Makine Öğrenmesi Temelleri Temasına Dön
Kodlama • Yapay Zeka ve Makine Öğrenmesi

SINIFLANDIRMA VE REGRESYON

Kodlama Yapay Zeka ve Makine Öğrenmesi – Makine Öğrenmesi Temelleri ünitesi kapsamında SINIFLANDIRMA VE REGRESYON konusunun konu anlatımı, anlama, kavrama ve pekiştirme testleri ile ücretsiz PDF çalışma kağıtlarına bu sayfadan ulaşabilirsiniz.

TESTLER

Öğrencilerimiz için hazırladığımız seviye odaklı test sistemimiz:

  • Anlama Testleri: Temel kavramları ve tanımları ölçen başlangıç seviyesi testlerdir.
  • Kavrama Testleri: Bilgilerin uygulamasını ve konunun mantığını ölçen orta seviye testlerdir.
  • Pekiştirme Testleri: Analiz ve karmaşık problem çözmeyi hedefleyen ileri seviye testlerdir.

ALIŞTIRMA SORULARI

Konuyu pekiştirmek için hazırladığımız alıştırma soru setleri:

  • Alıştırma Soruları: Konuyu öğrendikten sonra bilgilerinizi test etmeniz için hazırlanmış pratik soru setleridir.
  • Ücretsiz PDF: Tüm alıştırma soruları ücretsiz olarak indirilebilir ve yazdırılabilir formattadır.
Bu konu için alıştırmalar hazırlanıyor...

KONU ANLATIMI

MEB müfredatına uygun hazırlanan konu anlatımlarımız:

  • Konu Anlatımı PDF: Konunun tüm önemli noktalarını kapsayan, sade ve anlaşılır dille hazırlanmış ders notlarıdır.
  • Web İçeriği: Konuyu adım adım anlatan, görsel destekli dijital konu anlatımına aşağıdan ulaşabilirsiniz.
BENİM OKULUM

Temel ML Algoritmaları



Sınıflandırma (Classification)


Bir verinin hangi kategoriye ait olduğunu tahmin eder.


Örnekler: Spam/spam değil, hastalıklı/sağlıklı, köpek/kedi



from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# Veri yükle
iris = load_iris()
X, y = iris.data, iris.target

# Eğitim/test böl
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# Model oluştur ve eğit
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# Tahmin ve değerlendirme
tahminler = model.predict(X_test)
dogruluk = accuracy_score(y_test, tahminler)
print(f"Doğruluk: {dogruluk:.2%}")


Regresyon (Regression)


Sürekli bir değer tahmin eder.


Örnekler: Ev fiyatı, sıcaklık, satış tahmini



from sklearn.linear_model import LinearRegression
import numpy as np

# Örnek: Çalışma saati → Sınav notu
calisma_saati = np.array([[2], [3], [4], [5], [6], [7]])
notlar = np.array([50, 60, 70, 75, 85, 90])

model = LinearRegression()
model.fit(calisma_saati, notlar)

# 8 saat çalışınca?
tahmin = model.predict([[8]])
print(f"Tahmin: {tahmin[0]:.1f}")


Yaygın Algoritmalar



  • 🌳 Karar Ağacı (Decision Tree)

  • 🌲 Rastgele Orman (Random Forest)

  • 📈 Lojistik Regresyon

  • 🔵 K-En Yakın Komşu (KNN)

  • ⚡ Destek Vektör Makineleri (SVM)

  • 🧠 Yapay Sinir Ağları

1