Aşağıda 1,500,000'dan fazla şiir başlıkları arasından "Makine" terimini içeren şiirler listelenmektedir. Makine ile ilgili şiirler "kayıt tarihine" göre listelenmektedir.
Şiirlerin "Makine" ile ilgili alakalı olup olmadıkları sistem tarafından otomatik belirlenip içinde aradığından konu dışı bazı şiirler listelenebilir.
Makine ile ilgili "
42
" şiir aşağıdadır.
Sınıflandırma performansının ölçülmesi için, modelin tahminlerinin gerçek değerlerle karşılaştırılması gerekir. Bu karşılaştırma, bir karışıklık matrisi (confusion matrix) ile gösterilebilir. Karışıklık matrisi, modelin doğru ve yanlış tahminlerini dört kategoriye ayırır: Doğru pozitif (DP): Modelin pozitif olarak tahmin ettiği ve gerçekte de pozitif olan veri noktaları. Örneğin, modelin COVID+ olarak tahmin ettiği ve gerçekten de COVID+ olan hastalar. Doğru negatif (DN): Modelin negatif olarak tahmin ettiği ve gerçekte de negatif olan veri noktaları. Örneğin, modelin COVID- olarak tahmin ettiği ve gerçekten de COVID- olan hastalar. Yanlış pozitif (YP): Modelin pozitif olarak tahmin ettiği ama gerçekte negatif olan veri noktaları. Örneğin, modelin COVID+ olarak tahmin ettiği ama gerçekte COVID- olan hastalar. Bu tip hatalara Tip I hata denir. Yanlış negatif (YN): Modelin negatif olarak tahmin ettiği ama gerçekte pozitif olan veri noktaları. Örneğin, modelin COVID- olarak tahmin ettiği ama gerçekte COVID+ olan hastalar. Bu tip hatalara Tip II hata denir.
- Python: Açık kaynak kodlu, işlevsel ve ücretsiz bir programlama dilidir. Geniş topluluk desteği, kütüphane zenginliği ve işlevselliği nedeniyle özellikle son yıllarda programlama, makine öğrenmesi ve yapay zekâ alanlarında tercih edilen bir programlama dilidir. Python ile makine öğrenmesi uygulamaları geliştirmek için popüler kütüphaneler arasında scikit-learn, TensorFlow ve PyTorch bulunur. - Google Colab Not Defteri: Bulut tabanlı bir platformdur. Python kodunu tarayıcı üzerinden çalıştırmaya ve paylaşmaya olanak sağlar. Google Colab Not Defteri, makine öğrenmesi uygulamaları için gerekli olan kütüphaneleri ve araçları içerir. Ayrıca, Google'ın GPU ve TPU gibi güçlü hesaplama kaynaklarına erişim sağlar. - Microsoft Azure Machine Learning: Bulut tabanlı bir platformdur. Makine öğrenmesi modellerini oluşturmak, eğitmek, dağıtmak ve yönetmek için kapsamlı bir çözüm sunar. Azure Machine Learning, Python, R ve diğer programlama dillerini destekler. Ayrıca, Azure Databricks, Azure Synapse Analytics ve Azure Cognitive Services gibi diğer Azure hizmetleriyle entegre çalışır. - AutoCAD: Vektör tabanlı çizim ve tasarım programlarından biridir. İki boyutlu ve üç boyutlu geometrik nesneler oluşturabileceğiniz bir programdır. Makine mühendisleri, mekanik tasarımlarını gerçekleştirmek için AutoCAD kullanabilir. - SolidWorks: Üç boyutlu modelleme ve simülasyon programlarından biridir. Makine mühendisleri, parça, montaj ve çizim tasarımlarını yapmak için SolidWorks kullanabilir.
Eğitim işlemi, algoritmaları ve veri setini kullanarak bir model geliştirme (eğitim) işlemidir. Model, verilerdeki örüntüleri veya ilişkileri yakalamak için kullanılan bir matematiksel fonksiyondur. Eğitim işlemi, modelin verileri en iyi şekilde açıklayan veya tahmin eden parametrelerini bulmak için veri setini algoritmalara uygulamaktır. Geliştirilen modellerin başarısını ölçmek modeli değerlendirebilmek için gereklidir. Modelin ne kadar iyi performans gösterdiğini, verileri ne kadar doğru açıkladığını veya tahmin ettiğini belirlemek için performans ölçümleri kullanılır. Performans ölçümleri, modelin çıktılarını gerçek değerlerle karşılaştırarak bir hata veya doğruluk oranı hesaplar. Sınıflandırma ve sayısal tahmin olmak üzere iki farklı performans ölçüm yöntemi bulunur. Sınıflandırma, veri öğelerinin ait olduğu sınıfı belirtir ve çıktıda sonlu ve ayrık değerler olduğunda kullanılır. Örnek: Kredi Riski tahmin eden bir makine öğrenmesi modeli düşünelim. Bu model, kişilerin gelir, yaş, eğitim, borç, kredi geçmişi gibi özelliklerini kullanarak, kredi başvurusunda bulunan kişilerin kredi riskini düşük veya yüksek olarak sınıflandırır. Modelinizi oluşturduktan sonra, doğrulama veya test aşamasında, modelinizin performansını ölçmek istersiniz. Test veri setinde kredi riski düşük veya yüksek olarak etiketli kişilerin model tarafından doğru olarak sınıflandırılmasını beklersiniz. Makine öğrenmesinin tahminlerini gerçek etiketlerle karşılaştırmanız gerekir. Test setinde "kredi riski yüksek" olarak etiketlenmiş bir kişiye ait girdiler verildiğinde "kredi riski yüksek" olduğunu tahmin etmesini beklersiniz ancak her zaman böyle olmaz. Modeller tıpkı insanlar gibi (böyle işlemlerde insanlardan çok daha fazla) hatalı sınıflandırmalar yapabilir. Sınıflandırma için geliştirilen bir model örnekteki gibi ikili sınıflandırmada dört farklı tahmin üretebilir.
- Veri toplama: Makine öğrenmesi için veri, öğrenme ve tahmin yapma sürecinin temelidir. Veri, farklı kaynaklardan toplanabilir, örneğin internet, sensörler, anketler, deneyler vb. Veri, sayısal, metinsel, sesli, görüntülü veya karma olabilir. Veri, makine öğrenmesi algoritmasının girdisi olarak kullanılır. - Veri ön işleme: Veri toplama aşamasından sonra, veri makine öğrenmesi algoritmasına uygun hale getirilmelidir. Veri ön işleme aşamasında, veri üzerinde çeşitli işlemler yapılır, örneğin: - Veri temizleme: Verideki eksik, hatalı, tutarsız veya anlamsız değerlerin tespit edilmesi ve düzeltilmesi veya silinmesi işlemidir. - Veri dönüştürme: Verideki değerlerin, makine öğrenmesi algoritmasının anlayabileceği bir formata dönüştürülmesi işlemidir. Örneğin, metin verisi sayısal veriye, kategorik veri ikili veriye, sürekli veri ayrık veriye vb. dönüştürülebilir. - Veri indirgeme: Verideki gereksiz, yinelenen veya çok fazla sayıda olan özelliklerin veya örneklerin azaltılması işlemidir. Veri indirgeme, verinin boyutunu küçültmek, veriyi basitleştirmek, verideki gürültüyü azaltmak ve makine öğrenmesi algoritmasının hızını ve performansını artırmak için yapılır.
Bir çocuk ilk defa karga gördüğünde, ne olduğunu merak eder ve sorar. "Bu bir karga" cevabını aldığında, zihninde kargaya dair bir kalıp oluşturmaya başlar. Çocuk zamanla farklı kargalarla karşılaştıkça, bunların da karga olduğunu öğrenir. Çocuğun zihninde kargaların ortak özellikleri, siyah renk, gagası, kanatları ve sesi gibi bir kalıp oluşur. Bu özellikler, kargayı diğer kuşlardan ayıran belirleyici özelliklerdir. Çocuk, yeni bir karga gördüğünde, zihnindeki karga kalıbıyla karşılaştırarak, bunun bir karga olup olmadığına karar verir. Bu öğrenme süreci doğal olarak gerçekleşir ve çocuklar bunun için özel bir çaba harcamazlar. Makine öğrenmesinde de benzer bir süreç vardır. Karga ve güvercin olarak etiketlenmiş (sınıflandırılmış) fotoğraflardan oluşan bir veri seti, bir makine öğrenmesi algoritması (bir model) tarafından eğitilir. Makine öğrenmesi algoritması, bu fotoğraflardan sınıfları tanımlayan özellikleri öğrenir. Yeni bir fotoğraf verildiğinde, öğrenilen sınıf özellikleriyle uyumuna göre bir sınıflandırma yapar (Örnek: Bu bir karga.). Makine öğrenmesi, klasik programlamadan farklı bir yaklaşımdır. Klasik programlamada, programcılar tüm olasılıkları düşünerek koşullu ifadeler yazıp, veriyi işleyen ve çıktı üreten kodlar oluştururlar. Programlar, yazılan kodlar (kurallar) dışında başka bir işlem yapmazlar. Makine öğrenmesinde ise, veri ve çıktılar, makine öğrenmesi algoritmaları tarafından analiz edilerek, veri ve çıktı arasındaki olası ilişkiler, kalıplar, örüntüler ve kurallar bulunur. Klasik programlamada sadece yazılan kodlara bağlı sonuçlar elde edilirken, makine öğrenmesinde sonucu veri-çıktı belirler. Makine öğrenmesi, klasik programlamaya göre daha avantajlıdır. Klasik programlamada binlerce satır kod yazmak ve her veri seti için yeni kodlar, yeni kurallar eklemek gerekirken, makine öğrenmesinde daha az kod yazmak ve verilerden öğrenmek mümkündür. Klasik programlamada tüm girdileri ve bunları işlemek için gerekli kuralları ve kodları önceden belirlemek zorundayken, makine öğrenmesinde bu her zaman gerekli değildir. Makine Öğrenmesi Türleri
# Ürün Tahmini # Veri seti ve hedef değişken detayları # Veri seti olarak 'urunler.csv' dosyası kullanıldı # Hedef değişkenin adı 'target' olarak belirlendi import pandas as pd