Makine Öğrenmesi Projeleri ve Notebook'ları

Bu depo; Regresyon, Sınıflandırma, Kümeleme, Doğal Dil İşleme (NLP), Boyut İndirgeme, Model Seçimi ve Öneri Sistemleri gibi makine öğrenmesinin temel konularını kapsayan kapsamlı Jupyter Notebook çalışmalarını içermektedir.

Her notebook, gerçek veri setleri kullanılarak makine öğrenmesi algoritmalarının adım adım uygulanışını göstermek amacıyla hazırlanmıştır.

---

📚 Proje İçeriği

📈 Regresyon

Notebook	Açıklama
1-Linear_Regression.ipynb	Tek bağımsız değişken ile doğrusal regresyon modelinin oluşturulmasını gösterir.
2-Multiple_Linear_Regression.ipynb	Birden fazla bağımsız değişken kullanarak hedef değişkenin tahmin edilmesini sağlar.
3-Polynomial_Linear_Regression.ipynb	Doğrusal olmayan veri ilişkilerini polinom özellikleri kullanarak modeller.
4-Decision_Tree_Regression.ipynb	Karar Ağacı algoritması ile regresyon tahmini gerçekleştirir.
5-Random_Forest_Regression.ipynb	Birden fazla karar ağacını birleştirerek daha başarılı regresyon tahminleri üretir.
6-Evaluation_Regression_Models.ipynb	Regresyon modellerini R² Score, MAE, MSE ve RMSE gibi performans metrikleri ile değerlendirir.

---

🎯 Sınıflandırma

Notebook	Açıklama
7-Logistic_Regression_Models.ipynb	Lojistik Regresyon kullanarak ikili sınıflandırma gerçekleştirir.
8-K-Nearest_Neighbour_Classification.ipynb	K-En Yakın Komşu (KNN) algoritması ile sınıflandırma yapar.
9-Support_Vector_Machine_Classification.ipynb	Support Vector Machine (SVM) algoritmasını kullanarak sınıflandırma gerçekleştirir.
10-Naive_Bayes_Classification.ipynb	Bayes Teoremi tabanlı olasılıksal sınıflandırma uygular.
11-Decision_Tree_Classification.ipynb	Karar Ağacı algoritması ile sınıflandırma gerçekleştirir.
12-Random_Forest_Classification.ipynb	Random Forest algoritması ile yüksek doğrulukta sınıflandırma yapar.
13-Evaluation_Classification_Models.ipynb	Confusion Matrix, Accuracy, Precision, Recall ve F1-Score metrikleriyle modelleri değerlendirir.

---

🔍 Gözetimsiz Öğrenme

Notebook	Açıklama
14-K-Means_Clustering.ipynb	Etiketsiz verileri K adet kümeye ayırır.
15-Hierarchical_Clustering.ipynb	Hiyerarşik kümeleme gerçekleştirerek dendrogram oluşturur.

---

🧠 Doğal Dil İşleme (NLP)

Notebook	Açıklama
16-Natural_Language_Process_(NLP).ipynb	Metin ön işleme, özellik çıkarımı ve duygu analizi gibi NLP uygulamalarını içerir.

---

📉 Boyut İndirgeme

Notebook	Açıklama
17-Principal_Component_Analysis_(PCA).ipynb	Verinin boyutunu bilgi kaybını en aza indirerek azaltır.

---

⚙️ Model Seçimi ve Optimizasyonu

Notebook	Açıklama
18-Model_Selection.ipynb	K-Fold Cross Validation ve Grid Search yöntemleri ile en uygun modeli belirler.

---

🎬 Öneri Sistemleri

Notebook	Açıklama
19-Recommendation_Systems.ipynb	Kullanıcı tercihleri ve benzerlik hesaplamaları kullanarak öneri sistemi oluşturur.

---

📊 Veri Setleri

Bu depo, notebook'larda kullanılan çeşitli veri setlerini de içermektedir.

Veri Seti	Kullanım Amacı
linear_regression_dataset.csv	Basit Doğrusal Regresyon
multiple_linear_regression_dataset.csv	Çoklu Doğrusal Regresyon
polynomial_regression.csv	Polinomsal Regresyon
decision_tree_regression_dataset.csv	Karar Ağacı Regresyonu
random_forest_regression_dataset.csv	Random Forest Regresyonu
gender_classifier.csv	İkili Sınıflandırma
movie.csv	NLP ve Öneri Sistemleri
data.csv	Genel Makine Öğrenmesi Uygulamaları

---

🛠️ Kullanılan Teknolojiler

• Python
• NumPy
• Pandas
• Matplotlib
• Seaborn
• Scikit-learn
• NLTK
• Jupyter Notebook

---

🎯 Öğrenme Hedefleri

Bu proje, uçtan uca bir makine öğrenmesi geliştirme sürecini uygulamalı olarak göstermektedir.

• ✅ Veri Ön İşleme (Data Preprocessing)
• ✅ Özellik Mühendisliği (Feature Engineering)
• ✅ Regresyon Algoritmaları
• ✅ Sınıflandırma Algoritmaları
• ✅ Kümeleme Teknikleri
• ✅ Doğal Dil İşleme (NLP)
• ✅ Temel Bileşen Analizi (PCA)
• ✅ Model Seçimi ve Hiperparametre Optimizasyonu
• ✅ Öneri Sistemleri
• ✅ Model Performans Değerlendirme

---

🚀 Projenin Amacı

Bu projenin temel amacı; öğrenciler, araştırmacılar ve yapay zekâ geliştiricileri için uygulamalı bir Makine Öğrenmesi kaynak deposu oluşturmaktır.

Her notebook aşağıdaki bileşenleri içermektedir:

• 📖 Konuya ait açıklamalar
• 💻 Açıklamalı Python kodları
• 📊 Veri görselleştirmeleri
• 📈 Model performans değerlendirmeleri
• 🔬 Gerçek veri setleri üzerinde uygulamalı örnekler

Makine öğrenmesine yeni başlayanlar için güçlü bir başlangıç kaynağı, deneyimli geliştiriciler için ise hızlı bir başvuru rehberi olmayı amaçlamaktadır.

---

⭐ Bu projeyi faydalı bulduysanız repoya Star (⭐) vermeyi unutmayın!