Turkhackteam.net/org - Turkish Hacking & Security Platform...  
Geri git   Turkhackteam.net/org - Turkish Hacking & Security Platform... >
Programlama
> Python

Python Machine Learning'e giriş/THT Ar-Ge Kulübü

Python

Yeni Konu aç Cevapla
 
Seçenekler
Alt 2 Hafta önce   #1
  • Offline
  • Ar-Ge Tim(Bug Researcher)
  • Genel Bilgiler
Üyelik tarihi
Oct 2015
Nereden
rm -rf /
Mesajlar
Konular


  
Python Machine Learning'e giriş/THT Ar-Ge Kulübü



Merhaba, genelde Türk yazılım dünyasında oldukça sık yapılan bir hatayı, yanlışı düzeltmek için bu serimize başlıyoruz. Sanal Asistanları 50 den fazla if bloğu ile yazmaya çalışanlarımızın sayısı bir hayli yüksek hatta muhtemelen bu topa girmiş genç-amatör yazılımcılarımızın %90 ı bu şekilde yazmaya çalışıyor. Dürüst olmak gerekirse ben de en başta böyle başladım (bkz:GitHub hesabımın ilk reposu)
Lakin sonraları anladım ki Machine Learning denilen kavram çok çok çok daha alakasız bir dünya. Matematiğin, istatistiğin, olasılığın ve daha birçok kavramın öne çıktığı bir dünya. Bu yüzden ben Python dilini -makalelerde gerekli olduğunda dil değişiklik gösterebilir- esas alarak machine learning kavramını size elimden geldiğince açıklamaya çalışacağım. Başlıyoruz...

Öncelikle gerekli olan kütüphanelerimiz -ilerde daha fazla gerektikçe indireceğiz- şimdilik "quandl" ve "pandas"
Kod:
pip install quandl
pip install pandas
Peki nedir bu kütüphaneler?


Quandl:

Üstte kasten "yazılımcıların %90 ı" şeklinde bir ifade kullandım. Ama siz bunun gerçekten %90 olduğunu nasıl bilebilirsiniz? Bilemezsiniz çünkü o rakamı kafamdan salladım. Quandl bunun önüne geçiyor, "bana rakam ver kardeşim uydurma"cıların önünü kesiyor. İstediğimiz sorguyu bir data set şeklinde almamızı sağlıyor.

Pandas:

Pandas ise basitçe data analizi yapıyor, ilerde daha detaylı bir şekilde değineceğiz. Öncelikle etkileşimli kabuğumuza iki modulümüzü içe aktarıp doğru bir şekilde yükleyip yüklemediğimizi kontrol edelim.

Kod:
>>> import pandas
>>> import quandl
>>>


Gördüğümüz üzere başarılı, şimdi sorgumuzu atalım. Öncelikle Quandl.com dan incelemek istediğiniz veriyi seçmelisiniz, "quandl.com/search?query=" kısmından istediğiniz sorguyu atıp bedava ve premium verileri görebilirisiniz. Orada "Quandl Code" içinde yazan tagi kullanabilirsiniz. Ben "WIKI/GOOGL" kullanacağım.
Kod:
import pandas as pd
import quandl
df = quandl.get("WIKI/GOOGL")
print(df.head())
Bu şekilde tüm özellikleri görüntüleyebiliyoruz.

Ama eminim bir çoğunuzun aklına "yahu bu ne kadar sayı, sadece ihtiyacım olanları görmek istersem napacağım?" sorusu uyanmıştır. Kod bloğumuzu biraz düzenlememiz gerekecek, Örnek vermek gerekirse;
Kod:
import pandas as pd
import quandl
df = quandl.get("WIKI/GOOGL")
df = df[['Adj. Open','Adj. High','Adj. Low','Adj. Close','Adj. Volume',]]
Peki bu özellikler nedir? Aralarında bir ilişki olması gerek değil mi? İlişkiyi de belirtmemiz gerekiyor. İşte işin içine matematiğimizi sokmaya başlıyoruz, yüzdelik oran olarak bakmak istersek olaya
"df['HL_PCT']" etiketinden yararlanacağız.

Kod:
df["HL_PCT"] = (df["Adj. High"] - df["Adj. Close"]) / df['Adj. Close'] * 100.0 #burada Adj. High dan gelen veriyle Adj. Close verisinin farkını aldık, Adj. Close a bölüp 100 ile çarptık. İkisinin yüzdelik oranını bulmak için
df["PCT_change"] = (df["Adj. Close"] - df["Adj. Open"]) / df['Adj. Open'] * 100.0 #burada ise Close dan Open ı çıkarıp Open a böldük, yüzdelik değişimi bulmak için
df = df[['Adj. Close', "HL_PCT", "PCT_change", "Adj. Volume"]] #görmek istediğimiz etiketleri belirttik, yazdıralım.
Tam kod bloğumuz
Kod:
import pandas as pd
import quandl
df = quandl.get("WIKI/GOOGL")
df = df[['Adj. Open','Adj. High','Adj. Low','Adj. Close','Adj. Volume',]]
df["HL_PCT"] = (df["Adj. High"] - df["Adj. Close"]) / df['Adj. Close'] * 100.0
df["PCT_change"] = (df["Adj. Close"] - df["Adj. Open"]) / df['Adj. Open'] * 100.0
df = df[['Adj. Close', "HL_PCT", "PCT_change", "Adj. Volume"]]
print(df.head())
oldu.
Çıktıya bakalım...

Şimdi! Elimizde istatistik var, değişim var, yüzdelik var. Ne duruyoruz? Hadi bize daha gelmemiş bir veriyi tahmin etmeye çalışalım -mesela 2018 de bitcoin piyasasını- Bunun için Adj.Close sütununu tahmin sütunu olarak ayarlayalım. "forecast_col = 'Adj.Close'" olarak.
Tabii elimizde her zaman veri olmayabilir, yani boşluk olabilir. Elimizdeki bir sütunu atlayabiliriz, böyle durumlar için
Kod:
df.fillna(-99999, inplace=True)
satırını kullanacağız.
Şimdi tahmin yapmak için elimizdeki bütün datayı kullanmamız gerekiyor. Öncelikle "math" kütüphanesini içe aktaralım ve;
Kod:
forecast_out = int(math.ceil(0.01*len(df)))
df['label'] = df[forecast_col].shift(-forecast_out)
print(df.head())

Peki bu nedir bu math.ceil? Basitçe verilen sayı değerini ondan büyük en küçük tam sayıya yuvarlar. 0.01 ile çarparak da datanın %1 ini tahmin ediyoruz, değeri değiştirmek size kalmış.
Çıktımıza bakalım..


Bu noktadan sonra bazı kütüphanelere daha ihtiyacımız olacak.
Kod:
numpy
sklearn
matplotlib
datetime
Üstteki kütüphaneleri başarıyla içe aktarabildiğinizden emin olduktan sonra devam ediniz.


Kod:
import pandas as pd
import quandl
import math, datetime
import numpy as np
from sklearn import preprocessing, cross_validation, svm
from sklearn.linear_model import LinearRegression
İhtiyacımız olan modülleri içe aktaralım, daha sonra tek tek değineceğiz.
Bunları biz grafike etmek istiyoruz, bu yüzden basitçe bir "x" e, bir de "y" ye ihtiyacımız var. Bir x ve y array'i oluşturalım.
Kod:
x = numpy.array(df.drop(['label'], 1))
y = numpy.array(df.drop(['label'])
Tabii biz bu satırları datamızdaki bütün noktalarla beraber ölçeceğiz, bu yüzden preprocessing modülünü kullanmamız gerekecek.
Kod:
x = preprocessing.scale(x)
Buradan sonra kodların bir kısmını verip kod üzerinden örnek vereceğim.
Kod:
x_train, x_test, y_train, y_test = cross_validation.train_test_split(x, y, test_size=0.2)#x ve y leri birbiri arasında karıştırır, test_size kısmında belirttiğimiz üzere datanın %20 sini kullanır ve değişkenlere çıktıyı verir.
clf = LinearRegression()#ilerde çok detaylıca değineceğiz, noktalara en uygun doğruyu bulur
clf.fit(x_train, y_train)
acc = clf.score(x_test, y_test)
print(acc)#gelecekteki oranı yazdırır

Şimdi x ve y lerimizi en baştan tekrar define edelim.
Kod:
x = np.array(df.drop(['label'], 1))
x = preprocessing.scale(x)
x_lately = x[-forecast_out:]
x = x[:-forecast_out]

df.dropna(inplace=True)
y = np.array(df['label'])
y = np.array(df['label'])
x_train, x_test, y_train, y_test = cross_validation.train_test_split(x, y, test_size=0.2)
clf = LinearRegression(n_jobs=10)
clf.fit(x_train, y_train)
acc = clf.score(x_test, y_test)
Bu noktadan sonra tahmin yapmak çok kolay, basitçe;
Kod:
forecast_set = clf.predict(x_lately)#burada içeriye tek bir data da, bir array da yazabilirdiniz
Peki, şimdi elimizdeki bilgileri bir grafiğe dökerek yazımızı sonlandıralım.
Kod:
import matplotlib.pyplot as plt
from matplotlib.pyplot import style
style.use('ggplot')
gerekli düzenlemelerimizi yaptık. Şimdi kodumuza dönelim.

Kod:
df['Forecast'] = np.nan

last_date = df.iloc[-1].name #son tarihin adını aldık
last_unix = last_date.timestamp()
one_day = 86400#saniye
next_unix = last_unix + one_day
for i in forecast_set:
    next_date = datetime.datetime.fromtimestamp(next_unix)
    next_unix += one_day
    df.loc[next_date] = [np.nan for _ in range(len(df.columns) -1)] #https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.loc.html
Şimdi grafiğe dökelim.


Kod:
df['Adj. Close'].plot()
df['Forecast'].plot()
plt.legend(loc=4)
plt.xlabel('Date')
plt.ylabel('Price')
plt.show()

İşte! Mavi kısımla tahmin edilen veriyi görebilirsiniz! Sorularınız, tavsiyeleriniz için öm atmaktan çekinmeyin, diğer yazımızda LinearRegression dan başlayarak işin matematik kısmını biraz daha derinden inceleyeceğiz. ML ile ilgilenen herkesi kulübümüze/timimize bekleriz!
Kaynakça:
https://pandas.pydata.org
https://www.youtube.com/user/sentdex
https://eksisozluk.com/
https://stackoverflow.com/
İkinci bölüm:
Python Machine Learning 2.Ders (Linear Regression) [THT Ar-Ge Kulübü]

    


__________________

I surrender my soul
Odin hear my call

hacknology@hacknologyroot:~/


Konu Hacknology tarafından (5 Gün önce Saat 07:16 ) değiştirilmiştir..
Offline
 
Alıntı ile Cevapla
Alt 2 Hafta önce   #2
  • Offline
  • Teğmen
  • Genel Bilgiler
Üyelik tarihi
Dec 2017
Nereden
AYNH
Yaş
20
Mesajlar
Konular


  


Hocam python başlamıştım ellerine sağlık detaylı olmuş devamını bekleriz
    


__________________

┏╋━━━━━◥◣◆◢◤━━ ━━━╋┓
★★★★★★★★★★★★ ★★★ ★★★★★★
----------------------------------------------
____________ SiberBeyx_____________
★★★★★★★★★★★★ ★★★ ★★★★★★
┗╋━━━━━◥◣◆◢◤━━━━━╋┛

Offline
 
Alıntı ile Cevapla
Alt 2 Hafta önce   #3
  • Offline
  • Ar-Ge Tim Lideri
  • Genel Bilgiler
Üyelik tarihi
Oct 2015
Nereden
<conio.h>
Mesajlar
Konular


  


Eline, koluna sağlık
    


__________________

TürkHackTeam | Araştırma - Geliştirme Timi


Offline
 
Alıntı ile Cevapla
Alt 2 Hafta önce   #4
  • Offline
  • Yarbay
  • Genel Bilgiler
Üyelik tarihi
Apr 2015
Nereden
SGA
Yaş
18
Mesajlar
Konular


  


Eline sağlık
    


Offline
 
Alıntı ile Cevapla
Alt 2 Hafta önce   #5
  • Offline
  • Albay
  • Genel Bilgiler
Üyelik tarihi
Aug 2016
Mesajlar
Konular


  


Eline sağlık güzel konu.
    
Offline
 
Alıntı ile Cevapla
Alt 2 Hafta önce   #6
  • Offline
  • Ar-Ge Tim(Bug Researcher)
  • Genel Bilgiler
Üyelik tarihi
Oct 2015
Nereden
rm -rf /
Mesajlar
Konular


  


Hepinize çok teşekkür ederim (:
    


__________________

I surrender my soul
Odin hear my call

hacknology@hacknologyroot:~/

Offline
 
Alıntı ile Cevapla
Alt 2 Hafta önce   #7
  • Online
  • Yarbay
  • Genel Bilgiler
Üyelik tarihi
Jul 2017
Nereden
T Ü R K
Mesajlar
Konular


  


Eline koluna sağlık.
    


__________________






Irkçı TÜRK
Online
 
Alıntı ile Cevapla
Alt 2 Hafta önce   #8
  • Offline
  • Ar-Ge Tim(Bug Researcher)
  • Genel Bilgiler
Üyelik tarihi
Oct 2015
Nereden
rm -rf /
Mesajlar
Konular


  


Alıntı:
siberdrone15´isimli üyeden Alıntı Mesajı göster
Eline sağlık güzel konu.
Alıntı:
MixPro´isimli üyeden Alıntı Mesajı göster
Eline koluna sağlık.
Teşekkür ederim
    


__________________

I surrender my soul
Odin hear my call

hacknology@hacknologyroot:~/

Offline
 
Alıntı ile Cevapla
Alt 2 Hafta önce   #9
  • Offline
  • Üsteğmen
  • Genel Bilgiler
Üyelik tarihi
Jun 2016
Nereden
Osmanlı İmp.
Mesajlar
Konular


  


elinize sağlık
    


__________________

!..Herkes Yalnızca Görmek İstediğini Görür..!
VESSELAM

Offline
 
Alıntı ile Cevapla
Alt 2 Hafta önce   #10
  • Offline
  • Teğmen
  • Genel Bilgiler
Üyelik tarihi
Apr 2009
Nereden
Kocaeli
Yaş
24
Mesajlar
Konular


  


Eline emeğine sağlık üstad
    


__________________

Jasgues

Offline
 
Alıntı ile Cevapla
Cevapla

Bookmarks

Seçenekler

Yetkileriniz
Sizin Yeni Konu Acma Yetkiniz var yok
You may not post replies
Sizin eklenti yükleme yetkiniz yok
You may not edit your posts

BB code is Açık
Smileler Açık
[IMG] Kodları Açık
HTML-Kodları Kapalı
Trackbacks Kapalı
Pingbacks Kapalı
Refbacks Kapalı


Bilgilendirme Turkhackteam.net/org
Sitemizde yer alan konular üyelerimiz tarafından açılmaktadır.
Bu konular yönetimimiz tarafından takip edilsede gözden kaçabilen telif hakkı olan veya mahkeme kararı çıkmış konular sitemizde bulunabilir. Bu tür konuları bize turkhackteamiletisim [at] gmail.com adresine mail atarak bildirdiğiniz takdirde en kısa sürede konular hakkında gerekli işlemler yapılacaktır.
Please Report Abuse, DMCA, Harassment, Scamming, Warez, Crack, Divx, Mp3 or any Illegal Activity to turkhackteamiletisim [at] gmail.com


Türkhackteam saldırı timleri Türk sitelerine hiçbir zararlı faaliyette bulunmaz.
Turkhackteam üyelerinin yaptığı bireysel hack faaliyetlerinden Turkhackteam sorumlu değildir. Sitelerinize Turkhackteam ismi kullanılarak hack faaliyetinde bulunulursa, site-sunucu erişim loglarından bu faaliyeti gerçekleştiren ip adresini tespit edip diğer kanıtlarla birlikte savcılığa suç duyurusunda bulununuz.



         

Powered by vBulletin® Copyright ©2000 - 2018

TSK Mehmetçik Vakfı

Türk Polis Teşkilatını Güçlendirme Vakfı



Google Links
instagram Takipçi Hilesi

wau

Search Engine Friendly URLs by vBSEO 3.6.0 ©2011, Crawlability, Inc.