Django'da 'Makine Öğrenmesi Entegrasyonu' Nasıl Yapılır? Adım Adım Kılavuz

Makine öğrenmesi, günümüzün en heyecan verici ve hızlı gelişen alanlarından biri. Her geçen gün daha fazla geliştirici, Python’un sunduğu olanaklar sayesinde, makine öğrenmesi modellerini gerçek dünyadaki projelere entegre etmek için yeni yollar keşfediyor. Eğer siz de Django ile makine öğrenmesi entegrasyonu yapmak istiyorsanız, doğru yerdesiniz!

Django’nun sunduğu güçlü altyapıyı, makine öğrenmesi modellerinizle birleştirerek nasıl harika projeler oluşturabileceğinizi adım adım keşfedeceğiz. Hazırsanız başlayalım!

Adım 1: Gerekli Kütüphaneleri Kurma

İlk adım, makine öğrenmesi modelinizi geliştirebilmek için gerekli kütüphaneleri kurmaktır. Python’un en popüler makine öğrenmesi kütüphaneleri olan scikit-learn, TensorFlow veya PyTorch’u kullanacağız. Bu kütüphaneleri yüklemek için terminal üzerinden şu komutu kullanabilirsiniz:

pip install scikit-learn tensorflow

Makine öğrenmesi modelinizin performansını artırmak ve daha verimli hale getirmek için ek kütüphaneler de ekleyebilirsiniz. Şimdi, bu kütüphaneleri projenize dahil etmek, ilk adımınız olacak.

Adım 2: Django Projesi Oluşturma

Django ile çalışmaya başlamadan önce, Django’nun yüklü olduğundan emin olun. Eğer yüklü değilse, şu komutla yükleyebilirsiniz:

pip install django

Yeni bir Django projesi başlatmak için terminal üzerinden şu komutu kullanın:

django-admin startproject ml_integration

Bu, "ml_integration" adında bir proje oluşturacaktır. Ardından bu projeye geçiş yapın:

cd ml_integration

Adım 3: Makine Öğrenmesi Modeli Eğitme

Makine öğrenmesi modelinizi eğitmek için önce bir veri kümesine ihtiyacınız olacak. Diyelim ki bir sınıflandırma problemi üzerinde çalışıyorsunuz ve Iris veri kümesiyle çalışmak istiyorsunuz.

Önce verinizi yükleyin ve modeli eğitin:

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

# Veri kümesini yükleyin
data = load_iris()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = pd.Series(data.target)

# Veriyi eğitim ve test olarak ayırın
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Modeli oluşturun
model = RandomForestClassifier()

# Modeli eğitin
model.fit(X_train, y_train)

# Modelin doğruluğunu test edin
accuracy = model.score(X_test, y_test)
print(f"Model doğruluğu: {accuracy*100:.2f}%")

Modeliniz şimdi eğitildi ve hazır! Şimdi bu modeli Django projenize entegre edebiliriz.

Adım 4: Django İle Modeli Entegre Etme

Makine öğrenmesi modelinizi Django projenize entegre etmek için, modelinizi bir Python dosyasına kaydedebilirsiniz. Bu, modelin web uygulamanızda kullanılmasını sağlayacak.

Modelinizi kaydetmek için şu komutu kullanın:

import joblib

# Modeli kaydedin
joblib.dump(model, 'iris_model.pkl') 

Daha sonra bu modeli Django projenizde kullanmak için `views.py` dosyasına entegre edeceğiz. Django'da modelinizi yüklemek ve tahmin yapmak için şu adımları takip edin:

from django.shortcuts import render
import joblib
import numpy as np

# Modeli yükleyin
model = joblib.load('iris_model.pkl')

def predict(request):
    if request.method == "POST":
        # Kullanıcıdan gelen veriyi alın
        sepal_length = float(request.POST['sepal_length'])
        sepal_width = float(request.POST['sepal_width'])
        petal_length = float(request.POST['petal_length'])
        petal_width = float(request.POST['petal_width'])

        # Tahmin için veriyi hazırlayın
        features = np.array([[sepal_length, sepal_width, petal_length, petal_width]])

        # Tahmin yapın
        prediction = model.predict(features)

        # Tahmin sonucu döndürün
        return render(request, 'result.html', {'prediction': prediction[0]})

    return render(request, 'index.html') 

Adım 5: Web Arayüzü Oluşturma

Son olarak, kullanıcıların modelinize veri girebileceği bir arayüz oluşturmalısınız. Bunun için basit bir HTML formu kullanabilirsiniz:

    {% csrf_token %}
    Sepal Length:
    

    Sepal Width:
    

    Petal Length:
    

    Petal Width:
    

    Tahmin Et
 

Sonuç

Django ve makine öğrenmesi entegrasyonu, oldukça güçlü bir araçtır. Bu yazıda, Django projenize bir makine öğrenmesi modelini nasıl entegre edebileceğinizi adım adım gösterdik. Bu teknikle, web uygulamalarınıza güçlü tahmin yetenekleri ekleyebilir, kullanıcılarınıza daha akıllı ve interaktif bir deneyim sunabilirsiniz.

Artık Django ile makine öğrenmesi modellerinizi kullanarak projelerinizi bir üst seviyeye taşıyabilirsiniz. Unutmayın, başarı sadece doğru araçları kullanmakla değil, aynı zamanda yaratıcı bir şekilde bu araçları entegre etmekle de gelir!