Makine Öğrenmesinde En Çok Kullanılan Python Kütüphaneleri: Scikit Learn ve TensorFlow

Adı : Makine Öğrenmesinde En Çok Kullanılan Python Kütüphaneleri: Scikit Learn ve TensorFlow

Makine öğrenimi, bilgisayar sistemlerinin veri analizi ve örüntü tanıma gibi görevleri öğrenerek yapabilme yeteneğidir. Bu alanda Python, popüler bir programlama dili olarak büyük bir yer edinmiştir. Python, kullanımının basitliği, geniş kütüphane desteği ve açık kaynak olması gibi özellikleriyle tercih edilen bir dil haline gelmiştir. Makine öğrenimi uygulamaları yapmak için Python'da birçok kütüphane bulunmaktadır. Bu yazıda, Scikit-Learn ve TensorFlow gibi en çok kullanılan Python kütüphanelerinden bahsedeceğim.

Scikit-Learn: Scikit-Learn, Python topluluğu tarafından geliştirilen açık kaynak bir makine öğrenimi kütüphanesidir. Scikit-Learn, sınıflandırma, regresyon, kümeleme, boyut indirgeme ve model seçimi gibi birçok makine öğrenimi algoritmasını içerir. Bu kütüphane, öğrenme algoritmalarını uygulamak için kullanılan bir dizi sınıf ve fonksiyon sağlamaktadır.

Örnek olarak, Scikit-Learn'ün sınıflandırma algoritmalarından biri olan \"K-Nearest Neighbors\" (KNN) algoritmasını ele alalım. Bu algoritma, bir veri noktasını sınıflandırmak için yakınında bulunan K sayıda komşuyu kullanır. Scikit-Learn ile KNN algoritmasını kullanarak veri noktalarını sınıflandırmak için aşağıdaki gibi kod yazabiliriz:

```python
from sklearn.neighbors import KNeighborsClassifier

# Veri setini yükleme
X = [[0], [1], [2], [3]]
y = [0, 0, 1, 1]

# KNN sınıflandırıcısını oluşturma ve eğitme
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X, y)

# Tahmin yapma
y_pred = knn.predict([[1.1]])
print(y_pred) # [0]
```

Bu örnekte, X ve y listeleri bir veri setini temsil etmektedir. KNN sınıflandırıcısını oluşturduktan sonra `fit()` yöntemi ile veri setini kullanarak modeli eğitiyoruz. Daha sonra `predict()` yöntemiyle tahmin yapabiliyoruz. Yukarıdaki örnekte, `[1.1]` veri noktası sınıflandırıldığında sonucun `[0]` olduğunu görebilirsiniz.

TensorFlow: TensorFlow, Google tarafından geliştirilen açık kaynaklı bir makine öğrenimi ve derin öğrenme kütüphanesidir. Bu kütüphane, özellikle sinir ağları gibi karmaşık ve hesaplama yoğunluğu yüksek model eğitimi için kullanılır. TensorFlow, graf tabanlı hesaplama modeliyle çalışır ve bu sayede veri akışını optimize eder.

Örnek olarak, TensorFlow'u kullanarak basit bir yapay sinir ağı modeli oluşturup eğitmeyi ele alalım. Aşağıdaki örnekte, 1 gizli katmanı olan ve iki sınıfı sınıflandırmak için kullanılan bir çok katmanlı algılayıcı (MLP) yapay sinir ağı modelini eğitiyoruz:

```python
import tensorflow as tf
from tensorflow import keras

# Veri setini yükleme
(X_train, y_train), (X_test, y_test) = keras.datasets.mnist.load_data()

# Veri setini önişleme
X_train = X_train.reshape((60000, 28 * 28)) / 255.0
X_test = X_test.reshape((10000, 28 * 28)) / 255.0

# MLP modelini oluşturma
model = keras.models.Sequential([
keras.layers.Dense(512, activation='relu', input_shape=(28 * 28,)),
keras.layers.Dropout(0.2),
keras.layers.Dense(10, activation='softmax')
])

# Modeli derleme
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])

# Modeli eğitme
model.fit(X_train, y_train, epochs=5, batch_size=32)

# Test veri setiyle modeli değerlendirme
test_loss, test_acc = model.evaluate(X_test, y_test)
print('Test accuracy:', test_acc)
```

Bu örnekte, MNIST veri setini kullanarak model eğitiyoruz. Veri setini uygun şekilde düzenledikten ve modeli oluşturduktan sonra `compile()` yöntemiyle modeli derliyoruz. Ardından `fit()` yöntemiyle modeli eğitiyoruz. Son olarak, `evaluate()` yöntemiyle test veri seti üzerinde modelin performansını değerlendiriyoruz. Eğitimden sonra, modelin doğruluk oranını görebilirsiniz.

Sık Sorulan Sorular:
1. Makine öğrenimi nedir?
Makine öğrenimi, bilgisayar sistemlerinin veri analizi ve örüntü tanıma gibi görevleri öğrenerek yapabilme yeteneğidir.

2. Python neden makine öğrenimi için tercih ediliyor?
Python, kullanımının basitliği, geniş kütüphane desteği ve açık kaynak olması gibi özellikleriyle makine öğrenimi için tercih edilen bir dil haline gelmiştir.

3. Scikit-Learn nedir ve ne gibi özelliklere sahiptir?
Scikit-Learn, Python topluluğu tarafından geliştirilen açık kaynak bir makine öğrenimi kütüphanesidir. Sınıflandırma, regresyon, kümeleme, boyut indirgeme ve model seçimi gibi birçok makine öğrenimi algoritmasını destekler.

4. TensorFlow nedir ve ne gibi özelliklere sahiptir?
TensorFlow, Google tarafından geliştirilen açık kaynak bir makine öğrenimi ve derin öğrenme kütüphanesidir. Özellikle sinir ağları gibi karmaşık ve hesaplama yoğunluğu yüksek modeller için kullanılır.

5. Hangi durumlarda Scikit-Learn kullanılır?
Scikit-Learn, veri analizi, sınıflandırma, regresyon, kümeleme gibi genel makine öğrenimi problemlerinde kullanılır.

6. Hangi durumlarda TensorFlow kullanılır?
TensorFlow, derin öğrenme ve sinir ağları gibi karmaşık ve hesaplama yoğunluğu yüksek modellerin eğitiminde kullanılır.

Bu yazıda, Python için en yaygın kullanılan makine öğrenimi kütüphanelerinden Scikit-Learn ve TensorFlow'u ele aldık. Scikit-Learn ile sınıflandırma problemini çözen K-Nearest Neighbors algoritmasını örnek olarak ele aldık. Ayrıca TensorFlow ile yapay sinir ağı modeli oluşturup eğittik. Bu örnekler, Python ile makine öğrenimi uygulamaları geliştirmeye başlamak için iyi bir başlangıç noktası olabilir."