AI ML Tools

Yapay zeka ve makine öğrenmesi alanında çalışmak isteyenler için güncel araçları ve teknolojileri derledim. Bu yazıda, veri bilimi ve yapay zeka projelerinde kullanabileceğiniz modern araçları inceleyeceğiz.

Temel Kütüphaneler ve Araçlar

1. Veri Manipülasyonu ve Analizi

terminal - python
import pandas as pd
import numpy as np

# Veri okuma
df = pd.read_csv('data.csv')

# Veri analizi
summary = df.describe()
missing_values = df.isnull().sum()

# Veri manipülasyonu
df['new_column'] = df['old_column'].apply(lambda x: x * 2)
df = df.groupby('category').agg({'value': 'mean'})

2. Görselleştirme

terminal - python
import seaborn as sns
import matplotlib.pyplot as plt

# Dağılım grafiği
plt.figure(figsize=(10, 6))
sns.histplot(data=df, x='value', hue='category')
plt.title('Değer Dağılımı')
plt.show()

# Korelasyon matrisi
plt.figure(figsize=(12, 8))
sns.heatmap(df.corr(), annot=True, cmap='coolwarm')
plt.title('Korelasyon Matrisi')
plt.show()

Modern ML Frameworks

1. PyTorch

terminal - python
import torch
import torch.nn as nn

class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.layers = nn.Sequential(
            nn.Linear(784, 128),
            nn.ReLU(),
            nn.Dropout(0.2),
            nn.Linear(128, 10)
        )
    
    def forward(self, x):
        return self.layers(x)

# Model eğitimi
model = NeuralNetwork()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters())

for epoch in range(num_epochs):
    for batch in dataloader:
        optimizer.zero_grad()
        outputs = model(batch.x)
        loss = criterion(outputs, batch.y)
        loss.backward()
        optimizer.step()

2. TensorFlow

terminal - python
import tensorflow as tf

# Model oluşturma
model = tf.keras.Sequential([
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])

# Model derleme
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# Model eğitimi
history = model.fit(
    x_train, y_train,
    epochs=10,
    validation_data=(x_val, y_val)
)

Modern MLOps Araçları

1. MLflow

terminal - python
import mlflow

# Deney takibi
mlflow.start_run()

# Parametreleri kaydet
mlflow.log_param("learning_rate", 0.01)
mlflow.log_param("num_epochs", 10)

# Metrikleri kaydet
mlflow.log_metric("accuracy", 0.95)
mlflow.log_metric("loss", 0.05)

# Modeli kaydet
mlflow.pytorch.log_model(model, "model")

mlflow.end_run()

2. DVC (Data Version Control)

terminal - bash
# Veri versiyonlama
dvc init
dvc add data/
git add data.dvc
git commit -m "Add dataset"

# Uzak depo yapılandırma
dvc remote add -d storage s3://mybucket/dvc-storage
dvc push

# Veri güncelleme
dvc pull

Doğal Dil İşleme (NLP)

1. Transformers

terminal - python
from transformers import pipeline

# Metin sınıflandırma
classifier = pipeline("sentiment-analysis")
result = classifier("Bu ürün gerçekten harika!")

# Metin üretme
generator = pipeline("text-generation")
text = generator(
    "Yapay zeka teknolojileri",
    max_length=50,
    num_return_sequences=1
)[0]['generated_text']

# Soru cevaplama
qa = pipeline("question-answering")
context = "Yapay zeka, insan zekasını taklit eden sistemlerdir."
question = "Yapay zeka nedir?"
answer = qa(question=question, context=context)

2. spaCy

terminal - python
import spacy

# Türkçe model yükleme
nlp = spacy.load("tr_core_news_lg")

# Metin işleme
doc = nlp("Yapay zeka ve makine öğrenmesi çok önemli teknolojilerdir.")

# Named Entity Recognition
for ent in doc.ents:
    print(f"Entity: {ent.text}, Label: {ent.label_}")

# Dependency Parsing
for token in doc:
    print(f"{token.text} -> {token.dep_}")

Görüntü İşleme

1. OpenCV

terminal - python
import cv2
import numpy as np

# Görüntü okuma ve işleme
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Kenar tespiti
edges = cv2.Canny(gray, 100, 200)

# Yüz tespiti
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
faces = face_cascade.detectMultiScale(gray, 1.3, 5)

for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

2. Pillow

terminal - python
from PIL import Image, ImageEnhance

# Görüntü işleme
image = Image.open('image.jpg')
enhancer = ImageEnhance.Brightness(image)
brightened = enhancer.enhance(1.5)

# Görüntü boyutlandırma
resized = image.resize((800, 600))

# Görüntü döndürme
rotated = image.rotate(45)

Otomatik Makine Öğrenmesi (AutoML)

1. AutoKeras

terminal - python
import autokeras as ak

# Image classification
clf = ak.ImageClassifier(
    max_trials=10,
    overwrite=True
)

# Model arama ve eğitim
clf.fit(x_train, y_train, epochs=10)

# En iyi modeli al
model = clf.export_model()

2. PyCaret

terminal - python
from pycaret.classification import *

# Deney ortamı kurulumu
exp = setup(data, target='target')

# En iyi modeli bul
best_model = compare_models()

# Model tahminleri
predictions = predict_model(best_model, data=test_data)

Deployment ve Servisleştirme

1. FastAPI

terminal - python
from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class PredictionInput(BaseModel):
    features: List[float]

@app.post("/predict")
async def predict(input_data: PredictionInput):
    prediction = model.predict([input_data.features])
    return {"prediction": prediction.tolist()}

2. Docker

terminal - dockerfile
FROM python:3.9-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install -r requirements.txt

COPY . .

CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

Model İzleme ve Analiz

1. Weights & Biases

terminal - python
import wandb

# Deney başlatma
wandb.init(project="my-project")

# Konfigürasyon
config = wandb.config
config.learning_rate = 0.01
config.batch_size = 32

# Metrik loglama
wandb.log({
    "accuracy": 0.95,
    "loss": 0.05
})

# Görsel loglama
wandb.log({
    "confusion_matrix": wandb.plot.confusion_matrix(
        y_true=y_true,
        preds=y_pred,
        class_names=classes
    )
})

2. TensorBoard

terminal - python
from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter('runs/experiment_1')

# Metrik loglama
writer.add_scalar('Loss/train', loss, epoch)
writer.add_scalar('Accuracy/train', acc, epoch)

# Model grafiği
writer.add_graph(model, input_to_model)

writer.close()

En İyi Uygulamalar

1. Veri Hazırlama

   • Veri temizleme ve normalizasyon
   • Feature engineering
   • Cross-validation

2. Model Geliştirme

   • Hyperparameter optimization
   • Ensemble methods
   • Transfer learning

3. MLOps

   • Continuous training
   • Model versiyonlama
   • A/B testing

4. Monitoring

   • Model drift tespiti
   • Performans metrikleri
   • Anomali tespiti

Sonuç

Modern yapay zeka ve makine öğrenmesi projeleri, çeşitli araçların ve teknolojilerin bir araya gelmesiyle oluşur. Bu araçları etkin kullanmak:

• Geliştirme sürecini hızlandırır
• Model performansını artırır
• Bakım ve izlemeyi kolaylaştırır
• Takım çalışmasını iyileştirir

Kaynaklar

• PyTorch Dokümantasyonu
• TensorFlow Rehberi
• MLflow Dokümantasyonu
• Weights & Biases Rehberi

Sorularınız veya deneyimleriniz varsa, yorum bırakabilirsiniz. Bir sonraki yazıda görüşmek üzere!