Python For Kids · Ders

Scikit-Learn ile Denetimli Öğrenme

Doğrusal regresyon ve sınıflandırma gibi denetimli öğrenme modelleri oluşturma ve değerlendirme

Scikit-Learn ile Denetimli Öğrenme, CoddyKit'te ücretsiz bir Python For Kids dersidir. Bu, 6 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Python For Kids öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Python For Kids kursu toplamda 6 dersten oluşur.

Scikit-Learn ile Denetimli Öğrenme

Denetimli öğrenme, tahmin yapmak veya veri noktalarını sınıflandırmak için etiketlenmiş verileri kullanarak bir modeli eğitmeyi içerir. Scikit-learn, denetimli öğrenme modelleri uygulamak için popüler bir Python kütüphanesidir.

Bu derste Scikit-learn kullanarak denetimli öğrenme modelleri oluşturmayı ve değerlendirmeyi öğreneceksiniz.

Scikit-Learn ile Denetimli Öğrenme — resim 1

Denetimli Öğrenme Nedir?

Denetimli öğrenmede, her girdinin karşılık gelen bir çıktıya sahip olduğu etiketli veriler kullanılır. Amaç, girdilerden çıktılara bir eşleme öğrenmektir.

Yaygın görevler şunlardır:

Regresyon: Ev fiyatları gibi sürekli değerleri tahmin etme.
Sınıflandırma: Spam olup olmaması gibi kategorileri tahmin etme.

Scikit-Learn'ü Kurma

Scikit-learn'ü pip kullanarak kurun:

pip install scikit-learn

Kurulum tamamlandığında kütüphaneyi içe aktarabilir ve model oluşturmaya başlayabilirsiniz.

Doğrusal Regresyon

Doğrusal regresyon, sürekli değerleri tahmin etmek için kullanılır. Basit bir doğrusal regresyon modeli oluşturalım:

# Example: Linear Regression
from sklearn.linear_model import LinearRegression

# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))

Lojistik Regresyon

Lojistik regresyon, bir e-postanın istenmeyen ileti olup olmadığını belirlemek gibi ikili sınıflandırma görevlerinde kullanılır.

# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression

# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]

model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))

Karar Ağaçları

Karar ağaçları, hem regresyon hem de sınıflandırma görevlerini gerçekleştirebilen çok yönlü modellerdir. Basit bir karar ağacı sınıflandırıcısı oluşturalım:

# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier

# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]

model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))

Modelleri Değerlendirme

Scikit-learn, model performansını değerlendirmek için ölçütler sağlar:

Ortalama Kare Hatası (MSE): Regresyon modelleri için.
Doğruluk: Sınıflandırma modelleri için.

# Example: Evaluating a model
from sklearn.metrics import mean_squared_error

# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))

Eğitim-Testi Ayırma

Model performansını daha önce görülmemiş veriler üzerinde değerlendirmek için veri kümenizi her zaman eğitim ve test kümelerine ayırın:

# Example: Train-Test Split
from sklearn.model_selection import train_test_split

X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)

Denetimli Öğrenmede Sık Yapılan Hatalar

Kaçınmanız gereken bazı hatalar şunlardır:

Verileri eğitim ve sınama kümelerine ayırmamak.
Gereğinden fazla karmaşık algoritmalar kullanarak modeli aşırı öğrenmeye maruz bırakmak.
Eğitim için hatalı etiketlenmiş veriler kullanmak.

Neler Öğrendik?

Bu derste şunları öğrendiniz:

Scikit-learn kullanarak regresyon ve sınıflandırma modellerinin nasıl oluşturulacağını.
MSE ve doğruluk gibi ölçütleri kullanarak model performansının nasıl değerlendirileceğini.
Verileri eğitim ve test kümelerine ayırmanın önemini.
Denetimli öğrenme görevlerinde kaçınılması gereken yaygın hataları.

Harika iş çıkardınız! Şimdi sonraki konuya geçelim.

Scikit-Learn ile Denetimli Öğrenme — resim 11

Sıkça Sorulan Sorular

“Scikit-Learn ile Denetimli Öğrenme” dersi ücretsiz mi?

Evet — “Scikit-Learn ile Denetimli Öğrenme” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Python For Kids kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Python For Kids kursu toplamda 6 dersten oluşur.

“Scikit-Learn ile Denetimli Öğrenme” dersinde ne öğreneceğim?

Doğrusal regresyon ve sınıflandırma gibi denetimli öğrenme modelleri oluşturma ve değerlendirme Python For Kids ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Python For Kids öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Python For Kids, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 6 dersinin 2. dersidir.

“Scikit-Learn ile Denetimli Öğrenme” 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 Python For Kids dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Python For Kids 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

← Python For Kids Sayfasına Dön