THT DUYURU


Python Artificial Intelligence’da en çok kullanılan dildir ve gerekli dökümanların paylaşım alanlar burada paylaşılmaktadır.

Seçenekler

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

Hacknology - ait Kullanıcı Resmi (Avatar)
Geliştirici
Üyelik tarihi:
10/2015
Nereden:
rm -rf /
Mesajlar:
2.711
Konular:
157
Teşekkür (Etti):
932
Teşekkür (Aldı):
1341
Ticaret:
(0) %
23
12169
01-01-2018 15:15
#1
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:
http://www.turkhackteam.org/python/1...ge-kulubu.html

---------------------
I surrender my soul
Odin hear my call

flag{Bur4si_b1r_0yun_park1}



H A C K N O L O G Y - R E M A S T E R E D
Konu Hacknology tarafından (11-01-2018 07:16 Saat 07:16 ) değiştirilmiştir.
SiberBeyx - ait Kullanıcı Resmi (Avatar)
Tamamen Askıya Alındı
Üyelik tarihi:
12/2017
Nereden:
AYNH
Yaş:
23
Mesajlar:
249
Konular:
28
Teşekkür (Etti):
28
Teşekkür (Aldı):
25
Ticaret:
(0) %
01-01-2018 15:17
#2
Hocam python başlamıştım ellerine sağlık detaylı olmuş devamını bekleriz
k3~
k3~ - ait Kullanıcı Resmi (Avatar)
Özel Üye
Üyelik tarihi:
10/2015
Mesajlar:
2.844
Konular:
202
Teşekkür (Etti):
1710
Teşekkür (Aldı):
3510
Ticaret:
(0) %
01-01-2018 15:29
#3
Eline, koluna sağlık
Hacknology Teşekkür etti.
KurokoTetsuya - ait Kullanıcı Resmi (Avatar)
Kadim Üye
Üyelik tarihi:
04/2015
Nereden:
SGA
Yaş:
22
Mesajlar:
5.033
Konular:
281
Teşekkür (Etti):
2270
Teşekkür (Aldı):
1662
Ticaret:
(0) %
01-01-2018 15:30
#4
Eline sağlık
--------------------- Başkasının en kesin dediği iş kesin yatıyo
Hacknology Teşekkür etti.
siberdrone15 - ait Kullanıcı Resmi (Avatar)
Kıdemli Üye
Üyelik tarihi:
08/2016
Mesajlar:
4.446
Konular:
527
Teşekkür (Etti):
1793
Teşekkür (Aldı):
978
Ticaret:
(0) %
01-01-2018 15:30
#5
Eline sağlık güzel konu.
Hacknology Teşekkür etti.
Hacknology - ait Kullanıcı Resmi (Avatar)
Geliştirici
Üyelik tarihi:
10/2015
Nereden:
rm -rf /
Mesajlar:
2.711
Konular:
157
Teşekkür (Etti):
932
Teşekkür (Aldı):
1341
Ticaret:
(0) %
01-01-2018 15:42
#6
Hepinize çok teşekkür ederim (:
---------------------
I surrender my soul
Odin hear my call

flag{Bur4si_b1r_0yun_park1}



H A C K N O L O G Y - R E M A S T E R E D
MixPro - ait Kullanıcı Resmi (Avatar)
Kıdemli Üye
Üyelik tarihi:
07/2017
Nereden:
T Ü R K
Mesajlar:
2.509
Konular:
289
Teşekkür (Etti):
1558
Teşekkür (Aldı):
704
Ticaret:
(0) %
01-01-2018 15:43
#7
Eline koluna sağlık.
Hacknology Teşekkür etti.
Hacknology - ait Kullanıcı Resmi (Avatar)
Geliştirici
Üyelik tarihi:
10/2015
Nereden:
rm -rf /
Mesajlar:
2.711
Konular:
157
Teşekkür (Etti):
932
Teşekkür (Aldı):
1341
Ticaret:
(0) %
01-01-2018 15:52
#8
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

flag{Bur4si_b1r_0yun_park1}



H A C K N O L O G Y - R E M A S T E R E D
Connected - ait Kullanıcı Resmi (Avatar)
Katılımcı Üye
Üyelik tarihi:
06/2016
Mesajlar:
772
Konular:
56
Teşekkür (Etti):
73
Teşekkür (Aldı):
171
Ticaret:
(0) %
01-01-2018 15:57
#9
elinize sağlık
---------------------
$ C0D3R $
jasgues - ait Kullanıcı Resmi (Avatar)
Katılımcı Üye
Üyelik tarihi:
04/2009
Nereden:
Sakarya
Yaş:
27
Mesajlar:
779
Konular:
46
Teşekkür (Etti):
120
Teşekkür (Aldı):
234
Ticaret:
(0) %
01-01-2018 16:03
#10
Eline emeğine sağlık üstad
--------------------- Jasgues

Bookmarks


« Önceki Konu | Sonraki Konu »
Seçenekler