Garfield
YZF Admin
Python ile yapay zekâ geliştirmek için önce bir problemi ve veriyi tanımlamanız, ardından uygun bir makine öğrenmesi modeli seçip bu modeli Python kütüphaneleriyle eğitmeniz gerekir. Başlangıç için en anlaşılır yol, hazır bir veri kümesi üzerinde sınıflandırma modeli kurmaktır. Aşağıdaki örnekte model, ölçüm değerlerinden bir çiçeğin türünü tahmin eder; aynı yöntem daha sonra e-posta sınıflandırma, satış tahmini veya metin analizi gibi problemlere uyarlanabilir.
Buradaki örnek
Bazı sistemlerde Python komutu
Kodda
Kodda dikkat edilmesi gereken düzeltme:
Python girintiye duyarlı olduğu için bu satır fazladan boşlukla yazılırsa
Bu örnekte veri temiz ve küçüktür. Gerçek projelerde veriyi eğitim ve test olarak ayırmanız, eksik veya hatalı kayıtları kontrol etmeniz ve modeli yalnızca eğitim verisinde değil, daha önce görmediği verilerde de değerlendirmeniz gerekir. Test başarımı düşükse önce özelliklerin doğru hazırlanıp hazırlanmadığını, sınıfların dengeli olup olmadığını ve seçilen modelin probleme uygunluğunu inceleyin.
Başlangıçta kendi sinir ağınızı sıfırdan yazmak yerine küçük ve ölçülebilir bir problem seçin. Daha sonra
Python ile yapay zekâ geliştirme süreci
Yapay zekâ uygulaması genellikle dört parçadan oluşur: girdi verisi, beklenen sonuçlar, bu ilişkiyi öğrenen model ve yeni girdiler için üretilen tahmin. Örneğin geçmişte hangi ürünlerin satıldığını biliyorsanız, model yeni bir ürünün satış grubunu tahmin etmeyi öğrenebilir.Buradaki örnek
scikit-learn kütüphanesini kullanır. Bu, sıfırdan matematiksel optimizasyon yazmadan temel makine öğrenmesi modellerini denemenizi sağlar. Modelin başarılı olması, yalnızca kodun çalışmasına değil, kullanılan verinin kalitesine ve gerçek probleme uygun olmasına bağlıdır.Gerekli ortamı hazırlama
Bilgisayarınızda Python kurulu olmalıdır. Bir terminal veya Komut İstemi açarak aşağıdaki paketi yükleyin:
Bash:
python -m pip install scikit-learnBazı sistemlerde Python komutu
python3 olarak çalışır. İlk komut hata verirse aynı işlemi python3 -m pip install scikit-learn ile deneyebilirsiniz.İlk çalışan yapay zekâ örneği
Aşağıdaki kod, hazır çiçek verilerini eğitim ve test bölümlerine ayırır, karar ağacı modeli kurar ve test verisindeki başarımı ölçer:
Python:
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
# Örnek veri kümesini yükle
veri = load_iris()
X = veri.data
y = veri.target
# Veriyi eğitim ve test parçalarına ayır
X_egitim, X_test, y_egitim, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
# Modeli oluştur ve eğit
model = DecisionTreeClassifier(random_state=42)
model.fit(X_egitim, y_egitim)
# Test verisiyle tahmin yap
tahmin = model.predict(X_test)
# Başarımı hesapla
basari = accuracy_score(y_test, tahmin)
print(f"Test başarımı: {basari:.2%}")
# Yeni bir ölçüm için tahmin yap
ornek = [[5.1, 3.5, 1.4, 0.2]]
sonuc = model.predict(ornek)[0]
print("Tahmin edilen tür:", veri.target_names[sonuc])Kodda
X modelin kullanacağı özellikleri, y ise bu özelliklere karşılık gelen doğru sınıfları temsil eder. fit() modeli eğitim verisiyle öğrenir; predict() yeni girdiler için tahmin üretir.Kodda dikkat edilmesi gereken düzeltme:
tahmin = model.predict(X_test) satırının başında boşluk olmamalıdır. Doğru satır şöyledir:
Python:
tahmin = model.predict(X_test)Python girintiye duyarlı olduğu için bu satır fazladan boşlukla yazılırsa
IndentationError oluşabilir.Sonuç nasıl yorumlanır?
Ekranda görülen test başarımı, modelin daha önce eğitim sırasında kullanılmayan test örneklerinin ne kadarını doğru sınıflandırdığını gösterir. Örneğin yüzde 96 sonucu, bu küçük test bölümündeki örneklerin büyük kısmının doğru tahmin edildiği anlamına gelir; gerçek hayattaki tüm verilerde aynı başarı kesin olarak tekrarlanır anlamına gelmez.Bu örnekte veri temiz ve küçüktür. Gerçek projelerde veriyi eğitim ve test olarak ayırmanız, eksik veya hatalı kayıtları kontrol etmeniz ve modeli yalnızca eğitim verisinde değil, daha önce görmediği verilerde de değerlendirmeniz gerekir. Test başarımı düşükse önce özelliklerin doğru hazırlanıp hazırlanmadığını, sınıfların dengeli olup olmadığını ve seçilen modelin probleme uygunluğunu inceleyin.
Hangi yapay zekâ yaklaşımı seçilmeli?
Problemin türü, kullanacağınız yöntemi belirler:| Problem | Örnek çıktı | Başlangıç yaklaşımı |
|---|---|---|
| Sınıflandırma | Spam veya normal | Karar ağacı, lojistik regresyon |
| Sayısal tahmin | Gelecek ay satış miktarı | Doğrusal regresyon, ağaç tabanlı modeller |
| Metin analizi | Duygu veya konu etiketi | Metin özellikleri ve sınıflandırma modeli |
| Görüntü tanıma | Fotoğraftaki nesne | Hazır derin öğrenme modelleri |
pandas ile tablo verilerini, matplotlib ile görselleştirmeyi ve derin öğrenme için uygun kütüphaneleri öğrenebilirsiniz. Bir sohbet robotu veya görüntü tanıma sistemi yapmak istiyorsanız yalnızca model kodu yetmez; veri hazırlama, model değerlendirme, güvenlik, maliyet ve kullanıcıdan gelen girdilerin doğrulanması da projenin parçasıdır.