Veri Bilimi: Python Diliyle Kodlanmış Örnek Uygulamalarıyla

Dr. Tuğba AYDEMİR, Ayşe Gül EKER

Dr. Meltem Kurt PEHLİVANOĞLU, Prof. Dr. Nevcihan DURU

 farkımız, kitaplarımızda...

ISBN: 978-605-9594-87-5, Aralık 2021 

352 sayfa, (16x24 cm2), 80 gr 1. hamur kağıt          şimdi satın al

Veri Bilimi: Python Diliyle Kodlanmış Örnek Uygulamalarıyla

Sayısallaşma (dijitalleşme) ve teknolojinin yaşamın her alanına nüfuz etmesi sonucu, makine öğrenmesi ve derin öğrenme algoritmaları; matematik, mühendislik, sağlık, ekonomi ve iktisat başta olmak üzere her bilim dalı araştırmacısının bilgi sahibi olması gereken konular haline gelmiştir. Bu nedenle her alandan okuyucu kitlesine hitap etmesi amaçlanarak hazırlanan bu kitap; başta fen, sosyal ve mühendislik alanları olmak üzere her alan için yararlı bir kaynak niteliğindedir.

Bu kitapta, geleneksel makine öğrenmesi algoritmaları ve derin öğrenme algoritmalarının matematiksel olarak genel çalışma ilkeleri açıklanarak Python Programlama Dili ile uygulama örnekleri verilmiştir.

İlk bölümünde makine öğrenmesi ve derin öğrenme algoritmalarının daha iyi anlaşılabilmesi için gerekli olan matematiksel kavramlar örneklerle ifade edilmektedir. İkinci bölümde, temel Python bilgisine sahip olduğu varsayılarak, bu konuda eksiği olan ya da tekrar ihtiyacı hisseden okuyucuya yararlanabileceği kaynaklar sunularak yol gösterilmektedir. Ayrıca okuyucunun kullanım becerisini geliştirmek amacıyla, veri analizi ve algoritmaların uygulanmasında gerekli Python kütüphaneleri, verilen kodlar üzerinde pratik yapılarak ayrıntılı açıklanmaktadır. Üçüncü bölümde makine öğrenmesinde sıkça kullanılan kavramlar ele alınmaktadır.

Dördüncü ve beşinci bölümde sırasıyla makine öğrenmesi ve derin öğrenme algoritmaları Python programlama kod örnekleri de verilerek, konular anlatım ve uygulama yönünden her alandan okuyucuya ulaşabilecek şekilde ele alınmaktadır. Okuyucu bir taraftan algoritmaların işleyiş pratiğini öğrenirken, diğer taraftan Python dilinde yazılmış hazır bir kod parçası ile ilerde kendi verileri için kullanacağı bir şablona erişmiş olmaktadır. Bu iki bölümde ele alınan önemli başlıklar sırasıyla şöyledir: K- En Yakın Komşuluk algoritması, Naive Bayes algoritması, Lojistik Regresyon algoritması, Basit Lineer Regresyon algoritması, Karar Ağaçları algoritması, Rastgele Orman algoritması, Destek Vektör Makineleri algoritması, Birliktelik Analizi algoritması, K-Ortalamalar algoritması, Yapay Sinir Ağları, Evrişimli Sinir Ağları, Özyinelemeli Sinir Ağları, Çekişmeli Üretici Ağlar ve Otomatik Kodlayıcılar.

---

---

İÇİNDEKİLER

Önsöz
Bölüm 1. Matematiksel Temel Kavramlar
1.1. Matrisler ve Matris İşlemleri
1.2. Determinant
1.3. Metrik Uzaylar
1.4. Vektör Uzayı
1.5. Norm
1.6. İç Çarpım
1.7. Optimizasyon
1.8. Özet
1.9. Çalışma Soruları

Bölüm 2. Python ile Veri Analizine Giriş
2.1. Numpy Kütüphanesi Kullanımı
2.2. Pandas Kütüphanesi Kullanımı
2.3. Veri Önişleme
2.4. Özet
2.5. Çalışma Soruları

Bölüm 3. Makine Öğrenmesi Temel Kavramlar
3.1. Makine Öğrenmesi
3.1.1. Gözetimli(Denetimli) Öğrenme
3.1.2. Gözetimsiz(Denetimsiz) Öğrenme
3.2. Model Doğrulama
3.2.1. Bekletme Doğrulaması(Hold-Out Validation)
3.2.2. k-Katlı Çapraz Doğrulama (k-Fold Cross Validation)
3.2.3. Bootstrap Örnekleme
3.3. Değerlendirme Metrikleri
3.3.2. ROC Eğrisi(Receiver Operating Characteristic Curve)
3.3.3. Regresyon Metrikleri
3.4. Aşırı Öğrenme(Overfitting) ve Eksik Öğrenme(Underfitting)
3.5. Varyans-Yanlılık Dengesi(Varyans-Bias Trade-Off)
3.6. Veri Önişleme
3.7. Özet
3.8. Çalışma Soruları

Bölüm 4. Makine Öğrenmesi Algoritmaları
4.1. k-En Yakın Komşuluk Algoritması (k Nearest Neighbours)
4.2. Naive Bayes Algoritması
4.3. Lojistik Regresyon Algoritması
4.3.1.Parametre Tahmin Yöntemleri
4.3.2. Maksimum Olabilirlik Yöntemi
4.4. Basit Lineer Regresyon Algoritması
4.5. Karar Ağaçları Algoritması
4.5.1. ID3 Algoritması
4.5.2. Gini Algoritması
4.6. Rastgele Orman Algoritması
4.7. Destek Vektör Makineleri Algoritması
4.8. Birliktelik Analizi Algoritması
4.9. K-Ortalamalar (K-Means) Algoritması
4.10. Özet
4.11. Çalışma Soruları

Bölüm 5. Derin Öğrenme
5.1. Derin Öğrenmenin Tarihçesi
5.2. Yapay Sinir Ağları
5.2.1. Katmanlar
5.2.2. Aktivasyon Fonksiyonları
5.2.3. Kayıp Fonksiyonları
5.2.4. Optimizasyon Yöntemleri
5.2.4.1. Gradyan Azalma
5.2.4.2. Olasılıksal Gradyan Azalma
5.2.4.3. Mini Bölümlü Gradyan Azalma
5.2.4.4. Adagrad
5.2.4.5. RmsProp
5.2.4.6. Adam
5.2.6. Hiperparametreler
5.2.7. Derin Öğrenme Kütüphaneleri
5.2.8. Yapay Sinir Ağı Uygulaması-Fashion-MNIST Veri Kümesi ile Çoklu Sınıflandırma
5.3. Derin Öğrenme Algoritmaları
5.3.1. Evrişimli Sinir Ağları(Convolutional Neural Network-CNN)
5.3.1.1. Katmanlar
5.3.1.1.1. Evrişim Katmanı (Convolution Layer)
5.3.1.1.2. Havuzlama (Pooling) Katmanı
5.3.1.2. Pytorch ile Evrişimli Sinir Ağı Uygulaması-CIFAR10 Veri Kümesi ile Çoklu Sınıflandırma
5.3.1.3. Tensorflow ile Evrişimli Sinir Ağı Uygulaması-Fotoğraflardan Cinsiyet Tahmini
5.3.2. Özyinelemeli Sinir Ağları(RNN)
5.3.2.1. Özyinelemeli Sinir Ağı Mimarisi
5.3.2.2. Özyinelemeli Sinir Ağı Uygulaması Sinüs Dalgaları Tahminlemesi
5.3.2.3. Uzun-Kısa Dönemli Hafıza (LSTM)
5.3.2.4. Özyinelemeli Sinir Ağı ve LSTM Uygulaması-Türkçe Tweetlerden Duygu Analizi
5.3.3. Çekişmeli Üretici Ağlar(GAN)
5.3.3.1. Çekişmeli Üretici Ağı Mimarisi
5.3.3.2. Çekişmeli Üretici Ağ Uygulaması-MNIST Veri Kümesi ile Sentetik Veri Üretme
5.3.3.3. Derin Evrişimli Çekişmeli Üretici Ağlar(DCGAN)
5.3.4. Otomatik Kodlayıcılar(AutoEncoders)
5.3.4.1. Otomatik Kodlayıcı Mimarisi
5.3.4.2. Otomatik Kodlayıcılar Uygulaması-3 Boyutlu Şekilleri Yeniden Oluşturma
5.3.4.3. Otomatik Kodlayıcılar Uygulaması-Fashion-MNIST Veri Kümesinde Gürültü Giderme

Kaynakça

Dizin