Makine öğrenmesi (ML) makinelere kendi başlarına görevleri nasıl yürütebileceğini öğretir. Aşağıdaki tipik bir makine öğrenmesi iş akışına baktığımızda, oldukça sıradan görevlerde zamanımızın çoğunun harcanacağını görüyoruz ancak bunlar makine öğrenmesi algoritmalarını gerçekleştirmek, uygulamak kadar önemlidir:

1. Verilerin Okunması ve Temizlenmesi
2. Girdi Verilerini Keşfetmek ve Anlamak
3. Verileri Öğrenme Algoritmasına En İyi Nasıl Sunacağımızı Analiz Etmek
4. Doğru Model ve Öğrenme Algoritmasını Seçmek
5. Modelin Performansını Doğru Ölçmek

Bunları öğrendikten sonra şimdi NumPy, SciPy, Matplotlib’i anlayalım. Scikit-Learn ile makine öğrenmesine bundan sonra başlayabilirsiniz.

NumPy, SciPy, Matplotlib, nedir …?

SciPy ve arkadaşları çeşitli görevler için kullanılabilir:

  • NumPy‘nin dizi türü, sayısal çalışma için yararlıdır, örneğin matrisleri manipüle etmek için verimli bir veri yapısı ile Python dilini güçlendirir. NumPy ayrıca, özvektörleri bulmak için araçlar gibi temel nümerik fonksiyonlar da sağlar.
  • SciPy bilimsel çalışmada ihtiyaç duyulan ek fonksiyonları içerir: örneğin sayısal integral hesaplama, diferansiyel denklemleri çözme, optimizasyon ve seyrek matrisler için fonksiyonlar.
  • Matplotlib modülü, yüksek kaliteli plotlar üretir. Bununla verilerinizi veya modellerinizi sunumlar veya makaleler için şekillere dönüştürebilirsiniz. Sayısal çalışmayı bir programda yapmanıza, verileri kaydettirmenize ve başka bir programla planlamanıza gerek kalmaz.
  • IPython’u kullanmak interaktif çalışmayı kolaylaştırır. Veri işleme, sayısal modellerin keşfi, on-the-fly işlemleri denemek bir fikirden bir sonuca hızlıca gitmek için izin verir. Pek çok örnek için IPython sitesine bakın.
  • Python, NumPy ve SciPy kullanılarak yazılmış hem genel hem de uygulamaya özgü sayısal ve bilimsel kodun büyük bir koleksiyonu vardır. Tekerleği yeniden icat etmeyin, zaten sorununuz için önceden yapılmış bir çözüm olabilir. Kısmi bir liste için Topical Software‘a bakın.
  • Python popüler genel amaçlı bir programlama dili olduğu için, etkileşimli uygulamalar (örn. WxPython ve Traits) veya web siteleri (örneğin Django’ya bakınız) oluşturmak için birçok gelişmiş modülü vardır. SciPy’yi bunlarla kullanmak, tam teşekküllü bir bilimsel uygulama oluşturmak için hızlı bir yoldur.

Makine Öğrenmesine Başlamadan Önce Eksiklerinizin Tamamlanması Tavsiye Edilir.

Nereden Başlamalıyım?

Başlarken:

Python Nedir?

Makine Öğrenmesi Nedir?

Arthur Samuel: Makine Öğrenmesinin Öncüsü

öğretici başlangıçlar:

The Python Tutorial

NumPy’a Hızlı Bir Başlangıç

SciPy’a Hızlı Bir Başlangıç

Matplotlib

Pandas’a Hızlı Başlangıç

Scikit’e Hızlı Başlangıç

Makine Öğrenmesi 101

Scikit-Learn ile Örnek Uygulamalar

Referans:

http://scikit-learn.org/stable/