Akıllı şehirler, akıllı evler, akıllı tarım ve daha birçok alana duyduğumuz Nesnelerin İnterneti(Internet Of Things(IOT)) hayatlarımıza girdi. Dünyada akıllı tarım uygulamalarını takip etmemiz ve bunları ülkemizdeki her çiftinin kullanabileceği ücretsiz uygulamalarla tarımı daha verimli hale getirmemiz gerekiyor. Fazladan 1 damla su bile israf etmememiz gereken günlerdeyiz. Akıllı tarım yöntemi ile çiftçiler, tarlalarını tablet ya da telefondan kolay bir şekilde kontrol edebilecek ve sulamaya kadar birçok işlemi uzaktan halledebilecektir.
Peki bunun için neler yapabiliriz? Elimizi taşın altına koyabiliriz diyerek bu projeye başladım. Bu projede ortam sıcaklığını ve nemini anlık ölçüp mosquitto, kafka, spark, postgressql ve grafana kullanarak bu verileri kullanılabilir hale getirmeye çalıştım.

What is a Decision Tree?

Karar Ağacı, sınıflandırma problemlerinde yaygın olarak kullanılan önceden tanımlanmış bir hedef değişkene sahip ve denetlenen(supervised) öğrenme algoritması olarak tanımlanabilir. Karar Ağaçları yapısı gereği sınıflandırma problemlerine mükemmel uyar.

18. yüzyılın başlarında İngiliz matematikçi ve Presbiteryen bakanı olan Thomas Bayes, Bayes analizi ifadesini hiçbir zaman kullanmadı. Hayatında sadece iki makale yayınladı, biri teolojik, diğeri Newton’un hesabını filozof George Berkeley’in eleştirilerine karşı savundu. Bayes, yaşamının son dönemlerinde olasılıkla ilgilenmeye başladı. 1761’de öldü ve ölümünden bir yıl sonra arkadaşı Richard Price, Bayes tarafından Bayes Teoremi olarak bilinen şeyi önerdiği bir makalenin halka açık bir okumasını ayarladı. Matematik ve istatistik alanlarının yanında makine öğrenmesinde Bayes Teorisinin kullanımına daha yakından bakalım.

Vladimir Vapnik Sovyet Birliği’nden Amerika’ya 1991’ de göç ediyor. Kimse çalışmaları hakkında birşey bilmiyordu. Aslında Ph.D yaparken Moskova’da SVM’leri 1960’lı yılların başında yazmıştı.Ama o zamanlar bilgisayar olmadığı için test edecek imkanı bulamamıştı.Sonraki 25 yıl Sovyet Birliği’nde Onkoloji Enstitüsünde çalıştı bir yandan da başvurular yapıyordu. Bell Labs’ta birileri onu keşfetti ve Amerika’ya davet etti. Sonrasında Amerika’ya taşınan Vapnik 3 makalesini NIPS (Neural Information Processing System) Journal’a gönderdi ve hepsi reddedildi.
Hala buna üzgün ama bu onu motive etti. 1992-1993 yıllarında Bell Labs hand-written recognation ile ilgileniyordu. Vapnik neural networkün yetersiz olduğu SVM’lerin bu konuda daha iyi olduğuna dair çalışma arkadaşlarıyla iddiaya girdi. Çalışma arkadaşları bu konuda SVM kernelde n=2 olarak denediler ve sonuç lineer olmayan verileri sınıflandırmada harikaydı. Peki ik defa mı birileri kernel kullandı? Aslında Vapnik tezinde yazmıştı ama bunun önemli olduğunu düşünmemişti. Vapnik kernel fikrini yeniden canlandırdı ve geliştirmeye başladı. Vapnik’in kernelleri anlaması ve bunların önemini takdir etmesi arasında 30 yıl geçti ve işler böyle yürür.

Harika fikirlerin ardından hiçbir şeyin olmadığı uzun dönemler gelir. Ardından orjinal fikrin biraz değişimiyle büyük bir güce sahip gibi göründüğü bir aydınlanma anı gelir. 90’ların başına kadar kimsenin adını bile duymadığı Vapnik, bugün makine öğrenmesiyle uğraşan herkesin tanıdığı bir üne kavuştu. Gelin Vapnik’in dünyaya kazandırdığı SVM ve Kernel kavramına yakından bakalım.

Makine öğrenimi modelimizi verilere uydurduktan sonra ne yapmalıyız? Açıkçası, onu değerlendirmemiz ve çalışıp çalışmadığını anlamamız ve özellikle son durumda, iyileştirmek için bazı değişiklikler yapmamız gerekiyor. Makine öğrenimi eğitimi sırasında daha iyi veri yakalama, gerçek zamanlı izleme ve zamanında müdahale ile zamandan ve maliyetlerden tasarruf etmemize yardımcı olacaktır.

Yapay Sinir Ağları, günümüzün en popüler makine öğrenimi algoritmalarıdır. Bu sinir ağlarının icadı 1970’lerde gerçekleşti, ancak şu anda neredeyse her yerde bulundukları için hesaplama gücündeki son artış nedeniyle büyük popülerlik elde ettiler. Kullandığınız her uygulamada, sinir ağları güçlü bir arayüzle bağlanmanızı sağlar.

İlk nörobilgisayarın mucidi Dr. Robert Hecht-Nielsen bir sinir ağını şu şekilde tanımlar:

“… bilgileri harici girdilere dinamik durum tepkileri ile işleyen, basit, birbiriyle son derece bağlantılı işleme öğelerinden oluşan bir bilgi işlem sistemi.”

Supervised Learning(denetimli öğrenme) ve Unsupervised Learning(denetimsiz öğrenme) olan en yaygın iki öğrenme türünden Supervised Learning’den Classification(Sınıflandırma) problemi konusuna bakalım. Ayrıntılara girmeden önce

• Regresyon Problemi ile Sınıflandırma Problemi arasındaki fark nedir?

Makine öğreniminde feature scaling (özellik ölçeklendirme), bir makine öğrenimi modeli oluşturmadan önce verilerin ön işlenmesi sırasında en kritik adımlardan biridir. Ölçeklendirme, zayıf bir makine öğrenimi modeli ile daha iyisi arasında bir fark yaratabilir.

Generative Pre-trained Transformer 3 (Türkçe: Üretken Ön İşlemeli Dönüştürücü 3) kısaca GPT-3, insanların yazdığı metinlere benzer içerik üretmek için derin öğrenmeyi kullanan özbağlanımlı dil modelidir.

İki tür gözetimli(supervised) makine öğrenme algoritması vardır: Regresyon ve sınıflandırma.Örneğin, bir evin fiyatını dolar olarak tahmin etmek bir regression problemidir, bir tümörün kötü veya iyi huylu olup olmadığını tahmin etmek bir sınıflandırma problemidir. Bu yazıda , Python için en popüler makine öğrenimi kütüphanelerinden biri olan Scikit-Learn kullanarak doğrusal regresyonun ne olduğunu ve hem iki değişken hem de çoklu değişken için nasıl uygulanabileceğini kısaca inceleyeceğiz.