Profesyonel Yapay Zeka Projeleri için Dizin Yapısı
data/, notebooks/, src/, models/, tests/ düzeni ve cookiecutter-data-science örüntüsü.
Profesyonel Yapay Zeka Projeleri için Dizin Yapısı, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.
Yapı Neden Önemlidir?
final.ipynb, final2.ipynb ve really_final.ipynb adlı bir yığın not defteri, yapay zekâ projelerini çıkmaza sürükler. Tutarlı bir dizin yapısı, projeleri okunabilir, yeniden üretilebilir ve iş birliğine uygun hâle getirir.
Bu derste yaygın olarak kullanılan Cookiecutter Data Science düzeni ele alınır.
data Klasörü
Ham girdilerin üzerine asla yazılmaması için verileri işleme aşamasına göre ayırın:
data/raw/— özgün, değiştirilemez kaynak verilerdata/processed/— temizlenmiş, model kullanıma hazır verilerdata/interim/— ara dönüşümler
data/raw klasörünü yalnızca okunabilir kabul edin; diğer her şeyi buradan yeniden oluşturabilmelisiniz.
Ham Veriler Neden Değiştirilemez?
Bir temizleme hatası verilerin tek kopyasını bozarsa proje çıkmaza girer. data/raw klasörünü değiştirmeden tutmak, her işlenmiş dosyanın işlem hattınızı yeniden çalıştırarak yeniden üretilebilmesini sağlar.
İşlenmiş çıktılar gözden çıkarılabilir; ham veriler kutsaldır.
notebooks Klasörü
notebooks/, keşif ve raporlama not defterlerini içerir. Yaygın bir yaklaşım, bunları aşamaya göre numaralandırmak ve baş harflerini eklemektir; örneğin 1.0-mk-eda.ipynb.
Not defterleri keşif içindir; yeniden kullanılabilir mantık src/ içine taşınmalıdır.
src Paketi
src/, sorumluluklara göre ayrılmış içe aktarılabilir Python kodunu içerir:
src/data/— yükleme ve işleme betiklerisrc/features/— özellik mühendisliğisrc/models/— eğitim ve tahmin kodusrc/visualization/— grafikler ve raporlar
src/features ve src/models
Özellik mühendisliğini ve modellemeyi ayrı modüllerde tutmak yararlıdır: özellik kodunu birim sınamasından geçirebilir, not defterleri arasında yeniden kullanabilir ve veri hazırlama kodunu yeniden yazmadan modelleri değiştirebilirsiniz.
from src.features.build_features import make_features
from src.models.train import train_model
X = make_features(df)
model = train_model(X, y)models Klasörü
models/, serileştirilmiş eğitilmiş model varlıklarını (ör. model.pkl, model.joblib) saklar. Bunlar kaynak kodu değil, çıktılardır.
Büyük model dosyaları genellikle Git'e eklenmemelidir; bunun yerine DVC veya nesne depolama ile izlenmelidir (sonraki derste ele alınacaktır).
reports Klasörü
reports/, insanlar için oluşturulan çıktıları içerir: grafikler için reports/figures/ ve üst düzey bir rapor belgesi. Bunlar kodunuz tarafından üretildiğinden yeniden oluşturulabilir.
Yapılandırma ve Ortam Dosyaları
Proje düzeyindeki şu dosyalarla projeyi tamamlayın:
requirements.txtveyaenvironment.yml— bağımlılıklarconfig.yaml— hiperparametreler ve yollarREADME.md— projenin ne olduğu ve nasıl çalıştırılacağı.gitignore— Git'in atlaması gerekenler
Eksiksiz Düzen
Bir araya getirildiğinde temiz bir yapay zekâ projesi şöyle görünür:
project/
data/
raw/
interim/
processed/
notebooks/
src/
data/
features/
models/
visualization/
models/
reports/
figures/
config.yaml
requirements.txt
README.mdCookiecutter ile Oluşturma
Bunu her seferinde elle oluşturmanız gerekmez. cookiecutter-data-science şablonu, tek bir komutla tüm yapının iskeletini oluşturur.
# pip install cookiecutter
# cookiecutter -c v1 https://github.com/drivendata/cookiecutter-data-science
# Answer a few prompts -> full project tree createdHızlı Kontrol: Ham Veriler Nereye Konur?
Bir veri sağlayıcısından özgün bir CSV indiriyorsunuz.
Özet: Proje Yapısı
Profesyonel yapay zekâ projesi düzenini öğrendiniz:
data/raw(değiştirilemez), aşamalar içindata/processed- Keşif için
notebooks/, yeniden kullanılabilir kod içinsrc/featuresvesrc/models - Model varlıkları için
models/, çıktılar içinreports/ - Yapılandırma, bağımlılıklar, README ve .gitignore kök dizinde
- İskeleti anında oluşturmak için cookiecutter-data-science
Sırada: yapay zekâ projelerinde Git'i etkili kullanma.
Sıkça Sorulan Sorular
“Profesyonel Yapay Zeka Projeleri için Dizin Yapısı” dersi ücretsiz mi?
Evet — “Profesyonel Yapay Zeka Projeleri için Dizin Yapısı” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.
“Profesyonel Yapay Zeka Projeleri için Dizin Yapısı” dersinde ne öğreneceğim?
data/, notebooks/, src/, models/, tests/ düzeni ve cookiecutter-data-science örüntüsü. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 1. dersidir.
“Profesyonel Yapay Zeka Projeleri için Dizin Yapısı” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Profesyonel Yapay Zeka Projeleri için Dizin Yapısı
- Yapay Zeka Projeleri için Git
- Yeniden Üretilebilirlik: Tohumlar, Yapılandırmalar ve Ortamlar
- Jupyter Not Defterleri İçin En İyi Uygulamalar