ttk.Combobox(root, values=pozisyon_options)\ncombo_pozisyon.grid(row=2, column=1, padx=10, pady=5)\ncombo_pozisyon.set(pozisyon_options[0])\n\ntk.Label(root, text=\"\u015eehir:\").grid(row=3, column=0, padx=10, pady=5, sticky=\"w\")\nsehir_options = [\"\u0130stanbul\", \"Ankara\", \"\u0130zmir\"] # Veri setinizdeki \u015fehirler\ncombo_sehir = ttk.Combobox(root, values=sehir_options)\ncombo_sehir.grid(row=3, column=1, padx=10, pady=5)\ncombo_sehir.set(sehir_options[0])\n\n# Tahmin butonu\npredict_button = tk.Button(root, text=\"Maa\u015f\u0131 Tahmin Et\", command=predict_salary)\npredict_button.grid(row=4, column=0, columnspan=2, pady=10)\n\n# Sonu\u00e7 etiketi\nresult_label = tk.Label(root, text=\"Tahmini Maa\u015f: \", font=(\"Arial\", 12, \"bold\"))\nresult_label.grid(row=5, column=0, columnspan=2, pady=10)\n\nroot.mainloop()\n<\/pre>\n<\/code><\/p>\n
Kullan\u0131c\u0131 Girdilerinin \u0130\u015flenmesi<\/h3>\n
GUI'den al\u0131nan kullan\u0131c\u0131 girdileri, modelin bekledi\u011fi say\u0131sal formata d\u00f6n\u00fc\u015ft\u00fcr\u00fclmelidir. Bu, kategorik veriler i\u00e7in One-Hot Encoding'in yeniden uygulanmas\u0131n\u0131 ve say\u0131sal veriler i\u00e7in \u00f6l\u00e7ekleyicinin kullan\u0131lmas\u0131n\u0131 gerektirir. \u00d6nemli olan, e\u011fitim s\u0131ras\u0131nda kullan\u0131lan ayn\u0131 \u00f6n i\u015fleme ad\u0131mlar\u0131n\u0131n tahmin a\u015famas\u0131nda da uygulanmas\u0131d\u0131r.<\/p>\n
Sistemin B\u00fct\u00fcnle\u015ftirilmesi ve Kullan\u0131m\u0131<\/h2>\n
T\u00fcm bile\u015fenler haz\u0131r oldu\u011funda, bunlar\u0131 bir araya getirerek i\u015flevsel bir sistem olu\u015fturabiliriz.<\/p>\n
Python Proje Yap\u0131s\u0131<\/h3>\n
Projenizi d\u00fczenli tutmak i\u00e7in a\u015fa\u011f\u0131daki gibi bir klas\u00f6r yap\u0131s\u0131 kullanabilirsiniz:<\/p>\n
\nmain.py<\/code> (GUI kodunu i\u00e7erir)<\/li>\nmodel.py<\/code> (Model e\u011fitimi ve kaydetme mant\u0131\u011f\u0131n\u0131 i\u00e7erir, veya sadece model y\u00fckleme)<\/li>\ndata\/<\/code> (Veri setini i\u00e7erir)<\/li>\nsaved_models\/<\/code> (E\u011fitilmi\u015f modeli ve \u00f6l\u00e7ekleyiciyi i\u00e7erir)<\/li>\n<\/ul>\nGUI ve Model Aras\u0131ndaki \u0130leti\u015fim<\/h3>\n
main.py<\/code> dosyas\u0131nda, e\u011fitilmi\u015f modeli ve \u00f6l\u00e7ekleyiciyi joblib.load()<\/code> ile y\u00fckleyerek GUI'deki tahmin fonksiyonunda kullan\u0131r\u0131z. Bu sayede, kullan\u0131c\u0131 aray\u00fcz\u00fc ile makine \u00f6\u011frenimi modeli aras\u0131nda sorunsuz bir ileti\u015fim sa\u011flanm\u0131\u015f olur.<\/p>\nUygulaman\u0131n \u00c7al\u0131\u015ft\u0131r\u0131lmas\u0131<\/h3>\n
T\u00fcm kodlar\u0131 bir araya getirdikten sonra, Python yorumlay\u0131c\u0131s\u0131 ile main.py<\/code> dosyas\u0131n\u0131 \u00e7al\u0131\u015ft\u0131rarak uygulamay\u0131 ba\u015flatabilirsiniz:<\/p>\n\npython main.py\n<\/pre>\n<\/code><\/p>\n
\u00d6rnek Kullan\u0131m Senaryolar\u0131<\/h3>\n
Uygulaman\u0131z \u00e7al\u0131\u015ft\u0131\u011f\u0131nda, farkl\u0131 deneyim y\u0131llar\u0131, e\u011fitim seviyeleri, pozisyonlar ve \u015fehirler i\u00e7in maa\u015f tahminleri alabilirsiniz. Bu, bir i\u015f arayan\u0131n potansiyel kazan\u00e7lar\u0131n\u0131 anlamas\u0131na veya bir \u0130K profesyonelinin adil bir teklif sunmas\u0131na yard\u0131mc\u0131 olabilir.<\/p>\n
Sonu\u00e7<\/h2>\n
Bu makalede, Python kullanarak makine \u00f6\u011frenimi tabanl\u0131 bir maa\u015f tahmin sistemi geli\u015ftirmenin t\u00fcm a\u015famalar\u0131n\u0131 ele ald\u0131k. Veri toplama ve \u00f6n i\u015fleme, ke\u015fif\u00e7i veri analizi, model se\u00e7imi ve e\u011fitimi, model de\u011ferlendirme ve son olarak grafiksel kullan\u0131c\u0131 aray\u00fcz\u00fc olu\u015fturma ad\u0131mlar\u0131n\u0131 detayl\u0131 bir \u015fekilde inceledik. Bu t\u00fcr sistemler, hem bireyler hem de kurumlar i\u00e7in bilin\u00e7li kararlar almalar\u0131na yard\u0131mc\u0131 olan g\u00fc\u00e7l\u00fc ara\u00e7lard\u0131r. Geli\u015ftirdi\u011finiz bu temel sistem, daha fazla veri, daha geli\u015fmi\u015f modeller ve daha zengin bir kullan\u0131c\u0131 aray\u00fcz\u00fc ile kolayca geni\u015fletilebilir ve iyile\u015ftirilebilir.<\/p>\n
SSS (S\u0131k\u00e7a Sorulan Sorular)<\/h2>\n1. Hangi veri kaynaklar\u0131 maa\u015f tahmin sistemi i\u00e7in kullan\u0131labilir?<\/h3>\n
Kaggle, Glassdoor, LinkedIn gibi platformlarda kamuya a\u00e7\u0131k veri setleri bulunabilir. \u015eirket i\u00e7i veriler de, gizlilik kurallar\u0131na uygun olarak kullan\u0131labilir.<\/p>\n
2. Hangi GUI k\u00fct\u00fcphanesi daha iyidir: Tkinter m\u0131, PyQt m\u0131?<\/h3>\n
Tkinter, basit ve h\u0131zl\u0131 prototipleme i\u00e7in idealdir, Python ile birlikte gelir ve kurulum gerektirmez. PyQt ise daha karma\u015f\u0131k, profesyonel g\u00f6r\u00fcn\u00fcml\u00fc ve \u00f6zellik a\u00e7\u0131s\u0131ndan zengin uygulamalar i\u00e7in daha uygundur, ancak harici kurulum gerektirir.<\/p>\n
3. Modelim neden do\u011fru tahmin yapm\u0131yor?<\/h3>\n
Modelin do\u011frulu\u011fu, veri kalitesine, veri setinin b\u00fcy\u00fckl\u00fc\u011f\u00fcne, \u00f6zellik m\u00fchendisli\u011fine ve se\u00e7ilen algoritman\u0131n uygunlu\u011funa ba\u011fl\u0131d\u0131r. Daha fazla ve daha temiz veri, daha iyi \u00f6zellikler ve do\u011fru model se\u00e7imi performans\u0131 art\u0131rabilir.<\/p>\n
4. Sistemin do\u011frulu\u011funu nas\u0131l art\u0131rabilirim?<\/h3>\n
Daha fazla ve \u00e7e\u015fitli veri toplayarak, daha geli\u015fmi\u015f \u00f6zellik m\u00fchendisli\u011fi teknikleri uygulayarak (\u00f6rne\u011fin, etkile\u015fim terimleri), farkl\u0131 ve daha karma\u015f\u0131k makine \u00f6\u011frenimi modellerini (\u00f6rne\u011fin, XGBoost) deneyerek ve hiperparametre ayar\u0131n\u0131 optimize ederek sistemin do\u011frulu\u011funu art\u0131rabilirsiniz.<\/p>\n
5. Maa\u015f tahmin sistemleri etik sorunlar yarat\u0131r m\u0131?<\/h3>\n
Evet, \u00f6zellikle veri yanl\u0131l\u0131\u011f\u0131 (bias) durumunda sistemler cinsiyet, \u0131rk gibi hassas \u00f6zelliklere dayal\u0131 ayr\u0131mc\u0131 tahminler yapabilir. Bu nedenle, veri setinin dengeli oldu\u011fundan emin olmak ve modelin adil \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 do\u011frulamak \u00f6nemlidir.<\/p>\n","protected":false},"excerpt":{"rendered":"G\u00fcn\u00fcm\u00fcz i\u015f d\u00fcnyas\u0131nda, do\u011fru maa\u015f beklentileri hem \u00e7al\u0131\u015fanlar hem de i\u015fverenler i\u00e7in kritik \u00f6neme sahiptir. \u00c7al\u0131\u015fanlar kariyer planlamas\u0131 y…","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-38198","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-python","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
Python ile Maa\u015f Tahmin Sistemi Geli\u015ftirme: Makine \u00d6\u011frenimi ve GUI Entegrasyonu - Kodlar\u0131n Gizemli D\u00fcnyas\u0131<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Python ile Maa\u015f Tahmin Sistemi Geli\u015ftirme: Makine \u00d6\u011frenimi ve GUI Entegrasyonu\" \/>\n<meta property=\"og:description\" content=\"G\u00fcn\u00fcm\u00fcz i\u015f d\u00fcnyas\u0131nda, do\u011fru maa\u015f beklentileri hem \u00e7al\u0131\u015fanlar hem de i\u015fverenler i\u00e7in kritik \u00f6neme sahiptir. \u00c7al\u0131\u015fanlar kariyer planlamas\u0131 y...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2026-01-25T12:30:45+00:00\" \/>\n<meta name=\"author\" content=\"Fatih Soysal\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Yazan:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Fatih Soysal\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tahmini okuma s\u00fcresi\" \/>\n\t<meta name=\"twitter:data2\" content=\"3 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"Python ile Maa\u015f Tahmin Sistemi Geli\u015ftirme: Makine \u00d6\u011frenimi ve GUI Entegrasyonu\",\"datePublished\":\"2026-01-25T12:30:45+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/\"},\"wordCount\":2249,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"articleSection\":[\"Python\"],\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/#respond\"]}],\"copyrightYear\":\"2026\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/\",\"name\":\"Python ile Maa\u015f Tahmin Sistemi Geli\u015ftirme: Makine \u00d6\u011frenimi ve GUI Entegrasyonu - Kodlar\u0131n Gizemli D\u00fcnyas\u0131\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2026-01-25T12:30:45+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Python ile Maa\u015f Tahmin Sistemi Geli\u015ftirme: Makine \u00d6\u011frenimi ve GUI Entegrasyonu\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/\",\"name\":\"Fatihsoysal.com\",\"description\":\"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim\",\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"tr\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\",\"name\":\"Fatih Soysal\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"tr\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"contentUrl\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"width\":512,\"height\":512,\"caption\":\"Fatih Soysal\"},\"logo\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\"},\"description\":\"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Python ile Maa\u015f Tahmin Sistemi Geli\u015ftirme: Makine \u00d6\u011frenimi ve GUI Entegrasyonu - Kodlar\u0131n Gizemli D\u00fcnyas\u0131","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/","og_locale":"tr_TR","og_type":"article","og_title":"Python ile Maa\u015f Tahmin Sistemi Geli\u015ftirme: Makine \u00d6\u011frenimi ve GUI Entegrasyonu","og_description":"G\u00fcn\u00fcm\u00fcz i\u015f d\u00fcnyas\u0131nda, do\u011fru maa\u015f beklentileri hem \u00e7al\u0131\u015fanlar hem de i\u015fverenler i\u00e7in kritik \u00f6neme sahiptir. \u00c7al\u0131\u015fanlar kariyer planlamas\u0131 y...","og_url":"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2026-01-25T12:30:45+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"3 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"Python ile Maa\u015f Tahmin Sistemi Geli\u015ftirme: Makine \u00d6\u011frenimi ve GUI Entegrasyonu","datePublished":"2026-01-25T12:30:45+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/"},"wordCount":2249,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"articleSection":["Python"],"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/#respond"]}],"copyrightYear":"2026","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/","url":"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/","name":"Python ile Maa\u015f Tahmin Sistemi Geli\u015ftirme: Makine \u00d6\u011frenimi ve GUI Entegrasyonu - Kodlar\u0131n Gizemli D\u00fcnyas\u0131","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2026-01-25T12:30:45+00:00","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/python-ile-maas-tahmin-sistemi-gelistirme-makine-ogrenimi-ve-gui-entegrasyonu\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"Python ile Maa\u015f Tahmin Sistemi Geli\u015ftirme: Makine \u00d6\u011frenimi ve GUI Entegrasyonu"}]},{"@type":"WebSite","@id":"https:\/\/fatihsoysal.com\/blog\/#website","url":"https:\/\/fatihsoysal.com\/blog\/","name":"Fatihsoysal.com","description":"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim","publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"tr"},{"@type":["Person","Organization"],"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1","name":"Fatih Soysal","image":{"@type":"ImageObject","inLanguage":"tr","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","contentUrl":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","width":512,"height":512,"caption":"Fatih Soysal"},"logo":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/"},"description":"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.","url":"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/"}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/38198","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/comments?post=38198"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/38198\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=38198"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=38198"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=38198"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}