scikit-learn

• 0.21.3 versiyonu ile 0.22.1 versiyonu arasında encoding farkı olan kütüphanedir. 21.3'ün encode ettiğini 22.1 okuyamıyor, tersinde de aynı durum söz konusu. projelerinizde encode edilen hali bir yere yazıp tekrar tekrar okuyorsanız sürüm yükseltmede problem yaşatacaktır.
• machine learning ile ilgilenenler icin güzel bir python kütüphanesidir. zaten bu islerle ugrasanlar biliyorlardir ama yine de ilgisi olan kisiler icin suraya kod yazmak icin cheat sheet ve uygun algoritma seciminize yardimci olacak yol haritasini birakalim.
• machine learning'e giriş için ideal kütüphane gibi görünüyor, şimdilik minimum efor ile maksimum verimi sağlıyor diyebiliriz.
• scikit-learn, python için yazılmış bir makine öğrenmesi framework'üdür. temelleri google summer of code adı verilen her sene yazılım projelerinin geliştirildiği etkinlikte atılmıştır. açık kaynak olsa da david cournapeau yaratıcısıdır. github'dan kaynak kodlarını inceleyebilirsiniz (ben bir bok anlamadım). şimdi ilk başta da belirttiğimiz gibi, bu bir makine öğrenme platformudur, ancak insanların derin öğrenmeye merak sarıp makine öğrenmesini basit ve işe yaramaz bir konsept olduğunu düşündüğünü görüyorum. bence bu ufak kafa karışıklığını aslında kelimelerin tanımları üzerine birkaç dakikalık bir düşünme ile çözebileceğimize inanıyorum.
  
  makine öğrenmesinin tanımı her ne kadar gerek sözlükte gerekse başka mecralarda onlarca kez yapılmış olsa da, adettendir, biz de yapalım.
  
  geleneksel programlamada elimize veriler gelir, biz de bu verileri çeşitli koşulları sağladığı takdirde işleme alırız. bu koşullar herhangi birinin yaşının 18'den büyük olup olmadığı, oy verip vermediği gibi onlarca çeşitte, evet / hayır gibi kategorik veya insan boyu, ev fiyatları gibi sürekli sayısal verilerden oluşur.
  
  yani, elimizde veriler ve koşullar olarak iki adet girdimiz olur. çıktı ise sonuçları elde ederiz. geleneksel programlamada hedef çıktıya sahip olmaktır.
  
  makine öğrenmesinde ise, bizde veriler ve çıktılar, yani sonuçlar hazır verilir. makine öğrenmesinde hedef ise girdi ve çıktı arasındaki ilişkiyi analiz ederek aradaki koşulların neler olduğunu bulmaktır. yani makine öğrenmesinde çıktı, koşullardır.
  
  derin öğrenmenin tarihi gelişimi biraz daha farklı denebilir. bunun için önce perceptron kavramına bakmalıyız. perception algılama, algılayış demektir. perceptron'a da buradan algılayıcı deneceğini az çok kestirmemiz gerekir. aklınıza bir daire gelsin, bu perceptron'da da girdiler ve buna bağlı olarak çıktı olur. perceptron insan sinir sistemi ilham alınarak oluşturulmuş bir modeldir. yani bir perceptron aslında bir nöronu temsil eder. derin öğrenmede bu nöronlarla oynarız. bu nöronları dizip, daha sonra yeni katman oluşturup önceki katmanlara bağlarız. işin derinliği ise buradan gelmektedir.
  
  dikkat edeceğiniz üzere, derin öğrenme biraz daha kompleks bir yapıya sahip, ve bir derin öğrenme modelini beslemek için çok daha fazla veriye ihtiyacımız vardır. olay sadece veri sayısına indirgenemez elbette. gereğinden fazla karmaşık bir işlemi gerçekleştirmek için kullanılır.
  
  ancak söylenecek son şey ise bir model oluştururken kesin sınırlar çizerek "bu derin öğrenme ile çözülmelidir, bu ise makine öğrenmesi ile" diyemeyiz. bu yönüyle yapay zeka (geneli için söylenecek olursa) açık uçlu ve haliyle daha fazla uzmanlık gerektiren bir alandır.
  
  tekrar scikit-learn'e dönecek olursak, elbette regresyon analizi ile bir evin fiyatının tahmininde bulunabilirsiniz, hasta verilerine bakarak gelecekteki bir hastanın kalp hastası olup olmadığını bulabilirsiniz (bu verdiğim iki örnek de makine öğrenmesinin denetimli öğrenme dalının araştırma konusudur. elbette derinleştikçe işin çok daha dallanıp budaklandığını göreceksiniz). ancak onbinlerce x-ray resmini analiz ederek potansiyel tümör noktası ya da şüpheli bölgede bir tümörün olup olmadığını merak ediyorsanız derin öğrenme modeli oluşturmalısınız (convolutional neural networks).
  
  kimin ne yapacağına karışacak halimiz yok herhalde, ancak scikit-learn'ü az çok anlamadan direkt tensorflow ya da keras'a atlamanızı önermem. bunu derken bile biraz çok değişkenli kalkülüs, olasılık, lineer cebir ve istatistik bildiğinizi varsayıyorum.
• gpu destegi sunmamasi ve kolay kullanimi nedeniyle benim icin fazla baslangic icin gibi gelen kutuphane. yani buyuk olcekli islerde scikit-learn kullanan firma/startup/gelistirici var midir bilmiyorum. belki de vardir. yine de kotu bir kutuphane degil ama buyuk setler icin yetersiz kalacagini dusunuyorum.
• scikit-learn (önceden scikits.learn) bedava ve açık kaynak kodlu (bkz: python) bazlı bir makine öğrenmesi (bkz: machine learning) kütüphanesidir. birçok (bkz: classification), (bkz: regression) ve (bkz: clustering) çözümleri içerir. bazı uygulama örnekleri arasında (bkz: vector machines), (bkz: random forests), (bkz: gradient boosting), (bkz: k-means) ve (bkz: dbscan) vardır. numpy ve scipy ile ortaklaşa çalışır.
  
  ıntel, bu yazılımı joule ve üstü, ve sunucu sistemlerde aktif olarak desteklemekte, eğitim ve optimizasyon desteği sağlamaktadır.
  
  (bkz: ıntel aero platform) ile yaptığım denememde umut verici ilerlemeler kaydetmeme rağmen, kendimi güvenceye almadan o pervanelerin yanına yaklaşmayacağım.
• arkadaşlar bu kütüphaneden yaptığım işlemler nedensizce çok uzun sürüyor, acaba normal mi? hızlandırmak için yapabileceğim şeyler nelerdir acaba?
• tensorflow'un (ozellikle 1.0 acilimindan sonra) buyuk bir hizla yerini aldigi guzide ama eskide kalan bir kutuphanedir.
• api'ı diğer library'ler için de bir standart haline gelmiştir.
• makine öğrenmesi için python kütüphanesi.