Makine Öğrenmesi Türkçe Kaynak

Makine Öğrenmesi alanında Türkçe kaynak oluşturmak amacıyla oluşturduğum bir repo'dur.

İçerisinde uygulamalı makine öğrenmesi programları ve anlatımlar yer almaktadır. Yazılara blog'umdan erişebilirsiniz.

• https://veribilimcisi.com/

İçerik

1. Bölüm: Makine Öğrenmesine Giriş
2. Bölüm: Baştan Sona Makine Öğrenmesinin Temelleri
3. Bölüm: Regresyon
4. Bölüm: Sınıflandırma
5. Bölüm: Kümeleme
6. Bölüm: Boyut Azaltma
7. Bölüm: Yapay Sinir Ağları

Başlarken

Programların çalıştırılabilmesi için gerekli paketleri makinenize yüklemeniz gerekiyor.

• Python 2.7 kullanılmaktadır.

Paketlerin kurulumunu sanal ortam içerisine yapabilirsiniz veya anaconda kullanabilirsiniz.

Gereksinimler

Programların çalıştırılabilmesi için gerekli olan paketlere setup altından erişebilirsiniz.

Kurulum

Linux makine için kurulum:

• setup.py çalıştırın.

veya

$ sudo pip install -r requirements.txt

İçindekiler

1. Bölüm : Makine Öğrenmesine Giriş

1.Bölüm : Makine Öğrenmesine Giriş

1.1 Ne Yapmak İstiyoruz?

1.2 Makine Öğrenmesi Nedir?

• 1.2.1 Arthur Samuel: Makine Öğrenmesinin Öncüsü

1.3 Neden Makine Öğrenmesi Kullanıyoruz?

1.4 Makine Öğrenmesi Sistemleri

• 1.4.1 Denetimli - Denetimsiz Öğrenme
• 1.4.2 Toplu - Çevrimiçi Öğrenme
• 1.4.3 Örnek-Tabanlı - Model-Tabanlı Öğrenme

1.5 Makine Öğrenmesinde Karşılaşılan Zorluklar

• 1.5.1 Yetersiz Eğitim Verisi Miktarı
• 1.5.2 Temsili Olmayan Eğitim Verileri
• 1.5.3 Düşük Kaliteli Veriler
• 1.5.4 Alakasız Özellikler
• 1.5.5 Eğitim Verilerinin Aşırı Uyumu - Yetersiz Uyumu

1.6 Test Etme ve Tahminlerin Doğruluğunu Ölçme

• 1.6.1 Doğruluk, Hassasiyet, Hata
• 1.6.2 Çapraz Doğrulama
• 1.6.3 Karışıklık Matrisi ve Performans Ölçütleri
• 1.6.4 Metrikler [düzenlenmeli]

2. Bölüm : Baştan Sona Makine Öğrenmesinin Temelleri

2. Bölüm : Baştan Sona Makine Öğrenmesinin Temelleri

2.1 Veriyi Bulmak

2.2 Büyük Resmi Görmek

• 2.2.1 Sorunun Hatlarını Çizmek
• 2.2.2 Performans Ölçütünü Seçmek

2.3 Veriyi Almak

• 2.3.1 Çalışma Alanı Oluşturmak
• 2.3.2 Veriyi Yüklemek
• 2.3.3 Veriyi Hızlıca Gözden Geçirmek
• 2.3.4 Veriyi Bölmek

2.4 Veriyi Anlamak

• 2.4.1 Veriyi Görselleştirmek
• 2.4.2 Veriler Arasındaki İlişkiyi İncelemek

2.5 Veriyi Hazırlamak

• 2.5.1 Veriyi Temizlemek
• 2.5.2 Metin ve Kategorik Öznitelikleri İşlemek
• 2.5.3 Özellikleri Ölçeklendirmek

2.6 Modeli Seçmek ve Eğitmek

2.7 Modeli Test Etmek

2.8 Sonuçları Sunmak

2.9 Sistemin Takibini ve Bakımını Yapmak

3. Bölüm : Regresyon

3. Bölüm : Regresyon

3.1 İlk Minik Makine Öğrenmesi Uygulaması

3.2 Basit Lineer Regresyon

• 3.2.1 İlişki Türleri
• 3.2.2 İlişkinin Gücü ve Yönü
• 3.2.3 En Küçük Kareler Yöntemi

3.3 Tek Değişkenli Lineer Regresyon

• 3.3.1 Maliyet Fonksiyonu
• 3.3.2 Dereceli Azalma
• 3.3.3 Öğrenme Oranı
• 3.3.4 Kesme Terimi

3.4 Çok Değişkenli Lineer Regresyon

• 3.4.1 Özellik Ölçeklendirme ve Normalleştirme

• 3.4.2 Dereceli Azalma Çeşitleri

    - 3.4.2.1   Dereceli Azalma Ne Zaman Doğru Çalışır?
    - 3.4.2.2   Batch Gradient
    - 3.4.2.3   Stochastic Gradient
    - 3.4.2.4   Mini - Batch Gradient
  

• 3.4.3 Dereceli Azalma Optimizasyon Algoritmaları [düzenlenmeli]

    - 3.4.3.1   Momentum
  

• 3.4.4 Baştan Sona Çok Değişkenli Lineer Regresyon Örneği

    - 3.4.4.1   Toplu Dereceli Azalma ile Örnek
    - 3.4.4.2   Mini-Paket Dereceli Azalma ile Örnek
    - 3.4.4.3   Mini-Paket Dereceli Azalma ve Momentum ile Örnek
  

• 3.4.5 Normal Denklemler

3.5 Polinomsal Regresyon [polinomsal regresyon örneği implementation'ı eksik]

4. Bölüm : Sınıflandırma

4. Bölüm : Sınıflandırma

4.1 Lojistik Regresyon

4.2 K En Yakın Komşu

4.3 Karar Ağaçları (ağaç algoritmaları) [karar agaclari örnekleri implementation'ları eksik]

• 4.3.1 Gini Dizini

• 4.3.2 Entropi

• 4.3.3 Bilgi Kazanımı

• 4.3.4 Ağaç Algoritmaları

    - 4.3.4.1 CART
    - 4.3.4.2 ID3
    - 4.3.4.3 C4.5
    - 4.3.4.4 C5.0
  

• 4.3.5 Ensemble Yöntemler

    - 4.3.5.1 Bagging
    - 4.3.5.2 Boosting
  

4.4 Destek Vektör Makineleri [destek vektör makinesi örnekleri implementation'ları eksik]

4.5 Naive Bayes [naive bayes örneği implementation'ı eksik]

5. Bölüm : Kümeleme [düzenlenmeli]

5. Bölüm : Kümeleme

5.1 Parçalama Tabanlı

    - 5.1.1 K-Means
    - 5.1.2 K-Medoids
    - 5.1.3 K-modes
    - 5.1.4 PAM
    - 5.1.5 CLARANS
    - 5.1.6 CLARA
    - 5.1.7 FCM

5.2 Hiyerarşik Tabanlı

    - 5.2.1 BIRCH
    - 5.2.2 CURE
    - 5.2.3 ROCK
    - 5.2.4 Chamelon
    - 5.2.5 Echidna

5.3 Yoğunluk Tabanlı

    - 5.3.1 DBSCAN
    - 5.3.2 OPTICS
    - 5.3.3 DBCLASD
    - 5.3.4 DENCLUE

5.4 Izgara Tabanlı

    - 5.4.1  Wave Cluster
    - 5.4.2 STING
    - 5.4.3 CLIQUE
    - 5.4.4 OptiGrid

5.5 Model Tabanlı

    - 5.5.1 EM
    - 5.5.2 COBWEB
    - 5.5.3 CLASSIT
    - 5.5.4 SOMs

6. Bölüm : Boyut Azaltma

6. Bölüm : Boyut Azaltma

6.1 Temel Bileşen Analizi

6.2 Lineer Ayırt Etme Analizi

7. Bölüm : Yapay Sinir Ağları

7. Bölüm : Yapay Sinir Ağları

7.1 Sinir Ağları

7.2 Algılayıcı (Perceptron)

7.3 Sinir Ağ Çeşitleri

Yazar

• Seray Beşer -Makine Öğrenmesi Türkçe Kaynak- machine-learning
• Kaynak : -Blog'um- https://veribilimcisi.com/

Lisans

This project is licensed under the MIT License - see the LICENSE.md file for details.

MIT License

Copyright (c) 2018 Seray Beşer

Permission is hereby granted, free of charge, to any person obtaining a copy of this software and associated documentation files (the "Software"), to deal in the Software without restriction, including without limitation the rights to use, copy, modify, merge, publish, distribute, sublicense, and/or sell copies of the Software, and to permit persons to whom the Software is furnished to do so, subject to the following conditions:

The above copyright notice and this permission notice shall be included in all copies or substantial portions of the Software.

THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE SOFTWARE.