Sanayinin ihtiyacı olan yazılımcı sınıtısı giderek artacak... Peki Çözüm Ne olacak ?? Çözüm Ne olmalı ??
Öğrencilik günümüzde ikiye ayrıldı. Günümüz mezunları ile geçmiş mezuniyetler arasında çok fark olacak ... Bu işin bir noktasından Başlanılmalı ...
Akademik hayatının birinci önceliği diploma verme kurumu olmadığı sektör ile öğrencilerimiz arasında köprü olmasının önemini vurgulanmalıdır.
Bu köprü sürecinde eğerki temellerinizi yazılım - algoritma - programlama ile desteklemeyenler platform oluşturamayacaktır.
Bu platformu kendi algoritmaları ile destekleyenler yeni meslekler ortaya çıktıkca adapte olabileceklerdir.
- Yaşamınızın merkezinde algoritma geliştirmeyi almak önemlidir,
- Sisteme entegre edilebilecek şekilde algoritma geliştirilmesi önemlidir,
- Fikri Mülkiyet Haklarınızı (TPMK Fikri ve Sınai Mülkiyet Hakları) almak ve korumak önemlidir.
Bu eğitimler ile birinci hedef: Yapay zeka alanında bir farkındalık oluşturarak sizlerin sıfırdan ileri seviyeye veya teorik olarak öğrenip ilerletemediğiniz yazılım geliştirme becerinizi arttırmaktır.
Bu eğitimler ile ikinci hedef: Klasik konu algısından sıyrılarak uygulamalar için yapay zeka tabanlı algoritma geliştirmektir.
Belki başka bir zamanda başka bir konumda bu YZ çalışmaları noktasında uygulama geliştirmek için zamanınız olmamış olabilir --> Bir yerden başlamanız lazım. Eğerki şuan buradaysak ve YZ alanında deneyim kazanmaya başlamak istiyorsak doğru bir konumdasınız :D Önemli olan başlamak - devamdır...
İstanbul Büyükşehir Belediyesinin İBB Açık Veri Portalında bulunan gerçek veriler ile Yapay Zeka Algoritmalarının Bütünleştirilerek Tümleşik bir sistemin ortaya çıkarılması
- Yapay Zeka çalışmalarında Türkçe literatürün önemi
- Yapay Zeka çalışmalarında Türkçe veri setlerini işleyebilme önemli
- Yapay Zeka ile gerçek verileri işlerken karşılaşılan sorunlara çözümler üretebilme
- Oluşan çözümlerin gerçek hayat verileri olarak nasıl kullanılabileceği
- Yapay Zeka kapsamında bilinç ve farkındalık oluşturabilmek
- Yaşadığımız şehrin verilerine ortak çözümler geliştirebilmek - üretebilmek
- Türkçe Açık Kaynak Veri Setleri Üzerinde çalışma
- Kurumlarımızın verilerine akademinin işbirliği - aracılığı ile çözümlerin ortaya koyabilmesi
- Ülkemizin Açık Kaynak Veri Paylasımı noktasındaki çalışmaları dünyaya tanıtma ve duyurma
- Açık kaynak verinin işlenmesinde işlem aşamaları
- Etkileşimli çalışma ile Yapay Zeka algoritmalarının sistemsel bütünlüğünü öğrenme
- Yapay Zeka alanında sürdürülebilirlik sağlanması
- Yapay Zeka çalışmalarında gelişimin öğrenerek sağlanabilmesi
Eğitimimize başlamadan önce Yazılım, Algoritma, Programlama noktasında önemli olayların tarihsel sıralaması
C++; if / if-else / switch-case
C#; if/ if-else / swictch-case
Python; if / if-elif-else / switch-case
Java; if / if-else / switch-case
C ve C++; while, do while ve for
C#; while, do-while, for ve foreach
Python; While, for, range, len ve in
Java; while, do-while ve for
1.1. İstanbulun İlçeler Genelinde Günlük Su Tüketimlerinin Yapay Zeka Algoritmalarıyla İşlenerek Analizler Ortaya Çıkarılması
Veri Seti Kaynağı : İBB Açık Veri Portalı, Veri Seti Linki-->>
Referans: İBB İSKİ (2024). İlçe Bazında Su Tüketim Miktarı (IBB ACIK VERI PORTALI; Version V2) [Veri seti]. İstanbul Büyük Şehir Belediyesi İBB Açık Veri Portalı. https://data.ibb.gov.tr/dataset/ilce-bazinda-su-tuketim-miktari (Erişim Tarihi: 05.05.2024)
1.2. İstanbul Geneli Kapsamında oluşan trafik indeksinin Yapay Zeka Algoritmalarıyla İşlenerek Analizler Ortaya Çıkarılması
Veri Seti Kaynağı : İBB Açık Veri Portalı, Veri Seti Linki-->> Veri Seti Linki-->>
Referans: İBB Ulaşım Dairesi Başkanlığı (2024). İstanbul Trafik İndeksi (IBB ACIK VERI PORTALI; Version V2) [Veri seti]. İstanbul Büyük Şehir Belediyesi İBB Açık Veri Portalı. https://data.ibb.gov.tr/dataset/istanbul-trafik-indeksi (Erişim Tarihi: 25.05.2024)
1.3. İstanbulun Saatlik Toplu Ulaşım sistemindeki yolculuk ve yolcu verilerinin Yapay Zeka Algoritmalarıyla İşlenerek Analizler Ortaya Çıkarılması
Veri Seti Kaynağı : İBB Açık Veri Portalı, Veri Seti Linki-->> Veri Seti Linki-->>
Referans: İBB BELBİM A.Ş. (2024). İlçe Bazında Su Tüketim Miktarı (IBB ACIK VERI PORTALI; Version V2) [Veri seti]. İstanbul Büyük Şehir Belediyesi İBB Açık Veri Portalı. https://data.ibb.gov.tr/dataset/hourly-public-transport-data-set (Erişim Tarihi: 01.06.2024)
1.4. İstanbulun Çöpünden Geri Kazanım Miktarı ve çöpten elde edilen enerjinin Yapay Zeka Algoritmalarıyla İşlenerek Analizler Ortaya Çıkarılması
Veri Seti Kaynağı : İBB Açık Veri Portalı, Veri Seti Linki-->> Veri Seti Linki-->>
Referans: İBB Çevre Koruma ve Kontrol Dairesi Başkanlığı (2024). Atıktan Geri Kazanım Miktarları (IBB ACIK VERI PORTALI; Version V2) [Veri seti]. İstanbul Büyük Şehir Belediyesi İBB Açık Veri Portalı. https://data.ibb.gov.tr/dataset/atiktan-geri-kazanim-miktarlari (Erişim Tarihi: 15.06.2024)
1.5. İstanbulun Trafiğinden elde edilen verilerle günlük araç sayısı, araçların türleri, araçların ortalama hızları ve istikamet bilgilerini Yapay Zeka Algoritmalarıyla İşlenerek Analizlerin Ortaya Çıkarılması
Veri Seti Kaynağı : İBB Açık Veri Portalı, Veri Seti Linki-->> Veri Seti Linki-->>
Referans: İBB İSBAK A.Ş. (2024). Görüntü İşleme Yoluyla Elde Edilen Araç Verisi (IBB ACIK VERI PORTALI; Version V2) [Veri seti]. İstanbul Büyük Şehir Belediyesi İBB Açık Veri Portalı. https://data.ibb.gov.tr/dataset/goruntu-isleme-yoluyla-elde-edilen-arac-verisii (Erişim Tarihi: 25.06.2024)
1.6. Aşama -> İnternette Bulunan Veri Seti Dosyalarını Bilgisayarınızda Masaüstünde "YapayZekaIstanbul" ismiyle acacağınız yeni klasöre yüklemesini - kaydedilmesi işlemlerini gerçekleştiriniz.
1.7. Aşama -> Google Drive Sistemini Aktif Edin
1.8. Aşama -> Google Drive Bağlantı Süreçlerini Gerçekleştirin
1.9. Aşama -> Google Drive Alanında "YapayZekaIstanbul" ismiyle yeni klasör oluşturun
1.10. Aşama -> Google Drive-> YapayZekaIstanbul klasörü içerisie içerisine "VeriSetleri" ismiyle yeni bir klasör oluşturup indirdiğiniz veri setlerini bu klasöre yüklemesini yapınız.
1.11. Aşama -> Veri setlerinin dosya uzantılarının farklı olması sistemin ilk kurgusu noktasında dezavantaj oluşturmaktadır. *.csv formatına veri setlerini ayarlamalıyız.
(1. ARA ) VERİ SETİ BULMA ve DRIVE ALANINA YÜKLEME İŞLEMLERİ TAMAMLANMIŞTIR. ŞİMDİ ÇALIŞMA ORTAMININ HAZIRLANAMSI İŞLEMLERİ GERÇEKLEŞTİRİLECEKTİR.
2.1. Aşama -> GOOGLE COLAB ve GOOGLE DRIVE YAPILANDIRMASI
Colaboratory -->
2.2. Aşama ->
2.3. Aşama ->
2.4. Aşama ->
2.5. Aşama ->
2.6. Aşama ->
2.7. Aşama ->
2.8. Aşama ->
(2. ARA ) GOOGLE DRIVE ve GOOGLE COLAB SİSTEMLERİNİN BAĞLANTISI GERÇEKLEŞTİRİLMİŞTİR. ŞİMDİ YAPAY ZEKA (YZ) KURGUSUNUN OLUŞTURULMASI ve KODLANMASI SÜRECİNE GEÇİLECEKTİR!!
Bölüm 3. ->
3.1. Aşama -> Bu aşamada Google Colab'a Google Drive Bağlantısı yapılarak verilerin çekileceği drive adresine erişim izni verilmektedir. Aşağıdaki 2 satır kod ile bağlantı işlemi kurulmadan önce örnek yazım ve kod çıktısı alma işlemini tamamlıyoruz.
print("Merhaba, Avcılar!")
ve
import sys
print(sys.version)
kodları ile bağlantı kurgu sürecine başlıyoruz.
from google.colab import drive
drive.mount('/content/drive')
3.2. Aşama -> Bu aşamada Google Drive'da ki klasöre erişim linkini işleme alıyoruz. Aşağıdaki 3 satır kod ile bu işlem gerçekleştirilmektedir.
import os
os.chdir('/content/drive/My Drive/YapayZekaIstanbul')
!pwd
3.3. Aşama -> Veri seti içerisindeki excel dosyalarını *.csv formatına çevirim işlemini gerçekleştiriyoruz.
import pandas as pd
VeriSetiYolu = '/content/drive/My Drive/YapayZekaIstanbul/VeriSetleri'
for file in os.listdir(VeriSetiYolu): # Klasördeki tüm dosyaları listele
if file.endswith(('.xlsx', '.xls')): # Sadece Excel dosyalarını seç
df = pd.read_excel(os.path.join(VeriSetiYolu, file)) # Excel dosyasını pandas ile oku
df.to_csv(os.path.join(VeriSetiYolu, file.rsplit('.', 1)[0] + '.csv'), index=False)
# DataFrame'i CSV formatında kaydet
print(f"{file} dosyası CSV formatına çevrildi.") # Çevrim İşlemi Çıktısı
# İşlem tamamlandığında kaç tane excel dosyası var ise o kadar *.csv formatına çevildiğinin
# bilgisini almaktayız
3.4. Aşama -> Bu aşamada yazılan kod derlendiğinde aşağıdaki gibi ekran çıktısı gelmektedir.
ilce-baznda-su-tuketim-miktar-2015-2022.xlsx dosyası CSV formatına çevrildi.
atktan-geri-kazanm-miktarlar.xlsx dosyası CSV formatına çevrildi.
temmuz-ay-goruntu-ileme-yoluyla-elde-edilen-gunluk-arac-verisi.xlsx dosyası CSV formatına çevrildi.
3.5. Aşama -> Drive alanı kontrol edildiğinde 3 adet olan *.xlsx veri seti *.csv dosyasına çevrilmiştir.
3.6. Aşama -> Aşağıdaki resimde *.csv 5 adet dosya drive alanında mevcut hale gelmiştir.
3.7. Aşama -> Bu aşamda verileri elde ettiğimize göre, yapay zeka uygulamalarında kullanılan kütüphanelerin isimleri ve kod tanımlamaları aşağıdadır.
3.1 Aşama -> Veri setleri üzerinde verilerin görselleştirilmesi işlemleri başlıyoruz. Bu bölümde IBB veri setlerinden "Atıktan Geri Kazanım Miktarları" veri setini inceleyeceğiz.
Bu veri setinde atıktan geri dönüşümle elde edilmiş kompost miktarı, malzeme miktarı, üretilen yakıt ve enerji miktarları bulunmaktadır.
Amac: Bu etkinlikte İBB nin elinde olan atıktan geri kazanılan miktarın verilerini inceleyeceğiz.
Bu inceleme neticesinde elde edeceğimiz veriler ile;
-
Atıktan en fazla hangi alanda kazınım olduğununun tespiti yapabiliriz.
-
Geri dönüşümle elde edilmiş kompost miktarı, malzeme miktarı, üretilen yakıt ve enerji miktarlarının yıllara göre sürecinin analizini yapabiliriz.
-
Geri dönüşümde gelen miktarın hangi alanda daha verimli olduğunu vurgulayabiliriz.
-
Geri dönüşümde gelen kazancın kazanım oranlarının faaliyet alanları arasında değerlendirilmesini sağlayabiliriz.
-
Geri dönüşümün yıllara göre analizini yaparak gelecek yıllarda ne kadar bir kazanım olacağını tahminleyebiliriz.
-
Geri dönüşüm faaliyet alanları içerisinde yatırım işlemlerinin hangi alana yapılması gerektiğinin analizini sağlayabiliriz.
3.2 Veri Seti Üzerinde İşlemler
Veri Seti Kaynağı :
İBB Açık Veri Portalı, Veri Seti Linki-->> Veri Seti Linki-->>
Veri Seti Görseli:
3.3. Aşama -> Veri Setinin İçeriğinin Görselleştirmesi işlemei için MatplotLib Kütüphanesi kullanılacaktır.
Görselleştirme işlemine geçilmeden önce veri setinin içeriğini bir incelemesini yapalım!!
3.4. Aşama -> Veri Seti Dönüşüm İşlemleri Neticesinde Elde Edilen Dosyanın İçeriği (CSV formatına dosya okuma için Notepad programı ile dosya içeriği açılabilir)
3.5. Aşama -> Veri Seti üzerinde gerekli işlem aşamalarının ve süreçlerinin gerçekleştirileden görsel sonuç elde edilmesi (HATALI İŞLEM!!!!!!)
3.6. Aşama -> İBB Veri Setinden Elde Edilmesi Gereken Gerçek Görselin Elde Edilmesi (DOĞRU İŞLEMLER İLE ELDE EDİLMESİ GERKEN SONUÇTUR)
Veri Seti İşlemlerinden Sonra-->
Ön İşleme Yapılmış Veri Setinden Elde Edilmesi Gereken Gerçek Sonuçlar-->
3.7. -> Veri Görselleme teknikleriyle Doğru İşleml Sürecinin Başlatılması
Sizlerle Paylaşılmış Olan "yz-ikinci-islemler.ipynb" dosyası üzerinde işlemler gerçekleştirilmiştir ve sonuçlarıyla birlikte verilmiştir. Sizlerde aynı işlemleri gerçekleştirerek aynı sonucu elde edilmesi gerekmektedir.
Farklı bir sonuç var ise ilgili işlem adımlarına geri dönerek tek tek sürecinizi kontrol edebilirsiniz. Benim tavsiyem Tüm koda yeniden başlamaktadır.
Çünkü bunu yapmaz iseniz hatanızı bulamazsınız. Buradaki amac en az hata ile sürecin kontrolünü öğürenmektir.
Şimdi Koda Yeniden başlıyoruz...
3.8. -> İşlemler:
print("Merhaba, Avcılar!")
import sys
print(sys.version)
#Google Colab'a Google Drive Bağlantısı
from google.colab import drive
drive.mount('/content/drive')
#Google Drive'daki Dosyaya Erişim Bağlantısı
import os
os.chdir('/content/drive/My Drive/YapayZekaIstanbul')
!pwd
import os
import pandas as pd
VeriSetiYolu = '/content/drive/My Drive/YapayZekaIstanbul/VeriSetleri'
# VeriSetiYolu içindeki .csv dosyalarını bul ve say
csv_dosyaları = [dosya for dosya in os.listdir(VeriSetiYolu) if dosya.endswith('.csv')]
# .csv dosya sayısını ekrana yazdır
csv_dosya_sayisi = len(csv_dosyaları)
print(f"VeriSetiYolu içerisinde {csv_dosya_sayisi} tane .csv dosyası bulunuyor.")
3.9. -> Veri İşleme Adımları - Veri Seti Okuma
import matplotlib.pyplot as plt
# CSV dosyasını oku
dosya_yolu = '/content/drive/My Drive/YapayZekaIstanbul/VeriSetleri/atiktangerikazanimmiktari.csv'
csv_dosya = pd.read_csv(dosya_yolu)
print(csv_dosya)
##Okunan Veri Seti İçeriği
3.10. -> Veri İşleme Adımları - Verileri Tek Sütün Okuma
# Verileri hazırlama
id = csv_dosya.iloc[:, 0]
print(id)
3.11. -> Veri İşleme Adımları - Verileri Çoklu Sütün Okuma İşlemi
yil_bilgisi = csv_dosya.iloc[:, 1]
kompost_miktari = csv_dosya.iloc[:, 2]
geri_donusturulen_malzeme_miktari = csv_dosya.iloc[:, 3]
atik_yakiti_miktari = csv_dosya.iloc[:, 4]
elektrik_enerjisi_miktari = csv_dosya.iloc[:, 5]
print(id)
print(yil_bilgisi)
print(kompost_miktari)
print(geri_donusturulen_malzeme_miktari)
print(atik_yakiti_miktari)
print(elektrik_enerjisi_miktari)
3.12. -> Veri Görselleme - İlk sütunu x ekseni olarak kullanarak dört ayrı verinin grafiğini çizelim
plt.figure(figsize=(20, 18)) # Boyutlar inch cinsinden çizimleri olur.
# Genişlik 20 inch, Yükseklik: 18 inch
# Genişlik: 20 inch = 20 * 2.54 cm ≈ 50.8 cm
# Yükseklik: 18 inch = 18 * 2.54 cm ≈ 45.72 cm
# Kompost Miktarı Grafiği
# Kompost, organik maddelerin daha basit organik ve inorganik maddelere ayrıştırılması işlemidir.
plt.subplot(2, 2, 1)
plt.plot(yil_bilgisi, kompost_miktari, marker='o', color='blue')
plt.title('Uretilen Kompost Miktarı [ton]')
plt.xlabel('Yıl')
plt.ylabel(csv_dosya.columns[2])
plt.xticks(yil_bilgisi) # X eksenine sadece belirli yılları ekle
plt.grid(True)
# Geri Dönüştürülen Malzeme Miktarı Grafiği
plt.subplot(2, 2, 2)
plt.plot(yil_bilgisi, geri_donusturulen_malzeme_miktari, marker='o', color='green')
plt.title('IBB Tesislerinde Geri Dönüştürülen Malzeme Miktarı [ton]')
plt.xlabel('Yıl')
plt.ylabel(csv_dosya.columns[3])
plt.xticks(yil_bilgisi) # X eksenine sadece belirli yılları ekle
plt.grid(True)
# Atıktan Türetilmiş Yakıt Miktarı Grafiği
plt.subplot(2, 2, 3)
plt.plot(yil_bilgisi, atik_yakiti_miktari, marker='o', color='red')
plt.title('Atiktan Turetilmis Yakit Miktarı [ton]')
plt.xlabel('Yıl')
plt.ylabel(csv_dosya.columns[4])
plt.xticks(yil_bilgisi) # X eksenine sadece belirli yılları ekle
plt.grid(True)
# Çöp Gazından Üretilen Elektrik Enerjisi Miktarları Grafiği
plt.subplot(2, 2, 4)
plt.plot(yil_bilgisi, elektrik_enerjisi_miktari, marker='o', color='purple')
plt.title('Cop Gazindan Uretilen Elektrik Enerjisi Miktarları [MWh]')
plt.xlabel('Yıl')
plt.ylabel(csv_dosya.columns[5])
plt.xticks(yil_bilgisi) # X eksenine sadece belirli yılları ekle
plt.grid(True)
# Grafikleri yerleştir ve göster
plt.tight_layout()
plt.show()
3.13. -> Veri Görselleme - çıktısı
3.14. -> Veri Görselleme - Tüm Verilerin Birleştirilmesi İçin Çizim Sürecini Gerçekleştiriyoruz.
plt.figure(figsize=(20, 18))
plt.plot(yil_bilgisi, kompost_miktari, marker='o', label=csv_dosya.columns[2], color='blue')
plt.plot(yil_bilgisi, geri_donusturulen_malzeme_miktari, marker='o', label=csv_dosya.columns[3], color='green')
plt.plot(yil_bilgisi, atik_yakiti_miktari, marker='o', label=csv_dosya.columns[4], color='red')
plt.plot(yil_bilgisi, elektrik_enerjisi_miktari, marker='o', label=csv_dosya.columns[5], color='purple')
# Grafiği özelleştir
plt.title('IBB nin Yıllara Göre Atıktan Elde Edilen Verilerin Görselleştirilmesi')
plt.xlabel('Yıl Bilgisi')
plt.ylabel('Üretim Miktarı')
plt.xticks(yil_bilgisi)
#plt.legend()
plt.legend(["Uretilen Kompost Miktarı [ton]", "IBB Tesislerinde Geri Dönüştürülen Malzeme Miktarı [ton]", "Atiktan Turetilmis Yakit Miktarı [ton]", "Cop Gazindan Uretilen Elektrik Enerjisi Miktarları [MWh]"])
plt.grid(True)
# Grafiği göster
plt.show()
3.15. -> Veri Görselleme - Tüm Verilerin Birleştirilmesi Sonucu
3.16. -> Veri Görselleme - Tüm Verilerin Bar Kod İle Veri Seti Görselleştirilmesi - Bar plotları çizmek için kod hazırlığı
bar_width = 0.2
index = range(len(yil_bilgisi))
plt.figure(figsize=(16, 14))
# Kompost Miktarı Bar Plot
plt.bar(index, kompost_miktari, bar_width, label=csv_dosya.columns[1], color='blue')
# Geri Dönüştürülen Malzeme Miktarı Bar Plot
plt.bar([i + bar_width for i in index], geri_donusturulen_malzeme_miktari, bar_width, label=csv_dosya.columns[2], color='green')
# Atıktan Türetilmiş Yakıt Miktarı Bar Plot
plt.bar([i + 2 * bar_width for i in index], atik_yakiti_miktari, bar_width, label=csv_dosya.columns[3], color='red')
# Çöp Gazından Üretilen Elektrik Enerjisi Miktarı Bar Plot
plt.bar([i + 3 * bar_width for i in index], elektrik_enerjisi_miktari, bar_width, label=csv_dosya.columns[4], color='purple')
# X eksenini belirli yıllara ayarla
plt.xlabel('Yıl')
plt.ylabel('Miktar')
plt.title('Atıktan Geri Kazanım Miktarları')
plt.xticks([i + 1.5 * bar_width for i in index], yil_bilgisi)
plt.legend(["Uretilen Kompost Miktarı [ton]", "IBB Tesislerinde Geri Dönüştürülen Malzeme Miktarı [ton]", "Atiktan Turetilmis Yakit Miktarı [ton]", "Cop Gazindan Uretilen Elektrik Enerjisi Miktarları [MWh]"])
plt.grid(True)
plt.tight_layout()
plt.show()
3.17. -> Veri Görselleme - Tüm Verilerin Bar Kod İle Veri Seti Görselleştirilmesi - Sonucn Oluştulması
---------<<<<<<------VERİ İŞLEMESİ ve GÖRSELLEŞTİRMESİ SÜREÇLERİ TAMAMLANMIŞTIR------->>>>>>-----------
(3. ARA ) VERİ SETİ BULMA, DRIVE ALANINA YÜKLEME, GOOGLE COLAB, GOOGLE DRIVE, VERİ İŞLEMESİ ve GÖRSELLEŞTİRMESİ SÜREÇLERİ TAMAMLANMIŞTIR. ŞİMDİ YAPAY ZEKA ALGORİTMALARI İLE TAHMİN UYGULAMASI İŞLEMLERİ GERÇEKLEŞTİRİLECEKTİR.
4. Bölüm -> Yapay Zeka Uygulaması Kapsamında Veri Seti Üzerinde Tahmin Uygulamasının Geliştirilmesi - Gerçekleştirilmesi
4.1. Bu uygulamada amaç: İBB İstanbulun İlçeleri Genelinde Günlük Su Tüketimlerinin Yapay Zeka Algoritmalarıyla İşlenerek Analizler Ortaya Çıkarılması
Bu uygulamanın veri seti: İBB Açık Veri Portalı, İlçe Bazında Su Tüketim Miktarı, Veri Seti Linki-->>
4.2. Veri Seti İçeriği
4.3. Veri Seti Üzerinde Hazırlıklar
4.4. Veri Setinin İşlenmesi
4.5. Veri Seti Üzerinde Google Colab Üzerinde İşleme Başlama
print("Merhaba, Avcılar!")
import sys
print(sys.version)
#Google Colab'a Google Drive Bağlantısı
from google.colab import drive
drive.mount('/content/drive')
#Google Drive'daki Dosyaya Erişim Bağlantısı
import os
os.chdir('/content/drive/My Drive/YapayZekaIstanbul')
!pwd
4.6. Google Drive Çalışma alanımızda csv uzantılı veri seti bulma kodunu bir önceki örnekten farklı sonuç olması açısından çalıştıırıyoruz
import os
import pandas as pd
VeriSetiKonumu = '/content/drive/My Drive/YapayZekaIstanbul/VeriSetleri'
# VeriSetiYolu içindeki .csv dosyalarını bul ve say
csv_dosyaları = [dosya for dosya in os.listdir(VeriSetiKonumu) if dosya.endswith('.csv')]
# .csv dosya sayısını ekrana yazdır
csv_dosya_sayisi = len(csv_dosyaları)
print(f"VeriSeti dosyası içerisinde {csv_dosya_sayisi} tane .csv dosyası bulunuyor.")
4.7. Su veri seti üzerinde ön işlemeye tabi tutuyoruz.
# Veri setinin yolunun gösterimi veya yüklemesi
VeriSetiYolu = '/content/drive/My Drive/YapayZekaIstanbul/VeriSetleri/ilcesuveriseti.csv'
data = pd.read_csv(VeriSetiYolu, delimiter=';')
# Sayısal kolonlardaki verileri temizleyip sayıya dönüştürme
for col in data.columns[2:]:
data[col] = data[col].str.replace('.', '').astype(int)
# Düzenlenmiş veri setinin ilk birkaç satırını gösterme
print(data.head())
4.8. Su veri seti üzerinde ön işlemeye tabi tutulan verilerin görselleştirilmesi matplotlib ile 2 eksen görselleştirilmesi işlemi
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
# Veri setini yükleme ve temizleme
data = pd.read_csv(VeriSetiYolu, delimiter=';')
# Sayısal kolonlardaki verileri temizleyip sayıya dönüştürme
for col in data.columns[2:]:
data[col] = data[col].str.replace('.', '').astype(int)
# Belirtilen ilçeler için veriyi filtreleme
selected_ilces = ["AVCILAR", "BEYLIKDUZU", "BUYUKCEKMECE", "KUCUKCEKMECE", "SILIVRI", "ESENYURT"]
filtered_data = data[data['ILCELER'].isin(selected_ilces)]
# Seçilen ilçeler için yıllık su tüketim miktarlarını çizme
plt.figure(figsize=(15, 8))
for ilce in selected_ilces:
ilce_data = filtered_data[filtered_data['ILCELER'] == ilce]
plt.plot(data.columns[2:], ilce_data.iloc[0, 2:], label=ilce)
plt.xlabel('Yıllar')
plt.ylabel('Su Tüketimi (m3)')
plt.title('Belirli İlçelerin Yıllara Göre Su Tüketim Miktarları')
# Y eksenine binlik ayırıcı ekleme
ax = plt.gca()
ax.yaxis.set_major_formatter(ticker.FuncFormatter(lambda x, pos: f'{int(x):,}'))
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()
4.9. Su veri seti üzerinin görselleştirilmesinde graph ve plot ekleme ile görselin detaylandırılması - plotly Kütüphane Kurulum İşlemi
!pip install plotly
4.10. Su veri seti üzerinin görselleştirilmesinde graph ve plot ekleme ile görselin işleme alınması
kod içeriği--> .
import pandas as pd
import matplotlib.pyplot as plt
import plotly.graph_objects as go
# Veri setini yükleme ve temizleme
data = pd.read_csv(VeriSetiYolu, delimiter=';')
# Sayısal kolonlardaki verileri temizleyip sayıya dönüştürme
for col in data.columns[2:]:
data[col] = data[col].str.replace('.', '').astype(int)
# Belirtilen ilçeler için veriyi filtreleme
ilce_bilgileri = ["AVCILAR", "BEYLIKDUZU", "BUYUKCEKMECE", "KUCUKCEKMECE", "SILIVRI", "ESENYURT"]
filtered_data = data[data['ILCELER'].isin(ilce_bilgileri)]
# Plotly kullanarak interaktif grafik oluşturma
fig = go.Figure()
for ilce in ilce_bilgileri:
ilce_data = filtered_data[filtered_data['ILCELER'] == ilce]
fig.add_trace(go.Scatter(
x=data.columns[2:],
y=ilce_data.iloc[0, 2:],
mode='lines+markers',
line=dict(width=3),
name=ilce
))
fig.update_layout(
title='AVCILAR, BEYLIKDUZU, BUYUKCEKMECE, KUCUKCEKMECE, SILIVRI, ESENYURT İlçelerin Yıllara Göre Su Tüketim Miktarları',
xaxis_title='Yıllar',
yaxis_title='Su Tüketimi (m3)',
yaxis=dict(tickformat=','),
template='plotly_white'
)
fig.show()
4.11. Görsel Üzerinden Esenyurt ilçesinin su verisinin görselleştirilmesi
4.12. Görsel Üzerinden Küçükçekmece ilçesinin su verisinin görselleştirilmesi
4.13. Görsel Üzerinden Avcılar ilçesinin su verisinin görselleştirilmesi
4.14. Elde Edilen Görsel
4.15. Kodun Bütünlüğü
4.16. Model Eğitimi
import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
import matplotlib.pyplot as plt
from sklearn.metrics import mean_absolute_error, mean_squared_error
# Veri setini yükleme ve temizleme
data = pd.read_csv(VeriSetiYolu, delimiter=';')
# Sayısal kolonlardaki verileri temizleyip sayıya dönüştürme
for col in data.columns[2:]:
data[col] = data[col].str.replace('.', '').astype(int)
# Belirtilen ilçeler için veriyi filtreleme
selected_ilces = ["AVCILAR", "BEYLIKDUZU", "BUYUKCEKMECE", "KUCUKCEKMECE", "SILIVRI", "ESENYURT"]
filtered_data = data[data['ILCELER'].isin(selected_ilces)]
# Örneğin sadece AVCILAR ilçesi için tahmin yapalım
ilce = 'AVCILAR'
ilce_data = filtered_data[filtered_data['ILCELER'] == ilce].iloc[0, 2:].values.reshape(-1, 1)
# Yılları içeren bir dizi oluşturma
years = data.columns[2:].astype(int)
# Veriyi ölçeklendirme
scaler = MinMaxScaler(feature_range=(0, 1))
ilce_data_scaled = scaler.fit_transform(ilce_data)
# Girdi ve çıktı oluşturma (Zaman serisi verisi için)
def create_dataset(dataset, tahmin_adimi=1):
dataX, dataY = [], []
for i in range(len(dataset) - tahmin_adimi):
a = dataset[i:(i + tahmin_adimi), 0]
dataX.append(a)
dataY.append(dataset[i + tahmin_adimi, 0])
return np.array(dataX), np.array(dataY)
tahmin_adimi = 4
trainX, trainY = create_dataset(ilce_data_scaled, tahmin_adimi)
# LSTM girdi şekli (örnek sayısı, zaman adımı, özellik sayısı)
trainX = np.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1))
# LSTM Modeli oluşturma
model = Sequential()
model.add(LSTM(50, return_sequences=True, input_shape=(tahmin_adimi, 1)))
model.add(LSTM(50))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
# Modeli eğitme
# validation_split parametresi eklendi
history = model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2, validation_split=0.2)
4.17. Model Eğitimi Sonucu
Hatalı Sonuc - Rastgele :DDD :
İstenen Tam Sonuc:
# Eğitim verisi üzerinde tahmin yapma
trainPredict = model.predict(trainX)
# Tahminleri ters ölçeklendirme
trainPredict = scaler.inverse_transform(trainPredict)
trainY = scaler.inverse_transform([trainY])
# Test verisi oluşturma (Son 4 yıl)
test_data = ilce_data_scaled[-tahmin_adimi:]
test_data = np.reshape(test_data, (1, tahmin_adimi, 1))
# Test verisi üzerinde tahmin yapma
test_predict = model.predict(test_data)
# Tahminleri ters ölçeklendirme (Son yıl)
test_predict = scaler.inverse_transform(test_predict)
test_y = ilce_data[-1:]
# Modelin hata performansını çizdirme
plt.figure(figsize=(12, 6))
plt.plot(history.history['loss'], label='Eğitim Kaybı')
plt.plot(history.history['val_loss'], label='Doğrulama Kaybı')
plt.title('Model Eğitim ve Doğrulama Kaybı')
plt.xlabel('Epoch')
plt.ylabel('Kayıp')
plt.legend()
plt.show()
4.18. Modeli değerlendirmesi, Modelin kayıp ve başarı oranlarının tespiti
# Eğitim sürecindeki kayıp değerlerini yüzdelik olarak hesaplama
Modelin_kayip_degeri = [loss * 100 for loss in history.history['loss']]
# Eğitim sürecindeki kayıp değerlerini yüzdelik olarak yazdırma
for epoch, loss in enumerate(Modelin_kayip_degeri, 1):
print(f"Eğitim Adımı {epoch}: Kayıp Oranı = {loss:.2f}%")
# Eğitim sürecindeki kayıp değerlerinin yüzdelik ortalamasını hesaplama
Kayip_hesabi = np.mean(Modelin_kayip_degeri)
print(f"Eğitim Modelinin Toplam Kayıp Oranı (Yüzdelik): {Kayip_hesabi:.2f}%")
print(f"Eğitim Modelinin Başarı Oranı (Yüzdelik): {100-Kayip_hesabi:.2f}%")
4.20. Oluşturulan Modelin Değerlendirmesi ve Sonuç
# Modelin tahmin performansını çizdirme
time_step = len(ilce_data) - len(trainY[0]) # Changed testY to trainY
plt.figure(figsize=(12, 6))
plt.plot(years[time_step:time_step + len(trainY[0])], trainY[0], label='Gerçek Değerler', color='blue') # Changed testY to trainY
plt.plot(years[time_step:time_step + len(trainPredict)], trainPredict, label='Tahminler', color='red')
plt.title('Avcılar İlçesi için Gerçek Su Kullanım Değerleri ve Tahmin Edilen Değerlerin Görselleştirilmesi')
plt.xlabel('Yıl')
plt.ylabel('Su Tüketimi x (10^6) m^3')
plt.legend()
plt.xticks(rotation=45)
plt.show()
Hz. Mevlana'nın Sözleriyle Eğitim serimizi tamamlıyoruz.
Mum olmak kolay değildir !!
Işık saçmak için önce yanmak gerekir.
Hz. Mevlana
NOT: Bu kitaplar ülkemizin yapay zeka alanında ortaya çıkardığı çalışmalardan önemli kaynaklardır. Her yazılımcının, mezun ve / veye öğrencilerinin mutlaka kütüphanelerinde olması gereken kitaplardır.
-
Ord. Prof. Dr. Cahit ARF, "Makine düşünebilir mi ve nasıl düşünebilir", Atatürk Üniversitesi-Üniversite Çalışmalarını Muhite Yayma ve Halk Eğitimi Yayınları Konferanslar Serisi, (1), 91-103. Erzurum, 1959.
-
Prof. Dr. Vasıf NABİYEV, "Teoriden Uygulamalara Algoritmalar", Seçkin Yayınları, Ankara, 2011.
-
Prof. Dr. Vasıf NABİYEV, "Yapay zeka: insan-bilgisayar etkileşimi", Seçkin Yayınları, Ankara, 2021.
-
Prof. Dr. Ali OKATAN, Tamer KARATEKİN, Dr. Kağan OKATAN, "100 Sayfada Makine Öğrenmesi Kitabı", Papatya Bilim Yayıncılık, İstanbul, 2020.
-
Prof. Dr. Vasıf NABİYEV, "Teoriden Uygulamalara Algoritmalar", Seçkin Yayınları, Ankara, 2011.
-
Prof. Dr. Ercan Nurcan YILMAZ & Dr. Öğr. Üyesi Serkan GÖNEN, "Örneklerle Uygulamalı C ve C++ - 2023", İstanbul Gelişim Üniversitesi Yayınları, İstanbul, 2023.
-
Prof. Dr. Çetin ELMAS, "Yapay Zeka Uygulamaları", Seçkin Yayıncılık, İstanbul, 2021.
-
Prof. Dr. Şadi Evren ŞEKER, "Algoritmalar", Nobel Akademik Yayıncılık, Ankara, 2021.
-
Prof. Dr. Eşref ADALI, "Bilişim Etiği ve Hukuku", İTÜ Ulusal Yazılım ve Sertifikasyon Merkezi, İstanbul, 2017.
-
Dr. Atınç YILMAZ, Öğr. Gör. Umut KAYA, "Derin Öğrenme", KODLAB Yayıncılık, İstanbul, 2022.
-
Dr. Yalçın ÖZKAN, "Uygulamalı Derin Öğrenme", Papatya Bilim Yayıncılık, İstanbul, 2021.
-
Dr. Andriy BURKOV, "The hundred-page machine learning" book (Vol. 1, p. 32). Quebec City, QC, Canada: Andriy Burkov, 2019.
-
Dr. Öğr. Üyesi Fahri VATANSEVER, "Algoritma Geliştirme ve Programlamaya Giriş", Seçkin Yayınları, Ankara, 2009.
-
Dr. Öğr. Üyesi Selçuk ALP & Arzu KİLİTCİ "Algoritmalar ve Programlamaya Giriş", Umuttepe Yayınları, Kocaeli, 2015.
-
Öğr. Gör. Ali ÇETİNKAYA, "Bulanık Mantık ve Python Uygulamaları". İstanbul Gelişim Üniversitesi Yayınları, 2023.
-
Öğr. Gör. Tuğba SARAY ÇETİNKAYA & Öğr. Gör. Ali ÇETİNKAYA, Algorithm Design in Programming Language Education - Özgür Yayınları, Gaziantep, 2023.
-
Öğr. Gör. Ali ÇETİNKAYA, Mühendislik Alanında Yapay Zeka (YZ) İçerikli Araştırmalarda Yaklaşımlar - Serüven Yayınevi, İzmir, 2022.
-
Öğr. Gör. Ali ÇETİNKAYA, Approaches with Artificial Intelligence (AI) Algorithms to Smart System Works - Platanus Publishing, Ankara, 2023.
-
Öğr. Gör. Ali ÇETİNKAYA’nın internet sayfaları:
https://scholar.google.com.tr/citations?hl=tr&user=XSEW-NcAAAAJ https://avesis.gelisim.edu.tr/alcetinkaya https://github.com/acetinkaya/ https://alicetinkaya.site/
<-- Saygılarımla Öğr. Gör. Ali ÇETİNKAYA - Temmuz 2024 -->
Yukarıdaki bilgi, resim ve kod çalışmaları açık kaynak paylaşım olarak github "acetinkaya" alanında paylaşımı yapılmıştır.
Github alanından; star - yıldız ile beğenme bildirimi ile paylaşımlarıma destek verebilirsiniz.
Bilgi paylaşıldıkça çoğalır ve gelişir. İyi çalışmalar dilerim.
IEEE--> A. Cetinkaya, "Yapayzeka." GitHub, [Online]. Erişim Linki: https://github.com/acetinkaya/yapayzeka. Son Erişim Tarihi: Gün Ay Yıl.
APA--> Cetinkaya, A. (2024). Yapayzeka [GitHub Deposu]. GitHub. Erişim Linki: https://github.com/acetinkaya/yapayzeka. Son Erişim Tarihi: Gün Ay Yıl.
Proje Durumu: İlgili paylaşımlar ve Python programlama dilinde yazılmış yazılım kodlarına sürüm güncellemeleri yaptıkça bu paylaşımları güncelleyeceğiz. GitHub bölümünden beğeni bildirimi olarak bir yıldız vererek çalışmalarımı destekleyebilirsiniz. Bilgi paylaşıldıkça büyür ve gelişir.
Katkıda Bulunma: Çekme istekleri memnuniyetle karşılanır. Büyük değişiklikler için lütfen önce neyi değiştirmek istediğinizi görüşmek üzere ilgili Python kodunu belirttiğiniz bir soru - yanıt bölümü açın.
Lisans: MIT Lisansı altında yayımlandı
Yazar ve Güncelleme Yapan: Öğr. Gör. Ali Çetinkaya (MSc.) - 2024
Project Status: We will update these shares as we make version updates to the related dependencies and software code written in Python programming language. You can support my work by giving a star as a like notification from the GitHub section. Knowledge grows and develops as it is shared.
Contributing: Pull requests are welcome. For major changes, please open a question-and-answer section indicating the relevant Python code to discuss what you'd like to change first.
License: Released under the MIT License
Authored and Maintained by Lect. Ali Cetinkaya (MSc.) - 2024