1. NumPy: Sayılarla Dans Etmek
NumPy, Python’un veri bilimi alanındaki en temel kütüphanelerinden biridir. Eğer sayılarla ve matrislerle çalışıyorsanız, NumPy size büyük kolaylıklar sağlar. Çok boyutlu diziler (array) ve matris işlemleri için mükemmeldir. Bilimsel hesaplamalar yaparken NumPy, işlemlerinizi hızlandırır ve daha verimli hale getirir.
NumPy ile Basit Bir Örnek:
import numpy as np
# 2x3'lük bir matris oluşturuyoruz
matris = np.array([[1, 2, 3], [4, 5, 6]])
print(matris)
2. Pandas: Veri Manipülasyonu ve Analizi
Pandas, veri bilimi dünyasının en önemli kütüphanelerinden biridir. Veri manipülasyonu ve analizine odaklanır. CSV dosyalarından Excel tablolarına kadar birçok veri kaynağını kolayca yönetebilir, verilerinizi analiz edebilir ve temizleyebilirsiniz. DataFrame yapısı, büyük veri setleriyle çalışırken size büyük avantaj sağlar.
Pandas ile Veri Yükleme:
import pandas as pd
# CSV dosyasını yüklüyoruz
veri = pd.read_csv('veri_seti.csv')
print(veri.head())
3. Matplotlib ve Seaborn: Görselleştirmeye Giriş
Veri görselleştirme, analiz edilen verilerin daha anlaşılır hale gelmesini sağlar. Matplotlib, Python için en güçlü görselleştirme kütüphanelerinden biridir. Grafikler ve görseller oluşturmak için geniş bir seçenek yelpazesi sunar. Seaborn ise Matplotlib üzerine inşa edilmiş ve daha estetik görselleştirmeler yapabilmenizi sağlayan bir kütüphanedir.
Matplotlib ile Basit Bir Grafik:
import matplotlib.pyplot as plt
# Basit bir çizgi grafiği
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
plt.plot(x, y)
plt.title('Basit Çizgi Grafiği')
plt.show()
4. Scikit-learn: Makine Öğrenimi Temelleri
Makine öğrenimi dünyasına adım atarken, Scikit-learn en çok tercih edilen kütüphaneler arasındadır. Klasik makine öğrenimi algoritmalarını (lineer regresyon, karar ağaçları, vb.) kolayca uygulayabilir ve modelleme sürecinizi hızlandırabilirsiniz.
Scikit-learn ile Basit Bir Model:
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# Iris veri setini yüklüyoruz
veri = load_iris()
X = veri.data
y = veri.target
# Veriyi eğitim ve test olarak ayırıyoruz
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
# Modeli eğitiyoruz
model = RandomForestClassifier()
model.fit(X_train, y_train)
# Test verisiyle tahmin yapıyoruz
y_pred = model.predict(X_test)
print('Doğruluk Skoru:', accuracy_score(y_test, y_pred))
5. TensorFlow ve Keras: Derin Öğrenmeye Giriş
Derin öğrenme alanına girmeyi planlıyorsanız, TensorFlow ve Keras en popüler kütüphanelerdir. Bu kütüphaneler, büyük veri setleriyle çalışırken derin sinir ağları kurmanıza yardımcı olur. Keras, TensorFlow üzerinde çalışarak daha hızlı ve verimli bir şekilde derin öğrenme modelleri geliştirmenizi sağlar.
TensorFlow ve Keras ile Basit Bir Model:
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# Modeli oluşturuyoruz
model = Sequential([
Dense(32, activation='relu', input_shape=(784,)),
Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# Modeli eğitiyoruz
model.fit(X_train, y_train, epochs=5)
Sonuç: Python ile Veri Bilimi ve Makine Öğrenimine Adım Atın
Veri bilimi ve makine öğrenimi alanına başlamak, doğru araçları seçmekle başlar. Python, bu alanda sizi destekleyecek birçok güçlü kütüphane sunuyor. NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn, TensorFlow ve Keras gibi kütüphaneler, verilerinizi analiz etmeniz ve modeller oluşturmanız için size sağlam bir temel sağlayacaktır.
Unutmayın, bu kütüphanelerle ne kadar çok çalışırsanız, o kadar çok şey öğrenirsiniz. İlerledikçe daha karmaşık projelere adım atabilir ve veri bilimi dünyasında daha derinleşebilirsiniz.
---
