Gözetimli Öğrenme ile Tahmin Modeli

Bu proje, Akbank Makine Öğrenmesi Bootcamp 2025 kapsamında geliştirilmiş olup, gözetimli öğrenme teknikleri kullanılarak gerçekleştirilmiştir. Veri seti üzerinde hem keşifsel veri analizi (EDA) yapılmış, hem de çeşitli makine öğrenmesi algoritmaları kullanılarak sınıflandırma problemleri çözülmüştür.

---

🔍 Giriş

Projede kullanılan veri seti: Formula 1 World Championship (1950–2024) Veri seti, 1950 yılından günümüze kadar yapılmış Formula 1 yarışlarına ait kapsamlı bilgileri içermektedir. 14 farklı CSV dosyasından oluşur ve sürücüler, takımlar, yarış sonuçları, tur zamanları, pit stop verileri gibi çeşitli detaylar barındırır.

Problem türü: Sınıflandırma / Regresyon Hedef değişken: positionOrder, milliseconds, veya qualifying time (problem tanımına göre değişir)

Bu projede:

• Veri analizi ve görselleştirmeler yapılmıştır.
• Veri ön işleme adımları (eksik değer analizi, kategorik değişken dönüştürmeleri, ölçekleme vb.) gerçekleştirilmiştir.
• Birden fazla model eğitilmiş ve performansları karşılaştırılmıştır.
• En iyi sonuç veren model hiperparametre ayarlaması ile optimize edilmiştir.

---

📊 Kullanılan Algoritmalar

• Lojistik Regresyon
• Karar Ağaçları (Decision Tree)
• KNN (K-Nearest Neighbors)
• SVM (Support Vector Machine)

Bonus olarak ayrıca:

• k-Means ile gözetimsiz öğrenme uygulanmıştır. (isteğe bağlı)
• Proje Streamlit ile deploy edilmiştir. (isteğe bağlı)

---

📈 Metrikler ve Yorumlar

Seçilen modelin değerlendirilmesinde şu metrikler kullanılmıştır:

Sınıflandırma:

• Doğruluk (Accuracy)
• Kesinlik (Precision)
• Duyarlılık (Recall)
• F1 Skoru
• Karışıklık Matrisi

Regresyon ise:

• Ortalama Mutlak Hata (MAE)
• Ortalama Kare Hata (MSE)
• R-Kare (R²)

Modelin elde ettiği doğruluk oranı: [%.xx]
Model çıktıları ve bu çıktılara dair analizler notebook dosyasında markdown hücreleri ile açıklanmıştır.

---

🖥️ Ekler

• Streamlit ile arayüz geliştirildi ve model deploy edildi.
• GPU destekli kütüphaneler ile (cuML, RAPIDS, vb.) eğitim tekrarlanarak hız karşılaştırması yapıldı.

---

🎯 Sonuç ve Gelecek Çalışmalar

Bu proje ile gözetimli öğrenme süreçleri uçtan uca deneyimlenmiştir. Gelecekte:

• Daha büyük ve dinamik veri kaynaklarıyla çalışılabilir,
• Modelin başarımı artırmak için ensemble yöntemler (Random Forest, XGBoost) denenebilir,
• Model bir REST API ile entegre edilerek farklı uygulamalarda kullanılabilir,
• Proje mobil uygulama arayüzü ile sunulabilir.

---

🔗 Kaggle Notebook Linkleri

• 📌 Supervised Öğrenme Notebook (Kaggle)