Data Analytics

Veri analitiği; yararlı bilgiler keşfetmek, sonuçlara ulaşmak ve karar alma süreçlerini desteklemek amacıyla verileri inceleme, temizleme, dönüştürme ve modelleme sürecidir. Yapay zekâ ve makine öğrenimi bağlamında veri analitiği, ham ve yapılandırılmamış verileri model performansını iyileştirebilecek eyleme dönüştürülebilir içgörülere dönüştüren temel adımdır. Uygulayıcılar, istatistiksel analiz ve mantıksal teknikler uygulayarak karmaşık algoritmaları eğitmeden önce bir veri kümesindeki eğilimleri, örüntüleri ve anormallikleri belirleyebilir. Bu uygulama, veri ön işleme ve özellik mühendisliği gibi görevler için kritik öneme sahiptir ve AI modellerine aktarılan girdilerin yüksek kaliteli ve ilgili 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 sınıfların dağılımını, olası yanlılıkları veya açıklamaların kalitesini anlamasına yardımcı olur. Örneğin, keşifsel veri analizi (EDA) teknikleri, geliştiricilerin bir algılama veri kümesindeki nesne kategorilerinin sıklığını görselleştirmesine olanak tanır. Bir sınıf yeterince temsil edilmiyorsa model, sınıf dengesizliği yaşayabilir ve bu da genelleme performansının zayıflamasına yol açabilir.

Bunun yanı sıra, eğitim sonrası analitik model performansını değerlendirmek için gereklidir. Basit doğruluk metriklerinin ötesinde, analitik araçları bir modelin tam olarak hangi noktalarda başarısız olduğunu belirlemek için hata matrislerini ve kesinlik-duyarlılık eğrilerini ayrıntılı olarak inceler. Bu geri bildirim döngüsü, MLOps yaşam döngüsünün ayrılmaz bir parçasıdır ve hem veri kalitesinde hem de model mimarisinde yinelemeli iyileştirmelere rehberlik eder.

Gerçek Dünya Uygulamaları#

Veri analitiği, AI modellerinin çıktılarını yorumlayarak çeşitli sektörlerde karar alma süreçlerini destekler.

• Perakende ve Envanter Yönetimi: Perakende ortamlarında bilgisayarlı görü modelleri raflardaki stok seviyelerini algılar. Analitik sistemleri, satın alma eğilimlerini tahmin etmek, envanter yönetimini optimize etmek ve stoklar azaldığında otomatik ikmal siparişlerini tetiklemek için bu algılama verilerini zaman içinde toplar. Bu uygulama, geçmiş algılama sayılarına dayanarak gelecekteki talebi öngörmek için zaman serisi analizine dayanır.
• Trafik Akışının Optimizasyonu: Akıllı şehirler, kavşaklardaki araç akışını izlemek için nesne algılama teknolojisini kullanır. Analitik platformları, trafik kameralarından gelen gerçek zamanlı verileri işleyerek tıkanıklık metriklerini hesaplar, trafik ışıklarının zamanlamasını dinamik olarak ayarlar ve bekleme sürelerini azaltır. Şehir planlamacıları, tahmine dayalı modelleme kullanarak yol kapanmalarının veya yeni inşaat projelerinin kentsel hareketlilik üzerindeki etkisini de simüle edebilir.

Ultralytics YOLO ile Analitik#

ultralytics paketi, doğrulama kümelerinde model performansını değerlendirmek için yerleşik analitik özellikler sunar. Aşağıdaki örnek; bir modelin nasıl yükleneceğini, doğrulamanın nasıl çalıştırılacağını ve nesne algılama için standart bir analitik metrik olan ortalama kesinlik (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}")

İlişkili Terimleri Ayırt Etme#

• Veri Madenciliği: Genellikle birbirinin yerine kullanılsa da veri madenciliği, makine öğrenimi ve istatistiksel yöntemleri kullanarak büyük veri kümelerindeki örüntüleri ve ilişkileri otomatik olarak keşfetmeye odaklanır. Analitik, madenciliği kapsayan daha geniş bir uygulamadır; ayrıca bu bulguların paydaşlar tarafından yorumlanmasını ve iletilmesini de içerir.
• Veri Görselleştirme: Bilgi ve verilerin grafiksel olarak temsil edilmesidir. Görselleştirme, karmaşık sonuçları grafikler, ısı haritaları ve diyagramlar kullanarak erişilebilir hâle getirmek için veri analitiği içinde kullanılan özel bir araçtır. Örneğin Ultralytics Explorer aracı, kullanıcıların veri kümelerini görsel olarak sorgulamasına ve anlamasına yardımcı olmak için görselleştirmeden yararlanır.
• İş Zekâsı (BI): BI öncelikle betimleyicidir ve iş stratejisini şekillendirmek için geçmişte "ne oldu" sorusuna odaklanır. Veri analitiği çoğu zaman ileriye dönük içgörüler sunmak için gelişmiş AI algoritmalarından yararlanarak tahmine dayalı (ne olacak) ve kuralcı (ne yapmalıyız) alanlara da uzanır.

Araçlar ve Teknolojiler#

Etkili veri analitiği, güçlü araçlardan oluşan bir teknoloji yığınına dayanır. Pandas gibi Python kütüphaneleri veri işleme için standart olarak kullanılırken NumPy, tensörleri ve dizileri işlemek için gerekli sayısal hesaplamaları gerçekleştirir. Analitiği büyük veriye ölçeklendirmek için Apache Spark gibi çerçeveler dağıtık işlemeye olanak tanır. Bilgisayarlı görü alanında Ultralytics Platform, veri kümesi istatistiklerini görselleştirmek, veri açıklamasını yönetmek ve kapsamlı bir kod altyapısı olmadan eğitim çalışmalarını analiz etmek için merkezi bir merkez sunar.