Garfield
YZF Admin
Python ile yapay zekâ uygulamaları geliştirmek için önce problemi veri, model ve çıktı olarak tanımlayın; ardından uygun kütüphaneyi seçip küçük bir örnek üzerinde modeli eğitin, değerlendirin ve gerçek uygulamaya bağlayın. Yeni başlayanlar için en anlaşılır yol, hazır bir yapay zekâ hizmetine bağlanmadan önce basit bir makine öğrenmesi modelinin girdiden nasıl sonuç ürettiğini görmektir. Aşağıdaki örnekte Python, çalışma saatine göre tahmini enerji tüketimini öğrenen küçük bir model oluşturur.
Python; veri işleme, makine öğrenmesi, derin öğrenme, doğal dil işleme ve görüntü analizi için kullanılır. Uygulama türüne göre yaklaşım değişir:
Aşağıdaki örnek, çalışma saati ile enerji tüketimi arasındaki ilişkiyi öğrenir. Bu, üretim ortamında kullanılacak kapsamlı bir enerji tahmin sistemi değildir; modelin eğitim, tahmin ve hata ölçme aşamalarını göstermek için varsayımsal bir örnektir.
Kodda model, doğrusal regresyon mantığını elle uygular. Girdi çalışma saati, çıktı ise kilovatsaat cinsinden tahmini tüketimdir.
Bu kodu bir dosyaya, örneğin
Uygulamanın amacı, veri miktarı ve gereken doğruluk yöntemi belirler. Küçük bir sayısal tahmin için basit modeller yeterli olabilirken, görüntü veya uzun metinlerde hazır ve daha karmaşık modeller gerekir.
Tablodaki yöntemler birbirinin doğrudan alternatifi değildir. Örneğin bir sohbet uygulamasında yalnızca Python kodu yazmak yeterli olmaz; model seçimi, istem tasarımı, güvenlik, maliyet ve yanıtların denetlenmesi de gerekir.
Önce küçük ve ölçülebilir bir hedef belirleyin. “Yapay zekâ kullanan bir uygulama” yerine “müşteri mesajlarını üç kategoriye ayıran bir sistem” gibi sınırları belli bir hedef seçmek daha sağlıklıdır. Ardından veriyi eğitim ve test bölümlerine ayırın. Modeli yalnızca eğitim verisinde başarılı olduğu için kullanıma hazır kabul etmeyin; daha önce görmediği test verisindeki performansını da ölçün.
Modelin tahmini kritik bir kararı doğrudan veriyorsa insan denetimi, kayıt tutma ve hatalı sonuçta uygulanacak işlem önceden belirlenmelidir. Kişisel, sağlıkla ilgili veya finansal veriler kullanılıyorsa verinin nerede işlendiğini, kimlerin eriştiğini ve ne kadar süre saklandığını ayrıca değerlendirin.
Bu örnekteki 6 saatlik tahmin, verilerdeki geçmiş ilişkiye dayalı matematiksel bir sonuçtur. Tek başına gelecekteki tüketimin kesin kanıtı değildir. Hava sıcaklığı, cihaz türü, enerji fiyatı veya çalışma yoğunluğu gibi değişkenler sonucu etkiliyorsa modele bu bilgileri de eklemek ve daha geniş bir veri kümesiyle yeniden test etmek gerekir.
Python ile yapay zekâ uygulaması geliştirme yolları
Python; veri işleme, makine öğrenmesi, derin öğrenme, doğal dil işleme ve görüntü analizi için kullanılır. Uygulama türüne göre yaklaşım değişir:
- Veri sınıflandırma: E-postanın istenmeyen olup olmadığını veya bir görüntünün hangi sınıfa ait olduğunu tahmin etme.
- Tahmin: Satış, enerji tüketimi veya talep gibi sayısal bir değeri öngörme.
- Doğal dil işleme: Metin sınıflandırma, özetleme, soru yanıtlama ve sohbet uygulamaları.
- Görüntü işleme: Nesne, yüz veya belge üzerindeki bilgileri tanıma.
- Üretken yapay zekâ: Metin, görsel, ses veya kod üretme.
En küçük çalışan örnek: Basit tahmin modeli
Aşağıdaki örnek, çalışma saati ile enerji tüketimi arasındaki ilişkiyi öğrenir. Bu, üretim ortamında kullanılacak kapsamlı bir enerji tahmin sistemi değildir; modelin eğitim, tahmin ve hata ölçme aşamalarını göstermek için varsayımsal bir örnektir.
Kodda model, doğrusal regresyon mantığını elle uygular. Girdi çalışma saati, çıktı ise kilovatsaat cinsinden tahmini tüketimdir.
Python:
# Eğitim verisi: çalışma saati ve enerji tüketimi
veriler = [
(1, 2.1),
(2, 3.9),
(3, 6.2),
(4, 7.8),
(5, 10.1),
]
# Ortalama değerleri hesapla
x_ort = sum(x for x, y in veriler) / len(veriler)
y_ort = sum(y for x, y in veriler) / len(veriler)
# Doğrunun eğimini hesapla
pay = sum((x - x_ort) * (y - y_ort) for x, y in veriler)
payda = sum((x - x_ort) ** 2 for x, y in veriler)
eğim = pay / payda
# Doğrunun başlangıç değerini hesapla
sabit = y_ort - eğim * x_ort
# Yeni bir çalışma süresi için tahmin üret
saat = 6
tahmin = eğim * saat + sabit
print(f"{saat} saat için tahmini tüketim: {tahmin:.2f} kWh")Bu kodu bir dosyaya, örneğin
tahmin.py adıyla kaydedip Python ile çalıştırdığınızda yaklaşık 12 kWh civarında bir tahmin görürsünüz. Değer, eğitim verisine göre hesaplanır; bu sonuç gerçek bir ölçümün yerine geçmez.Uygulamanın çalışma sırası
- Problemi tanımlayın. Girdinin çalışma saati, çıktının enerji tüketimi olduğuna karar verin. Girdi ve çıktı net değilse modelin başarısını ölçmek de mümkün olmaz.
- Eğitim verisini hazırlayın. Geçmiş çalışma saatlerini ve aynı saatlerde ölçülen tüketim değerlerini eşleştirin. Eksik, yanlış veya birbirinden farklı ölçüm birimleri içeren veriler tahmini bozar.
- Modelin parametrelerini hesaplayın. Örnekte eğim ve sabit değer, verilerdeki ilişkiyi temsil eder. Hazır kütüphaneler bu işlemi daha gelişmiş yöntemlerle otomatikleştirebilir.
- Yeni girdi verin. Modelin daha önce görmediği 6 saatlik çalışma süresini kullanın. Program, öğrendiği ilişkiye göre tüketim tahmini üretir.
- Sonucu ölçümle karşılaştırın. Gerçek tüketim değeriyle tahmin arasındaki farkı hesaplayın. Fark sürekli yüksekse veri, model veya problem tanımı yeniden incelenmelidir.
Hangi Python yaklaşımını seçmelisiniz?
Uygulamanın amacı, veri miktarı ve gereken doğruluk yöntemi belirler. Küçük bir sayısal tahmin için basit modeller yeterli olabilirken, görüntü veya uzun metinlerde hazır ve daha karmaşık modeller gerekir.
| İhtiyaç | Uygun yaklaşım | Dikkat edilmesi gereken |
|---|---|---|
| Sayısal tahmin | Doğrusal regresyon veya ağaç tabanlı modeller | Veri ile hedef arasındaki ilişkiyi ve hata payını ölçün |
| Kategori belirleme | Sınıflandırma modelleri | Başarı oranı tek başına yeterli olmayabilir; sınıflar dengesizse ek ölçüt kullanın |
| Metin analizi | Metin dönüştürme ve dil modelleri | Kişisel veya gizli metni izinsiz olarak dış hizmetlere göndermeyin |
| Görüntü tanıma | Görüntü işleme ve derin öğrenme modelleri | Eğitim görüntülerinin gerçek kullanım koşullarını temsil etmesi gerekir |
| Sohbet veya içerik üretimi | Bir dil modeli hizmeti ya da yerel model | Üretilen yanıtı doğrulayın; model doğru görünen hatalı bilgi üretebilir |
Gerçek bir projeye geçerken kontrol edilmesi gerekenler
Önce küçük ve ölçülebilir bir hedef belirleyin. “Yapay zekâ kullanan bir uygulama” yerine “müşteri mesajlarını üç kategoriye ayıran bir sistem” gibi sınırları belli bir hedef seçmek daha sağlıklıdır. Ardından veriyi eğitim ve test bölümlerine ayırın. Modeli yalnızca eğitim verisinde başarılı olduğu için kullanıma hazır kabul etmeyin; daha önce görmediği test verisindeki performansını da ölçün.
Modelin tahmini kritik bir kararı doğrudan veriyorsa insan denetimi, kayıt tutma ve hatalı sonuçta uygulanacak işlem önceden belirlenmelidir. Kişisel, sağlıkla ilgili veya finansal veriler kullanılıyorsa verinin nerede işlendiğini, kimlerin eriştiğini ve ne kadar süre saklandığını ayrıca değerlendirin.
Bu örnekteki 6 saatlik tahmin, verilerdeki geçmiş ilişkiye dayalı matematiksel bir sonuçtur. Tek başına gelecekteki tüketimin kesin kanıtı değildir. Hava sıcaklığı, cihaz türü, enerji fiyatı veya çalışma yoğunluğu gibi değişkenler sonucu etkiliyorsa modele bu bilgileri de eklemek ve daha geniş bir veri kümesiyle yeniden test etmek gerekir.
