<![CDATA[KodlarTR - Python ile Makine Öğrenmesi]]>

<![CDATA[KodlarTR - Python ile Makine Öğrenmesi]]> https://kodlar.tr/ Fri, 15 May 2026 11:25:54 +0000 MyBB <![CDATA[Öğrenci Notunu Tahmin Etme]]> https://kodlar.tr/konu-ogrenci-notunu-tahmin-etme.html Sat, 10 May 2025 17:01:37 +0000 admin]]> https://kodlar.tr/konu-ogrenci-notunu-tahmin-etme.html
Kodlar.tr için bir örnekle başlayacağız. Elimizde bir grup öğrencinin sınav öncesinde çalıştığı saatler ve aldıkları sınav notları var. Amacımız, yeni bir öğrencinin çalışma saatini bildiğimizde, bu öğrencinin sınav notunu tahmin edebilecek basit bir makine öğrenmesi modeli oluşturmak.
Veri:
Aşağıdaki gibi basit bir veri setimiz olduğunu varsayalım:

Python



import numpy as np



# Çalışma saatleri (saat)

calisma_saatleri = np.array([2, 3, 5, 7, 8, 10])



# Sınav notları

sinav_notlari = np.array([60, 75, 82, 90, 93, 98])

Çözüm:
Bu basit doğrusal ilişkiyi modellemek için doğrusal regresyon (Linear Regression) algoritmasını kullanabiliriz. Python'da bu algoritmayı uygulamak için

scikit-learn

kütüphanesini kullanacağız.

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt



# Doğrusal regresyon modelini oluştur

model = LinearRegression()



# Modeli verilere göre eğit

model.fit(calisma_saatleri.reshape(-1, 1), sinav_notlari)



# Yeni bir çalışma saati için not tahmini yap

yeni_calisma_saati = 6

tahmin_edilen_not = model.predict([[yeni_calisma_saati]])

print(f"{yeni_calisma_saati} saat çalışan bir öğrencinin tahmini notu: {tahmin_edilen_not[0]:.2f}")



# Veri noktalarını ve regresyon çizgisini görselleştir

plt.scatter(calisma_saatleri, sinav_notlari, color='blue', label='Gerçek Notlar')

plt.plot(calisma_saatleri, model.predict(calisma_saatleri.reshape(-1, 1)), color='red', label='Doğrusal Regresyon Çizgisi')

plt.scatter(yeni_calisma_saati, tahmin_edilen_not, color='green', marker='x', s=100, label='Tahmin Edilen Not')

plt.xlabel('Çalışma Saatleri')

plt.ylabel('Sınav Notları')

plt.title('Çalışma Saatleri ve Sınav Notları İlişkisi')

plt.legend()

plt.grid(True)

plt.show()

Veri İçe Aktarma:

Kod:
numpy
kütüphanesini kullanarak çalışma saatleri ve sınav notlarını içeren NumPy dizileri oluşturduk.
Model Oluşturma:

Kod:
sklearn.linear_model
modülünden

Kod:
LinearRegression
sınıfını kullanarak bir doğrusal regresyon modeli nesnesi oluşturduk.
Modeli Eğitme:

Kod:
fit()
metodu ile modelimizi mevcut çalışma saatleri ve sınav notları verileriyle eğittik.

Kod:
reshape(-1, 1)
ifadesi,

Kod:
scikit-learn
'ün beklentisi doğrultusunda tek özellikli (çalışma saatleri) veriyi iki boyutlu bir diziye dönüştürmek için kullanılır.
Tahmin Yapma: Eğitilmiş modeli kullanarak yeni bir çalışma saati (örneğimizde 6 saat) için sınav notu tahmini yaptık.

Kod:
predict()
metodu, girdi olarak iki boyutlu bir dizi beklediği için

Kod:
[[yeni_calisma_saati]]
şeklinde bir girdi verdik.
Görselleştirme:

Kod:
matplotlib.pyplot
kütüphanesi ile gerçek veri noktalarını, elde edilen doğrusal regresyon çizgisini ve tahmin edilen notu bir grafik üzerinde gösterdik. Bu, modelin veriye ne kadar iyi uyduğunu görsel olarak anlamamıza yardımcı olur.

Bu basit örnek, Python'da

scikit-learn

kütüphanesi kullanılarak temel bir makine öğrenmesi görevinin (regresyon) nasıl gerçekleştirilebileceğini göstermektedir. Gerçek dünya problemleri genellikle daha karmaşık veri setleri ve daha gelişmiş algoritmalar gerektirse de, bu örnek temel prensipleri anlamak için iyi bir başlangıç noktasıdır.]]>
Kodlar.tr için bir örnekle başlayacağız. Elimizde bir grup öğrencinin sınav öncesinde çalıştığı saatler ve aldıkları sınav notları var. Amacımız, yeni bir öğrencinin çalışma saatini bildiğimizde, bu öğrencinin sınav notunu tahmin edebilecek basit bir makine öğrenmesi modeli oluşturmak.
Veri:
Aşağıdaki gibi basit bir veri setimiz olduğunu varsayalım:

Python



import numpy as np



# Çalışma saatleri (saat)

calisma_saatleri = np.array([2, 3, 5, 7, 8, 10])



# Sınav notları

sinav_notlari = np.array([60, 75, 82, 90, 93, 98])

Çözüm:
Bu basit doğrusal ilişkiyi modellemek için doğrusal regresyon (Linear Regression) algoritmasını kullanabiliriz. Python'da bu algoritmayı uygulamak için

scikit-learn

kütüphanesini kullanacağız.

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt



# Doğrusal regresyon modelini oluştur

model = LinearRegression()



# Modeli verilere göre eğit

model.fit(calisma_saatleri.reshape(-1, 1), sinav_notlari)



# Yeni bir çalışma saati için not tahmini yap

yeni_calisma_saati = 6

tahmin_edilen_not = model.predict([[yeni_calisma_saati]])

print(f"{yeni_calisma_saati} saat çalışan bir öğrencinin tahmini notu: {tahmin_edilen_not[0]:.2f}")



# Veri noktalarını ve regresyon çizgisini görselleştir

plt.scatter(calisma_saatleri, sinav_notlari, color='blue', label='Gerçek Notlar')

plt.plot(calisma_saatleri, model.predict(calisma_saatleri.reshape(-1, 1)), color='red', label='Doğrusal Regresyon Çizgisi')

plt.scatter(yeni_calisma_saati, tahmin_edilen_not, color='green', marker='x', s=100, label='Tahmin Edilen Not')

plt.xlabel('Çalışma Saatleri')

plt.ylabel('Sınav Notları')

plt.title('Çalışma Saatleri ve Sınav Notları İlişkisi')

plt.legend()

plt.grid(True)

plt.show()

Veri İçe Aktarma:

Kod:
numpy
kütüphanesini kullanarak çalışma saatleri ve sınav notlarını içeren NumPy dizileri oluşturduk.
Model Oluşturma:

Kod:
sklearn.linear_model
modülünden

Kod:
LinearRegression
sınıfını kullanarak bir doğrusal regresyon modeli nesnesi oluşturduk.
Modeli Eğitme:

Kod:
fit()
metodu ile modelimizi mevcut çalışma saatleri ve sınav notları verileriyle eğittik.

Kod:
reshape(-1, 1)
ifadesi,

Kod:
scikit-learn
'ün beklentisi doğrultusunda tek özellikli (çalışma saatleri) veriyi iki boyutlu bir diziye dönüştürmek için kullanılır.
Tahmin Yapma: Eğitilmiş modeli kullanarak yeni bir çalışma saati (örneğimizde 6 saat) için sınav notu tahmini yaptık.

Kod:
predict()
metodu, girdi olarak iki boyutlu bir dizi beklediği için

Kod:
[[yeni_calisma_saati]]
şeklinde bir girdi verdik.
Görselleştirme:

Kod:
matplotlib.pyplot
kütüphanesi ile gerçek veri noktalarını, elde edilen doğrusal regresyon çizgisini ve tahmin edilen notu bir grafik üzerinde gösterdik. Bu, modelin veriye ne kadar iyi uyduğunu görsel olarak anlamamıza yardımcı olur.

Bu basit örnek, Python'da

scikit-learn