Business Intelligence Specialist
Bugün; popülaritesi gün geçtikçe yükselen, birçok makine öğrenmesi-yapay zeka temelli uygulamalarda açık ara ön planda olan, veri madenciliği-bilimsel analiz çözümlemelerinde esnek çözümlemeler sunan, hızlı ve çevik yapısı ile kullanıcıların gözdesi olarak yer edinmiş olan Python dili üzerinde bir modelin performansının nasıl analiz edilip, ölçüleceğine yönelik kısa çözüm ve yöntemleri inceliyor olacağım.
Günümüzde verimli stok yönetimi, özellikle büyük ölçekli depolama ve tedarik zincirlerinde kritik bir öneme sahiptir.Bu çalışmada; depodaki stokların gelecekteki durumlarını tahmin edebilmek için Long Short-Term Memory (LSTM) ağı kullanılmıştır. LSTM, özellikle zaman serisi verilerindeki karmaşık desenleri ve uzun süreli bağımlılıkları öğrenme kabiliyeti nedeniyle tercih edilmiştir.
Bugün; veri odaklı çözümleri ve birçok alanda yer alan çeşitli üstünlüğü ile adından sürekli söz ettiren Python dili ile, örnek bir Keşifçi/Keşifsel Veri Analizi - Exploratory Data Analysis EDA süreci ve basit seviyede bir makine öğrenmesi algoritması uyarlanması çalışması adına bilgi ve notlarımı aktarmaya çalışacağım.
Bugünkü yazımda; çok çeşitli alanlarda kullanılan güçlü, dinamik altyapısı, anlaşılır sade dili ile oldukça popüler olan Python (birçok ek özelliğe sahip) diline yönelik oluşturulmuş kütüphane (library), çatı (framework) ve programlara göz atacağımız ek kısa notlarımı aktarıyor olacağım.
Bugün; popülaritesi gün geçtikçe yükselen, birçok makine öğrenmesi-yapay zeka temelli uygulamalarda açık ara ön planda olan, veri madenciliği-bilimsel analiz çözümlemelerinde esnek çözümlemeler sunan, hızlı ve çevik yapısı ile kullanıcıların gözdesi olarak yer edinmiş Python dili üzerinde API–Application Programming Interface (Uygulama Programlama Arabirimi) çözümlerini inceliyor olacağım.
Bugün; çeşitli veri kümeleri üzerinde özel işlemler ile farklı çözümlemeler için yapılandırılmış öğrenme algoritmaları kullanımında verilerin çoğunluğundan önemli ölçüde farklılaşarak şüphe uyandıran nadir öğelerin, olayların veya gözlemlerin tanımlanması ile oluşan Anomali (Anomaly) durumlarında uygulanan algoritmalar üzerine çeşitli bilgi ve çözümlemeler aktarmaya çalışacağım.
Bugün; çeşitli veri kümeleri üzerinde özel işlemler ile farklı çözümlemeler için yapılandırılmış denetimli/gözetimli öğrenme algoritmalarından regresyon ve diğer analizler için eğitim aşamasında çok sayıda karar ağacı oluşturarak problemin tipine göre sınıf/sonuç tahmini gerçekleştiren toplu öğrenme yöntemi olan Rastgele Orman (Random Forest) algoritması üzerine çeşitli bilgi ve çözümlemeler aktarmaya çalışacağım.
Bugün; çeşitli veri kümeleri üzerinde özel işlemler ile farklı çözümlemeler için yapılandırılmış denetimli/gözetimli öğrenme algoritmalarından, rassal değişken için olasılık dağılımı içinde koşullu olasılıklar ile marjinal olasılıklar arasındaki ilişkiyi değerlendirmemizi sağlayan Naive Bayes (Teorisi) algoritması üzerine çeşitli bilgi ve çözümlemeler aktarmaya çalışacağım.
Bugün; çeşitli veri kümeleri üzerinde özel işlemler ile farklı çözümlemeler için yapılandırılmış denetimli/gözetimli öğrenme algoritmalarından, gerçek dünyadaki metrikler arasındaki etkileşimi değerlendirmemizi sağlayan Çok Değişkenli Uyarlamalı Regresyon Analizi (Multivariate Adaptive Regression Splines – MARS) algoritması üzerine çeşitli bilgi ve çözümlemeler aktarmaya çalışacağım.
Bugün; çeşitli veri kümeleri üzerinde özel işlemler ile farklı çözümlemeler için yapılandırılmış denetimli/gözetimli öğrenme algoritmalarından, kümeleme yöntemleri ile benzerlik (k) değerleri ele alınarak geliştirilmiş En Yakın Komşu (K-Nearest Neighbours - KNN) algoritması üzerine çeşitli bilgi ve çözümlemeler aktarmaya çalışacağım.Genel konu özetinin bulunduğu Python Veri Analizi yazısına link üzerinden ulaşabilirsiniz.