Data Analytics

Veri analitiği; yararlı bilgileri keşfetmek, sonuçları bilgilendirmek ve karar alma süreçlerini 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 adımdır. İstatistiksel analiz ve mantıksal teknikler uygulayarak, karmaşık algoritmaları eğitmeden önce bir veri kümesindeki eğilimleri, desenleri ve anormallikleri tanımlayabilirsin. Bu uygulama, veri ön işleme ve öznitelik mühendisliği gibi görevler için çok önemlidir ve AI modellerine beslenen girdilerin yüksek kalitede ve uygun olmasını sağlar.

Link to this sectionMakine 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 sınıfların dağılımını, yanlılıkların varlığını veya açıklama kalitesini anlamalarına yardımcı olur. Örneğin, keşifsel veri analizi (EDA) teknikleri, geliştiricilerin bir tespit veri kümesindeki nesne kategorilerinin frekansını görselleştirmelerini sağlar. Eğer bir sınıf yeterince temsil edilmemişse, model sınıf dengesizliği sorunu yaşayabilir ve bu da zayıf genellemeye yol açabilir.

Dahası, eğitim sonrası analitikler model performansını değerlendirmek için gereklidir. Basit doğruluk metriklerinin ötesinde analitik araçları, modelin tam olarak nerede hata yaptığını belirlemek için karmaşıklık matrislerini ve hassasiyet-duyarlılık eğrilerini inceler. Bu geri bildirim döngüsü, MLOps yaşam döngüsünün ayrılmaz bir parçasıdır ve hem veri kalitesi hem de model mimarisindeki yinelemeli iyileştirmelere rehberlik eder.

Link to this sectionGerçek 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 sistemleri, satın alma eğilimlerini tahmin etmek, envanter yönetimini optimize etmek ve stoklar azaldığında otomatik yeniden stoklama siparişlerini tetiklemek için bu tespit verilerini zaman içinde toplar. Bu uygulama, geçmiş tespit sayılarına dayanarak gelecekteki talebi tahmin etmek için zaman serisi analizine dayanır.
• Trafik Akışı Optimizasyonu: Akıllı şehirler, kavşaklardaki araç akışını izlemek için nesne tespiti kullanır. Analitik platformları, trafik kameralarından gelen gerçek zamanlı verileri işleyerek tıkanıklık metriklerini hesaplar, trafik ışığı sürelerini dinamik olarak ayarlar ve bekleme sürelerini azaltır. Tahminleyici modelleme kullanarak şehir planlamacıları ayrıca yol kapanmalarının veya yeni inşaat projelerinin kentsel hareketlilik üzerindeki etkisini simüle edebilir.

Link to this sectionUltralytics YOLO ile Analitik#

ultralytics paketi, doğrulama kümeleri üzerindeki 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 ortalama Hassasiyet (mAP) gibi temel metriklerin nasıl çıkarılacağını gösterir.

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}")

Link to this sectionİlgili Terimlerin Ayrıştırılması#

• Veri Madenciliği: Genellikle birbirinin yerine kullanılsa da veri madenciliği, makine öğrenimi ve istatistiksel yöntemler kullanarak büyük veri kümelerindeki desenlerin ve ilişkilerin otomatik olarak keşfedilmesine odaklanır. Analitik, madenciliği kapsayan ancak aynı zamanda bu bulguların yorumlanmasını ve paydaşlara iletilmesini de içeren daha geniş bir uygulamadır.
• Veri Görselleştirme: Bilgi ve verilerin grafiksel temsilidir. Görselleştirme, karmaşık sonuçları grafikler, ısı haritaları ve şemalar kullanarak erişilebilir kılmak için veri analitiği içinde kullanılan özel bir araçtır. Örneğin, Ultralytics Explorer aracı, kullanıcıların veri kümelerini görsel olarak sorgulamalarına ve anlamalarına yardımcı olmak için görselleştirmeden yararlanır.
• İş Zekası (BI): BI öncelikli olarak betimleyicidir ve iş stratejisini bilgilendirmek için geçmişte "ne olduğunu" odak noktasına alır. Veri analitiği genellikle ileriye dönük içgörüler sağlamak amacıyla gelişmiş AI algoritmalarından yararlanarak tahminleyici (ne olacak) ve kuralcı (ne yapmalıyız) alanlara uzanır.

Link to this sectionAraçlar ve Teknolojiler#

Etkili veri analitiği, güçlü bir araç yığınına dayanır. Pandas gibi Python kütüphaneleri veri manipülasyonu için standarttır, NumPy ise tensörleri ve dizileri işlemek için gerekli sayısal hesaplamaları yönetir. Analitiği büyük veriye ölçeklendirmek için Apache Spark gibi çerçeveler dağıtık işlemeye olanak tanır. Bilgisayarlı görü alanında Ultralytics Platform, veri kümesi istatistiklerini görselleştirmek, veri etiketlemeyi yönetmek ve kapsamlı kod altyapısı olmadan eğitim çalışmalarını analiz etmek için merkezi bir merkez sunar.