Skip to content

02-Python-Libraries.md

Latest commit

 

History

History
150 lines (115 loc) · 3.86 KB

02-Python-Libraries.md

File metadata and controls

150 lines (115 loc) · 3.86 KB

Derin Öğrenme için Python Kütüphaneleri

İçerik

  1. Gerekli Kütüphaneler
  2. Kurulum Rehberi
  3. Temel Kullanım Örnekleri

Gerekli Kütüphaneler

1. NumPy

NumPy, bilimsel hesaplamalar için temel kütüphanedir. Çok boyutlu diziler ve matrisler üzerinde hızlı işlemler yapmanızı sağlar.

import numpy as np

# Örnek NumPy işlemleri
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(f"Dizi şekli: {arr.shape}")  # (2, 3)
print(f"Boyut sayısı: {arr.ndim}") # 2
print(f"Toplam: {arr.sum()}")      # 21

2. Pandas

Pandas, veri manipülasyonu ve analizi için kullanılan güçlü bir kütüphanedir.

import pandas as pd

# Örnek veri çerçevesi oluşturma
data = {
    'isim': ['Ali', 'Ayşe', 'Mehmet'],
    'yaş': [25, 30, 35],
    'şehir': ['İstanbul', 'Ankara', 'İzmir']
}
df = pd.DataFrame(data)
print(df.head())

3. Matplotlib

Veri görselleştirme için kullanılan temel kütüphanedir.

import matplotlib.pyplot as plt
import numpy as np

# Basit bir grafik çizimi
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title('Sinüs Dalgası')
plt.show()

4. TensorFlow

Google tarafından geliştirilen açık kaynaklı derin öğrenme framework'üdür.

import tensorflow as tf

# Basit bir sinir ağı katmanı oluşturma
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

Kurulum Rehberi

Gerekli kütüphaneleri pip kullanarak kurabilirsiniz:

# Sanal ortam oluşturma (önerilen)
python -m venv deeplearning_env
source deeplearning_env/bin/activate  # Linux/Mac
# veya
.\deeplearning_env\Scripts\activate    # Windows

# Kütüphanelerin kurulumu
pip install numpy pandas matplotlib
pip install tensorflow  # CPU versiyonu

GPU desteği için:

  • TensorFlow: pip install tensorflow-gpu

Temel Kullanım Örnekleri

Veri Ön İşleme Örneği

import numpy as np
import pandas as pd
from sklearn.preprocessing import StandardScaler

# Örnek veri oluşturma
data = np.random.randn(100, 3)
df = pd.DataFrame(data, columns=['özellik1', 'özellik2', 'özellik3'])

# Veri standardizasyonu
scaler = StandardScaler()
scaled_data = scaler.fit_transform(df)
print("Ölçeklendirilmiş veri şekli:", scaled_data.shape)

Basit Bir Sinir Ağı Eğitimi (TensorFlow ile)

import tensorflow as tf

# MNIST veri setini yükleme
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# Veriyi ön işleme
x_train = x_train / 255.0
x_test = x_test / 255.0

# Model oluşturma
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# Model derleme
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# Eğitim
model.fit(x_train, y_train, epochs=5)

İpuçları ve En İyi Uygulamalar

  1. Her proje için ayrı bir sanal ortam kullanın
  2. Kütüphane sürümlerini requirements.txt dosyasında belgelendirin
  3. GPU kullanıyorsanız, donanımınıza uygun CUDA sürümünü kullandığınızdan emin olun
  4. Büyük veri setleriyle çalışırken bellek yönetimine dikkat edin
  5. Düzenli olarak kütüphaneleri güncelleyin, ancak projeniz kararlı çalışıyorsa sürüm değişikliklerinde dikkatli olun

Tip

Nvidia GPU kullanıyorsanız, tensorflow kurulumu için buraya göz atabilirsiniz.

📚 Önerilen Kaynaklar