Machine Learning
📌 Personal learning project on supervised machine learning algorithms using real-world datasets.
📌 Gerçek dünya verileriyle gözetimli makine öğrenmesi algoritmalarını öğrenme projesidir.
📌 Proje 1: Multiple Linear Regression
Bu projede, öğrenci performans verileri üzerinden çoklu doğrusal regresyon (Multiple Linear Regression) uygulanarak bir tahmin modeli geliştirilmiştir.
In this project, a prediction model has been built by applying Multiple Linear Regression on student performance data.
- 🔹 Veri temizleme / Data Cleaning
- 🔹 Eksik verilerle başa çıkma / Handling missing data
- 🔹 Özellik seçimi / Feature Selection
- 🔹 Çoklu doğrusal regresyon / Multiple Linear Regression
- 🔹 Model değerlendirme / Model Evaluation
- 🔹 Hata metrikleri: MAE, MSE, RMSE, R²
- Python
- Pandas
- NumPy
- scikit-learn
- Matplotlib
- seaborn
- Jupyter Notebook
📌 Proje 2: K-Nearest Neighbors (KNN)
Bu projede House Prices veri seti kullanılarak, evlerin fiyatlarının düşük (0) veya yüksek (1) olarak sınıflandırılması amaçlanmıştır.
Amacımız, KNN algoritması ile ev fiyatlarını sınıflandırmak ve modelin başarımını değerlendirmektir.
In this project, the House Prices dataset is used to classify houses as either low (0) or high (1) priced.
The goal is to apply the KNN algorithm to classify house prices and evaluate the model performance.
- Veri temizleme / Data Cleaning
- Eksik verilerle başa çıkma / Handling Missing Data
- Kategorik verilerin sayısallaştırılması / Categorical Encoding (TargetEncoder)
- Özelliklerin ölçeklenmesi / Feature Scaling (StandardScaler)
- KNN algoritması ile sınıflandırma / Classification with KNN
- Model değerlendirme metrikleri / Model Evaluation Metrics
- Accuracy, Precision, Recall, F1-score
- Confusion Matrix
- Python
- Pandas
- NumPy
- scikit-learn
- category_encoders
- Matplotlib
- Seaborn
- Jupyter Notebook