Bu video, bir eğitmen tarafından sunulan veri madenciliği ve veri ön işleme konularını kapsayan kapsamlı bir eğitim dersidir.. Ders, veri hazırlama ve ön işleme kavramlarıyla başlayıp, veri toplama yöntemlerini (gözlem, anket, web scraping vb.), veri seti kaynaklarını (UCI dataset), veri tiplerini (nominal, ordinal, interval, ratio) ve istatistiksel ölçümleri (merkezi eğilim ve dağılım ölçüleri) detaylı şekilde ele almaktadır. Jupyter Notebook ortamında uygulamalar gösterilerek teorik bilgiler somutlaştırılmaktadır.. Video, veri bilimi ve makine öğrenimi öğrencileri için hazırlanmış olup, veri setlerinin nasıl indirileceği, Jupyter Notebook'a nasıl aktarılacağı, veri tiplerinin nasıl sınıflandırılacağı ve temel istatistiksel analizlerin nasıl yapılacağı konularında pratik bilgiler sunmaktadır. Ayrıca, veri dağılımlarını gösteren grafik türleri ve aykırı verilerin tespiti gibi konular da içermektedir.
Bu video, bir konuşmacının Python ile makine öğrenmesi konusunda eğitim verdiği bir eğitim içeriğidir.. Video, çok terimli lojistik regresyon yapısının ne olduğu ve nasıl kullanılacağı konusunu ele almaktadır. İçerik, Cagle.com'dan indirilen Iris veri seti üzerinde adım adım Python kodlarını göstermektedir. Eğitim, veri setinin indirilmesi, temizlenmesi, bağımlı değişkenin encoder edilmesi, eğitim ve test veri setlerinin ayrılması, standartlaştırma işlemleri, modelin oluşturulması, fit edilmesi ve başarı ölçümü (konfis matris, başarı skoru) ile devam etmektedir.. Videoda ayrıca cross validation yöntemi kullanılarak modelin gerçek başarı puanının nasıl ölçüleceği gösterilmekte ve Iris data setinin üç farklı çiçek türü (setosa, versicolor, virginica) ve bunların yaprak uzunlukları ile genişlikleri hakkında bilgiler içermektedir.
Bu video, bir eğitim serisinin bir parçası olup, konuşmacı veri ön işleme konusunu anlatmaktadır.. Videoda, önceki derste görselleştirme yapılmış bir veri setinin makine öğrenmesine uygun hale getirilmesi gösterilmektedir. Konuşmacı, metinsel ifadeleri sayısal hale getirmek için pandas kütüphanesinin map fonksiyonunu kullanarak cinsiyet, sigara durumu, gün ve zaman sütunlarını sayısal değerlerle eşleştirmektedir. Video, veri ön işleme sürecinin son aşamasını göstermekte ve bir sonraki videolarda makine öğrenmesi algoritmalarının teorik bilgilerinin ve kodlamasının anlatılacağını belirtmektedir.
Veri biliminde veriler ön işleme kapsamında analiz edilir. Aykırı değerler, genel eğilimin dışına çıkan gözlemlerdir. Doğrusal problemlerde aykırı değerlerin etkileri daha şiddetlidir. Sektör bilgisi, standart sapma ve Z-skoru yaklaşımları kullanılır. Boxplot ve LOF yöntemleri aykırı değerleri tespit eder
Problem analizi ve çözüm yolu tasarımı projenin temelini oluşturur. Veri toplama, projenin başlangıç aşamasıdır ve modelin başarısını etkiler. Veri ön işleme, ham veriyi modelin anlayabileceği forma getirir. Keşifsel veri analizi, verinin yapısal özelliklerini çözümleme sürecidir
Farklı ölçekteki sayısal veriler makine öğrenmesi algoritmalarında sorun yaratır. Dönüşüm, değişkenleri aynı metriğe getirerek karşılaştırma yapmayı sağlar. Normal dağılımlı veriler için normalizasyon, diğerleri için standardizasyon kullanılır. Min-max, maxabs, robust gibi çeşitli ölçeklendirme yöntemleri mevcuttur
Bu video, bir eğitmen tarafından sunulan Python ile makine öğrenmesi eğitim serisinin bir bölümüdür. Eğitmen, veri ön işleme tekniklerini adım adım göstermektedir.. Videoda, veri setindeki "name" (isim) değişkeninin analiz edilmesi, ünvanların İngilizce ve Fransızca karşılıklarının birleştirilmesi, frekans analizi ve veri setinin temizlenmesi konuları ele alınmaktadır. Eğitmen, isim değişkeninden ünvanları nasıl ayırabileceğimiz, bu ünvanları nasıl gruplandırabileceğimiz ve en sık görülen ünvanları nasıl belirleyebileceğimiz Python kodları üzerinden göstermektedir.. Video, veri setinin dokuz koldan oluşmasıyla sona erer ve bir sonraki videoda encode işlemi ve model çalıştırma konularının işleneceği belirtilir.
KNN, en yakın komşuların sınıf yoğunluğuna göre sınıflandırma yapar. Algoritma uzaklık ve K (komşu sayısı) değerleri üzerinden çalışır. K değeri sonucu doğrudan etkiler, optimum değer önemlidir
Bu video, bir eğitim içeriği olup, konuşmacı RapidMiner programında eksik verilerle nasıl çalışılacağını göstermektedir.. Video, Titanic veri kümesi üzerinde eksik veri işleme yöntemlerini adım adım anlatmaktadır. Konuşmacı, eksik verileri temizleme için üç temel yöntem göstermektedir: özellik bazlı filtreleme (select attributes), eksik verileri belirli bir değerle değiştirme (replace missing values) ve eksik verileri içeren satırları silme (filter). Video, veri ön işleme aşamasının önemini vurgulayarak, eksik verilerin temizlenmesinin makine öğrenme algoritmalarının doğru çalışması için gerekli olduğunu belirtmektedir. Ayrıca, inputation yöntemleri hakkında daha detaylı bir video çekileceği de duyurulmaktadır.
Bu video, bir eğitmen tarafından sunulan WEKA (Veka) veri madenciliği programının kullanımını anlatan eğitim serisinin ilk bölümüdür.. Video, WEKA programının temel menülerini (Explore, Experimenter, Knowledge Flow, Flow, Workbench ve Simple CLI) tanıtarak başlıyor ve programın tarihçesini açıklıyor. Ardından veri seti yükleme, ön işleme ve görselleştirme işlemlerini "Weather Nominal" veri seti üzerinden gösteriyor. Eğitmen, sınıflandırma ve kümeleme algoritmalarını, denetimli (supervised) ve denetimsiz (unsupervised) modeller arasındaki farkları, filtreleme işlemleri ve değişken bazında yapılan ön işleme işlemlerini örneklerle anlatıyor.. Eğitmen, veri madenciliği modelleri ve analizleri hakkında daha fazla video çekmeyi planladığını belirtiyor ve izleyicilerin YouTube yorumlarında istedikleri konuları paylaşmalarını istiyor.
Bu video, bir konuşmacı tarafından sunulan Python ile veri analizi eğitim serisi kapsamında hazırlanmış bir eğitim içeriğidir.. Video, makine öğrenmesi algoritmalarında kullanılan veri ön işleme tekniklerinden biri olan değişken ölçeklendirme yöntemlerini ele almaktadır. İçerikte max-min ölçeklendirme, robust ölçeklendirme ve standardizasyon gibi temel ölçeklendirme yöntemleri Python kodları üzerinden adım adım gösterilmektedir. Konuşmacı, bu yöntemlerin matematiksel temellerini giriş seviyesinde anlatarak, farklı aralıkta değişkenlerin modellerde yarattığı sorunları ve çözüm yollarını açıklamaktadır.. Videoda sayısal veriler üzerinde yapılan ölçeklendirme işlemlerine odaklanılmakta olup, bir sonraki videoda kategorik veriler üzerinde yapılacak benzer işlemleri ele alınacağı belirtilmektedir.
Değişken ölçeklendirme, makine öğrenmesi modellerinde veri setini optimize etmek için kullanılır. Normalizasyon, değişkenleri 0 ile 1 arasına yerleştirir. Standardizasyon, değişkenlerin ortalamasını sıfıra indirir ve standart sapma sınırına getirir
Yapay zeka eğitimi, makine öğrenimi modellerini eğitme sürecidir. Eğitim, büyük miktarda ilgili veriyle modelin öğrenmesini içerir. İyi eğitilmiş model daha doğru ve etkili sonuçlar verir
Bu video, bir eğitmen tarafından sunulan Python ile makine öğrenmesi eğitim içeriğidir. Eğitmen, veri analizi ve model kurma konusunda adım adım anlatım yapmaktadır.. Video, iki ana bölümden oluşmaktadır. İlk bölümde kategorik değişkenleri regresyon modeline nasıl entegre edebileceğimiz anlatılmakta, label encoding ve one hot encoding gibi kodlama yöntemleri açıklanmaktadır. İkinci bölümde ise "tips" adlı veri seti üzerinde doğrusal regresyon modeli kurma süreci gösterilmektedir.. Eğitim içeriğinde kukla değişken tuzağı, drop_first parametresi kullanımı, veri setini train ve test olarak parçalara ayırma, model kurma ve tahmin değerlerini hesaplama gibi konular kod örnekleriyle anlatılmaktadır. Ayrıca, modelin doğrusal bir modele uygun olmadığını göstererek, model seçimi ve veri ön işleme süreçlerinde dikkat edilmesi gereken noktalar vurgulanmaktadır.
Bu video, bir eğitim dersi formatında olup, bir eğitmen tarafından makine öğrenmesi konuları anlatılmaktadır.. Video, önceki derste ele alınan veri tiplerini (sayısal ve kategorik) hatırlatarak başlıyor ve ardından sınıflandırma ve regresyon kavramlarını açıklıyor. Daha sonra veri ön işleme konusuna geçiliyor ve normalize etme, randomize etme ve eksik veri tamamlama gibi ön işleme teknikleri örneklerle gösteriliyor. Video, Principle Component Analysis (PCA) konusuna da değinerek sonlanıyor ve ilerleyen derslerde bu konuların daha detaylı işleneceği belirtiliyor.
Bu video, Murat Karakaya tarafından sunulan bir eğitim içeriğidir. Konuşmacı, yapay zeka ve makine öğrenmesi konularında Türkçe ve İngilizce içerikler hazırlayan bir akademisyendir.. Videoda, Türkçe dua ve beddua sınıflandırması için dört farklı neural network modelinin geliştirilmesi ve karşılaştırılması ele alınmaktadır. İçerik, metin temsil etme yöntemleri (one hot encoding, integer kodlama, word embedding), corpus oluşturma, tokener kullanımı ve veri ön işleme adımlarını detaylı olarak göstermektedir. Ayrıca, kelimelerin sekiz boyutlu vektörlere dönüştürülmesi ve bu vektörlerin üç boyutlu uzaya projeksiyonu ile PCA ve TS metodu kullanılarak kelimelerin pozitif ve negatif anlamlı olarak sınıflandırılması da gösterilmektedir.. Konuşmacı, veri setinin çok az sayıda olduğu için sonuçların genel geçer kurallar olarak düşünülmemesi gerektiğini vurgulamakta ve beşinci bir model olarak ethereal layer'ı da kullanmayı tavsiye etmektedir. Video, TensorFlow'un Project Tensorboard kullanarak word embedding ağırlıklarını görselleştirme yöntemi de içermektedir.
Bu video, bir eğitim içeriği olup, izleyicilere RapidMiner programında veri ön işleme tekniklerini göstermektedir.. Video, Transactions ve Product tablolarının birleştirilmesiyle başlayıp, veri kümelerinin nasıl birleştirileceğini anlatmaktadır. Ardından, mevcut özelliklerden yeni özellikler üretme (generate attribute) işlemi gösterilmektedir. Özellikle satış hacmi hesaplama örneği üzerinden, ürün fiyatı ve satış miktarı çarpımı ile yeni bir özellik üretme, ardından bu özelliklerin gruplanması (aggregate) işlemleri adım adım açıklanmaktadır. Video, RapidMiner'da ön işleme adı altında bulunan fonksiyonların (toplama, çıkarma, mantıksal işlemler, tarih fonksiyonları, bit operatörleri, trigonometrik ve istatistiksel fonksiyonlar) kullanımını da göstermektedir.
Bu video, Kaan adlı bir eğitmen tarafından sunulan tahmin algoritmaları eğitim serisinin ilk bölümüdür. Eğitmen, veri bilimi ve yapay zeka projelerinde kullanılan temel teknikleri adım adım anlatmaktadır.. Video, tahmin algoritmalarının ne olduğunu açıklayarak başlıyor ve ardından veri ön işleme sürecine geçiyor. Google Colab üzerinden MPG veri setinin okunması, pandas ve seaborn kütüphanelerinin kullanımı, boş değerlerin tespit edilmesi, kategorik verilerin işlenmesi, veri setinin eğitim ve test olarak ayrılması ve görselleştirilmesi gibi temel adımlar gösteriliyor. Son bölümde ise Keras kütüphanesi kullanılarak regresyon modellerinin oluşturulması anlatılıyor.. Eğitim serisi, veri ön işleme adımlarını öğrenmek isteyenler için faydalı bir kaynak niteliğindedir ve bir sonraki derste doğrusal ve derin regresyon modellerinin oluşturulacağı bilgisiyle sonlanmaktadır.
Bu video, yapay zeka serisinin beşinci bölümü olup, bir eğitmen tarafından sunulan makine öğrenmesi eğitim içeriğidir.. Video, veri ön işleme konusunu iki ana bölümden oluşmaktadır. İlk bölümde etiket olan verilerin numaralandırılması, sayısallaştırılması ve özelliklerin ölçeklenmesi konuları ele alınırken, ikinci bölümde özellik ölçekleme yöntemleri (standardizasyon ve normalleştirme) detaylı olarak açıklanmaktadır. Eğitmen, Jupyter ortamında kod örnekleriyle veri setinin nasıl hazırlanacağını adım adım göstermektedir.. Video, bir sonraki bölümde makine öğrenmesi, denetimli ve denetimsiz öğrenme konularına giriş yapılacağını ve regresyon modelinin inceleneceğini duyurarak sona ermektedir.