Herhangi bir Makine Öğrenimi uygulamasının temeli verilerdir - sadece küçük bir veri değil, aynı zamanda mevcut terminolojide Büyük Veri olarak adlandırılan devasa bir veri.
Makineyi büyük veriyi analiz edecek şekilde eğitmek için veriler üzerinde birkaç göz önünde bulundurmanız gerekir -
Veriler temiz olmalıdır.
Boş değerler içermemelidir.
Ayrıca, veri tablosundaki tüm sütunlar, ulaşmaya çalıştığınız analiz türü için yararlı olmayacaktır. Makine Öğrenimi terminolojisinde geçen alakasız veri sütunları veya "özellikler", veriler bir makine öğrenimi algoritmasına beslenmeden önce kaldırılmalıdır.
Kısacası, büyük verilerinizin Makine Öğrenimi için kullanılmadan önce çok sayıda ön işleme ihtiyacı vardır. Veriler hazır olduğunda, sorunu çözmek için sınıflandırma, regresyon, kümeleme ve benzeri çeşitli Makine Öğrenimi algoritmalarını uygulayacaksınız.
Uyguladığınız algoritma türleri büyük ölçüde alan bilginize bağlıdır. Aynı tür içinde bile, örneğin sınıflandırma, birkaç algoritma mevcuttur. Etkili bir makine öğrenimi modeli oluşturmak için aynı sınıf altında farklı algoritmaları test etmek isteyebilirsiniz. Bunu yaparken, işlenen verilerin görselleştirilmesini tercih edersiniz ve bu nedenle görselleştirme araçlarına da ihtiyaç duyarsınız.
Gelecek bölümlerde, yukarıdakilerin tümünü kolaylıkla gerçekleştiren ve büyük verilerle rahatça çalışmanıza olanak tanıyan bir yazılım olan Weka hakkında bilgi edineceksiniz.
Weka Nedir ?
WEKA - açık kaynaklı bir yazılım, veri ön işleme, çeşitli Makine Öğrenimi algoritmalarının uygulanması ve görselleştirme araçları için araçlar sağlar, böylece makine öğrenimi tekniklerini geliştirebilir ve bunları gerçek dünya veri madenciliği problemlerine uygulayabilirsiniz. WEKA'nın sunduğu şeyler aşağıdaki şemada özetlenmiştir -
Görüntünün akışının başlangıcını gözlemlerseniz, Büyük Veri ile uğraşırken onu makine öğrenimine uygun hale getirmek için birçok aşama olduğunu anlayacaksınız -
Öncelikle sahadan toplanan ham verilerle başlayacaksınız. Bu veriler birkaç boş değer ve ilgisiz alan içerebilir. Verileri temizlemek için WEKA'da sağlanan veri ön işleme araçlarını kullanırsınız.
Ardından, ML algoritmalarını uygulamak için önceden işlenmiş verileri yerel depolamanıza kaydedersiniz.
Ardından, geliştirmeye çalıştığınız makine öğrenimi modelinin türüne bağlı olarak, Sınıflandır, Küme veya İlişkilendir gibi seçeneklerden birini seçersiniz. Nitelikler Seçimi, azaltılmış bir veri kümesi oluşturmak için özelliklerin otomatik olarak seçilmesine izin verir.
Her kategori altında, WEKA'nın birkaç algoritmanın uygulanmasını sağladığını unutmayın. İstediğiniz bir algoritma seçer, istenen parametreleri ayarlar ve veri kümesi üzerinde çalıştırırsınız.
Ardından, WEKA size model işlemenin istatistiksel çıktısını verecektir. Verileri incelemek için size bir görselleştirme aracı sağlar.
Aynı veri setine çeşitli modeller uygulanabilir. Daha sonra farklı modellerin çıktılarını karşılaştırabilir ve amacınıza en uygun olanı seçebilirsiniz.
Bu nedenle, WEKA'nın kullanılması, genel olarak makine öğrenimi modellerinin daha hızlı geliştirilmesine neden olur.
Artık WEKA'nın ne olduğunu ve ne yaptığını gördük, sonraki bölümde WEKA'yı yerel bilgisayarınıza nasıl kuracağımızı öğrenelim.