ErtanDağdelen
| 4 dk okuma | 41 okunma

Scikit-learn ile ilk gerçek AI modeli: Adım adım mini proje

AI öğrenmenin en hızlı yolu, küçük ama çalışan bir proje geliştirmektir.

Scikit-learn ile ilk gerçek AI modeli: Adım adım mini proje

Bu noktaya kadar veri, kütüphaneler ve veri hazırlama süreçlerini ele aldık; şimdi ise tüm bu parçaları birleştirerek basit ama gerçek bir makine öğrenmesi modeli oluşturacağız. Bu tür küçük projeler, hem kavramları somutlaştırır hem de seni “tutorial izleyen” konumdan çıkarıp “üreten” konuma geçirir.

Bu örnekte amacımız oldukça basit:

Bir çalışanın deneyim yılına göre maaşını tahmin eden bir model kurmak. Bu problem, gerçek dünyada sıkça karşılaşılan bir regresyon problemidir ve başlangıç için idealdir.

İlk adım olarak veri setimizi oluşturuyoruz. Gerçek projelerde bu veri dışarıdan gelir, ancak burada süreci net görmek için küçük bir veri seti tanımlıyoruz:

Örnek: Veri oluşturma

import pandas as pd

df = pd.DataFrame({
"deneyim": [1, 2, 3, 4, 5],
"maas": [10000, 15000, 20000, 25000, 30000]
})

print(df)


Veri hazır olduğuna göre, şimdi bu veriyi modele uygun hale getirmemiz gerekiyor. Makine öğrenmesi modelleri genellikle girdileri (X) ve çıktıları (y) ayrı ayrı alır; bu yüzden veri setimizi bu formata bölüyoruz:

Örnek: Feature ve target ayırma

X = df[["deneyim"]]
y = df["maas"]

Bir sonraki adımda, modelimizin gerçekten öğrenip öğrenmediğini test edebilmek için veriyi eğitim ve test olarak ikiye ayırıyoruz. Bu adım, modelin sadece ezber yapmasını engellemek için oldukça önemlidir:

Örnek: Train, test, split

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)

Artık modelimizi eğitmeye hazırız. Bu örnekte basit ve anlaşılır olduğu için Linear Regression kullanıyoruz, ancak aynı yapı farklı modeller için de geçerlidir:

Örnek: Model eğitimi

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X_train, y_train)

Model eğitildiğine göre artık tahmin yapabiliriz. Bu aşama, AI’ın “çıktı ürettiği” kısımdır ve genellikle en tatmin edici adımdır:

Örnek: Tahmin

tahmin = model.predict([[6]])
print(tahmin)

Ancak burada durmak büyük bir hata olur; çünkü modelin gerçekten iyi çalışıp çalışmadığını anlamak için onu değerlendirmemiz gerekir. Basit bir metrik olarak Mean Squared Error kullanabiliriz:

Örnek: Model değerlendirme

from sklearn.metrics import mean_squared_error

y_pred = model.predict(X_test)

print(mean_squared_error(y_test, y_pred))

Bu noktada artık uçtan uca çalışan bir AI pipeline kurmuş oldun: veri → model → tahmin → değerlendirme. Küçük görünse de bu yapı, gerçek projelerin temelini oluşturur.

Gerçek Hayat

Benzer bir yaklaşım, bir şirketin çalışan maaşlarını analiz etmesinden, gayrimenkul fiyat tahminine kadar pek çok alanda kullanılabilir; tek fark veri setinin büyüklüğü ve modelin karmaşıklığıdır.


AI öğrenmenin en etkili yolu, küçük ama çalışan projeler geliştirmektir; çünkü teori ancak pratikle anlam kazanır.

Ertan Dağdelen

Yazan

Ertan Dağdelen

Brain & Youth Information Worker, Author, .Net, Flutter, AJAX, Arduino & Esp32, Pcb, 3D, Galatasaray, Gemini

Bu yazıyı paylaş

Yorumlar (0)

Bu yazı için yorumlar kapalı.

Diğer Yazılar

Uygulamalı örnek: Python ile ev fiyat tahmini modeli geliştirme

Uygulamalı örnek: Python ile ev fiyat tahmini modeli geliştirme

Makine öğrenmesi sadece sınıflandırma değil, aynı zamanda tahmin yapma işidir. Bu yazıda gerçek hayata çok yakın bir problem olan ev fiyat tahmini üzerinden bir AI modelini adım adım kuracağız. Sayısal verilerle çalışmayı, model eğitmeyi ve tahmin yapmayı pratik bir örnekle öğreneceksin.
Uygulamalı örnek: Python ile adım adım spam mail sınıflandırıcı yapımı

Uygulamalı örnek: Python ile adım adım spam mail sınıflandırıcı yapımı

Artık teoriyi biliyorsun ama gerçek bir AI projesi nasıl yapılır? Bu yazıda sıfırdan bir spam mail sınıflandırıcı geliştirerek makine öğrenmesi sürecini uçtan uca göreceksin. Veri hazırlamadan model eğitmeye, metriklerle değerlendirmeden sonuç üretmeye kadar her adımı basit ve anlaşılır şekilde uygulayacağız.
Doğru model hangisi: Basit mi, derin mi?

Doğru model hangisi: Basit mi, derin mi?

Yapay zeka öğrenmeye başlayanların en büyük hatalarından biri, her problemi derin öğrenme ile çözmeye çalışmaktır. Oysa doğru yaklaşım her zaman en karmaşık modeli kullanmak değil, probleme en uygun çözümü seçmektir. Bazen basit bir model yeterliyken, bazen de gerçekten derin öğrenmeye ihtiyaç duyulur. Önemli olan bu farkı anlayabilmektir.
Yazılara Dön