2026’da Her Seviyeye Uygun 33 Makine Öğrenimi Projesi

Yeni Başlayanlar için Makine Öğrenimi Projeleri 

Bu başlangıç düzeyi makine öğrenimi projeleri, yapılandırılmış, tablosal verilerle çalışmayı içerir. Analitik amaçlarla veri temizleme, işleme ve görselleştirme becerilerini uygulayacak ve scikit-learn çerçevesini kullanarak makine öğrenimi modellerini eğitip doğrulayacaksınız. 

Önce makine öğreniminin temel kavramlarını öğrenmek isterseniz, kod yazmadan ilerleyebileceğiniz makine öğrenimini anlama kursumuz var. Ayrıca bu alandaki becerilerinizi geliştirmek için bazı yapay zeka projelerimize de göz atabilirsiniz. 

1. Enerji tüketimini tahmin edin

Enerji Tüketimini Tahmin Etme projesinde, günün saati ve sıcaklık gibi zamansal faktörlere dayalı olarak günlük güç tüketimini tahmin etmek için regresyon ve makine öğrenimi modelleri kullanacaksınız. Amaç, enerji kullanımını optimize ederek verimliliği artırıp maliyetleri azaltabilecek kalıpları ortaya çıkarmaktır. Bu, operasyonel giderleri azaltmayı, enerji tasarrufunu teşvik etmeyi ve kaynakları daha sürdürülebilir bir şekilde yönetmeyi hedefleyen elektrik dağıtım şirketleri ve işletmeler için özellikle önemlidir.

Enerji Tüketimini Tahmin Etme projesi yönlendirmeli bir projedir; ancak hedefleri, Seul Bisiklet Paylaşımı Talebi gibi farklı bir veri kümesi üzerinde de tekrarlayabilirsiniz. Tamamen yeni bir veri kümesiyle çalışmak, kod hata ayıklama konusunda size yardımcı olur ve problem çözme becerilerinizi geliştirir.

2. Sigorta ücretlerini tahmin edin

Veriden Gelire - Sigorta Ücretlerini Tahmin Etme projesinde, bir sağlık sigortası şirketinde Veri Bilimci rolüne adım atıyorsunuz. Yaş ve sağlık faktörleri gibi müşteri özelliklerine dayalı olarak sigorta ücretlerini tahmin edecek bir model geliştireceksiniz. Bu proje, işletmelerde makine öğreniminin pratik bir uygulamasını sunar; daha isabetli fiyatlandırma modelleri oluşturmayı ve şirketlerin riski yönetirken müşterilere kişiselleştirilmiş fiyatlandırma stratejileri sunmasını mümkün kılar. 

Sigorta Ücretlerini Tahmin Etme yönlendirmeli bir projedir. Sonuçları, Otel Rezervasyon Talebi gibi farklı bir veri kümesi üzerinde tekrarlayabilirsiniz. Bu veriyle bir müşterinin rezervasyonu iptal edip etmeyeceğini tahmin edebilirsiniz.

3. Kredi kartı onaylarını tahmin edin

Kredi Kartı Onaylarını Tahmin Etme projesinde, hiperparametre optimizasyonu ve Lojistik Regresyon kullanarak otomatik bir kredi kartı onay uygulaması oluşturacaksınız. 

Eksik değerleri ele alma, kategorik özellikleri işleme, özellik ölçekleme, dengesiz verilerle başa çıkma ve GridCV kullanarak otomatik hiperparametre optimizasyonu gibi becerileri uygulayacaksınız. Bu proje, basit ve temiz verileri işlemenin ötesinde sizi zorlayacaktır. 

Görsel: Yazar

Kredi Kartı Onaylarını Tahmin Etme yönlendirmeli bir projedir. Sonuçları, LendingClub.com’daki Kredi Verileri gibi farklı bir veri kümesi üzerinde tekrarlayabilirsiniz. Bunu otomatik bir kredi onayı tahminleyicisi oluşturmak için kullanabilirsiniz.

4. Şarap kalitesi tahmini

Alkol oranı, asitlik ve şeker seviyeleri gibi fizikokimyasal özellikler içeren bir şarap veri kümesini kullanarak bir şarap kalitesi tahmin projesi geliştirebilirsiniz. scikit-learn’de lojistik regresyon gibi sınıflandırma modellerini uygulayarak şarapları 1-10 ölçeğinde sınıflandırabilirsiniz.

Bu proje, şarap üretimi ve kalite kontrolüyle ilgilenen sektörler için önemlidir; şarap kalitesini tutarlı biçimde izleyip tahmin etmeye olanak tanıyarak ürün mükemmeliyetini sağlar.

5. Tarım için öngörüsel modelleme

Tarımda Veri Bilimi için Öngörüsel Modelleme projesinde, denetimli makine öğrenimi ve özellik seçimi kullanarak basit bir ürün öneri sistemi kuracaksınız. Dört temel toprak özelliğiyle çalışacaksınız: azot, fosfor, potasyum ve pH. Gerçekçi bir kısıtla karşılaşacaksınız: çiftçi yalnızca birini ölçebilecek bütçeye sahip. Göreviniz, tek başına en iyi tahmin gücüne sahip özelliği belirlemek ve ardından güvenilir öneriler için hafif bir sınıflandırıcı eğitmek.

Eksik değerleri ele alma, etiket kodlama, özellik ölçekleme, model değerlendirme ve özellikle de iki özellik seçimi tekniğini uygulayıp karşılaştırarak toprak ölçümlerini sıralama gibi pratik becerileri geliştireceksiniz.

6. Mağaza satışları 

Store Sales, katılımcıların liderlik tablosundaki puanlarını artırmak için çeşitli zaman serisi modelleri eğittiği bir Kaggle başlangıç yarışmasıdır. Projede size mağaza satış verileri sağlanacak; verileri temizleyecek, kapsamlı zaman serisi analizi, özellik ölçekleme yapacak ve çok değişkenli zaman serisi modeli eğiteceksiniz. 

Liderlik tablosundaki puanınızı artırmak için Bagging ve Voting Regressor gibi topluluk yöntemlerini kullanabilirsiniz. 

Görsel:  Kaggle

Store Sales, diğer katılımcıların defterlerini görebileceğiniz Kaggle tabanlı bir projedir. 

Zaman serisi tahminini daha iyi anlamak için becerilerinizi Borsa veri kümesine uygulamayı deneyin ve tek değişkenli bir zaman serisi tahmin modeli eğitmek için Facebook Prophet kullanın. 

Orta Düzey Makine Öğrenimi Projeleri

Bu orta düzey makine öğrenimi projeleri, yapılandırılmış ve yapılandırılmamış veri kümeleri için veri işleme ve model eğitime odaklanır. Farklı istatistiksel araçlar kullanarak veri kümesini temizlemeyi, işlemeyi ve zenginleştirmeyi öğrenin.

7. Verideki kategorileri ortaya çıkarın

Verideki Kategorileri Ortaya Çıkarma projesi, kümeleme ve doğal dil işleme (NLP) kullanarak müşteri geri bildirimlerini keşfetmenize yardımcı olur. Google Play Store yorumlarını K-ortalamalar kümeleme ile farklı kategorilere ayıracaksınız. Müşteri geri bildirimlerindeki ortak temaları anlamak, ürün ekiplerinin kullanıcı acı noktalarını ele alması, özellikleri iyileştirmesi ve uygulanabilir içgörülerle memnuniyeti artırması için kritiktir.

Sonucu, Netflix Film veri kümesi gibi farklı bir veri üzerinde tekrarlamayı deneyin.

8. Moby Dick’te kelime sıklığı

Moby Dick’te Kelime Sıklığı projesinde, Herman Melville’in Moby Dick metnini kazıyacak ve Python’un nltk kütüphanesiyle kelime sıklığını analiz edeceksiniz. Bu proje, temel doğal dil işleme (NLP) tekniklerini tanıtır ve sık kullanılan kelimelerin metindeki kalıpları nasıl ortaya çıkardığını anlamanıza yardımcı olur. Edebiyat meraklıları, tarihçiler veya metin madenciliği ve dilbilimsel analizle ilgilenen araştırmacılar için harika bir projedir.

9. Denetimli öğrenmeyle yüz tanıma

Denetimli Öğrenmeyle Yüz Tanıma projesinde, Python ve scikit-learn ile denetimli öğrenme teknikleri kullanarak bir yüz tanıma modeli inşa edeceksiniz. Model, Arnold Schwarzenegger’ın görüntüleri ile diğer kişileri ayırt eder. Bu proje, güvenlik, kimlik doğrulama sistemleri ve yüz algılamanın yaygın olduğu sosyal medya platformları gibi alanlarda geniş uygulamalara sahip, giderek büyüyen yüz tanıma teknolojisi alanında önemlidir.

10. İyi bir kitabı ne yapar?

Karışık verileri—metin (ör. kitap adları ve açıklamaları) ve sayısal verileri (ör. puanlar ve sayımlar)—etkili özelliklere dönüştürerek çevrim içi bir kitabevi için bir kitap popülerliği tahminleyicisi oluşturun. Hızlı keşifsel veri analizi (EDA), veri türlerini düzeltme, hem metin hem sayısal değişkenleri dönüştürme ve en yüksek doğruluğa ulaşmak için bir modeli ince ayar yapmayı içeren eksiksiz makine öğrenimi iş akışıyla ilgileneceksiniz.

Düzensiz, çok formatlı verileri nasıl yöneteceğinizi ve sonuçları temiz, yeniden kullanılabilir bir hat (pipeline) ile nasıl değerlendireceğinizi öğreneceksiniz. Sürecin sonunda, ister kişisel okuma listeniz ister kamu veri kümeleri olsun, potansiyel çok satanları tahmin etmek ve öneri sistemlerini geliştirmek için aynı yöntemleri herhangi bir kataloğa uygulayabileceksiniz.

11. Antarktika penguen türlerinin kümeleme analizi

Antarktika Penguen Türlerini Kümeleme projesinde, etiketler olmadan penguenlerin doğal gruplarını ortaya çıkarmak için denetimsiz öğrenme kullanırsınız. Palmer Penguins tarzı bir veri kümesini temizleyecek, eksik değerleri ele alacak, gaga uzunluğu, gaga derinliği, yüzgeç uzunluğu ve vücut kütlesi gibi sayısal özellikleri ölçekleyecek ve isteğe bağlı olarak ada veya cinsiyet gibi basit kategorik değişkenleri kodladıktan sonra K-ortalamalar kümelemeyi uygulayacaksınız.

Ardından dirsek ve siluet skorlarıyla küme sayısını seçer, PCA ile yapıyı görselleştirir ve hızlı bir mantık kontrolü için kümeleri bilinen türlerle karşılaştırırsınız. 

12. Takviye öğrenmeyle taksi rota optimizasyonu

Takviye Öğrenmeyle Taksi Rota Optimizasyonu projesinde, verimli alma ve bırakma rotalarını öğrenerek Taxi-v3 Gymnasium ortamını çözen bir Q-learning ajanı eğitirsiniz. Bir durum–eylem değer tablosu oluşturacak, epsilon-greedy politika ile keşif ve sömürüyü dengeleyecek ve yakınsamayı hızlandırmak için öğrenme oranı, iskonto faktörü ve epsilon bozunumu gibi temel hiperparametreleri ayarlayacaksınız.

Daha sonra bölümlere göre ortalama ödül ve tamamlanma adımlarıyla performansı değerlendirir, öğrenme eğrisini görselleştirir ve eğitilmiş politikayı görülmemiş bölümlerde test edersiniz.

13. Meme kanseri tespiti

Wisconsin Meme Kanseri veri kümesini kullanarak bir tümörün kötü huylu mu iyi huylu mu olduğunu tahmin edin. Veri kümesi, doku dokusu, çevre ve alan gibi tümör özelliklerine ilişkin ayrıntıları içerir ve amacınız bu özelliklere dayalı olarak bir tanı tahmin eden sınıflandırma modeli oluşturmaktır.

Bu proje, sağlık uygulamalarında esastır; tıbbi veri analizi hakkında değerli içgörüler sağlar ve erken kanser tespitine yardımcı olabilecek tanı araçlarının geliştirilmesi potansiyelini sunar.

14. librosa ile konuşma duygu tanıma

Librosa ile Konuşma Duygu Tanıma projesinde, ses dosyalarından duyguyu tanımak için Librosa, soundfile ve MLPClassifier için sklearn kullanarak ses dosyalarını işleyeceksiniz. 

Ses dosyalarını yükleyip işleyecek, özellik çıkarımı yapacak ve Çok Katmanlı Algılayıcı sınıflandırıcı modelini eğiteceksiniz. Proje, ses işlemenin temellerini öğreterek daha yüksek doğruluk için derin öğrenme modeline geçişin yolunu açar. 

Görsel: researchgate.net

İleri Düzey Makine Öğrenimi Projeleri 

Bu ileri düzey makine öğrenimi projeleri, derin öğrenme modelleri inşa etmeye ve yapılandırılmamış veri kümelerini işlemeye odaklanır. Evrişimli sinir ağları, kapılı yinelemeli birimler, büyük dil modellerinin ince ayarı ve takviye öğrenimi modelleri eğiteceksiniz.

15. Derin öğrenmeyle çağrı masası talep sınıflandırma

Derin Öğrenmeyle Çağrı Masası Talep Sınıflandırma projesinde, gelen talepleri otomatik olarak doğru kategoriye yönlendiren bir PyTorch metin sınıflandırıcı inşa edersiniz. Metni temizleyip belirteçlere ayırır, eğitim ve doğrulama bölümleri oluşturur, talepleri vektör temsillere dönüştürür ve toplu boyutu, öğrenme oranı ve düzenleme gibi ayarları optimize ederek derli toplu bir sinir modelini eğitirsiniz.

Ardından doğruluk ve ağırlıklı F1 ile değerlendirir, yanlış etiketlenmiş veya örtüşen kategorileri tespit etmek için bir karışıklık matrisi inceler ve sınıf dengesizliği için ağırlıklı kayıp gibi teknikleri uygularsınız.

16. Transformers ile Rick Sanchez botu geliştirme

Transformers ile Rick Sanchez Botu Geliştirme projesinde, DialoGPT ve Hugging Face Transformer kütüphanesini kullanarak yapay zeka destekli bir sohbet botu inşa edeceksiniz. 

Verinizi işleyecek ve dönüştürecek, Microsoft’un Büyük Ölçekli Önceden Eğitilmiş Yanıt Üretim Modeli’ni (DialoGPT) Rick and Morty diyalog veri kümesi üzerinde kurup ince ayar yapacaksınız. Modelinizi gerçek zamanlı test etmek için basit bir Gradio uygulaması da oluşturabilirsiniz: Rick & Morty Block Party. 

17. Keras ile e-ticaret giyim sınıflandırıcı modeli oluşturma

Keras ile E-Ticaret Giyim Sınıflandırıcı Modeli Oluşturma projesi, e-ticaret bağlamında görüntü sınıflandırmaya odaklanır. Görüntülere dayalı olarak giyim sınıflandırmasını otomatikleştiren bir makine öğrenimi modeli oluşturmak için Keras kullanacaksınız. Bu, müşterilerin ürünleri daha hızlı bulmasına yardımcı olarak alışveriş deneyimini iyileştirmek ve stok yönetimini kolaylaştırmak açısından önemlidir. Doğru sınıflandırma, kişiselleştirilmiş önerileri de destekleyerek müşteri etkileşimini ve satışları artırır.

18. Derin öğrenmeyle trafik işareti tespiti

Derin Öğrenmeyle Trafik İşareti Tespiti projesinde, dur işaretleri ve trafik ışıkları gibi trafik işaretlerini tespit edebilen bir derin öğrenme modelini Keras kullanarak geliştireceksiniz. Bu teknoloji, yol işaretlerinin hızlı ve doğru tanınmasının güvenli seyir için hayati olduğu otonom araçlar açısından kritiktir. Bu proje, daha gelişmiş, güvenli ve güvenilir sürücüsüz araç sistemlerinin geliştirilmesi için temel oluşturur.

19. Talep tahmin modeli oluşturma

Talep Tahmin Modeli Oluşturma projesinde, PySpark kullanarak ölçekli bir şekilde e-ticaret ürün talebini tahmin edersiniz. İşlemsel verileri yükler, gecikmeler ve hareketli ortalamalar gibi zamana dayalı özellikler tasarlar, dürüst değerlendirme için zamana göre böler ve eğilimleri ile mevsimselliği yakalamak için bir temel modelin yanında Gradient-Boosted Trees veya Random Forest gibi bir öğrenen model eğitirsiniz.

Ardından MAE, RMSE ve MAPE ile değerlendirir, temelle karşılaştırır ve önyargı ile oynaklığı tespit etmek için hataları SKU ve zaman penceresine göre analiz edersiniz.

20. Londra’da sıcaklık tahmini

Londra’da Sıcaklık Tahmini projesinde, tarihsel hava durumu verilerinden günlük ortalama sıcaklığı öngörmek için yapılandırılmış bir ML deneyi yürütürsünüz. Veri setini yükleyip temizler, zamana duyarlı bölmeler oluşturur, hareketli ortalamalar ve gecikmeli değerler gibi özellikler tasarlar ve scikit-learn kullanarak birkaç aday modeli eğitirsiniz.

Ardından iş akışını yeniden kullanılabilir fonksiyonlarla düzenler ve tüm parametreleri, metrikleri ve artefaktları MLflow’a kaydederek çalıştırmaları karşılaştırırsınız.

21. Connect X için takviye öğrenimi

Connect X, Kaggle tarafından düzenlenen bir simülasyon yarışmasıdır. Diğer Kaggle yarışma katılımcılarına karşı yarışacak bir TR (Takviye Öğrenimi) ajanı oluşturun. 

Önce oyunun nasıl çalıştığını öğrenip bir temel için yalın bir işlevsel ajan oluşturacaksınız. Ardından çeşitli TR algoritmaları ve model mimarileriyle denemeler yapmaya başlayacaksınız. Derin Q-öğrenme veya Yaklaşık Politika Optimizasyonu algoritmasına dayalı bir model kurmayı deneyebilirsiniz.

Son Sınıf Öğrencileri için Makine Öğrenimi Projeleri

Bitirme projesi, benzersiz bir çözüm üretmek için belirli bir zaman harcamanızı gerektirir. Birden çok model mimarisini araştıracak, veri kümelerini normalleştirmek ve zenginleştirmek için çeşitli makine öğrenimi çerçevelerini kullanacak, sürecin arkasındaki matematiği anlayacak ve sonuçlarınıza dayanarak bir tez yazacaksınız. 

22. Transformer’larla çok dilli ASR 

Çok Dilli ASR modelinde, otomatik konuşma tanıma sistemi oluşturmak için Türkçe ses ve transkripsiyon kullanarak Wave2Vec XLS-R modelini ince ayar yapacaksınız. 

Önce ses dosyalarını ve metin veri setini anlayacak, ardından bir metin belirteçleyici kullanacak, özellik çıkaracak ve ses dosyalarını işleyeceksiniz. Sonrasında bir eğitici, WER fonksiyonu oluşturup önceden eğitilmiş modelleri yükleyecek, hiperparametreleri ayarlayacak ve modeli eğitip değerlendireceksiniz. 

Model ağırlıklarını depolamak ve konuşmayı gerçek zamanlı olarak yazıya döken web uygulamaları yayınlamak için Hugging Face platformunu kullanabilirsiniz: Streaming Urdu Asr.

Görsel: huggingface.co

23. Tek örnekle yüz stilizasyonu

Tek Örnekle Yüz Stilizasyonu projesinde, sonuçları iyileştirmek için modeli değiştirebilir veya kendi stilizasyon uygulamanızı oluşturmak üzere JoJoGAN’ı yeni bir veri kümesi üzerinde ince ayar yapabilirsiniz. 

Orijinal görüntüyü kullanarak, GAN ters çevirme ve önceden eğitilmiş bir StyleGAN’ı ince ayarlama yoluyla yeni bir görüntü üreteceksiniz. Çeşitli üretici–ayırt edici ağ mimarilerini anlayacaksınız. Ardından, tercih ettiğiniz bir stili oluşturmak için eşleştirilmiş bir veri kümesi toplamaya başlayacaksınız. 

Daha sonra, StyleGAN’ın önceki sürümünün örnek çözümünden yararlanarak yeni mimariyle deneyler yapacak ve gerçekçi sanat eserleri üreteceksiniz. 

Görsel, JoJoGAN kullanılarak oluşturuldu

24. H&M kişiselleştirilmiş moda önerileri

H&M Kişiselleştirilmiş Moda Önerileri projesinde, önceki işlemler, müşteri verileri ve ürün üstverilerine dayalı ürün önerileri oluşturacaksınız. 

Proje, NLP, BG (Bilgisayarlı Görü) ve derin öğrenme becerilerinizi sınar. İlk haftalarda veriyi ve farklı özellikleri nasıl kullanarak bir temel oluşturabileceğinizi anlayacaksınız. 

Ardından yalnızca metin ve kategorik özellikleri alan basit bir model oluşturup önerileri tahmin edin. Sonrasında skorunuzu artırmak için NLP ve BG’yi birleştirmeye geçin. Sorunu daha iyi anlamak için topluluk tartışmalarını ve kodları inceleyerek de ilerleyebilirsiniz. 

Görsel: H&M EDA FIRST LOOK

25. Müşteri destek çağrılarının analizi

Müşteri Destek Çağrılarının Analizi projesinde, ham sesi içgörüye dönüştüren uçtan uca bir hat (pipeline) kurarsınız. Çağrıları otomatik konuşma tanıma modeliyle yazıya döker, metni temizleyip bölümlere ayırır, duygu analizi yapar ve ürünler, planlar, konumlar ve isimler gibi varlıkları çıkarırsınız. Ayrıca, konuşmalar arasında hızlı anlamsal arama için gömlemelerle transkriptleri indekslersiniz.

Ardından transkripsiyon kalitesini ve model performansını değerlendirir, yaygın çağrı nedenlerini ortaya çıkarmak için temaları kümlersiniz; olumsuz duygu sıçramaları veya tırmanma anahtar sözcükleri gibi öne çıkanları ortaya koyarsınız.

26. Finansal dolandırıcılık tespit modeli izleme

Finansal Dolandırıcılık Tespit Modelini İzleme projesinde, yayına alınmış bir modelin neden zayıfladığını teşhis eden bir dağıtım sonrası veri bilimcisi olarak hareket edersiniz. Üretim tahminlerini ve sonuçları yüklersiniz; kesinlik, geri çağırma, PR-AUC ve kalibrasyon gibi temel metrikleri takip eder ve zaman içindeki performansı görselleştirerek bozulmayı tespit edersiniz. Yanlış pozitiflerin veya yanlış negatiflerin yoğunlaştığı yerleri bulmak için kanal, bölge ve müşteri segmentine göre kesit alırsınız.

Ardından dağılım kontrolleri ve kararlılık indeksleri ile veri ve kavram sürüklenmesini test eder, özellik önemindeki kaymaları inceler ve mevcut davranışı temel ile karşılaştırmak için açıklanabilirlik araçlarını kullanırsınız.

27. Atari 2600 için takviye öğrenimi ajanı

Atari 2600 için MuZero projesinde, Atari 2600 oyunları için MuZero algoritmasını kullanarak bir takviye öğrenimi ajanı inşa eder, eğitir ve doğrularsınız. MuZero algoritması hakkında daha fazla bilgi edinmek için eğitimi okuyun.  

Amaç, küresel bir liderlik tablosundaki puanı iyileştirmek için yeni bir mimari kurmak veya mevcut olanı değiştirmektir. Takviye öğreniminde algoritmanın nasıl çalıştığını anlamak üç aydan fazla sürebilir. 

Bu proje yoğun matematik içerir ve Python uzmanlığı gerektirir. Önerilen çözümler bulabilirsiniz; ancak dünya sıralamasında üstlere çıkmak için kendi çözümünüzü geliştirmeniz gerekir.

28. Uçtan uca MLOps makine öğrenimi

Uçtan Uca MLOps Makine Öğrenimi projesi, üst düzey şirketlerde işe alınmanız için gereklidir. Günümüzde işe alım uzmanları, MLOps araçları, veri orkestrasyonu ve bulut bilişim kullanarak uçtan uca sistemler oluşturabilen ML mühendisleri arıyor. 

Bu projede TensorFlow, Streamlit, Docker, Kubernetes, cloudbuild, GitHub ve Google Cloud kullanarak bir konum görüntü sınıflandırıcısı oluşturup dağıtacaksınız. Ana hedef, CI/CD kullanarak makine öğrenimi modellerinin oluşturulması ve üretime dağıtılmasını otomatikleştirmektir. Rehberlik için Makine Öğrenimi, Hatlar, Dağıtım ve MLOps eğitimini okuyun. 

Görsel: Senthil E

Portföy Oluşturmak için Makine Öğrenimi Projeleri

Makine öğrenimi portföyünüzü oluşturmak için öne çıkan projelere ihtiyacınız var. İşe alım uzmanına birden fazla dilde kod yazabildiğinizi, çeşitli makine öğrenimi çerçevelerini anladığınızı, benzersiz problemleri makine öğrenimiyle çözebildiğinizi ve uçtan uca makine öğrenimi ekosistemini kavradığınızı gösterin. 

29.  GPT-OSS’i ince ayar yapma

GPT-OSS’i İnce Ayar Yapma projesinde, bağımlılıkları kuracak, modeli ve belirteçleyiciyi yükleyecek, Harmony Python paketiyle net bir istem tarzı tanımlayacak ve uçtan uca her şeyin çalıştığını doğrulamak için hızlı bir temel çıkarım çalıştıracaksınız.

Ardından Harmony biçimlendirmesiyle bir tıbbi Soru-Cevap veri seti hazırlayıp eğitimi yapılandırır ve modeli ince ayar yaptıktan sonra iyileştirmeleri ölçmek için eğitim sonrası bir değerlendirme gerçekleştirirsiniz.

30. MedGemma’yı beyin MR veri seti üzerinde ince ayar yapma

MedGemma’nın Beyin MR Veri Setinde İnce Ayarı projesinde, MedGemma 4B çok modlu modeli, SigLIP görüntü kodlayıcı ve tıbbi ayarlı bir LLM’yi beyin MR taramalarını sınıflandırmak için uyarlarsınız. RunPod üzerinde ortamı kurar, gerekli Python paketlerini yüklersiniz; bir MR veri setini yükleyip temizler, ardından tutarlı yeniden boyutlandırma, normalleştirme ve etiket eşleme ile girdileri hazırlar ve hızlı bir sağlama amaçlı çıkarım çalıştırırsınız.

Ardından MedGemma’yı MR görevinde ince ayar yapar, eğitim eğrilerini takip eder ve başarısızlık modlarını belirlemek için doğruluk, ROC AUC, kesinlik, geri çağırma ve karışıklık matrisleriyle değerlendirirsiniz.

31. Stable Diffusion XL’i DreamBooth ve LoRA ile ince ayar yapma

Stable Diffusion XL’in DreamBooth ve LoRA ile İnce Ayarı projesinde, Diffusers ile Python’da SDXL’i kurar, FP16 temel modeli ve VAE’yi bir CUDA GPU’da yüklersiniz ve kısa istemlerden görüntüler üretirsiniz. SDXL rafiner ile hızlı kalite artışlarını keşfeder, çıktıları karşılaştırır ve birden çok üretimi yan yana incelemek için basit bir ızgara yardımcı programı kullanırsınız.

Ardından, AutoTrain Advanced ile DreamBooth kullanarak küçük bir kişisel fotoğraf seti üzerinde SDXL’i ince ayar yapar ve hızlı, bellek açısından verimli çıkarım için tam kontrol noktası yerine derli toplu bir LoRA adaptörü üretirsiniz. Eğitimden sonra LoRA ağırlıklarını temel boru hattına eklersiniz; yeni istemleri test eder ve rafinerin kimlik tutarlılığına ne zaman yardımcı olup ne zaman zarar verdiğini değerlendirirsiniz.

32. Gizil difüzyon ile şarkı üretimi

Gizil Difüzyon ile Şarkı Üretimi projesinde, metin tarzı istemlerden veya bir referans ses klibinden eksiksiz şarkılar üreten açık kaynaklı bir difüzyon müzik modelini kurarsınız. Conda veya Docker ile kurulumu yapar, ortamı hazırlarsınız (Windows’ta espeak-ng, phonemizer yolları) ve VRAM kısıtlı olduğunda parçalı kod çözmeyi etkinleştirerek temel veya tam kontrol noktalarıyla parça oluşturmak için sağlanan çıkarım betiklerini çalıştırırsınız.

Ardından şarkı devamı ve düzenleme gibi özellikleri keşfeder, istemler arasında düzenlemeleri karşılaştırır ve yeniden üretilebilirlik için ayarları belgelersiniz. Sonunda, uçtan uca müzik üretimi için pratik bir hattınız olur.

33. Bir makine öğrenimi uygulamasını üretime almak

Bir Makine Öğrenimi Uygulamasını Üretime Alma projesinde, GitHub Actions ile tamamen otomatik bir ML hattı kurar; basit bir ilaç sınıflandırma modelini eğitir, değerlendirir, sürümlendirir ve dağıtırsınız. Depo yapısını ve Makefile’ı kurar, ortam kurulumu, kod biçimleme denetimi, birim testleri ve veri kontrolleri ekler; ardından metrikleri ve artefaktları kaydeden yeniden üretilebilir eğitim ve değerlendirme çalıştırmalarını betimlersiniz.

Ardından sürekli tümleştirmeyi çekme istekleri ve ana daldaki itişlerde tetiklenecek şekilde bağlar, CML ve Hugging Face CLI ile model artefaktlarını yayımlar ve geçen bir modeli sürekli dağıtım iş akışlarıyla üretime terfi ettirirsiniz.

Bir Makine Öğrenimi Projesine Nasıl Başlanır?

Görsel: Yazar

Tipik bir makine öğrenimi projesinde standart adımlar yoktur. Dolayısıyla yalnızca veri toplama, veri hazırlama ve model eğitimi olabilir. Bu bölümde, üretime hazır bir makine öğrenimi projesi oluşturmak için gereken adımları öğreneceğiz. 

Problem tanımı

İş problemini anlamalı ve bunu çözmek için makine öğrenimini nasıl kullanacağınıza dair kabaca bir fikir ortaya koymalısınız. Araştırma makaleleri, açık kaynak projeler, eğitimler ve diğer şirketlerin kullandığı benzer uygulamaları inceleyin. Çözümünüzün gerçekçi olduğundan ve verinin kolay erişilebilir olduğundan emin olun. 

Veri toplama

Verileri çeşitli kaynaklardan toplayacak, temizleyip etiketleyecek ve veri doğrulamalarına yönelik betikler oluşturacaksınız. Verinizin taraflı olmamasına veya hassas bilgiler içermemesine dikkat edin. 

Veri hazırlama 

Eksik değerleri doldurun, veriyi temizleyip veri analizi için işleyin. Verinin dağılımını ve özellikleri model performansını iyileştirmek için nasıl kullanabileceğinizi anlamak üzere görselleştirme araçlarını kullanın. Özellik ölçekleme ve veri artırma, veriyi bir makine öğrenimi modeli için dönüştürmede kullanılır.

Model eğitimi 

Belirli problemler için yaygın olarak kullanılan sinir ağları veya makine öğrenimi algoritmalarını seçmek. En iyi sonuçlar için çapraz doğrulama ile model eğitimi ve çeşitli hiperparametre optimizasyon tekniklerini kullanma. 

Model değerlendirme 

Modeli test veri seti üzerinde değerlendirme. Belirli problemler için doğru model değerlendirme metriğini kullandığınızdan emin olun. Doğruluk, her tür problem için geçerli bir metrik değildir. Sınıflandırma için F1 veya AUC skorunu, regresyon için RMSE’yi kontrol edin. Önemsiz özellikleri elemek için model özellik önemini görselleştirin. Model eğitimi ve çıkarım süresi gibi performans metriklerini değerlendirin. 

Modelin insan taban çizgisini aştığından emin olun. Aşmadıysa, daha kaliteli veri toplamaya geri dönün ve sürece yeniden başlayın. Bu, performansı iyileştirmek için çeşitli özellik mühendisliği teknikleri, model mimarileri ve makine öğrenimi çerçeveleriyle eğitime devam edeceğiniz yinelemeli bir süreçtir. 

Üretim 

En iyi sonuçlara ulaştıktan sonra, makine öğrenimi modelinizi MLOps araçlarını kullanarak üretime/buluta dağıtma zamanı gelmiştir. Modeli gerçek zamanlı veriler üzerinde izleyin. Modellerin çoğu üretimde başarısız olur; bu nedenle, onları kullanıcıların küçük bir alt kümesi için dağıtmak iyi bir fikirdir. 

Yeniden eğitim 

Model hedeflenen sonuçları vermezse başa dönerek daha iyi bir çözümle gelirsiniz. Harika sonuçlar elde etseniz bile, model zamanla veri sürüklenmesi ve kavram sürüklenmesi nedeniyle bozulabilir. Yeni verilerle yeniden eğitim, modelinizin gerçek zamanlı değişimlere uyum sağlamasını da sağlar.

Ekibinizin Gelişimini DataCamp for Business ile Destekleyin

Bireysel projeler kişisel beceri gelişimi için gerekli olsa da, kuruluşların ekiplerinin veri analitiğinin karmaşıklıklarını yönetmeye hazır olduğundan emin olması gerekir. DataCamp for Business, şirketlerin çalışanlarını veri bilimi, analitik ve makine öğrenimi alanlarında geliştirmesine yardımcı olan, özel olarak tasarlanmış çözümler sunar. Geniş bir interaktif kurs kütüphanesine, özel öğrenme yollarına ve gerçek dünya projelerine erişimle; ekipler bu blogda vurgulanan veri alma, temizleme, dönüştürme, görselleştirme ve kestirimci analitik gibi alanlarda becerilerini ilerletebilir.

İster küçük bir girişim ister büyük bir işletme olun, DataCamp for Business, günümüz pazarında rekabetçi kalmak için beceri geliştirme, yeniden beceri kazandırma ve veri odaklı bir kültür oluşturma araçlarını sunar. Daha fazla bilgi almak için bugün bir demo talep edebilirsiniz. 

Sonuç

Bir makine öğrenimi projesine başlamak, pratik deneyim kazanmanıza, portföyünüzü güçlendirmenize ve kritik problem çözme becerileri geliştirmenize yardımcı olabilir. Ele aldığımız projeler, yalnızca teori ile pratik arasındaki boşluğu kapatmakla kalmaz, aynı zamanda sürekli öğrenme ve yenilik için de fırsatlar sunar.

Çeşitli veri kümeleri ve karmaşık zorluklarla çalışarak, makine öğreniminde sağlam bir temel oluşturabilir; akademik ve profesyonel ortamlarda başarı için kendinizi konumlandırabilirsiniz. İster yeni başlayan ister ileri düzey bir öğrenen olun, üstlendiğiniz her proje sizi makine öğreniminin sanat ve bilimine hâkim olmaya bir adım daha yaklaştırır. Bugün, Python ile Makine Öğrenimi Bilimci yetkinlik yolumuzla yolculuğunuza başlayın.