|
İÇİNDEKİLER
İçindekiler
Önsöz 5
Yazar Hakkında 7
Resimler Listesi 17
Şekiller Listesi 25
Tablolar Listesi 29
1. GİRİŞ 31
2. YAPAY ZEKÂ (ARTIFICIAL INTELLIGENCE – AI) 35
2.1. Yapay Zekâ Nedir? 35
2.2. Yapay Zekâ Uygulamaları ve Alanları 36
2.3. Türkiye ve Yapay Zekâ 39
2.4. Metaverse ve Yapay Zekâ 41
2.5. Yapay Zekâyı Kodlama 43
3. PYTHON 47
3.1. Python Kurulumu 50
3.2. Anaconda 51
3.3. Spyder 54
3.4. Jupyter Notebook ve JupyterLab 54
3.5. Sanal Ortam 58
3.5.1. Windows Komut İstemcisinden Sanal Ortam Oluşturma 59
3.5.2. Anaconda ile Sanal Ortam Oluşturma 60
3.6. Kaggle 64
3.7. Google Colaboratory 66
3.8. PIP ve Conda ile Yeni Modüller Eklemek 68
3.8.1. Pip ile Yeni Modüller Eklemek 68
3.8.2. Conda ile Yeni Modüller Eklemek 68
3.9. Python Dili Sözdizimi 70
3.9.1. Değişkenler 71
3.9.2. Stack Memory vs. Heap Memory 72
3.9.3. Operatörler 75
3.9.4. Veri Tipleri 77
3.9.5. Koşul Yapıları 82
3.9.5.1. If 82
3.9.5.2. Else 83
3.9.5.3. Elif 83
3.9.5.4. İç İçe If İfadesi 84
3.9.6. Döngüler 85
3.9.6.1. While Döngüsü 85
3.9.6.2. For Döngüsü 86
3.9.7. İç İçe Döngüler 87
3.9.8. Fonksiyonlar 88
3.9.9. Global ve Yerel (Lokal) Değişkenler 91
3.9.10. Gömülü Fonksiyonlar (Built–in) 92
3.9.11. String Methodları 97
3.9.12. Kullanıcı Tarafından Oluşturulan Fonksiyonlar 102
3.9.13. Lambda İfadeleri ve Comprehension Tanımlamaları 104
3.9.14. Özyinelemeli Fonksiyonlar 105
3.10. Python Veri Yapıları 106
3.10.1. Listeler – List 107
3.10.2. Diziler – Array 112
3.10.3. Demetler – Tuple 113
3.10.4. Kümeler – Set 114
3.10.5. Sözlükler – Dictionary 116
3.10.6. Range, Enumerate ve Comprehension Yapıları 119
3.11. Python Web and Desktop Uygulamaları 120
3.11.1. Django 120
3.11.2. Flask 120
3.11.3. Bottle 121
3.11.4. Tornado 121
3.11.5. Pyramid 121
3.11.6. Tkinter 121
3.11.7. PyQT 122
3.11.8. Kivy 122
3.11.9. WxPython 122
4. NESNE YÖNELİMLİ PROGRAMLAMA (OOP) 123
4.1. Nesneler ve Sınıflar 124
4.1.1. Sınıf ve Nesne Tanımlama 124
4.1.2. Sınıflar ve Örnekler 126
4.2. Kalıtım (Inheritance) 128
4.3. Kapsülleme (Encapsulation) 129
4.4. Polimorfizm (Polymorphism) 132
4.5. Örnek Metotlar 133
4.6. OOP Prensipler 133
4.7. Program Hatalarının Yönetimi 134
5. MODÜLLER, KÜTÜPHANELER VE ARAÇLAR 139
5.1. Genel Bakış 139
5.1.1. Python Packages 142
5.1.2. Python Libraries 144
5.1.3. Python Frameworks 146
5.1.4. Math Modülü 146
5.1.5. Statistics Modülü 148
5.1.6. Random Modülü 149
5.1.7. Datetime Modülü 150
5.1.8. CSV Modülü 150
5.2. NumPy Kütüphanesi 154
5.2.1. NumPy Kurulumu 154
5.2.2. Numpy’ın Kalbi 155
5.2.3. Dizi Oluşturma 157
5.2.4. NumPy Tarafından Desteklenen Veri Türleri 159
5.2.5. Slicing 163
5.2.6. Shape Manipulation 165
5.3. Pandas Kütüphanesi 166
5.3.1. Pandas Kurulumu ve Veri Yapıları 167
5.3.2. Series 167
5.3.3. Dataframe 172
5.4. SciKit Learn Kütüphanesi 175
5.4.1. Sınıflandırma 176
5.4.2. Regresyon 176
5.4.3. Kümeleme 177
5.4.4. Boyutsal küçülme 177
5.4.5. Model seçimi 178
5.4.6. Ön İşleme 178
5.5. Matplotlib Kütüphanesi 179
5.5.1. Kurulumu 180
5.5.2. pylab and pyplot 183
5.5.3. Matplotlib Uygulamaları 186
5.6. Web Scraping (Kazıma) 196
6. TENSORFLOW VE KERAS KÜTÜPHANELERİ 199
6.1. Theano Kütüphanesi 201
6.2. PyTorch Framework 201
6.3. NLTK Kütüphanesi 203
6.4. Scipy Kütüphanesi 203
6.5. Seaborn Kütüphanesi 204
6.6. Plotly Kütüphanesi 204
6.7. Bokeh Kütüphanesi 205
7. VERİ BİLİMİ 207
7.1. Veri Bilimcisi Kimdir? 210
7.1.1. Veri Bilimi ve İş Zekâsı Arasındaki Farklar 211
7.1.2. Veri Biliminin Yaşam Döngüsü 212
7.1.3. Veri Biliminin Artıları Eksileri 215
7.2. Veri Bilimi için Gerekli Araçlar 217
7.3. Veri Biliminin Uygulanması 219
7.3.1. Risk ve Dolandırıcılık Tespiti 219
7.3.2. Sağlık Hizmeti 219
7.3.3. Genetik ve Genomik 219
7.3.4. İlaç Geliştirme 219
7.3.5. İnternet Araması 220
7.3.6. Web Sitesi Önerileri 220
7.3.7. Gelişmiş Görüntü Tanıma 220
7.3.8. Sanal Asistan 220
7.3.9. Konuşma Tanıma 221
7.3.10. Uçaklar için Rota Planlama 221
7.3.11. Oyun 221
7.3.12. Arttırılmış Gerçeklik 221
7.4. Veri Bilimi Modellerine Matematik Uygulaması 222
7.5. Veri Seti ve Veri Analizindeki Yeri 223
7.6. Veri Temizleme 225
7.7. Veri Doğrulama 226
7.8. Veri Keşfi 227
7.9. Veri Madenciliği 227
7.10. Veri Toplama Yöntemleri 231
7.10.1. Gözlem 231
7.10.2. Anketler 231
7.10.3. Röportajlar 232
7.10.4. Odak Grup Tartışmaları 232
7.11. Kaggle Tanıtımı 233
7.12. Git ve Github 237
7.12.1. Github 237
7.12.2. GİT 239
7.13. Verinin Görselleştirilmesi 257
7.14. Büyük Veri 263
8. MATEMATİK, İSTATİSTİK VE YAPAY ZEKÂ 267
8.1. Doğrusal Cebir (Linear Algebra) 268
8.2. Vektörler ve Matrisler 269
8.3. Olasılık ve Dağılım 271
8.4. Optimizasyon 277
8.5. Graflar (Computation Graph) 280
8.6. Veri Bilimi İstatistikleri 281
8.7. Tanımlayıcı İstatistik 281
8.8. Çıkarımsal İstatistik 285
8.9. Diğer Test Yöntemleri 288
8.10. Lineer Regresyon 288
8.11. Çoklu Lineer Regresyon 294
8.12. Regresyon Analizi 298
8.13. Ajanlar ve Ortamlar 301
8.14. Arama Problemleri, Durum Uzayı ve Başlangıç Durum 307
8.15. Geleneksel Arama Algoritmaları 308
8.16. Genetik Algoritmalar 313
9. MAKİNE ÖĞRENMESİ 315
9.1. Öğrenme 316
9.1.1. Fiziksel (Kinestetik) Öğrenme 318
9.1.2. Görsel (Mekansal) Öğrenme 319
9.1.3. İşitsel Öğrenme 319
9.1.4. Sözel (Okuma/Yazma) Öğrenme 320
9.1.5. Mantıksal (Matematiksel) Öğrenme 320
9.1.6. Müzikal Öğrenme 320
9.1.7. Doğa Bilimcileri 321
9.1.8. Dilsel Öğrenenler 321
9.1.9. Kişilerarası (Sosyal) Öğrenenler 322
9.1.10. Kişi İçi (Yalnız) Öğrenciler 322
9.2. Bilgisayarlı Öğrenme ve Karar Verme 323
9.3. Veri Ön İşleme ve Model Tasarımı 325
9.3.1. Veri Ön İşleme 326
9.3.2. Veri Önişleme için Örnek 332
9.3.3. Model Planlama 338
9.3.4. Model Oluşturma 339
9.3.5. Modelin Eğitilmesi 339
9.3.6. Modelin Test Edilmesi 339
9.3.7. Modelin İyileştirilmesi 340
9.4. Makine Öğrenmesi Yaklaşımları 340
9.5. Gözetimli Öğrenme (Denetimli–Supervised Learning) 342
9.5.1. Regresyon 342
9.5.1.1. Lineer Regresyon 343
9.5.1.2. Polinomial Regresyon 344
9.5.1.3. Lojistik Regresyon 345
9.5.1.4. Gradyan Azaltma 347
9.5.1.5. Neural Network Regresyon 348
9.5.1.6. Support Vektor Regresyon 349
9.5.1.7. Gaussian process regression (GPR): 350
9.5.2. Sınıflandırma 350
9.5.2.1. Naive Bayes Sınıflandırması 351
9.5.2.2. SVM Sınıflandırması 354
9.5.2.3. Karar Ağaçları 357
9.5.2.4. k–NN Algoritması 361
9.5.2.5. Random Forest 365
9.6. Gözetimsiz Öğrenme (Denetimsiz–Unsupervised Learning) 370
9.6.1. Kümeleme 370
9.6.2. Hiyerarşik Kümeleme 373
9.7. Denetimli vs Denetimsiz Öğrenme 380
9.8. Yarı Denetimli Öğrenme 381
9.9. Pekiştirmeli Öğrenme 383
9.9.1. Model Bağımsız RL 385
9.9.2. Model Tabanlı RL 386
10. YAPAY SİNİR AĞLARI 389
10.1. Nöron ve Ağ Yapısı 391
10.2. Aktivasyon Fonksiyonu 392
10.3. Tek Katmanlı Sinir Ağları (Perceptronlar) 394
10.4. İki Katmanlı Sinir Ağları 395
10.5. Çok Katmanlı Sinir Ağları (L–Layer NN) 396
10.6. İleri Yayılımlı Öğrenme 397
10.7. Kayıp (Loss) ve Maliyet (Cost) Fonksiyonları 397
10.8. Geri Yayılımlı Öğrenme 397
10.9. Evrişimli Sinir Ağı Mimarileri 397
10.9.1. LeNet 398
10.9.2. AlexNet 399
10.9.3. ZFNet 400
10.9.4. GoogLeNet 401
10.9.5. VGGNet 401
10.10. Tekrarlayan Sinir Ağları (Recurrent Neural Networks – RNN) 402
10.11. NLP 403
10.12. Sequence Models 404
10.13. Uzun Kısa Dönemli Bellek Ağları (LSTM) 404
10.14. Tekrarlayan ve Evrişimli Sinir Ağlarının Birleşimi 405
10.15. Derin İnanç Ağları 405
10.16. Kısıtlı Boltzmann Makinesi 406
11. DERİN ÖĞRENME 407
11.1. Evrişimsel Sinir Ağları (Convolutional Neural Networks – CNN) 408
11.2. Normalizasyon ve Label Encoding 408
11.3. Batch ve Epoch 409
11.4. Data Augmentation 409
11.5. Katmanlar ve Bağlantılar 409
12. UYGULAMALAR 413
12.1. Hesap Makinesi Projesi 413
12.2. Araç Kiralama Projesi 414
12.3. Sıcaklık Dönüşümleri Uygulaması 415
12.4. Instagram Profil Resimleri İndirme Uygulaması 416
12.5. Lojistik Regresyon Python Çalışması 417
12.6. ANN Python Çalışması 419
Kaynakça 421
Kavram Dizini 427 |
Bilgisayar, Teknoloji Kitapları 
