Proje kapsamında farklı veri setleri üzerinde makine öğrenmesi algoritmaları ile çalışılmıştır.

Table of Contents

• Water Quality
• Heart Attack
• MNIST
• California Housing Prices
• Customer Segmentation - Clustering
• User Login Logs (Random) - Clustering (GMM) - Create DataSet
• Taxi-v3 Reinforcement Learning (Q-Learning)
• FashionMNIST | CNN + RMSprop + ImageDataGenerator
• Liver Cirrhosis Outcome Classification

---

Water Quality

📌 Proje Açıklaması

Bu projede, model performansını artırmak amacıyla RandomizedSearchCV kullanılarak Hyperparameter Tuning yapılmıştır. Kullanılan makine öğrenmesi modelleri arasında CatBoost en yüksek başarıyı elde etmiştir. Test veri seti üzerinde yapılan değerlendirmelere göre, CatBoost modelinin accuracy_score %80 olarak ölçülmüştür. Ayrıca, CatBoost modelinin değişken (feature) önem düzeyleri incelenmiş ve hangi değişkenlerin model üzerinde daha fazla etkisi olduğu belirlenmiştir.

Confusion Matrix: for Test Data

---

Heart Attack

📌 Proje Açıklaması

Bu projede, veri setindeki aykırı değerlerin (outliers) tespiti için Z-skoru ve Winsorizing yöntemleri kullanılmıştır. Ayrıca, kategorik özellikler (categorical features) için uygun Encoding işlemleri gerçekleştirilmiştir. Model optimizasyonu aşamasında ise GridSearchCV kullanılarak Hyperparameter Tuning yapılmıştır. Bu projede kullanılan makine öğrenmesi modelleri arasında LogisticRegression en yüksek başarıyı elde etmiştir. Test veri seti üzerinde yapılan değerlendirmelere göre, LogisticRegression modelinin accuracy_score %88 olarak ölçülmüştür.

Confusion Matrix	ROC Curve

---

MNIST

📌 Proje Açıklaması

Bu projede Principal Component Analysis (PCA) kullanılarak boyut indirgeme işlemi gerçekleştirilmiştir.
Model optimizasyonu için Hyperparameter Tuning yöntemi uygulanmış ve GridSearchCV kullanılarak en iyi parametreler belirlenmiştir.

Bu projede kullanılan makine öğrenmesi modelleri arasında MLP ve SVM, en yüksek başarıyı elde etmiştir. Test veri seti üzerinde yapılan değerlendirmelere göre, doğruluk oranı %97 olarak ölçülmüştür. Model değerlendirme sürecinde Voting Classifier (Soft Voting) kullanıldı ve test verisi üzerindeki doğruluk oranı %96 olarak hesaplanmıştır.

MLP Confusion Matrix

SVM Confusion Matrix

Voting Classifier (Soft) Confusion Matrix

---

California Housing Prices

📌 Proje Açıklaması

To download the dataset, you need to set up the Kaggle API using the kaggle.json API key.

Steps to Set Up Kaggle API

1. Sign in to Kaggle:

   • Go to Kaggle and log in to your account.

2. Create a New Kaggle API Token:

   • Visit the Kaggle API page.
   • Click on the "Create New API Token" button.
   • This will download the kaggle.json file.

3. Place the kaggle.json File in the Appropriate Directory:

   • Windows: Move the kaggle.json file to the following path:

     C:\Users\YourUser\.kaggle\kaggle.json
     

   • Mac/Linux: Move the kaggle.json file to the following path:

     ~/.kaggle/kaggle.json
     

4. Install the Kaggle Package: Run the following command to install the Kaggle API Python package:

   pip install kaggle
   

Bu projede, konut fiyatlarını tahmin etmek amacıyla çeşitli regresyon modelleri kullanılmıştır. Veri seti üzerinde bazı veri işleme teknikleri uygulanmış, model hiperparametre ayarlamaları yapılmış ve en iyi sonuç veren model seçilmiştir.

Veri İşleme Adımları

• Kategorik Verilerin Kodlanması: Kategorik sütunlar için One-Hot Encoding kullanılmıştır.
• Eksik Verilerin Tamamlanması: Eksik veriler, K-Nearest Neighbors (KNN) algoritması ile tamamlanmıştır.
• Korelasyon Analizi: Değişkenler arasındaki ilişkiler incelenmiş ve hedef değişkenle en güçlü ilişkiyi gösteren özellikler belirlenmiştir.

Model Seçimi ve Hiperparametre Ayarlaması

• Hiperparametre Ayarlaması: GridSearchCV kullanılarak modellerin hiperparametreleri optimize edilmiştir.
• En İyi Model: En iyi performans DecisionTreeRegressor (DTR) modeli ile elde edilmiştir. Bu modelin performans metrikleri:
  • MSE (Ortalama Kare Hatası): 3,5
  • R² Skoru: 0.7308
• Özellik Önem Düzeyleri: Final modeldeki özelliklerin önem düzeyleri incelenmiştir.

---

Customer Segmentation - Clustering

📌 Proje Açıklaması

• Veri Analizi ve Ön İşleme: Kategorik değişkenlerin encode edilmesi, verinin standartlaştırılması
• Boyut Azaltma: PCA ile optimum bileşen sayısının belirlenmesi
• Optimum Küme Sayısının Belirlenmesi: Yellowbrick
• Kümeleme Modelleri: K-Means ve Hiyerarşik Kümeleme (Dendrogram - Complete yöntemi)

---

Random User Login Logs - Clustering

📌 Proje Açıklaması

Bu projede, random kullanıcı giriş kayıtları verisi oluşturulmuş ve çeşitli analizler ile kümeleme yöntemleri uygulanmıştır.

• Veri Seti Oluşumu: Normal dağılıma sahip rastgele kullanıcı giriş logları oluşturuldu.
• Veri Analizi ve Görselleştirme: Özelliklerin dağılımları ve korelasyonlar incelenmiştir. Verinin daha iyi anlaşılması için t-SNE tekniği ile görselleştirme yapılmıştır.
• Kümeleme ve Modelleme: Elbow yöntemi ile optimum küme sayısı belirlenmiştir. Daha esnek bir model olan Gaussian Mixture Model (GMM) kullanılarak kümeleme gerçekleştirilmiştir. Dendrogram yöntemiyle kümeleme, ward yöntemi kullanılarak gerçekleştirilmiştir.

---

Taxi-v3 Reinforcement Learning

📌 Proje Açıklaması

Bu proje, OpenAI Gym ortamındaki Taxi-v3 problemi üzerinde Q-learning algoritması kullanılarak gerçekleştirilmiştir.🚖 Ortam hakkında detaylı bilgi için 👉 https://gymnasium.farama.org/environments/toy_text/taxi/

---

👗FashionMNIST | CNN + RMSprop + ImageDataGenerator

📌 Proje Açıklaması

Bu proje, Fashion-MNIST veri setindeki görselleri 10 farklı giyim kategorisine sınıflandırmak için bir Convolutional Neural Network (CNN) uygulanmıştır.
Genelleştirmeyi artırmak için ImageDataGenerator ile veri artırımı yapılmıştır. Model, RMSprop optimizer ile eğitilmiş, EarlyStopping ve ModelCheckpoint ile izlenmiş ve test setinde %89 doğruluk elde etmiştir.

1- Data Preparation

• Veri Seti: Fashion-MNIST (Kaggle)
• Dosya Formatı: UBYTE dosyaları, idx2numpy ile okundu
• Ortam & İndirme: Google Colab + Kaggle API (kaggle.json)
• Ön İşleme & Görselleştirme: Görseller normalize edildi ve örnekler gösterildi
• Data Augmentation: Sadece training set üzerinde, %20 validation ayırarak ImageDataGenerator kullanıldı
• Generator: flow ile train_generator ve val_generator oluşturuldu

2- CNN Architecture

• Model Yapısı:

  • Feature Extraction : Conv + ReLU + Pool + Dropout
  • Classification : Flatten + Dense + ReLU + BatchNormalization + Dropout
  • Çıkış katmanında Softmax aktivasyonu kullanıldı

• Optimizer & Loss:

  • Optimizer: RMSprop (learning_rate=0.0001, decay=1e-6)
  • Loss: sparse_categorical_crossentropy
  • Metrics: accuracy

• Callbacks: EarlyStopping ve ModelCheckpoint

• Epochs: 60

3- 📊 Results

• Eğitim ve validasyon accuracy ile loss grafikleri :

• 🧪 Evaluation
  • Best saved model was loaded
  • Evaluated on the test set:
    • Accuracy: 0.8937
    • Loss: 0.3100
    • Classification Report and Confusion Matrix were calculated and visualized:

Confusion Matrix	Classification Report

---

🩺 Liver Cirrhosis Outcome Classification

📌 Proje Açıklaması

Bu proje, klinik, demografik ve laboratuvar özelliklerini kullanarak karaciğer sirozu hastalarının sonuçlarını (C / CL / D) tahmin etmeye yönelik bir multi-class sınıflandırma çalışmasıdır. Amaç, her hasta için üç sınıftan hangisine ait olduğuna dair olasılık tahminleri üretmektir; modelin çıktısı Status_C, Status_CL ve Status_D sütunlarını içerecektir. Veri seti, orijinal Cirrhosis Patient Survival Prediction verisinden türetilmiş ve AI ile üretilmiş örneklemeleri içermektedir.

📌 Neden Önemli?

Siroz hastalarının yaşam süresi tahmininin doğru yapılması, sağlık profesyonelleri açısından kritik bir rol oynar:

• Acil müdahale gerektiren hastaların önceliklendirilmesi
• Hastaya uygun tedavi planının stratejik olarak belirlenmesi
• Sağlık kaynaklarının daha verimli yönetilmesi
• Hastaların genel bakım kalitesinin artırılması

Veri Seti

• Kaynak: AI tarafından oluşturulmuş Liver Cirrhosis dataset
• Boyut: 20 features and 35,000 rows
• Dosyalar:
  • train.csv — özellikler + hedef (Status)
  • test.csv — özellikler (submit için)
  • sample_submission.csv — örnek gönderim formatı

🔍 Ek Veri Seti: Original Cirrhosis Data

Yarışma organizatörleri, verilen train ve test dosyalarının orijinal “Cirrhosis Patient Survival Prediction” veri setiyle eğitilmiş bir derin öğrenme modeli tarafından üretildiğini belirtiyor.

Bu projede orijinal Cirrhosis veri setini ayrıca yükleyip sadece keşifsel analiz (EDA) ve ek testler için kullandım.

Target Variable:

• Status — Üç sınıf:
  • C: Censored (hasta N_Days'de hayatta)
  • CL: Hayatta, karaciğer nakli nedeniyle
  • D: N_Days'de vefat etmiş

Evaluation

• Metric: Multi-Class Log Loss (kaggle-style multiclass log loss).
• Gönderim formatı: id,Status_C,Status_CL,Status_D (olasılıklar).

🛠️ Data Preprocessing

EDA aşamasında veri dağılımları incelendi ve eksik değerler tespit edildi. Ardından aşağıdaki veri ön işleme adımları uygulandı:

1. Eksik Değer İşlemleri

• Sayısal değişkenler: Train seti üzerinden KNNImputer ile tahmin edilerek dolduruldu.

• Kategorik değişkenler: Train setindeki mode tamamlandı.

2. Korelasyon Analizi

3. Encoding İşlemleri

• One-Hot Encoding: Hedef değişken hariç tüm kategorik kolonlar için uygulandı.

• Label Encoding: Hedef değişken Status → C, CL, D kategorileri sırasıyla 0, 1, 2 olarak kodlandı.

4. Train–Test

• X_train: Status ve id kolonları çıkarıldı.
• y_train: Status kolonu hedef olarak alındı.
• X_test: Sadece id kolonu çıkarıldı.

5. Scaling

Logistic Regression, KNN, SVC ve MLP gibi ölçeklemeye duyarlı modeller için StandardScaler kullanıldı. Hem ölçekli hem ölçeklenmemiş versiyonlar oluşturularak model gereksinimlerine göre kullanıldı.

6. Sınıf Dengesizliği – SMOTE

Hedef değişkenin dengesiz yapısı nedeniyle SMOTE uygulanarak azınlık sınıflar için sentetik örnekler üretildi ve sınıf dağılımı dengelendi. Smote işlemi sonucunda veri boyutları:

• X_train: (30390, 19)
• X_test: (30390, 19)
• y_train: (30390,)

SMOTE Uygulaması: Öncesi ve Sonrası

Modeling

📐 Model Değerlendirme (K-Fold)

Tüm modeller, hedef etiketleri test setinde bulunmadığı için 5-fold cross-validation ile train seti üzerinden değerlendirildi. Accuracy, precision, recall ve log loss metrikleri hesaplandı.

En iyi temel sonuçları veren modeller:

• XGBoost
• LightGBM
• RandomForest

Yarışmada kullanılan metrik olan multi-class log loss dikkate alınarak en başarılı iki model seçildi:

📊 K-Fold Sonuçları (XGBoost & LightGBM)

Model	Accuracy	Precision	Recall	LogLoss
XGBoost	0.918230	0.918020	0.918230	0.226986
LightGBM	0.907799	0.907690	0.907799	0.263790

🎯 Hiperparametre Optimizasyonu

Her iki model için de RandomizedSearchCV ile 5-fold CV + neg_log_loss kullanılarak hiperparametre araması yapıldı.

🏆 En Başarılı Model

RandomizedSearchCV ile yapılan hiperparametre araması sonucunda en düşük log loss değerine sahip model:

Model	CV LogLoss
LightGBM	0.218144

LightGBM, sınıf dengesizliği ve özellik çeşitliliği göz önünde bulundurulduğunda, hiperparametre optimizasyonu sonrası en iyi performansı göstermiştir.

🏁 Final Model ve Submission

Tüm hiperparametre optimizasyonu sonrası LGBMClassifier, en iyi log loss değerini elde etti.

Optimizasyonlu parametrelerle final model (best_model_final) eğitildi, değerlendirildi ve yarışma gönderimi için kaydedildi.
Bu model ile test seti üzerinde submission dosyası oluşturuldu.

📤 Yarışma Gönderimleri

• Notebook V1: Daha yüksek leaderboard skoru (LogLoss = 0.368) elde etti ve resmi gönderim olarak kullanıldı.
• Notebook V4 (bu sürüm): Sınıf dengesizliği ve daha sağlam modelleme stratejilerini içerir. Leaderboard Private skoru: LogLoss = 0.397.

📊 Model Değerlendirmesi

Final model, farklı veri setleri üzerinde değerlendirildi. Gerçek test etiketleri bulunmasa da LogLoss, Accuracy, Classification Report, Confusion Matrix metrikleri incelendi:

• Train verisi
• SMOTE ile dengelenmiş veri:
• Orijinal Cirrhosis veri seti: Preprocessing aşamaları uygulandıktan sonra değerlendirme gerçekleştirilmiştir.

Bu değerlendirmeler, modelin farklı veri senaryolarında ne kadar sağlam ve genellenebilir olduğunu incelemek için yapıldı.

Requirements

Bu proje Kaggle ortamında gerçekleştirilmiştir.

pip install numpy pandas matplotlib seaborn scikit-learn xgboost lightgbm imbalanced-learn joblib

veya

pip install -r requirements.txt

---