Bu repoda, makine öğrenimi (ML) ve yapay zeka (AI) alanında geliştirdiğim küçük çaplı projeleri bulabilirsiniz. Her proje, farklı bir algoritma veya teknik üzerine odaklanarak farklı veri setleriyle çalışmayı ve model performanslarını analiz etmeyi hedefler.
Bu repoda bulunan projeler, makine öğrenimi ve yapay zeka konularında çeşitli yaklaşımları içermektedir:
📊 Regresyon Modelleri (Doğrusal ve Polinomal Regresyon, Lojistik Regresyon)
📈 Sınıflandırma Algoritmaları (KNN, Naive Bayes, Karar Ağaçları, Random Forest, SVM)
🤖 Derin Öğrenme (Yapay Sinir Ağları, CNN, RNN)
📡 Doğal Dil İşleme (NLP) (Metin Analizi, Sentiment Analysis, Tokenization)
🎯 Kümeleme ve Öbekleme (K-Means, DBSCAN, Hiyerarşik Kümeleme)
📌 Öneri Sistemleri (İçerik Tabanlı & İşbirlikçi Filtreleme)
📷 Görüntü İşleme (OpenCV ile Görüntü Analizi, Object Detection)
Her proje için kod, veri seti ve açıklayıcı dokümantasyon bulunmaktadır.
Bu repoda kullanılan başlıca kütüphane ve araçlar:
✅ Python
✅ NumPy, Pandas - Veri işleme ve analiz
✅ Matplotlib, Seaborn - Veri görselleştirme
✅ Scikit-Learn - Makine öğrenimi algoritmaları
✅ TensorFlow, Keras, PyTorch - Derin öğrenme modelleri
✅ NLTK, SpaCy - Doğal dil işleme
✅ OpenCV - Görüntü işleme
1-Hasta Tahlil Veri Seti Kullanarak Şeker Hastalığını Tahmin Etme
Kaggle'dan alınan hasta tahlil veri seti kullanılarak lojistik regresyon ve karar ağaçları gibi algoritmalar ile şeker hastalığı tahmin edilecektir.
2-Emlak Fiyatlarını Yapay Zeka Kullanarak Tahmin Etme
Çoklu regresyon modelleri kullanılarak emlak fiyatlarını etkileyen faktörler analiz edilecek ve tahminleme yapılacaktır.
3- HR Departmanı için Polynomial Regression Kullanarak Maaş Skalası Hesaplama
Polynomial Regression kullanarak farklı pozisyonlar ve deneyim seviyelerine göre maaş tahmini yapılacaktır.
4- IRIS Çiçeği Analizi ve PCA Kullanarak Özellik Sayısının Azaltılması
PCA (Principal Component Analysis) kullanılarak IRIS veri setinde boyut indirgeme uygulanacak ve modelleme yapılacaktır.
5- İş Başvurularının Yapay Zeka ile Değerlendirmesi
Sınıflandırma algoritmaları (SVM, Random Forest, Naive Bayes) ile iş başvurularının uygunluk değerlendirmesi yapılacaktır.
6- Yapay Zeka ile Müşteri Segmentasyonu
K-Means kümeleme algoritması kullanılarak müşteri segmentasyonu gerçekleştirilecektir.
7- IMDB Verileri Kullanılarak Film Tavsiye Sistemi (Recommendation System)
Kullanıcıların izlediği ve beğendiği filmleri analiz ederek içerik tabanlı ve işbirlikçi filtreleme yöntemleriyle benzer filmler öneren bir sistem geliştirilecektir.
8- Fotoğraflardaki El Yazısını Yapay Zeka ile Otomatik Tanıma
CNN tabanlı derin öğrenme modelleri kullanılarak el yazısı karakterlerini tanıyan bir model geliştirilecektir.
9- NLP ile IMDB Duygu Analizi
Doğal dil işleme (NLP) teknikleri kullanılarak IMDB film yorumlarının olumlu veya olumsuz olup olmadığı analiz edilecektir.
10- Advanced Müşteri Segmentasyonu Projesi
MIT tarafından geliştirilen ileri seviye segmentasyon teknikleri kullanılarak kompleks müşteri verileri analiz edilecektir.
11- San Francisco Crime Geographical K-Means Clustering Projesi
San Francisco’daki suç verileri kullanılarak coğrafi kümeleme (geo-spatial clustering) uygulanacak ve harita üzerine görselleştirme yapılacaktır.
12-Convolutional Neural Network (CNN) ile Görüntü Tanıma ve Sınıflandırma
TensorFlow ve Keras kullanılarak binlerce resim üzerinde derin öğrenme modeli eğitilecek ve görüntü sınıflandırma işlemi gerçekleştirilecektir.
13- Keras LSTM ile Uçak Yolcu Sayısı Tahmini (Zaman Serisi Tahmini)
LSTM (Long Short-Term Memory) ağları kullanılarak havayolu şirketlerinin yolcu sayılarının zaman serisi tahmini yapılacaktır.
14- Transfer Learning ile Görüntü Sınıflandırma (TensorFlow InceptionResNetV2)
Önceden eğitilmiş InceptionResNetV2 modeli kullanılarak transfer öğrenme yöntemi ile resim sınıflandırma yapılacaktır.
15- Deep Learning ile Uydu Fotoğraflarındaki Askeri Uçak Tiplerinin Tespit ve Sınıflandırılması
Uydu görüntüleri üzerinde derin öğrenme teknikleri kullanılarak askeri uçak tespiti ve sınıflandırması yapılacaktır.
16- Deep Learning için Ses Sinyal İşleme
MFCC (Mel-Frequency Cepstral Coefficients) gibi sinyal işleme teknikleri kullanılarak ses verisi yapay zeka için uygun formata dönüştürülecektir.
CNN tabanlı modeller ile ses dosyaları tanınıp sınıflandırılacaktır.