THT DUYURU

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

takipci
chat
Seçenekler

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

Hacknology - ait Kullanıcı Resmi (Avatar)
Geliştirici
Üyelik tarihi:
10/2015
Nereden:
rm -rf /
Mesajlar:
2.705
Konular:
151
Teşekkür (Etti):
930
Teşekkür (Aldı):
1245
Ticaret:
(0) %
23
11646
01-01-2018 15:15
#1
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:
http://www.turkhackteam.org/python/1...ge-kulubu.html

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

flag{Bur4si_b1r_0yun_park1}

hacknology@hacknologyroot:~/
Konu Hacknology tarafından (11-01-2018 07:16 Saat 07:16 ) değiştirilmiştir.
SiberBeyx - ait Kullanıcı Resmi (Avatar)
Tamamen Forumdan Uzaklaştırıldı
Üyelik tarihi:
12/2017
Nereden:
AYNH
Yaş:
22
Mesajlar:
249
Konular:
28
Teşekkür (Etti):
28
Teşekkür (Aldı):
17
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:
2.872
Konular:
202
Teşekkür (Etti):
1710
Teşekkür (Aldı):
3401
Ticaret:
(0) %
01-01-2018 15:29
#3
Eline, koluna sağlık
Hacknology Teşekkür etti.
KurokoTetsuya - ait Kullanıcı Resmi (Avatar)
Üye
Üyelik tarihi:
04/2015
Nereden:
SGA
Yaş:
21
Mesajlar:
5.042
Konular:
281
Teşekkür (Etti):
2270
Teşekkür (Aldı):
1530
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)
Üye
Üyelik tarihi:
08/2016
Mesajlar:
4.438
Konular:
526
Teşekkür (Etti):
1782
Teşekkür (Aldı):
778
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:
2.705
Konular:
151
Teşekkür (Etti):
930
Teşekkür (Aldı):
1245
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}

hacknology@hacknologyroot:~/
MixPro - ait Kullanıcı Resmi (Avatar)
Üye
Üyelik tarihi:
07/2017
Nereden:
T Ü R K
Mesajlar:
2.495
Konular:
289
Teşekkür (Etti):
1520
Teşekkür (Aldı):
692
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:
2.705
Konular:
151
Teşekkür (Etti):
930
Teşekkür (Aldı):
1245
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}

hacknology@hacknologyroot:~/
Connected - ait Kullanıcı Resmi (Avatar)
Üye
Üyelik tarihi:
06/2016
Mesajlar:
772
Konular:
56
Teşekkür (Etti):
73
Teşekkür (Aldı):
159
Ticaret:
(0) %
01-01-2018 15:57
#9
elinize sağlık
---------------------
$ C0D3R $
jasgues - ait Kullanıcı Resmi (Avatar)
Üye
Üyelik tarihi:
04/2009
Nereden:
Kocaeli
Yaş:
26
Mesajlar:
760
Konular:
46
Teşekkür (Etti):
113
Teşekkür (Aldı):
193
Ticaret:
(0) %
01-01-2018 16:03
#10
Eline emeğine sağlık üstad
--------------------- Jasgues

Bookmarks


« Önceki Konu | Sonraki Konu »
Seçenekler





1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291