Daha \u00f6ncelerinde \u00e7ok sefer asl\u0131nda Derin \u00d6\u011frenme, Yapay Zeka vb bir s\u00fcr\u00fc e\u011fitime ba\u015flad\u0131m ancak \u00e7e\u015fitli sebeplerden dolay\u0131 istedi\u011fim gibi ilerletemedim. Y\u00fcksek lisans s\u00fcrecinde de bir miktar bu dersleri ald\u0131m ancak istedi\u011fim seviyede de\u011fildi. Yapay zekay\u0131 aktif olarak kullan\u0131yorum, her t\u00fcrl\u00fc verimi almaya \u00e7al\u0131\u015f\u0131yorum ve bir noktada bu a\u015f\u0131r\u0131 verimli olma durumu insan\u0131n can\u0131n\u0131 da s\u0131kabiliyor. \u00c7\u00fcnk\u00fc asl\u0131nda k\u0131sa s\u00fcrede \u00e7ok fazla task kapatt\u0131\u011f\u0131m\u0131zdan dolay\u0131 kendimizi verimli san\u0131yoruz. \u015e\u00f6yle bir fark\u0131ndal\u0131k ya\u015fad\u0131m. \u00c7al\u0131\u015f\u0131rken bir i\u015f ald\u0131\u011f\u0131mda bunu kafamda yapmak ger\u00e7ekten \u00e7ok uzun s\u00fcrecekmi\u015f gibi geliyor ama daha sonras\u0131nda bekide Claude'a yada OpenAI'ya kodu yazd\u0131rarak 10dk'da yapabiliyorum. \u0130\u015fe ba\u015flayana kadar bu i\u015fin uzun s\u00fcrecek bir i\u015f olaca\u011f\u0131 d\u00fc\u015f\u00fcncesi akl\u0131mda old\u011fu i\u00e7in psikolojik olarak beni yoruyor daha sonras\u0131nda i\u015f \u00e7ok h\u0131zl\u0131 bir \u015fekilde tamamlan\u0131yor ve bende kendimi verimli san\u0131yorum. E\u011fer bir i\u015fe ba\u015flamadan \u00f6nce o i\u015fin \u00e7ok uzun s\u00fcrece\u011fini d\u00fc\u015f\u00fcn\u00fcp tahmini bir s\u00fcr veremyirsak asl\u0131nda tek ba\u015f\u0131na o i\u015fi kendimiz yapay\u0131z demektir. \u00c7\u00fcnk\u00fc her t\u00fcrl\u00fc ihtimali de\u011ferlendiremiyoruz ve tahmini bir s\u00fcre kafam\u0131zda bulam\u0131yoruz. <\/p>\n
Bu durum benim i\u00e7in \u00e7ok da sorun de\u011fildi a\u00e7\u0131k\u00e7as\u0131 \u00e7\u00fcnk\u00fc yapay zeka asl\u0131nda bilginin art\u0131k \u00f6nemli olmald\u0131\u011f\u0131 bir d\u00fcnyaya do\u011fru bizi s\u00fcr\u00fckl\u00fcyordu. Bir\u015feyi bilmenin \u00e7ok bir \u00f6nemi kalmayacak gibi ya da o bilgi eskisi kadar de\u011ferli olmayacak \u00e7\u00fcnk\u00fc bilgiye ula\u015fmak \u00e7ok daha h\u0131zl\u0131 ger\u00e7ekle\u015fek. Bu y\u00fczde herhangi bir \u015fekilde asl\u0131nda bu durumu sorun etmiyordum kafamda. Ancak d\u00fcn gece bir bir haber g\u00f6rd\u00fcm X'te. Belki zamanla linkler \u00f6leblir diye birka\u00e7 link payla\u015faca\u011f\u0131m. <\/p>\n
Hepimiz \u00f6zg\u00fcrce ula\u015facakt\u0131k ama kendi firmalar\u0131nda \u00e7al\u0131\u015fan Amerikal\u0131 olmayan m\u00fchendislerin bile kullanamayaca\u011f\u0131 s\u00f6ylentileri dola\u015f\u0131yor. \u0130\u015fte bu, bilgiye kolay ula\u015f\u0131m fikrini alt\u00fcst etti. Bunun \u00fczerine art\u0131k yava\u015ftan \u00f6\u011frenmem gerekti\u011fini d\u00fc\u015f\u00fcn\u00fcyorum. Olduk\u00e7a fazla kurs ara\u015ft\u0131rd\u0131m. Asl\u0131nda en kalitelileri youtube \u00fczerinde olanlar san\u0131r\u0131m. Direkt olarak Harward'\u0131n kurslar\u0131 var. Ancak ilk olarak ben fazla teoride kaybolmad\u0131\u011f\u0131m \u00f6nce pratik sonra teorik modelle ilerlemek istiyorum. Zor konular\u0131 bu \u015fekilde daha h\u0131zl\u0131 anlad\u0131\u011f\u0131m\u0131 i\u015fin teorisinin daha iyi oturdu\u011funu d\u015f\u00fcn\u00fcyorum. Bundan dolay\u0131 Udemy'den bir kurs (https:\/\/www.udemy.com\/course\/derin-ogrenme-bootcamp\/learn<\/a>) ald\u0131m. Bu kursu g\u00fcn g\u00fcn devam ettirece\u011fim ve bir seri olu\u015fturaca\u011f\u0131m.<\/p>\n NumPy k\u00fct\u00fcphanesini temel olarak \u00f6\u011frenme ile ba\u015flad\u0131k. 1. g\u00fcn k\u0131sm\u0131nda genel olarak k\u00fct\u00fcphanenin k\u0131sa bir tan\u0131t\u0131m\u0131, basit matris olu\u015fturma \u00f6rnekleri, matrislerle daha sorna\u0131nda 4 i\u015flemler, shape, reshape ve transpoz gibi konulara de\u011findik. Bu s\u00fcre zarf\u0131 boyunca e\u011fitimde g\u00f6rd\u00fc\u011f\u00fcm \u015feyleride vscode \u00fczerinden yaz\u0131p deniyorum s\u00fcrekli. \u0130\u015fte basit denemeler ve \u00e7\u0131kt\u0131lar\u0131:<\/p>\n Normal listelerde toplama i\u015flemleri ile numpy dizilerindeki toplama yani matris toplamalar\u0131ndaki fark:<\/p>\n Listelerde \u00e7arpma i\u015flemi diye bir \u015fey yok. Ama matris \u00e7arpmas\u0131 yapabiliriz.<\/p>\n Rastgele matrisler olu\u015fturma \u00f6rnekleri:<\/p>\n Matirslerde elemanlara indexler arac\u0131l\u0131\u011f\u0131 ile nas\u0131l ula\u015f\u0131labilece\u011fi:<\/p>\n Shape dedi\u011fimiz konu:<\/p>\n Burada demek oluyorki asl\u0131nda bu dizi 2 boyutluymu\u015f. 3 sat\u0131r ve 4 elemandan olu\u015fuyor. Daha sonras\u0131nda \u00e7arpma i\u015flemi:<\/p>\n Bana ger\u00e7ekten tuhaf gelen Boolean Indexing kavram\u0131:<\/p>\n Reshape y\u00f6ntemi:<\/p>\n Ve ufak bir egzersiz i\u015flemi asl\u0131nda. Bu egzersiz i\u015fleminde broadcasting i\u015fleminide g\u00f6r\u00fcyoruz. Broadcasting, farkl\u0131 boyutlardaki arraylar otomatik olarak geni\u015fletilip i\u015fleme sokma i\u015fidir, Giri\u015f Daha \u00f6ncelerinde \u00e7ok sefer asl\u0131nda Derin \u00d6\u011frenme, Yapay Zeka vb bir s\u00fcr\u00fc e\u011fitime ba\u015flad\u0131m ancak \u00e7e\u015fitli sebeplerden dolay\u0131 istedi\u011fim gibi ilerletemedim. Y\u00fcksek lisans s\u00fcrecinde…<\/p>\nNumPy<\/h1>\n
import numpy as np\n\nlist1 = [1, 2, 3, 4, 5]\nlist2 = [5,4,3,2,1]\n\narray1 = np.array(list1)\narray2 = np.array(list2)\n\nprint("Array1's max value is: ")\nprint(array1.max())<\/code><\/pre>\nArray1's max value is: \n5<\/code><\/pre>\nprint("Normal addition of lists and arrays: ")\nprint(list1 + list2)\nprint(array1 + array2)<\/code><\/pre>\nNormal addition of lists and arrays: \n[1, 2, 3, 4, 5, 5, 4, 3, 2, 1]\n[6 6 6 6 6]<\/code><\/pre>\nprint("Normal multiplication of arrays: ")\nprint(array1 * array2)<\/code><\/pre>\nNormal multiplication of arrays: \n[5 8 9 8 5]<\/code><\/pre>\nrandom_array = np.random.rand(3, 4)\nprint("Random array: ")\nprint(random_array)\n\nrand_int_array = np.random.randint(1, 10, 2)\nprint("Random integer array: ") \nprint(rand_int_array)<\/code><\/pre>\nRandom array: \n[[0.06424452 0.6036594 0.33775679 0.89582491]\n [0.18581727 0.10011355 0.34459622 0.48196824]\n [0.03895807 0.87636734 0.81279525 0.8933949 ]]\nRandom integer array: \n[3 3]<\/code><\/pre>\nprint("Matris indexkleri: ")\nprint(random_array[0, 0])\nprint(random_array[1, 2])<\/code><\/pre>\nMatris indexkleri: \n0.06424451600303871\n0.34459622009487534<\/code><\/pre>\nprint("Matris shape:")\nprint(random_array.shape)<\/code><\/pre>\nMatris shape:\n(3, 4)<\/code><\/pre>\n
\nTek boyutlu matrislerde mesela array1 i\u00e7in shape de\u011feri [5,] \u015feklinde gmsteriliyor. Bu asl\u0131na onun 1 boyutlu 5 elemanl\u0131 bir matris oldu\u011funu ya da vekt\u00f6r oldu\u011funu ifade eder.<\/p>\nprint("----------------------------------")\nprint("Matris dot product: ")\nprint("array1: ")\nprint(array1)\nprint("Shape of array1: ")\nprint(array1.shape)\nprint("Transpose of array1: ")\nprint(array1.T)\nprint("Shape of transpose of array1: ")\nprint(array1.T.shape)\nprint("Dot product of array1 and its transpose: ")\nprint(np.dot(array1, array1.T))<\/code><\/pre>\n----------------------------------\nMatris dot product: \narray1: \n[1 2 3 4 5]\nShape of array1: \n(5,)\nTranspose of array1: \n[1 2 3 4 5]\nShape of transpose of array1: \n(5,)\nDot product of array1 and its transpose: \n55<\/code><\/pre>\nprint("----------------------------------")\nprint("Boolean indexing: ")\nrandom_matrix1 = np.random.randint(1,100,20)\nprint("Random matrix1: ")\nprint(random_matrix1)\nprint("Bigger than 50: ")\nprint(random_matrix1[random_matrix1 > 50])<\/code><\/pre>\nBoolean indexing: \nRandom matrix1: \n[ 2 36 25 51 38 81 51 6 36 74 25 72 28 56 53 5 52 36 6 18]\nBigger than 50: \n[51 81 51 74 72 56 53 52]<\/code><\/pre>\nprint("----------------------------------")\nprint("Reshaping arrays: ")\nprint("Original array1: ")\nprint(array1)\nprint("Reshaped array1: ")\nprint(array1.reshape(5, 1))<\/code><\/pre>\n----------------------------------\nReshaping arrays: \nOriginal array1: \n[1 2 3 4 5]\nReshaped array1: \n[[1]\n [2]\n [3]\n [4]\n [5]]<\/code><\/pre>\nz_scores = (array1 - mean) \/ std<\/code> kodunda oldu\u011fu gibi.<\/p>\nprint("----------------------------------")\nprint("Z Score normalization: ")\nmean = np.mean(array1)\nstd = np.std(array1)\nz_scores = (array1 - mean) \/ std\nprint("Z Scores: ")\nprint(z_scores)\nprint("Outliers: ")\nprint(array1[z_scores > 1])<\/code><\/pre>\n----------------------------------\nZ Score normalization: \nZ Scores: \n[-1.41421356 -0.70710678 0. 0.70710678 1.41421356]\nOutliers: \n[5]<\/code><\/pre>\n","protected":false},"excerpt":{"rendered":"