Python ile Makine Öğrenimi

24 Ocak 2025 12 kez okundu

Makine öğrenimi (Machine Learning), yapay zekanın bir alt dalı olarak, bilgisayarların açıkça programlanmadan öğrenmesini sağlayan algoritmaların geliştirilmesi ve uygulanmasıdır. Günümüzde, veri analizinden, tahmin modellemesine, görüntü tanımadan doğal dil işlemeye kadar birçok alanda kullanılan makine öğrenimi, Python programlama dili ile kolayca hayata geçirilebiliyor. Bu yazıda, makine öğrenimine yeni başlayanlar için Python ile Makine Öğrenimini nasıl sağlayacağımızı, kütüphane kullanımlarının nasıl yapıldığını ele alacağız.

Python’ın zengin kütüphane ekosistemi, makine öğrenimi projelerini kolaylaştırmak için adeta bir hazine niteliğindedir. Python ile makine öğrenimini kullanabileceğiniz kütüphaneler şunlardır:

NumPy: Sayısal hesaplamalar içindir.
Pandas: Veri işleme ve analiz için kullanılır.
Matplotlib ve Seaborn: Veri görselleştirme için kullanılır.
Scikit-learn: Makine öğrenimi algoritmaları ve araçları için kullanılır.

Konu Başlıkları

NumPy

NumPy (Numerical Python), bilimsel hesaplamalar için temel bir kütüphanedir. Özellikle çok boyutlu diziler (array) ve matrisler üzerinde hızlı ve etkili işlemler yapmayı sağlar. Makine öğrenimi algoritmaları genellikle bu diziler üzerinde çalıştığı için NumPy burada çok mühimdir.

Numpy kütüphanesinin örnek kullanımı için, diziler üzerinde işlem yaptığımız kodu inceleyelim:

import numpy as np

# Tek boyutlu bir dizi oluşturuyoruz. Ardından oluşturduğumuz dizi numpy dizisine dönüştürüyoruz.
array_1d = np.array([1, 2, 3, 4, 5])
print("1D Dizi:", array_1d)

# İki boyutlu, iç içe geçmiş bir dizi oluşturuyoruz. Bu dizi iki satır ve üç sütundan oluşur.
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
print("2D Dizi:\n", array_2d)

# Dizi boyutunu öğrenmek için shape özelliğini kullanıyoruz.
# Shape özelliği, bir numpy dizisinin boyutlarını verir.
print("1D Dizi Boyutu:", array_1d.shape)
print("2D Dizi Boyutu:", array_2d.shape)

# Diziler üzerinde matematiksel işlemler
print("1D Dizi Toplamı:", np.sum(array_1d))
print("2D Dizi Ortalaması:", np.mean(array_2d))

import numpy as np

# Tek boyutlu bir dizi oluşturuyoruz. Ardından oluşturduğumuz dizi numpy dizisine dönüştürüyoruz.

array_1d = np.array([1, 2, 3, 4, 5])

print("1D Dizi:", array_1d)

# İki boyutlu, iç içe geçmiş bir dizi oluşturuyoruz. Bu dizi iki satır ve üç sütundan oluşur.

array_2d = np.array([[1, 2, 3], [4, 5, 6]])

print("2D Dizi:\n", array_2d)

# Dizi boyutunu öğrenmek için shape özelliğini kullanıyoruz.

# Shape özelliği, bir numpy dizisinin boyutlarını verir.

print("1D Dizi Boyutu:", array_1d.shape)

print("2D Dizi Boyutu:", array_2d.shape)

# Diziler üzerinde matematiksel işlemler

print("1D Dizi Toplamı:", np.sum(array_1d))

print("2D Dizi Ortalaması:", np.mean(array_2d))

np.array(): Dizi veya liste olarak tanımlamış olduğumuz datasetlerini numpy dizisine çevirmek için kullanılır. Bir nevi çevirici fonksiyon olarak düşünebiliriz.
shape: Oluşturulan numpy dizisinin boyutunu verir.
np.sum() ve np.mean(): Diziler üzerinde toplama ve ortalama hesaplar.

Kod Çıktısı:

1D Dizi: [1 2 3 4 5]
2D Dizi:
 [[1 2 3]
 [4 5 6]]
1D Dizi Boyutu: (5,)
2D Dizi Boyutu: (2, 3)
1D Dizi Toplamı: 15
2D Dizi Ortalaması: 3.5

1D Dizi: [1 2 3 4 5]

2D Dizi:

[[1 2 3]

[4 5 6]]

1D Dizi Boyutu: (5,)

2D Dizi Boyutu: (2, 3)

1D Dizi Toplamı: 15

2D Dizi Ortalaması: 3.5

Pandas

Pandas, veri analizi için kullanılan bir kütüphanedir. Özellikle tablo verileri (DataFrame) üzerinde çalışmak için idealdir. Elinizde bulunan veri setleri üzerinde işlemleri kolayca yapabilirsiniz.

import pandas as pd

# Sözlükten DataFrame oluşturma
data = {
    "İsim": ["Oktay", "Mustafa", "Mert"],
    "Yaş": [25, 27, 26],
    "Şehir": ["Denizli", "Konya", "İstanbul"]
}
df = pd.DataFrame(data)
print("DataFrame:\n", df)

# Belirli bir sütunu seçme
print("İsimler:\n", df["İsim"])

# Yeni sütun ekleme
df["Meslek"] = ["IT Uzmanı", "Kalite Kontrolcü", "Yazılım Geliştirici"]
print("Yeni Sütun Eklendi:\n", df)

# Veri filtreleme
filtre = df["Yaş"] > 26
print("26 Yaşından Büyükler:\n", df[filtre])

import pandas as pd

# Sözlükten DataFrame oluşturma

data = {

"İsim": ["Oktay", "Mustafa", "Mert"],

"Yaş": [25, 27, 26],

"Şehir": ["Denizli", "Konya", "İstanbul"]

}

df = pd.DataFrame(data)

print("DataFrame:\n", df)

# Belirli bir sütunu seçme

print("İsimler:\n", df["İsim"])

# Yeni sütun ekleme

df["Meslek"] = ["IT Uzmanı", "Kalite Kontrolcü", "Yazılım Geliştirici"]

print("Yeni Sütun Eklendi:\n", df)

# Veri filtreleme

filtre = df["Yaş"] > 26

print("26 Yaşından Büyükler:\n", df[filtre])

pd.DataFrame(data): bu sözlüğü bir pandas DataFrame’ine dönüştürür. DataFrame, bir tablo gibi düşünülebilir; satırlar ve sütunlardan oluşur.
df["sütun_adi"] ifadesi, belirli bir sütunu seçmek için kullanılır.
Yeni bir sütun eklemek için df["yeni_sütun"] = değerler şeklinde bir atama yapılır.

Kod Çıktısı:

DataFrame:
   İsim      Yaş    Şehir
   Oktay     25     Denizli
   Mustafa   27     Konya
   Mert      26     İstanbul

İsimler:
    Oktay
    Mustafa
    Mert

Name: İsim, dtype: object
Yeni Sütun Eklendi:

   İsim      Yaş    Şehir         Meslek
   Oktay     25     Denizli       IT Uzmanı
   Mustafa   27     Konya         Kalite Kontrolcü
   Mert      26     İstanbul      Yazılım Geliştirici

26 Yaşından Büyükler:
   İsim      Yaş    Şehir         Meslek
   Mustafa   27     Konya         Kalite Kontrolcü

DataFrame:

İsim Yaş Şehir

Oktay 25 Denizli

Mustafa 27 Konya

Mert 26 İstanbul

İsimler:

Oktay

Mustafa

Mert

Name: İsim, dtype: object

Yeni Sütun Eklendi:

İsim Yaş Şehir Meslek

Oktay 25 Denizli IT Uzmanı

Mustafa 27 Konya Kalite Kontrolcü

Mert 26 İstanbul Yazılım Geliştirici

26 Yaşından Büyükler:

İsim Yaş Şehir Meslek

Mustafa 27 Konya Kalite Kontrolcü

Matplotlib

Matplotlib, verileri görselleştirmek için kullanılan bir kütüphanedir. Grafikler, çizgiler, çubuklar ve daha fazlasını oluşturabilirsiniz.

import matplotlib.pyplot as plt

# Veri oluşturma
x = [1, 2, 3, 4, 5]
y = [10, 20, 25, 30, 40]

# Çizgi grafiği oluşturma
plt.plot(x, y, marker="o", linestyle="-", color="blue")
plt.title("KodKampusu.com - Python ile Makine Öğrenimi")
plt.xlabel("X Ekseni")
plt.ylabel("Y Ekseni")
plt.grid(True)
plt.show()

import matplotlib.pyplot as plt

# Veri oluşturma

x = [1, 2, 3, 4, 5]

y = [10, 20, 25, 30, 40]

# Çizgi grafiği oluşturma

plt.plot(x, y, marker="o", linestyle="-", color="blue")

plt.title("KodKampusu.com - Python ile Makine Öğrenimi")

plt.xlabel("X Ekseni")

plt.ylabel("Y Ekseni")

plt.grid(True)

plt.show()

plt.plot(): Çizgi grafiği oluşturur.
plt.title(), plt.xlabel(), plt.ylabel(): Grafiğe başlık ve eksen etiketleri ekler.
plt.grid(): Izgara çizgilerini gösterir.

Kod Çıktısı:

Python ile Makine Öğrenimi

Seaborn

Seaborn, Matplotlib üzerine inşa edilmiş ve istatistiksel veri görselleştirme için kullanılan bir kütüphanedir.

Seaborn kütüphanesinin içerisinde bulunan örnek dataseti üzerinde bir işlem yapalım.

import seaborn as sns  # Seaborn kütüphanesini içe aktar
import matplotlib.pyplot as plt  # Görselleştirme için Matplotlib kullanılır

# Örnek bir veri seti yükleyelim (Seaborn'un hazır veri setlerinden biri olan 'tips' veri seti)
tips = sns.load_dataset("tips")

# İlk birkaç satırı görüntüleyelim
print(tips.head())  # Veri setine göz atmak için

# Bir kategoriye göre dağılımı göstermek için bir Seaborn çubuk grafik çizelim
sns.barplot(x="day", y="total_bill", data=tips)  # Günlere göre toplam hesap dağılımı

# Grafik başlığını ve eksen etiketlerini ekleyelim
plt.title("Günlere Göre Ortalama Toplam Hesap")
plt.xlabel("Günler")
plt.ylabel("Ortalama Toplam Hesap ($)")

# Grafiği ekranda göster
plt.show()

import seaborn as sns # Seaborn kütüphanesini içe aktar

import matplotlib.pyplot as plt # Görselleştirme için Matplotlib kullanılır

# Örnek bir veri seti yükleyelim (Seaborn'un hazır veri setlerinden biri olan 'tips' veri seti)

tips = sns.load_dataset("tips")

# İlk birkaç satırı görüntüleyelim

print(tips.head()) # Veri setine göz atmak için

# Bir kategoriye göre dağılımı göstermek için bir Seaborn çubuk grafik çizelim

sns.barplot(x="day", y="total_bill", data=tips) # Günlere göre toplam hesap dağılımı

# Grafik başlığını ve eksen etiketlerini ekleyelim

plt.title("Günlere Göre Ortalama Toplam Hesap")

plt.xlabel("Günler")

plt.ylabel("Ortalama Toplam Hesap ($)")

# Grafiği ekranda göster

plt.show()

sns.barplot(): fonksiyonu, Seaborn kütüphanesindeki bir veri görselleştirme aracıdır ve kategorik veriler arasındaki ilişkileri görselleştirmek için kullanılır.
sns.load_dataset(): Seaborn’un içinde yer alan hazır veri setlerini kolayca yüklemek için kullanılır.

Kod Çıktısı:

Python ile Makine Öğrenimi

   total_bill   tip     sex smoker  day    time  size
0       16.99  1.01  Female     No  Sun  Dinner     2
1       10.34  1.66    Male     No  Sun  Dinner     3
2       21.01  3.50    Male     No  Sun  Dinner     3
3       23.68  3.31    Male     No  Sun  Dinner     2
4       24.59  3.61  Female     No  Sun  Dinner     4

total_bill tip sex smoker day time size

0 16.99 1.01 Female No Sun Dinner 2

1 10.34 1.66 Male No Sun Dinner 3

2 21.01 3.50 Male No Sun Dinner 3

3 23.68 3.31 Male No Sun Dinner 2

4 24.59 3.61 Female No Sun Dinner 4

Scikit-learn

Scikit-learn, makine öğrenimi modelleri oluşturmak ve eğitmek için kullanılan en popüler kütüphanelerden biridir. Sınıflandırma, regresyon, kümeleme gibi birçok algoritmayı destekler.

from sklearn.model_selection import train_test_split  # Veri setini bölmek için
from sklearn.linear_model import LinearRegression  # Doğrusal regresyon modeli
from sklearn.metrics import mean_squared_error, r2_score  # Performans metrikleri
import numpy as np
import matplotlib.pyplot as plt

# Örnek veri seti oluşturalım
# Bağımsız değişken (X) ve bağımlı değişken (y)
np.random.seed(0)  # Rastgelelik için sabit bir tohum
X = 2 * np.random.rand(100, 1)  # 100 örnekli 1 özellikli veri
y = 4 + 3 * X + np.random.randn(100, 1)  # Doğrusal bir ilişki ve biraz gürültü

# Veri setini eğitim (%80) ve test (%20) olarak ayır
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# Modeli tanımla ve eğit
model = LinearRegression()
model.fit(X_train, y_train)

# Tahmin yap
y_pred = model.predict(X_test)

# Performans ölçümleri
mse = mean_squared_error(y_test, y_pred)  # Ortalama kare hatası
r2 = r2_score(y_test, y_pred)  # R^2 skoru

print(f"Modelin katsayıları (Coefficients): {model.coef_}")
print(f"Modelin sabit terimi (Intercept): {model.intercept_}")
print(f"Mean Squared Error: {mse}")
print(f"R^2 Skoru: {r2}")

# Sonuçları görselleştirme
plt.scatter(X_test, y_test, color='blue', label='Gerçek Değerler')
plt.plot(X_test, y_pred, color='red', linewidth=2, label='Tahmin Edilen Doğru')
plt.title('Linear Regression - Test Seti')
plt.xlabel('X Değeri')
plt.ylabel('y Değeri')
plt.legend()
plt.show()

from sklearn.model_selection import train_test_split # Veri setini bölmek için

from sklearn.linear_model import LinearRegression # Doğrusal regresyon modeli

from sklearn.metrics import mean_squared_error, r2_score # Performans metrikleri

import numpy as np

import matplotlib.pyplot as plt

# Örnek veri seti oluşturalım

# Bağımsız değişken (X) ve bağımlı değişken (y)

np.random.seed(0) # Rastgelelik için sabit bir tohum

X = 2 * np.random.rand(100, 1) # 100 örnekli 1 özellikli veri

y = 4 + 3 * X + np.random.randn(100, 1) # Doğrusal bir ilişki ve biraz gürültü

# Veri setini eğitim (%80) ve test (%20) olarak ayır

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# Modeli tanımla ve eğit

model = LinearRegression()

model.fit(X_train, y_train)

# Tahmin yap

y_pred = model.predict(X_test)

# Performans ölçümleri

mse = mean_squared_error(y_test, y_pred) # Ortalama kare hatası

r2 = r2_score(y_test, y_pred) # R^2 skoru

print(f"Modelin katsayıları (Coefficients): {model.coef_}")

print(f"Modelin sabit terimi (Intercept): {model.intercept_}")

print(f"Mean Squared Error: {mse}")

print(f"R^2 Skoru: {r2}")

# Sonuçları görselleştirme

plt.scatter(X_test, y_test, color='blue', label='Gerçek Değerler')

plt.plot(X_test, y_pred, color='red', linewidth=2, label='Tahmin Edilen Doğru')

plt.title('Linear Regression - Test Seti')

plt.xlabel('X Değeri')

plt.ylabel('y Değeri')

plt.legend()

plt.show()

Grafik, X ile y arasındaki doğrusal ilişkiyi gösterir. “Linear regression, iki değişken arasındaki doğrusal ilişkiyi bulmaya çalışır.”
Model, elimizdeki veriye bakarak bu doğruyu tahmin eder.
Doğrusal regresyon, özellikle tahmin ve eğilim analizi için çok kullanışlıdır.
Sonuç görselleştirmek için; Mavi noktalar → Gerçek veriyi temsil ederken; Kırmızı çizgi → Modelin öğrendiği doğruyu temsil eder.
LinearRegression() kullanarak, model X_train ve y_train verilerinden en iyi tahmin eden doğrusal bağıntıyı öğreniyor.
Test setindeki X_test değerlerini alıp, modelin bunlar için tahmin ettiği y_pred değerlerini hesaplıyoruz.

Kod Çıktısı:

Python ile Makine Öğrenimi

Modelin katsayıları (Coefficients): [[2.93647151]]
Modelin sabit terimi (Intercept): [4.32235853]
Mean Squared Error: 1.0434333815695165
R^2 Skoru: 0.7424452332071367