ROBOT PROJE
1910701596
Formül Yazma
\[ \pi= \frac{P_t-P_{t-1}}{P_{t-1}} \]
tchad_inflation_df <- data.frame(year = as.numeric(row.names(tchad_inflation)), inflation = tchad_inflation$FP.CPI.TOTL.ZG)
chine_inflation_df <- data.frame(year = as.numeric(row.names(chine_inflation)), inflation = chine_inflation$FP.CPI.TOTL.ZG)ggplot() +
geom_line(data = tchad_inflation_df, aes(x = year, y = inflation, color = "Tchad")) +
geom_line(data = chine_inflation_df, aes(x = year, y = inflation, color = "chine"))## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_line()`).
Makine Öğrenmesi
Robot Projesi
“Machine Learning” yani “Makine öğrenimi” son zamanlarda adını sıkça duyduğumuz terimler arasına girmiş durumda. Teknolojinin ilerlemesiyle gelişen makine, robot sektöründe çok önemli olan “Makine öğrenimi” kavramı en zor basamaklardan biridir. Bu yazımızda makine öğreniminin ne olduğunu, günümüz ve gelecekteki durumunu inceleyeceğiz.
Makine öğrenmesi esas olarak 1959 yılında bilgisayar biliminin yapay zekada sayısal öğrenme ve model tanıma çalışmalarından geliştirilmiş bir alt dalıdır. Makine öğrenmesi yapısal işlev olarak öğrenebilen ve veriler üzerinden tahmin yapabilen algoritmaların çalışma ve inşalarını araştıran bir sistemdir. Bu tür algoritmalar statik program talimatlarını harfiyen takip etmek yerine örnek girişlerden veri tabanlı tahminleri ve kararları gerçekleştirebilmek amacıyla bir model inşa ederek çalışırlar.
Ortalama
Gözlenen değerlerin tümü toplanarak gözlem sayısına bölündüğünde elde edilen değere aritmetik ortalama denir. Ortalama, istatistik ve veri analizinde kullanılan betimsel istatistik ölçütleri, bir veri dizisinin orta noktasını tek bir sayıyla ifade eder. “Ortalama” terimi genellikle günlük konuşmada aritmetik ortalama anlamına gelir, ancak bu ölçütün bazı dezavantajları vardır. Bu nedenle, matematik ve istatistik alanlarında, bir veri dizisini temsil eden tek bir orta değer veya beklenen değer olarak medyan (ortanca), mod (tepedeğer), geometrik ortalama, harmonik ortalama gibi birçok farklı merkezi konum ölçüsü geliştirilmiş ve yaygın olarak kullanılmaktadır.
Ortalama formülü
\[ \bar{x} = \frac{\sum_{i=1}^{n} x_i}{n} \]
Örnek :
\[ \bar{x} = \frac{\sum_{i=1}^{4} x_i}{4} = \frac{3 + 5 + 7 + 9}{4} = \frac{24}{4} = 6 \]
Standart sapma
Standart sapma, Olasılık kuramı ve istatistik bilim dallarında, bir anakütle, bir örneklem, bir olasılık dağılımı veya bir rassal değişken, veri değerlerinin yayılımının özetlenmesi için kullanılan bir ölçüdür. Matematik notasyonunda genel olarak, bir anakütle veya bir rassal değişken veya bir olasılık dağılımı için standart sapma.
Standart sapma genel olarak niceliksel ölçekli sayılar için en çok kullanılan verilerin ortalamaya göre yayılmasını gösteren bir istatistiksel ölçüdür. Eğer birçok veri ortalamaya yakın ise, standart sapma değeri küçüktür; eğer birçok veri ortalamadan uzakta yayılmışlarsa standart sapma değeri büyük olur.
Standart Sapma formülü
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
Örnek :
\[ \begin{align*} \bar{x} &= \frac{\sum_{i=1}^{5} x_i}{5} = \frac{12 + 15 + 18 + 21 + 24}{5} = \frac{90}{5} = 18 \\ \sigma &= \sqrt{\frac{\sum_{i=1}^{5}(x_i - 18)^2}{5}} = \sqrt{\frac{(12-18)^2 + (15-18)^2 + (18-18)^2 + (21-18)^2 + (24-18)^2}{5}} \\ &= \sqrt{\frac{36 + 9 + 0 + 9 + 36}{5}} = \sqrt{\frac{90}{5}} = \sqrt{18} \approx 4.2426 \end{align*} \]
kovaryans
Bir değişkenin daha büyük değerleri çoğunlukla diğer değişkenin daha büyük değerlerine karşılık geliyorsa ve aynı durum daha küçük değerler için de geçerliyse (yani değişkenler benzer davranış gösterme eğilimindeyse), kovaryans pozitiftir. Tersi durumda, bir değişkenin daha büyük değerleri çoğunlukla diğerinin daha küçük değerlerine karşılık geliyorsa (yani değişkenler zıt davranış gösterme eğilimindeyse), kovaryans negatiftir. Dolayısıyla kovaryansın işareti, değişkenler arasındaki doğrusal ilişki eğilimini gösterir. Kovaryansın büyüklüğü, iki rastgele değişken için ortak olan varyansların geometrik ortalamasıdır. korelasyon katsayısı, iki rastgele değişken için toplam varyansların geometrik ortalamasına bölünerek kovaryansı normalleştirir. İki rastgele değişkenin kovaryansı arasında bir ayrım yapılmalıdır, bu popülasyon Ortak olasılık dağılımının bir özelliği olarak görülebilen parametre ve örneklemin bir tanımlayıcısı olarak hizmet etmenin yanı sıra popülasyon parametresinin tahmini değeri olarak da hizmet eden örneklem kovaryansıdır.
kovaryans Formülü
\[ \mathrm{Cov}(X,Y) = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{n} \]
Örnek :
\[ \ \begin{align*} \bar{x} &= \frac{\sum_{i=1}^{4} x_i}{4} = \frac{3 + 5 + 7 + 9}{4} = \frac{24}{4} = 6 \\ \bar{y} &= \frac{\sum_{i=1}^{4} y_i}{4} = \frac{10 + 15 + 20 + 25}{4} = \frac{70}{4} = 17.5 \\ \mathrm{Cov}(X,Y) &= \frac{\sum_{i=1}^{4}(x_i - 6)(y_i - 17.5)}{4} \\ &= \frac{(3-6)(10-17.5) + (5-6)(15-17.5) + (7-6)(20-17.5) + (9-6)(25-17.5)}{4} \\ &= \frac{(-3)(-7.5) + (-1)(-2.5) + (1)(2.5) + (3)(7.5)}{4} \\ &= \frac{22.5 + 2.5 + 2.5 + 22.5}{4} = \frac{50}{4} = 12.5 \end{align*} \ \]
Korelasyon
Korelasyon, istatistik ve olasılık kuramının temel kavramlarından biridir ve iki rassal değişken arasındaki ilişkiyi ölçmek için kullanılır. Bu ilişki, değişkenler arasındaki doğrusal ilişkiyi ve bu ilişkinin yönünü ifade eder. Yani, bir değişkenin değeri artarken diğerinin de artıp artmadığını veya azalıp azalmadığını belirler.
Pearson çarpım-moment korelasyon katsayısı, en yaygın kullanılan korelasyon ölçüsüdür. İki değişken arasındaki ilişkiyi belirlemek için değişkenlerin kovaryansının, bu değişkenlerin standart sapmalarının çarpımına bölünmesiyle hesaplanır. Bu sayede, değişkenler arasındaki ilişkinin gücü ve yönü belirlenir.
Pearson korelasyon katsayısı, -1 ile 1 arasında değer alır. 1’e yaklaşan bir değer, pozitif bir ilişkiyi gösterirken, -1’e yaklaşan bir değer negatif bir ilişkiyi ifade eder. 0’a yakın bir değer ise değişkenler arasında bir ilişki olmadığını ya da çok zayıf bir ilişki olduğunu gösterir.
Özetle, korelasyon, istatistiksel analizlerde değişkenler arasındaki ilişkiyi anlamak ve bu ilişkinin doğasını belirlemek için kullanılan önemli bir araçtır. Pearson korelasyon katsayısı ise bu ilişkiyi ölçmek için en yaygın ve güvenilir yöntemlerden biridir.
Korelasyon Formülü
\[ \rho_{X,Y} = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2 \cdot \sum_{i=1}^{n}(y_i - \bar{y})^2}} \]
Örnek :
\[ \ \begin{align*} \bar{x} &= \frac{\sum_{i=1}^{4} x_i}{4} = \frac{2 + 4 + 6 + 8}{4} = \frac{20}{4} = 5 \\ \bar{y} &= \frac{\sum_{i=1}^{4} y_i}{4} = \frac{3 + 5 + 7 + 9}{4} = \frac{24}{4} = 6 \\ \rho_{X,Y} &= \frac{\sum_{i=1}^{4}(x_i - 5)(y_i - 6)}{\sqrt{\sum_{i=1}^{4}(x_i - 5)^2} \cdot \sqrt{\sum_{i=1}^{4}(y_i - 6)^2}} \\ &= \frac{(2-5)(3-6) + (4-5)(5-6) + (6-5)(7-6) + (8-5)(9-6)}{\sqrt{(2-5)^2 + (4-5)^2 + (6-5)^2 + (8-5)^2} \cdot \sqrt{(3-6)^2 + (5-6)^2 + (7-6)^2 + (9-6)^2}} \\ &= \frac{(-3)(-3) + (-1)(-1) + (1)(1) + (3)(3)}{\sqrt{9 + 1 + 1 + 9} \cdot \sqrt{9 + 1 + 1 + 9}} \\ &= \frac{9 + 1 + 1 + 9}{\sqrt{20} \cdot \sqrt{20}} = \frac{20}{20} = 1 \end{align*} \ \]
## # A tibble: 6 × 14
## PassengerId HomePlanet CryoSleep Cabin Destination Age VIP RoomService
## <chr> <chr> <lgl> <chr> <chr> <dbl> <lgl> <dbl>
## 1 0001_01 Europa FALSE B/0/P TRAPPIST-1e 39 FALSE 0
## 2 0002_01 Earth FALSE F/0/S TRAPPIST-1e 24 FALSE 109
## 3 0003_01 Europa FALSE A/0/S TRAPPIST-1e 58 TRUE 43
## 4 0003_02 Europa FALSE A/0/S TRAPPIST-1e 33 FALSE 0
## 5 0004_01 Earth FALSE F/1/S TRAPPIST-1e 16 FALSE 303
## 6 0005_01 Earth FALSE F/0/P PSO J318.5-22 44 FALSE 0
## # ℹ 6 more variables: FoodCourt <dbl>, ShoppingMall <dbl>, Spa <dbl>,
## # VRDeck <dbl>, Name <chr>, Transported <lgl>## # A tibble: 17 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 PassengerId chr 0 0 8693 NA NA NA
## 2 HomePlanet chr 201 2.3 4 NA NA NA
## 3 CryoSleep lgl 217 2.5 3 0 0.36 1
## 4 Cabin chr 199 2.3 6561 NA NA NA
## 5 sutun1 chr 199 2.3 9 NA NA NA
## 6 sutun2 chr 199 2.3 1818 NA NA NA
## 7 sutun3 chr 199 2.3 3 NA NA NA
## 8 Destination chr 182 2.1 4 NA NA NA
## 9 Age dbl 179 2.1 81 0 28.8 79
## 10 VIP lgl 203 2.3 3 0 0.02 1
## 11 RoomService dbl 181 2.1 1274 0 225. 14327
## 12 FoodCourt dbl 183 2.1 1508 0 458. 29813
## 13 ShoppingMall dbl 208 2.4 1116 0 174. 23492
## 14 Spa dbl 183 2.1 1328 0 311. 22408
## 15 VRDeck dbl 188 2.2 1307 0 305. 24133
## 16 Name chr 200 2.3 8474 NA NA NA
## 17 Transported lgl 0 0 2 0 0.5 1## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 181 rows containing non-finite outside the scale range
## (`stat_bin()`).
## PassengerId Transported VIP Destination FoodCourt Spa VRDeck Name CryoSleep
## 376 1 1 1 1 1 1 1 1 1
## 13 1 1 1 1 1 1 1 1 1
## 14 1 1 1 1 1 1 1 1 1
## 12 1 1 1 1 1 1 1 1 1
## 3 1 1 1 1 1 1 1 1 1
## 12 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1 1
## 13 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1
## 10 1 1 1 1 1 1 1 1 0
## 1 1 1 1 1 1 1 1 1 0
## 11 1 1 1 1 1 1 1 0 1
## 6 1 1 1 1 1 1 0 1 1
## 1 1 1 1 1 1 1 0 1 1
## 1 1 1 1 1 1 1 0 1 0
## 8 1 1 1 1 1 0 1 1 1
## 4 1 1 1 1 0 1 1 1 1
## 1 1 1 1 1 0 1 1 1 1
## 1 1 1 1 1 0 1 0 1 1
## 5 1 1 1 0 1 1 1 1 1
## 1 1 1 1 0 1 1 1 1 1
## 4 1 1 0 1 1 1 1 1 1
## 0 0 4 6 6 8 9 11 12
## RoomService HomePlanet Age Cabin sutun1 sutun2 sutun3 ShoppingMall
## 376 1 1 1 1 1 1 1 1 0
## 13 1 1 1 1 1 1 1 0 1
## 14 1 1 1 0 0 0 0 1 4
## 12 1 1 0 1 1 1 1 1 1
## 3 1 1 0 1 1 1 1 0 2
## 12 1 0 1 1 1 1 1 1 1
## 2 1 0 1 1 1 1 1 0 2
## 13 0 1 1 1 1 1 1 1 1
## 1 0 1 1 0 0 0 0 1 5
## 10 1 1 1 1 1 1 1 1 1
## 1 1 1 1 0 0 0 0 1 5
## 11 1 1 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1 1 1
## 1 1 1 1 0 0 0 0 1 5
## 1 1 1 1 1 1 1 1 1 2
## 8 1 1 1 1 1 1 1 1 1
## 4 1 1 1 1 1 1 1 1 1
## 1 1 1 1 0 0 0 0 1 5
## 1 1 1 1 1 1 1 1 1 2
## 5 1 1 1 1 1 1 1 1 1
## 1 1 0 1 1 1 1 1 1 2
## 4 1 1 1 1 1 1 1 1 1
## 14 15 15 18 18 18 18 18 190## PassengerId HomePlanet CryoSleep Cabin sutun1
## 0001_01: 1 Earth :4602 Mode :logical G/734/S: 8 F :2794
## 0002_01: 1 Europa:2131 FALSE:5439 B/11/S : 7 G :2559
## 0003_01: 1 Mars :1759 TRUE :3037 B/201/P: 7 E : 876
## 0003_02: 1 NA's : 201 NA's :217 B/82/S : 7 B : 779
## 0004_01: 1 C/137/S: 7 C : 747
## 0005_01: 1 (Other):8458 (Other): 739
## (Other):8687 NA's : 199 NA's : 199
## sutun2 sutun3 Destination Age
## 82 : 28 P :4206 55 Cancri e :1800 Min. : 0.00
## 19 : 22 S :4288 PSO J318.5-22: 796 1st Qu.:19.00
## 86 : 22 NA's: 199 TRAPPIST-1e :5915 Median :27.00
## 176 : 21 NA's : 182 Mean :28.83
## 56 : 21 3rd Qu.:38.00
## (Other):8380 Max. :79.00
## NA's : 199 NA's :179
## VIP RoomService FoodCourt ShoppingMall
## Mode :logical Min. : 0.0 Min. : 0.0 Min. : 0.0
## FALSE:8291 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## TRUE :199 Median : 0.0 Median : 0.0 Median : 0.0
## NA's :203 Mean : 224.7 Mean : 458.1 Mean : 173.7
## 3rd Qu.: 47.0 3rd Qu.: 76.0 3rd Qu.: 27.0
## Max. :14327.0 Max. :29813.0 Max. :23492.0
## NA's :181 NA's :183 NA's :208
## Spa VRDeck Name Transported
## Min. : 0.0 Min. : 0.0 Alraium Disivering: 2 Mode :logical
## 1st Qu.: 0.0 1st Qu.: 0.0 Ankalik Nateansive: 2 FALSE:4315
## Median : 0.0 Median : 0.0 Anton Woody : 2 TRUE :4378
## Mean : 311.1 Mean : 304.9 Apix Wala : 2
## 3rd Qu.: 59.0 3rd Qu.: 46.0 Asch Stradick : 2
## Max. :22408.0 Max. :24133.0 (Other) :8483
## NA's :183 NA's :188 NA's : 200veri <- separate(train, PassengerId, into = c("group_id",
"sequence_number"), sep = "-", remove = FALSE)## Warning: Expected 2 pieces. Missing pieces filled with `NA` in 6606 rows [1, 2, 3, 4, 5,
## 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...].veri <- veri %>%
mutate(beraber_yolculuk_yapanlar= ifelse(group_id %in% tekrarlanan_grouplar, TRUE, FALSE))## PassengerId group_id sequence_number HomePlanet
## 0001_01: 1 Length:6606 Length:6606 Earth :3566
## 0002_01: 1 Class :character Class :character Europa:1673
## 0003_01: 1 Mode :character Mode :character Mars :1367
## 0003_02: 1
## 0004_01: 1
## 0005_01: 1
## (Other):6600
## CryoSleep Cabin sutun1 sutun2 sutun3
## Mode :logical B/11/S : 7 F :2152 82 : 22 P:3261
## FALSE:4274 C/137/S : 7 G :1973 56 : 19 S:3345
## TRUE :2332 E/13/S : 7 E : 683 97 : 19
## G/1476/S: 7 B : 628 176 : 18
## G/734/S : 7 C : 587 186 : 17
## C/21/P : 6 D : 374 269 : 17
## (Other) :6565 (Other): 209 (Other):6494
## Destination Age VIP RoomService
## 55 Cancri e :1407 Min. : 0.00 Mode :logical Min. : 0
## PSO J318.5-22: 623 1st Qu.:19.00 FALSE:6444 1st Qu.: 0
## TRAPPIST-1e :4576 Median :27.00 TRUE :162 Median : 0
## Mean :28.89 Mean : 223
## 3rd Qu.:38.00 3rd Qu.: 49
## Max. :79.00 Max. :9920
##
## FoodCourt ShoppingMall Spa VRDeck
## Min. : 0.00 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.00 Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 478.96 Mean : 178.4 Mean : 313.2 Mean : 303.8
## 3rd Qu.: 82.75 3rd Qu.: 30.0 3rd Qu.: 65.0 3rd Qu.: 52.0
## Max. :29813.00 Max. :12253.0 Max. :22408.0 Max. :20336.0
##
## Name Transported beraber_yolculuk_yapanlar
## Alraium Disivering: 2 Mode :logical Mode :logical
## Ankalik Nateansive: 2 FALSE:3279 FALSE:6606
## Anton Woody : 2 TRUE :3327
## Apix Wala : 2
## Asch Stradick : 2
## Carry Contrevins : 2
## (Other) :6594## PassengerId group_id sequence_number HomePlanet CryoSleep
## 0001_01: 1 0001_01: 1 NA's:6606 Earth :3566 Mode :logical
## 0002_01: 1 0002_01: 1 Europa:1673 FALSE:4274
## 0003_01: 1 0003_01: 1 Mars :1367 TRUE :2332
## 0003_02: 1 0003_02: 1
## 0004_01: 1 0004_01: 1
## 0005_01: 1 0005_01: 1
## (Other):6600 (Other):6600
## Cabin sutun1 sutun2 sutun3 Destination
## B/11/S : 7 F :2152 82 : 22 P:3261 55 Cancri e :1407
## C/137/S : 7 G :1973 56 : 19 S:3345 PSO J318.5-22: 623
## E/13/S : 7 E : 683 97 : 19 TRAPPIST-1e :4576
## G/1476/S: 7 B : 628 176 : 18
## G/734/S : 7 C : 587 186 : 17
## C/21/P : 6 D : 374 269 : 17
## (Other) :6565 (Other): 209 (Other):6494
## Age VIP RoomService FoodCourt
## Min. : 0.00 Mode :logical Min. : 0 Min. : 0.00
## 1st Qu.:19.00 FALSE:6444 1st Qu.: 0 1st Qu.: 0.00
## Median :27.00 TRUE :162 Median : 0 Median : 0.00
## Mean :28.89 Mean : 223 Mean : 478.96
## 3rd Qu.:38.00 3rd Qu.: 49 3rd Qu.: 82.75
## Max. :79.00 Max. :9920 Max. :29813.00
##
## ShoppingMall Spa VRDeck
## Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 178.4 Mean : 313.2 Mean : 303.8
## 3rd Qu.: 30.0 3rd Qu.: 65.0 3rd Qu.: 52.0
## Max. :12253.0 Max. :22408.0 Max. :20336.0
##
## Name Transported beraber_yolculuk_yapanlar
## Alraium Disivering: 2 Mode :logical Mode :logical
## Ankalik Nateansive: 2 FALSE:3279 FALSE:6606
## Anton Woody : 2 TRUE :3327
## Apix Wala : 2
## Asch Stradick : 2
## Carry Contrevins : 2
## (Other) :6594veri <- veri %>%
group_by(group_id) %>%
mutate(homePlanet = if_else(is.na(HomePlanet), first(HomePlanet), HomePlanet))## # A tibble: 100 × 3
## # Groups: group_id [100]
## group_id HomePlanet beraber_yolculuk_yapanlar
## <fct> <fct> <lgl>
## 1 0001_01 Europa FALSE
## 2 0002_01 Earth FALSE
## 3 0003_01 Europa FALSE
## 4 0003_02 Europa FALSE
## 5 0004_01 Earth FALSE
## 6 0005_01 Earth FALSE
## 7 0006_01 Earth FALSE
## 8 0007_01 Earth FALSE
## 9 0008_01 Europa FALSE
## 10 0008_03 Europa FALSE
## # ℹ 90 more rows