Data Analytics

Veri analitiği; yararlı bilgileri keşfetmek, sonuçları bildirmek ve karar vermeyi desteklemek amacıyla verileri inceleme, temizleme, dönüştürme ve modelleme sürecidir. Yapay zeka ve makine öğrenimi bağlamında veri analitiği, ham ve yapılandırılmamış verileri model performansını artırabilecek eyleme dönüştürülebilir içgörülere dönüştüren temel adım olarak hizmet eder. Uygulayıcılar, istatistiksel analiz ve mantıksal teknikler uygulayarak karmaşık algoritmaları eğitmeden önce bir veri kümesindeki eğilimleri, örüntüleri ve anormallikleri belirleyebilir. Bu uygulama, data preprocessing ve öznitelik mühendisliği gibi görevler için çok önemlidir ve yapay zeka modellerine beslenen girdilerin yüksek kalitede ve ilgililikte olmasını sağlar.

Makine Öğreniminde Analitiğin Rolü#

Veri analitiği, ham veri toplama ile akıllı sistemlerin dağıtımı arasında bir köprü görevi görür. YOLO26 gibi bir model eğitilmeden önce analitik; mühendislerin sınıf dağılımını, önyargıların varlığını veya etiketleme kalitesini anlamasına yardımcı olur. Örneğin, exploratory data analysis (EDA) teknikleri, geliştiricilerin bir tespit veri kümesindeki nesne kategorilerinin sıklığını görselleştirmesine olanak tanır. Bir sınıf yeterince temsil edilmiyorsa model class imbalance sorunu yaşayabilir ve bu da zayıf genellemeye yol açabilir.

Ayrıca eğitim sonrası analitik, model performansını değerlendirmek için esastır. Basit doğruluk metriklerinin ötesinde analitik araçları, bir modelin tam olarak nerede başarısız olduğunu belirlemek için confusion matrices ve hassasiyet-duyarlılık eğrilerini inceler. Bu geri bildirim döngüsü, hem veri kalitesinde hem de model mimarisinde yinelemeli iyileştirmelere rehberlik eden MLOps lifecycle için ayrılmaz bir paröadır.

Gerçek Dünya Uygulamaları#

Veri analitiği, AI modellerinin çıktılarını yorumlayarak çeşitli endüstrilerde karar alma süreçlerini güçlendirir.

• Perakende ve Envanter Yönetimi: Perakende ortamlarında bilgisayarlı görü modelleri raflardaki stok seviyelerini tespit eder. Analitik sistemler, satın alma trendlerini tahmin etmek, inventory management optimize etmek ve malzemeler azaldığında otomatik yeniden stoklama siparişlerini tetiklemek için bu tespit verilerini zaman içinde toplar. Bu uygulama, geçmiş tespit sayılarına dayanarak gelecekteki talebi tahmin etmek için time series analysis kullanır.
• Trafik Akışı Optimizasyonu: Akıllı şehirler, kavşaklardaki araç akışını izlemek için object detection kullanır. Analitik platformlar, sıkışıklık metriklerini hesaplamak, trafik ışığı zamanlamasını dinamik olarak ayarlamak ve bekleme sürelerini azaltmak için trafik kameralarından gelen gerçek zamanlı verileri işler. Şehir planlamacıları, predictive modeling kullanarak yol kapatmalarının veya yeni inşaat projelerinin kentsel hareketlilik üzerindeki etkisini de simüle edebilir.

Ultralytics YOLO ile Analitik#

ultralytics paketi, doğrulama setlerinde model performansını değerlendirmek için yerleşik analitik yetenekler sağlar. Aşağıdaki örnek, bir modelin nasıl yükleneceğini, doğrulamanın nasıl çalıştırılacağını ve nesne tespiti için standart bir analitik metrik olan mean Average Precision (mAP) gibi temel metriklerin nasıl çıkarılacağını göstermektedir.

from ultralytics import YOLO

# Load the YOLO26n model
model = YOLO("yolo26n.pt")

# Validate the model on the COCO8 dataset
# This process generates analytics like mAP50-95 and confusion matrices
metrics = model.val(data="coco8.yaml")

# Access specific analytic metrics
print(f"mAP50-95: {metrics.box.map}")
print(f"Precision: {metrics.box.mp}")

İlgili Terimlerin Ayrıştırılması#

• Data Mining: Genellikle birbirinin yerine kullanılsa da veri madenciliği, makine öğrenimi ve istatistiksel yöntemler kullanarak büyük veri kümelerindeki örüntülerin ve ilişkilerin otomatize edilmiş keşfine özellikle odaklanır. Analitik, madenciliği kapsayan ancak aynı zamanda bu bulguların paydaşlara yorumlanmasını ve iletilmesini de içeren daha geniş bir uygulamadır.
• Data Visualization: Bu, bilgi ve verilerin grafiksel temsilidir. Görselleştirme, grafikler, ısı haritaları ve şemalar kullanarak karmaşık sonuçları erişilebilir kılmak için veri analitiği içinde kullanılan belirli bir araçtır. Örneğin Ultralytics Explorer aracı, kullanıcıların veri kümelerini görsel olarak sorgulamasına ve anlamasına yardımcı olmak için görselleştirmeden yararlanır.
• Business Intelligence (BI): BI öncelikle tancimsaldır; iş stratejisini bilgilendirmek için geçmişte "ne olduğunu" odaklanır. Veri analitiği genellikle ileri düzey AI algorithms yararlanarak geleceğe dönük içgörüler sağlamak amacıyla öngörücü (ne olacak) ve yönlendirici (ne yapmalıyız) alanlara uzanır.

Araçlar ve Teknolojiler#

Etkili veri analitiği, güçlü bir araç yığınından oluşur. Pandas gibi Python kütüphaneleri veri manipülasyonu için standartken, NumPy tensörleri ve dizileri işlemek için gerekli sayısal hesaplamaları yönetir. Analitiği big data ölçeklendirmek için Apache Spark gibi çerçeveler dağıtık işlemeye izin verir. Bilgisayarlı görü alanında Ultralytics Platform; kapsamlı kod altyapısı olmadan veri kümesi istatistiklerini görselleştirmek, data annotation yönetmek ve eğitim süreçlerini analiz etmek için merkezi bir merkez sunar.