From 2f3343e5f51a32950d7c840d8d17ea5687540110 Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?Talha=20Co=C5=9Fkun?= Date: Sun, 2 Feb 2025 17:39:34 +0300 Subject: [PATCH] Added Turkish resources to the files --- .../translations/README.tr.md | 110 +++++++++ .../translations/assignment.tr.md | 11 + 1-Introduction/translations/README.tr.md | 23 ++ 2-Regression/2-Data/translations/README.tr.md | 230 ++++++++++++++++++ .../2-Data/translations/assignment.tr.md | 9 + .../3-Linear/translations/README.tr.md | 0 .../3-Linear/translations/assignment.tr.md | 11 + 7 files changed, 394 insertions(+) create mode 100644 1-Introduction/4-techniques-of-ML/translations/README.tr.md create mode 100644 1-Introduction/4-techniques-of-ML/translations/assignment.tr.md create mode 100644 1-Introduction/translations/README.tr.md create mode 100644 2-Regression/2-Data/translations/README.tr.md create mode 100644 2-Regression/2-Data/translations/assignment.tr.md create mode 100644 2-Regression/3-Linear/translations/README.tr.md create mode 100644 2-Regression/3-Linear/translations/assignment.tr.md diff --git a/1-Introduction/4-techniques-of-ML/translations/README.tr.md b/1-Introduction/4-techniques-of-ML/translations/README.tr.md new file mode 100644 index 000000000..6d844bc2f --- /dev/null +++ b/1-Introduction/4-techniques-of-ML/translations/README.tr.md @@ -0,0 +1,110 @@ +# Machine Learning Teknikleri + +Makine öğrenimi (ML) modellerinin oluşturulması, kullanılması ve bakımı süreci, birçok diğer geliştirme iş akışından oldukça farklıdır. Bu derste, süreci açıklığa kavuşturacak ve bilmeniz gereken temel teknikleri açıklayacağız. Şunları yapacaksınız: + +- Makine öğreniminin temelini oluşturan süreçleri yüksek düzeyde anlayın. +- 'Modeller', 'tahminler' ve 'eğitim verileri' gibi temel kavramları keşfedin. + +## [Konferans Öncesi Anket](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/7?loc=es) + +## Giriş + +Yüksek bir düzeyde, makine öğrenimi (ML) süreçlerini oluşturma sanatı birkaç adımdan oluşur: + +1. **Soruyu Belirlemek**. Çoğu ML süreci, basit bir koşullu program veya kurallara dayalı bir motorla yanıtlanamayan bir soruyu sormakla başlar. Bu sorular genellikle veri toplamaya dayalı tahminlerle ilgilidir. +2. **Veri Toplayın ve Hazırlayın**. Sorunuza yanıt verebilmek için verilere ihtiyacınız vardır. Verilerinizin kalitesi ve bazen miktarı, ilk sorunuza ne kadar iyi yanıt verebileceğinizi belirleyecektir. Veri görselleştirme, bu aşamanın önemli bir yönüdür. Bu aşama ayrıca verilerinizi bir eğitim ve test grubuna bölerek bir model oluşturmayı da içerir. +3. **Bir Eğitim Yöntemi Seçin**. Sorunuza ve verilerinizin doğasına bağlı olarak, bir modeli verilerinizi en iyi şekilde yansıtacak ve onlara karşı doğru tahminler yapacak şekilde nasıl eğitmek istediğinizi seçmelisiniz. Bu, ML sürecinizin özel bilgi ve genellikle önemli ölçüde deneme-yanılma gerektiren kısmıdır. +4. **Modeli Eğitin**. Eğitim verilerinizi kullanarak, bir modelin verilerdeki desenleri tanımasını sağlamak için çeşitli algoritmalar kullanırsınız. Model, daha iyi bir model oluşturmak için verilerin bazı bölümlerini diğerlerine göre önceliklendirmek amacıyla ayarlanabilir içsel ağırlıklardan yararlanabilir. +5. **Modeli Değerlendirin**. Toplanan verilerinizden daha önce hiç görülmemiş verileri (test verileriniz) kullanarak modelin performansını görürsünüz. +6. **Parametre Ayarı**. Modelinizin performansına bağlı olarak, modeli eğitmek için kullanılan algoritmaların davranışını kontrol eden farklı parametreler veya değişkenler kullanarak süreci yeniden yapabilirsiniz. +7. **Tahmin Yapın**. Modelinizin doğruluğunu test etmek için yeni girdiler kullanın. + +## Hangi Soruları Sormalı + +Bilgisayarlar, verilerdeki gizli desenleri keşfetme konusunda oldukça yeteneklidir. Bu yetenek, bir veri bilimcisinin yalnızca koşullu kurallara dayalı bir motor oluşturarak kolayca cevaplayamayacağı bir alandaki soruları yanıtlamak için faydalıdır. + +Örneğin, aktüeryal bir görevde, bir veri bilimcisi sigara içenlerin ve içmeyenlerin ölüm oranları hakkında elle oluşturulan kurallar geliştirebilir. Ancak, denkleme birçok başka değişken dahil edildiğinde, bir ML modeli sağlık geçmişine dayalı olarak gelecekteki ölüm oranlarını tahmin etmede daha verimli olabilir. Daha neşeli bir örnek, belirli bir yerde Nisan ayı için hava tahminleri yapmak olabilir. + +✅ Bu [sunum](https://www2.cisl.ucar.edu/sites/default/files/2021-10/0900%20June%2024%20Haupt_0.pdf), ML'in meteorolojik analizlerde kullanımına dair tarihsel bir perspektif sunmaktadır. + +## Model Oluşturmadan Önceki Görevler + +Modelinizi oluşturmaya başlamadan önce tamamlamanız gereken birkaç görev vardır. Sorunuzu incelemek ve modelinizin tahminlerine dayalı bir hipotez oluşturmak için birkaç öğeyi tanımlamanız ve ayarlamanız gerekir. + +### Veriler + +Sorunuza bir miktar kesinlikle yanıt verebilmek için doğru türden yeterli miktarda veriye ihtiyacınız vardır. + +Bu noktada yapmanız gereken iki şey vardır: + +- **Veri Toplamak**. Verilerinizi dikkatlice toplayın. Bu verilerin kaynağını, sahip olabileceği herhangi bir örtük önyargıyı göz önünde bulundurun ve kaynağını belgelerle belirtin. +- **Verileri Hazırlamak**. Verileri hazırlama sürecinde birkaç adım vardır. Verilerinizi toplamanız ve çeşitli kaynaklardan geliyorsa normalleştirmeniz gerekebilir. Verilerin kalitesini artırmak ve miktarını genişletmek için bir dizi yöntem kullanılabilir. + +✅ Verilerinizi topladıktan ve işledikten sonra, biçimlerinin sorunuza yanıt verip veremeyeceğini kontrol edin. Bazen verileriniz görev için uygun olmayabilir! + +### Özellikler ve Hedef + +Bir özellik, verilerin ölçülebilir bir özelliğidir. Bir hedef ise tahmin etmeye çalıştığınız şeydir. Bu genellikle `y` olarak ifade edilir ve sorunuzun cevabını temsil eder. + +### Özellik Seçimi + +🎓 **Özellik Seçimi ve Çıkarımı** Doğru değişkenleri nasıl seçeceğinizi bilmek, model performansı için önemlidir. Çıkarım ve seçim farklıdır: "Özellik çıkarımı, orijinal özelliklerden yeni özellikler oluşturur, seçim ise bir alt küme döndürür." + +### Verilerinizi Görselleştirin + +Veri görselleştirme, ilişkileri keşfetmenize yardımcı olur ve dengesizlikleri tespit etmenize olanak tanır. Matplotlib veya Seaborn gibi araçlar bu konuda faydalıdır. + +### Veri Setini Bölmek + +Model eğitimi öncesinde, veri setinizi iki veya daha fazla parçaya bölün: + +- **Eğitim Verileri**. Modeli eğitmek için kullanılır. +- **Test Verileri**. Modelin performansını doğrulamak için kullanılır. +- **Doğrulama Verileri**. Model hiperparametrelerini ayarlamak için kullanılır. + +## Model Oluşturma + +Eğitim verilerinizle, desenleri öğrenen ve bunları doğrulayan bir model oluşturun. + +### Bir Eğitim Yöntemi Seçin + +Sorunuza ve verilerinize bağlı olarak uygun bir yöntem seçin. Scikit-learn belgeleri bu konuda harika bir kaynaktır. + +### Modeli Eğitin + +`model.fit` gibi yöntemlerle modeli verilerinize uygularsınız. + +### Modeli Değerlendirin + +Modeli test verileriyle değerlendirerek doğruluğunu ve yanılgılarını inceleyin. + +🎓 **Aşırı Uyum ve Yetersiz Uyum** + +Aşırı uyum (overfitting) ve yetersiz uyum (underfitting) model kalitesini düşüren yaygın sorunlardır. + +![Model Aşırı Uyum Görseli](images/overfitting.png) +> [Jen Looper](https://twitter.com/jenlooper) tarafından hazırlanmıştır. + +## Parametre Ayarı + +Hiperparametreleri ayarlayarak modelin performansını geliştirin. + +## Tahmin + +Modeli, yeni verilerle test ederek doğruluğunu ölçün. Bu, ML süreçlerinizin nihai adımıdır ve modelin uygulanabilirliğini belirler. + +--- + +## 🚀 Zorluk + +Makine öğrenimi süreçlerini yansıtan bir akış diyagramı çizin. Kendinizi bu süreçte nerede görüyorsunuz? Hangi adımda zorluk yaşayacağınızı düşünüyorsunuz? + +## [Konferans Sonrası Anket](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/8?loc=es) + +## İnceleme ve Öz-Çalışma + +Veri bilimcilerin günlük işlerini analiz ettiği çevrimiçi röportajları araştırın. İşte [bir tanesi](https://www.youtube.com/watch?v=Z3IjgbbCEfs). + +## Görev + +[Bir veri bilimciyle röportaj yapın](assignment.tr.md) diff --git a/1-Introduction/4-techniques-of-ML/translations/assignment.tr.md b/1-Introduction/4-techniques-of-ML/translations/assignment.tr.md new file mode 100644 index 000000000..1d7e1adfa --- /dev/null +++ b/1-Introduction/4-techniques-of-ML/translations/assignment.tr.md @@ -0,0 +1,11 @@ +# Veri Bilimcisi ile Röportaj + +## Talimatlar + +Şirketinizde, bir kullanıcı grubunda ya da arkadaşlarınız veya sınıf arkadaşlarınız arasında profesyonel olarak bir veri bilimcisi olarak çalışan birisiyle konuşun. Günlük işlerine dair kısa bir makale (500 kelime) yazın. Onlar bir uzman mı, yoksa 'full stack' olarak mı çalışıyorlar? + +## Rubrik + +| Kriter | Örnek | Yeterli | Geliştirilmesi Gerekiyor | +| -------- | ------------------------------------------------------------------------------------------- | --------------------------------------------------------------- | ------------------------- | +| | Doğru uzunlukta bir deneme, kaynaklar belirtilmiş ve bir .doc dosyası olarak sunulmuş | Deneme yetersiz belirtilmiş ya da gerekli uzunluktan daha kısa | Deneme sunulmamış | diff --git a/1-Introduction/translations/README.tr.md b/1-Introduction/translations/README.tr.md new file mode 100644 index 000000000..8f18a3518 --- /dev/null +++ b/1-Introduction/translations/README.tr.md @@ -0,0 +1,23 @@ +# Makine Öğrenimine Giriş + +Bu müfredat bölümünde "makine öğrenimi" alanının arkasındaki temel kavramlarla tanışacak, ne olduğunu öğrenecek ve tarihçesi ile araştırmacıların bu konuda çalışmak için kullandıkları teknikler hakkında bilgi edineceksiniz. Hadi ML dünyasını birlikte keşfedelim! + +![dünya](images/globe.jpg) +> Fotoğraf: Bill Oxford tarafından Unsplash üzerinden sağlanmıştır. + +### Dersler + +1. [Makine Öğrenimine Giriş](1-intro-to-ML/README.md) +1. [Makine Öğrenimi ve Yapay Zekanın Tarihi](2-history-of-ML/README.md) +1. [Adalet ve Makine Öğrenimi](3-fairness/README.md) +1. [Makine Öğrenimi Teknikleri](4-techniques-of-ML/README.md) + +### Katkıda Bulunanlar + +"Makine Öğrenimine Giriş", ♥️ ile [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan), [Ornella Altunyan](https://twitter.com/ornelladotcom) ve [Jen Looper](https://twitter.com/jenlooper) tarafından yazılmıştır. + +"Makine Öğreniminin Tarihi", ♥️ ile [Jen Looper](https://twitter.com/jenlooper) ve [Amy Boyd](https://twitter.com/AmyKateNicho) tarafından yazılmıştır. + +"Adalet ve Makine Öğrenimi", ♥️ ile [Tomomi Imura](https://twitter.com/girliemac) tarafından yazılmıştır. + +"Makine Öğrenimi Teknikleri", ♥️ ile [Jen Looper](https://twitter.com/jenlooper) ve [Chris Noring](https://twitter.com/softchris) tarafından yazılmıştır. diff --git a/2-Regression/2-Data/translations/README.tr.md b/2-Regression/2-Data/translations/README.tr.md new file mode 100644 index 000000000..69fa11c2a --- /dev/null +++ b/2-Regression/2-Data/translations/README.tr.md @@ -0,0 +1,230 @@ +# Scikit-learn Kullanarak Regresyon Modeli Oluşturma: Verileri Hazırlama ve Görselleştirme + +![Veri Görselleştirme Bilgilendirme Görseli](../images/data-visualization.png) + +Bilgilendirme Görseli: [Dasani Madipalli](https://twitter.com/dasani_decoded) + +## [Ders Öncesi Test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/11?loc=tr) + +> ### [Bu ders R dilinde de mevcuttur!](../solution/R/lesson_2-R.ipynb) + +## Giriş + +Scikit-learn ile makine öğrenimi modelinin oluşturulmasına başlamak için gerekli araçları kurduğunuza göre, artık verilerinize sorular sormaya başlayabilirsiniz. Verilerle çalışırken ve ML çözümleri uygularken, verinizin potansiyelini açığa çıkarmak için nasıl doğru sorular soracağınızı bilmeniz çok önemlidir. + +Bu derste öğrenecekleriniz: + +- Model oluşturmak için verilerinizi nasıl hazırlayacağınız. +- Veri görselleştirme için Matplotlib’i nasıl kullanacağınız. + +[![Veri Hazırlama ve Görselleştirme](https://img.youtube.com/vi/11AnOn_OAcE/0.jpg)](https://youtu.be/11AnOn_OAcE "Veri hazırlama ve görselleştirme videosu - İzlemek için tıklayın!") +> 🎥 Yukarıdaki görsele tıklayarak bu dersin önemli noktalarını içeren videoyu izleyebilirsiniz. + +--- + +## Verilerinize Doğru Soruları Sormak + +Cevabını aradığınız soru, hangi tür makine öğrenimi algoritmasına ihtiyaç duyacağınızı belirler. Alacağınız cevabın kalitesi ise büyük ölçüde verilerinizin doğasına bağlı olacaktır. + +Bu derste yer alan [verilere](../../data/US-pumpkins.csv) göz atın. Bu `.csv` dosyasını VS Code veya başka bir düzenleyiciyle açabilirsiniz. Hızlı bir bakış, boş alanların ve sayı/metin karışık veri tiplerinin olduğunu hemen gösterir. Ayrıca "Package" adında, içerisinde 'sacks', 'bins' gibi değerlerin karışık halde bulunduğu bir sütun vardır. Veriler oldukça dağınık görünüyor. + +Aslında, tamamen kullanıma hazır bir veri kümesi elde etmek çok yaygın değildir. Bu derste, standart Python kütüphanelerini kullanarak ham bir veri kümesinin nasıl hazırlanacağını öğreneceksiniz. Ayrıca çeşitli veri görselleştirme tekniklerini de inceleyeceksiniz. + +--- + +## Çalışma Örneği: “Kabak Pazarı” + +Bu dizinde, `data` klasörünün kökünde [US-pumpkins.csv](../../data/US-pumpkins.csv) adlı bir dosya bulacaksınız. Dosyada, şehir bazında sıralanmış 1757 satırlık bir kabak pazarı verisi yer alır. Bu veriler, ABD Tarım Bakanlığı (USDA) tarafından dağıtılan [Özel Ürün Terminal Pazar Standart Raporları](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) aracılığıyla elde edilmiştir. + +### Verilerin Hazırlanması + +Bu veriler kamu malıdır. USDA’nın web sitesinden, şehir bazında ayrı ayrı indirilebilir. Çok fazla dosyayla uğraşmamak için, tüm şehir verilerini tek bir sayfada birleştirip biraz hazırlık yaptık. Şimdi verileri daha yakından inceleyelim. + +### Kabak Verileri - İlk Sonuçlar + +Veriler hakkında neler fark ediyorsunuz? Daha önce de gördüğünüz gibi, içinde metin, sayılar, boş alanlar ve tuhaf değerler karışık halde bulunuyor. + +Verilere, bir regresyon tekniği kullanarak hangi soruları sorabilirsiniz? Örneğin, “Belirli bir ayda kabak satış fiyatını tahmin edebilir miyiz?” diye düşünebilirsiniz. Verilere tekrar bakıldığında, bu soruya yönelik uygun veri yapılarını oluşturmak için birkaç değişiklik yapmanız gerektiği görülüyor. + +--- + +## Alıştırma - Kabak Verilerini Analiz Etmek + +[**Pandas**](https://pandas.pydata.org/) (ismini “Python Data Analysis” kısaltmasından alır) verilerin şekillendirilmesi için oldukça kullanışlı bir araçtır. Bu kabak verilerini analiz etmek ve hazırlamak için Pandas’ı kullanalım. + +### 1. Önce, Eksik Tarihleri İnceleyin + +Eksik tarihleri incelemek için birkaç adım atmanız gerekir: + +1. Tarihleri ay formatına dönüştürün (ABD formatı `MM/DD/YYYY` olduğundan). +2. Yeni bir sütunda ay değerini tutun. + +VS Code’da _notebook.ipynb_ dosyasını açın ve elektronik tabloyu Pandas’ta yeni bir DataFrame olarak içe aktarın. + +1. İlk beş satırı görüntülemek için `head()` fonksiyonunu kullanın: + + ```python + import pandas as pd + pumpkins = pd.read_csv('../data/US-pumpkins.csv') + pumpkins.head() + ``` + + ✅ Son beş satırı görüntülemek için hangi fonksiyonu kullanırdınız? + +2. Veri çerçevenizde eksik veri olup olmadığını kontrol edin: + + ```python + pumpkins.isnull().sum() + ``` + + Eksik veriler mevcut, ancak bu belirli görev için belki o kadar önemli olmayabilir. + +3. DataFrame’inizi daha yönetilebilir hale getirmek için bazı sütunları `drop()` ile atın ve yalnızca ihtiyacınız olan sütunları koruyun: + + ```python + new_columns = ['Package', 'Month', 'Low Price', 'High Price', 'Date'] + pumpkins = pumpkins.drop([c for c in pumpkins.columns if c not in new_columns], axis=1) + ``` + +### 2. İkinci Adım, Kabakların Ortalama Fiyatını Belirleyin + +Bir ay özelinde kabakların ortalama fiyatını nasıl belirleyebilirsiniz? İpucu: 3 sütuna ihtiyacınız var. + +Çözüm: `Low Price` ve `High Price` sütunlarının ortalamasını alarak yeni `Price` sütununa kaydedin ve `Date` sütununu yalnızca ay değerini gösterecek şekilde dönüştürün. Yukarıdaki incelemeye göre, tarih veya fiyat sütunlarında eksik veri bulunmuyor. + +1. Ortalamayı hesaplamak için aşağıdaki kodu ekleyin: + + ```python + price = (pumpkins['Low Price'] + pumpkins['High Price']) / 2 + month = pd.DatetimeIndex(pumpkins['Date']).month + ``` + + ✅ `print(month)` diyerek ay değerlerini görüntüleyip kontrol edebilirsiniz. + +2. Dönüştürülen verilerinizi yeni bir Pandas DataFrame’e kopyalayın: + + ```python + new_pumpkins = pd.DataFrame({ + 'Month': month, + 'Package': pumpkins['Package'], + 'Low Price': pumpkins['Low Price'], + 'High Price': pumpkins['High Price'], + 'Price': price + }) + ``` + + Bu DataFrame’i yazdırdığınızda, regresyon modelinizi oluşturmak için temiz ve düzenli bir veri kümesi elde ettiğinizi göreceksiniz. + +--- + +### Ama Durun! Burada Bir Gariplik Var + +`Package` sütununa bakarsanız, kabakların farklı şekillerde satıldığını görürsünüz. Bazıları “1 1/9 bushel” olarak, bazıları “1/2 bushel”, bazıları tane (parça) bazlı, bazıları pound (libre) bazında ve değişken genişlikli büyük kutularla satılıyor. + +> Kabakların tutarlı bir şekilde tartılması oldukça zormuş gibi görünüyor. + +Orijinal verilere baktığınızda, `Unit of Sale` değeri ‘EACH’ veya ‘PER BIN’ olanların `Package` değerlerinde inç, sepet veya ‘each’ gibi bilgiler de karışık halde. Kabaklar tutarlı bir şekilde tartılmıyor görünüyor. Bu nedenle, `Package` sütununda ‘bushel’ geçen kabakları filtreleyelim. + +1. .csv’yi içe aktardığınız kodun hemen altına bir filtre ekleyin: + + ```python + pumpkins = pumpkins[pumpkins['Package'].str.contains('bushel', case=True, regex=True)] + ``` + + Verileri tekrar yazdırdığınızda, “bushel” (fanega) bazında satılan yaklaşık 415 satırlık verinin kaldığını görebilirsiniz. + +--- + +### Ama Daha Bitmedi! Yapmanız Gereken Bir Şey Daha Var + +Fark ettiğiniz gibi, “bushel” (fanega) miktarı satırdan satıra farklılık gösteriyor. Fanega başına fiyatı doğru şekilde göstermek için fiyatı normalleştirmeniz gerekiyor. Bunun için bazı hesaplamalar yapmalısınız. + +1. `new_pumpkins` DataFrame’i oluşturduğunuz bloktan hemen sonra şu satırları ekleyin: + + ```python + new_pumpkins.loc[new_pumpkins['Package'].str.contains('1 1/9'), 'Price'] = price/(1 + 1/9) + new_pumpkins.loc[new_pumpkins['Package'].str.contains('1/2'), 'Price'] = price/(1/2) + ``` + +✅ [The Spruce Eats](https://www.thespruceeats.com/how-much-is-a-bushel-1389308) sitesine göre, bir faneganın ağırlığı ürüne göre değişir çünkü fanega bir hacim ölçüsüdür. “Örneğin, bir fanega domatesin 56 pound (libre) olması beklenir... Yapraklı yeşillikler daha fazla hacim kaplayıp daha az ağırlığa sahiptir, dolayısıyla bir fanega ıspanak sadece 20 pound’dur.” Tüm bunlar karmaşıktır! Fanegayı pound’a dönüştürmekle uğraşmak yerine fanega fiyatını baz alalım. Bu örnek, veri türünüzün doğasını anlamanın ne kadar önemli olduğunu gösteriyor! + +Şimdi fiyatı fanegaya göre analiz edebilirsiniz. Verileri bir kez daha yazdırırsanız, normalleştirilmiş halde olduğunu görebilirsiniz. + +✅ Yarım fanegalık kabakların neden daha pahalı göründüğünü fark ettiniz mi? Bunun sebebini bulabilir misiniz? İpucu: Küçük kabaklar daha pahalıdır çünkü aynı hacimdeki büyük bir kabağın bıraktığı boşluğu doldurmak için fanegaya daha fazla küçük kabak sığar. + +--- + +## Görselleştirme Stratejileri + +Bir veri bilimcisinin rolünün bir parçası, çalıştığı verilerin kalitesini ve doğasını gösterebilmektir. Bunu yapmak için genelde ilgi çekici görselleştirmeler, grafikler ve çizimler oluştururlar. Böylece, verilerdeki ilişkileri ve boşlukları, aksi halde keşfetmesi zor olabilecek şekilde görsel olarak gösterebilirler. + +Görselleştirmeler ayrıca hangi makine öğrenimi tekniğinin veriler için daha uygun olduğunu belirlemeye yardımcı olur. Örneğin, düz bir çizgi etrafında kümelenen bir dağılım grafiği, doğrusal regresyona iyi bir aday olduğunu gösterebilir. + +[Jupyter defterlerinde](https://jupyter.org/) (notebook) iyi çalışan bir veri görselleştirme kütüphanesi [**Matplotlib**](https://matplotlib.org/)’dir (daha önceki derste de kullanmıştınız). + +> Veri görselleştirme konusunda daha fazla deneyim kazanmak için [bu eğitimlere](https://docs.microsoft.com/learn/modules/explore-analyze-data-with-python?WT.mc_id=academic-77952-leestott) göz atın. + +--- + +## Alıştırma - Matplotlib ile Deney Yapın + +Yeni oluşturduğunuz DataFrame’i göstermek için birkaç basit grafik oluşturmayı deneyin. Örneğin, basit bir çizgi grafiği ne gösterir? + +1. Dosyanızın başına, Pandas’ın altına Matplotlib’i ekleyin: + + ```python + import matplotlib.pyplot as plt + ``` + +2. Tüm not defterini yeniden çalıştırarak güncelleyin. +3. Not defterinin sonuna bir hücre ekleyerek verileri bir kutu (ya da nokta) grafiği şeklinde gösterin: + + ```python + price = new_pumpkins.Price + month = new_pumpkins.Month + plt.scatter(price, month) + plt.show() + ``` + + ![Fiyat ile ay arasındaki ilişkiyi gösteren bir dağılım grafiği](../images/scatterplot.png) + + Bu grafiğin faydası nedir? Sizi şaşırtan bir şey var mı? + + Çok yararlı görünmeyebilir, çünkü sadece bir ay içindeki noktaları dağıtım şeklinde göstermektedir. + +### Daha Faydalı Hale Getirmek + +Daha faydalı görseller elde etmek için, verileri bir şekilde gruplamanız gerekir. Örneğin, dikey eksende ayları, yatay eksende ise fiyat dağılımını göstermek isteyebilirsiniz. + +1. Gruplanmış bir sütun grafiği oluşturmak için şu hücreyi ekleyin: + + ```python + new_pumpkins.groupby(['Month'])['Price'].mean().plot(kind='bar') + plt.ylabel("Pumpkin Price") + ``` + + ![Fiyat ile ay arasındaki ilişkiyi gösteren bir sütun grafiği](../images/barchart.png) + + Bu veri görselleştirmesi daha yararlı! Grafiğe göre, kabakların en yüksek fiyatı Eylül ve Ekim aylarında görünüyor. Bu sizin beklentinizle örtüşüyor mu? Neden? + +--- + +## 🚀 Zorluk + +Matplotlib’in sunduğu farklı görselleştirme türlerini keşfedin. Regresyon problemleri için hangi türler daha uygun olabilir? + +--- + +## [Ders Sonrası Test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/12?loc=es) + +--- + +## İnceleme ve Öz Değerlendirme + +Verileri görselleştirmenin farklı yollarına bakın. Mevcut kütüphanelerin listesini yapın ve hangi kütüphanenin hangi tür görevlere daha uygun olduğunu not edin. Örneğin, 2D ve 3D görselleştirme için hangileri uygundur? Neler keşfettiniz? + +--- + +## Görev + +[Veri Görselleştirmeyi Keşfetmek](assignment.tr.md) diff --git a/2-Regression/2-Data/translations/assignment.tr.md b/2-Regression/2-Data/translations/assignment.tr.md new file mode 100644 index 000000000..6603a9ee0 --- /dev/null +++ b/2-Regression/2-Data/translations/assignment.tr.md @@ -0,0 +1,9 @@ +# Veri Görselleştirme Keşfi + +Veri görselleştirme için kullanılabilecek farklı kütüphaneler mevcuttur. Bu dersteki 'Pumpkin' verilerini kullanarak _matplotlib_ ve _seaborn_ ile bazı görselleştirmeler oluşturun. Hangi kütüphane ile çalışmanın daha kolay olduğunu keşfedin. + +## Rubrik + +| Kriterler | Örnek | Yeterli | Geliştirilmesi Gerekiyor | +| --------- | ------| ------- | ----------------------- | +| | İki keşif/görselleştirme içeren bir çalışma dosyası gönderildi | Bir keşif/görselleştirme içeren bir çalışma dosyası gönderildi | Çalışma dosyası gönderilmedi | diff --git a/2-Regression/3-Linear/translations/README.tr.md b/2-Regression/3-Linear/translations/README.tr.md new file mode 100644 index 000000000..e69de29bb diff --git a/2-Regression/3-Linear/translations/assignment.tr.md b/2-Regression/3-Linear/translations/assignment.tr.md new file mode 100644 index 000000000..64f085f88 --- /dev/null +++ b/2-Regression/3-Linear/translations/assignment.tr.md @@ -0,0 +1,11 @@ +# Bir Regresyon Modeli Oluşturma + +## Talimatlar + +Bu derste hem doğrusal (lineer) hem de polinomsal (polinomial) regresyon kullanarak nasıl model oluşturulacağını gördünüz. Bu bilgileri kullanarak, bir veri kümesi bulun ya da Scikit-learn’in yerleşik veri kümelerinden birini kullanarak yeni bir model oluşturun. Notebook içinde bu tekniği neden seçtiğinizi açıklayın ve modelinizin doğruluğunu gösterin. Eğer model yeterince doğru değilse nedenini açıklayın. + +## Değerlendirme Ölçütleri (Rubrik) + +| Kriter | Üstün Başarı (Örnek) | Yeterli | Geliştirmeye İhtiyaç Duyuyor | +| ------- | ------------------------------------------------------------- | -------------------------- | ------------------------------ | +| Çözüm | Tamamen belgelenmiş, eksiksiz bir notebook sunar. | Çözüm eksiktir. | Çözüm hatalı veya kusurludur. |