İlk Proje

R yükleme

markdown başlangıç

Web sayfasını hazırlama

Internete yükleme

FORMUL

library(WDI)
library(ggplot2)
# İlk olarak, Moritanya'nın enflasyon verilerini içeren bir vektör oluşturuyoruz
moritanya_enflasyon <- c(4.5, 5.2, 6.1, 7.0, 6.5, 6.8, 7.3, 8.1, 8.5, 9.0)

# Ardından, Senegal'in enflasyon verilerini içeren bir vektör oluşturuyoruz
senegal_enflasyon <- c(2.8, 3.1, 3.5, 3.9, 4.2, 4.5, 4.9, 5.3, 5.7, 6.1)

# Yılları içeren bir vektör oluşturuyoruz (örneğin, 2010'dan 2019'a kadar)
yillar <- 2010:2019

# Moritanya ve Senegal'in enflasyonunu içeren bir veri çerçevesi oluşturuyoruz
enflasyon_verileri <- data.frame(Yıl = yillar, Moritanya = moritanya_enflasyon, Senegal = senegal_enflasyon)

# Şimdi ggplot2 paketini yükleyip grafik oluşturuyoruz
install.packages("ggplot2")
## Warning: package 'ggplot2' is in use and will not be installed
library(ggplot2)

# Veri çerçevemizdeki verileri kullanarak çizim yapıyoruz
grafik <- ggplot(enflasyon_verileri, aes(x = Yıl)) +
  geom_line(aes(y = Moritanya, color = "Moritanya")) +
  geom_line(aes(y = Senegal, color = "Senegal")) +
  labs(title = "Moritanya ve Senegal'in Enflasyonu (2010-2019)",
       x = "Yıl",
       y = "Enflasyon Oranı",
       color = "Ülke") +
  scale_color_manual(values = c("Moritanya" = "blue", "Senegal" = "red")) +
  theme_minimal()

# Grafiği görüntüle
print(grafik)

Makina öğrenmesi açıklayın?

Makina öğrenmesi açıklayın? ChatGPT Makina öğrenmesi, bilgisayar sistemlerinin verilerden öğrenme yeteneği kazanarak belirli bir görevi gerçekleştirmek için algoritmalar geliştirmesini sağlayan bir yapay zeka dalıdır. Makina öğrenmesi, belirli bir görev için programlanmaktan ziyade verilere dayalı olarak öğrenme kapasitesine sahiptir. Bu, veri analizi, desen tanıma, tahmin, sınıflandırma ve kümelenme gibi birçok farklı görevde kullanılabilir.

Makina öğrenmesi genellikle üç ana kategori altında incelenir:

Denetimli Öğrenme (Supervised Learning): Bu yaklaşım, belirli bir giriş verisiyle bir çıkışı ilişkilendirme görevini ele alır. Bir öğrenme algoritması, eğitim veri setindeki giriş-çıkış ilişkisini öğrenir ve daha sonra yeni giriş verileriyle bu ilişkiyi kullanarak tahminler yapabilir. Örneğin, ev fiyatlarını tahmin etmek veya e-postaları spam ve spam olmayan olarak sınıflandırmak gibi görevler bu kategoriye girer.

Denetimsiz Öğrenme (Unsupervised Learning): Bu yaklaşım, veri setinde yapısal bir çıkarım yapmadan önceki herhangi bir etiketleme veya yönlendirme olmadan veri analizi gerçekleştirir. Burada algoritma, veri setindeki gizli yapıları veya desenleri keşfetmeye çalışır. Örneğin, benzer özelliklere sahip veri noktalarını gruplamak veya veri setindeki ana temaları belirlemek gibi görevler bu kategoriye girer.

Pekiştirme Öğrenme (Reinforcement Learning): Bu yaklaşım, bir ajanın belirli bir çevreye karşı nasıl davranacağını öğrenmeye çalışır. Ajan, çevresiyle etkileşime girer, bir eylem gerçekleştirir, çevre tarafından bir geri bildirim alır ve bu geri bildirimi kullanarak gelecekteki eylemlerini ayarlar. Ajan, belirli bir hedefi veya ödülü maksimize etmek için en iyi eylem stratejisini öğrenmeye çalışır. Örneğin, bir robotun bir engeli aşması veya bir oyun stratejisi geliştirmesi gibi görevler bu kategoriye girer.

Makina öğrenmesi, veri analitiği, yapay zeka ve bilgi işlem alanlarında geniş bir uygulama alanına sahiptir ve günümüzde birçok endüstride kullanılmaktadır, örneğin sağlık, finans, otomotiv, perakende ve daha birçok alanda

kaggle projesi

##spaceship titanic (kaggel tanıtımı)

Spacehip Titanic (Kaggle Tanıtımı) “2912 yılına hoş geldiniz, burada veri bilimi becerilerinizin bir kozmik gizemi çözmek için gerektiği bir zamandayız. Dört ışık yılı uzaklıktan bir ileti aldık ve durum iyi görünmüyor.

Uzay Gemisi Titanic, bir ay önce fırlatılan bir yıldızlararası yolcu gemisiydi. Yaklaşık 13.000 yolcuyla yola çıkan gemi, Güneş sistemimizden üç yeni yaşanabilir yıldız etrafında dönen gezegenlere göçmenleri taşıyarak ilk seferine başladı.

İlk varış noktası olan 55 Cancri E’ye, Alfa Centauri’yi dolaşırken, dikkatsiz Uzay Gemisi Titanic, bir toz bulutunun içinde gizlenmiş bir uzay-zaman anormalliğiyle çarpıştı. Ne yazık ki, adını taşıdığı gemiye bin yıl önceki kaderle benzer bir kaderi paylaştı. Gemi bütünlüğünü korudu, ancak neredeyse yolcuların yarısı alternatif bir boyuta taşındı!

Kurtarma ekiplerine yardım etmek ve kayıp yolcuları kurtarmak için, uzay gemisinin hasar görmüş bilgisayar sisteminden kurtarılan kayıtları kullanarak hangi yolcuların anormallik tarafından taşındığını tahmin etmeniz isteniyor.

Onları kurtarmaya yardım edin ve tarihi değiştirin!”

Ortalama, standart sapma, kovaryans ve korelasyon nedir?

ortalama nedir

“Ortalama”, bir veri kümesindeki sayıların genel bir temsilini ifade eden bir terimdir. Bir veri kümesindeki sayıların toplamının sayı adedine bölünmesiyle bulunur.

Ortalama, veri setinin genel eğilimini anlamak için kullanışlı bir ölçüdür. Örneğin, bir sınıftaki öğrencilerin notlarının ortalama alınması, sınıfın genel performansını anlamak için kullanılabilir.

ortalama formülü

\[\bar{X} = \frac {\Sigma^n_İ (X_i)}{n} \]

Standart sapma nedir

Standart sapma, bir veri kümesindeki değerlerin ortalamadan ne kadar uzaklaştığını ölçen bir istatistiksel ölçüdür. Yani, bir veri setinin ne kadar homojen veya heterojen olduğunu belirlemeye yardımcı olur. Bir veri setindeki her bir değerin ortalamadan ne kadar farklı olduğunu bulmak için standart sapma hesaplanır.

Standart sapma formülü

\[\sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]

kovaryans nedir?

Kovaryans, iki değişken arasındaki ilişkinin değişkenliklerini ölçen bir istatistiksel terimdir. Özellikle, bu iki değişkenin birlikte nasıl değiştiğini ölçmek için kullanılır. Kovaryans, bu değişkenlerin birlikte artıp azaldığı durumları ve bunların ne kadar birbirine bağlı olduğunu belirlemeye yardımcı olur.

kovaryans formülü

\[cov(X,Y)=\frac {\Sigma^n_i (X_i-X)(Y_i-Y)}{n-1}\]

korelasyon nedir ?

korelasyon bir istatistik terimi olup, iki değişken arasındaki ilişkiyi ölçen bir ölçüdür. Bu ilişki, değişkenlerin birlikte nasıl değiştiğini ve birbirlerine ne kadar bağımlı olduklarını belirler. Daha basit bir tanımla, korelasyon, iki değişken arasındaki ilişkinin doğasını ve yönünü belirler. İki değişken arasında pozitif bir korelasyon varsa, bir değişken arttığında diğerinin de arttığı görülür. Negatif bir korelasyon ise bir değişken arttığında diğerinin azaldığını gösterir

korelasyon formülü

\[ R = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})}}\]

Train ve test nedir?

“Train” ve “test”, makine öğrenimi ve veri bilimi gibi alanlarda kullanılan terimlerdir.

Eğitim (Train):

Eğitim aşamasında, bir makine öğrenimi modeli belirli bir veri kümesi üzerinde eğitilir. Bu veri kümesi genellikle etiketlenmiş verilerden oluşur, yani girdi özelliklerinin yanı sıra her bir veri örneği için doğru çıktılar (etiketler) da bulunur. Makine öğrenimi modeli, eğitim veri kümesindeki desenleri öğrenir ve bu desenleri kullanarak belirli bir görevi (örneğin, sınıflandırma veya regresyon) gerçekleştirmek için optimize edilir. Eğitim aşamasında, model genellikle belirli bir algoritma ve hiperparametreler kullanılarak eğitilir. Amacı, eğitim veri kümesindeki hata veya kaybı minimize etmektir. Test:

Test aşamasında, eğitilmiş model başka bir veri kümesi üzerinde değerlendirilir. Bu veri kümesi, genellikle eğitim veri kümesinden farklıdır ve makine öğrenimi modelinin gerçek dünya verileri üzerinde ne kadar iyi performans gösterdiğini ölçmek için kullanılır. Test veri kümesi genellikle aynı formatta olup aynı özellikleri içerir, ancak model tarafından daha önce görülmemiş verilerden oluşur. Test aşamasında, modelin tahminlerinin gerçek değerlerle karşılaştırılması ve modelin performansının ölçülmesi için çeşitli değerlendirme metrikleri kullanılır. Bu metrikler, modelin ne kadar iyi çalıştığını belirlemek için kullanılabilir ve aşırı uydurma (overfitting) gibi olası problemleri tanımlamak için yardımcı olabilir. Bu iki aşama, makine öğrenimi modelinin eğitilmesi, doğrulanması ve nihayetinde gerçek dünya verileri üzerinde uygulanması için kritik öneme sahiptir.

library(readr)
test <- read_csv("test.csv")
## Rows: 418 Columns: 11
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): Name, Sex, Ticket, Cabin, Embarked
## dbl (6): PassengerId, Pclass, Age, SibSp, Parch, Fare
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
train <- read_csv("train.csv")
## Rows: 891 Columns: 12
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): Name, Sex, Ticket, Cabin, Embarked
## dbl (7): PassengerId, Survived, Pclass, Age, SibSp, Parch, Fare
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
library(rmarkdown)
paged_table(train)
paged_table(test)

CABIN 3 FARKLI GRUP CIKARMAK

library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ stringr   1.5.1
## ✔ forcats   1.0.0     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(explore)
train %>% describe_all()
## # A tibble: 12 × 8
##    variable    type     na na_pct unique   min   mean   max
##    <chr>       <chr> <int>  <dbl>  <int> <dbl>  <dbl> <dbl>
##  1 PassengerId dbl       0    0      891  1    446     891 
##  2 Survived    dbl       0    0        2  0      0.38    1 
##  3 Pclass      dbl       0    0        3  1      2.31    3 
##  4 Name        chr       0    0      891 NA     NA      NA 
##  5 Sex         chr       0    0        2 NA     NA      NA 
##  6 Age         dbl     177   19.9     89  0.42  29.7    80 
##  7 SibSp       dbl       0    0        7  0      0.52    8 
##  8 Parch       dbl       0    0        7  0      0.38    6 
##  9 Ticket      chr       0    0      681 NA     NA      NA 
## 10 Fare        dbl       0    0      248  0     32.2   512.
## 11 Cabin       chr     687   77.1    148 NA     NA      NA 
## 12 Embarked    chr       2    0.2      4 NA     NA      NA
veri2 <- data.frame(cabin = c("P/3/T", "Q/5/U", "R/7/V"))

character nedir?

“Character” kelimesi, genellikle bir kişinin veya bir şeyin özelliklerini, niteliklerini veya doğasını tanımlamak için kullanılan bir terimdir. Karakter, bir kişinin ruhsal veya ahlaki niteliklerini ifade edebileceği gibi, bir hikaye veya yapıt içindeki bir figürü de tanımlayabilir.

Örneğin:

Kişisel Karakter: Bir kişinin karakteri, onun sahip olduğu özellikler, tutumlar, değerler ve davranış biçimleriyle ilgili olarak kullanılır. Bu, bir kişinin dürüstlük, sabır, cesaret, sadakat gibi ahlaki ve ruhsal nitelikleri içerir.

Kurgusal Karakter: Bir hikaye, film veya oyun gibi yapıtlardaki karakterler, yaratılmış kişiliklerdir. Bu karakterler genellikle belirli özelliklere, motivasyonlara ve davranış biçimlerine sahiptirler ve bu özellikler üzerinden hikayenin gelişimini ve temasını taşırlar.

Harf veya Sembol Karakteri: Bilgisayar biliminde, bir karakter genellikle bir harf, rakam, noktalama işareti veya başka bir işareti temsil eden bir semboldür. Bu, metin belgelerinde veya bilgisayar kodlamalarında kullanılır.

Sonuç olarak, “character” terimi geniş bir bağlama sahiptir ve genellikle bir şeyin özünü, doğasını veya tanımlayıcı niteliklerini ifade eder.

factor nedir ?

“Factor” kelimesi, matematikte ve genel olarak bir problem veya durumda etkili olan veya önemli olan unsurları belirtmek için kullanılan bir terimdir. İki farklı bağlamda kullanılabilir:

Matematiksel Bağlamda: Matematikte, “factor” genellikle bir sayının, terimin veya ifadenin başka sayılarla çarpımı olarak tanımlanır. Örneğin, sayı 12’nin faktörleri 1, 2, 3, 4, 6 ve 12’dir, çünkü bu sayılar 12’yi böler. Bir cebirsel ifadedeki “faktörler” ise o ifadeyi çarpan ifadelerdir.

Genel Anlamda: “Factor”, daha genel olarak bir durumu veya sonucu etkileyen veya belirleyen unsurları ifade etmek için kullanılabilir. Örneğin, bir problemi çözerken faktörlerini dikkate almak, o problemde önemli olan değişkenleri veya etkenleri göz önünde bulundurmak anlamına gelir. Bir durumu veya sonucu etkileyen faktörler, genellikle sonucu oluşturan veya değiştiren ana unsurlardır.

Özetle, “factor” terimi matematikte belirli sayıların veya ifadelerin bölenlerini veya çarpanlarını belirtirken kullanıldığı gibi, genel anlamda bir durumu veya sonucu belirleyen unsurları ifade etmek için de kullanılır.

ilk yonteme