Data Mining

Veri madenciliği, anlamlı kalıplar ve trendler elde etmek için büyük bilgi bloklarını keşfetme ve analiz etme sürecidir. İstatistik, makine öğrenimi (ML) ve veritabanı sistemlerinin kesişim noktasında yer alır ve "Veritabanlarında Bilgi Keşfi" (KDD) boru hattında kritik bir adım olarak hizmet eder. Devasa miktardaki ham girdiyi elekten geçiren veri madenciliği, yapılandırılmamış gürültüyü, işletmelerin ve araştırmacıların bilinçli kararlar almak için kullandığı yapılandırılmış, eyleme dönüştürülebilir içgörülere dönüştürür.

Modern yapay zeka (AI) bağlamında veri madenciliği, genellikle tahcitsel modellemenin habercisidir. Bir algoritma geleceği tahmin etmeden önce geçmişi anlamalıdır. Örneğin, bilgisayarlı görü (CV) alanında madencilik teknikleri, belirli bir nesne sınıfını tanımlayan kenarlar, dokular veya şekiller gibi ortak özellikleri belirlemek için binlerce görüntüyü analiz edebilir ve sağlam veri kümeleri eğitmek için temel oluşturabilir.

Veri Madenciliğinde Temel Teknikler#

Veri madenciliği, verilerdeki gizli ilişkileri ortaya çıkarmak için çeşitli gelişmiş metodolojilere dayanır. Bu teknikler, analistlerin basit veri özetlemenin ötesine geçerek derinlemesine keşif yapmalarına olanak tanır.

• Sınıflandırma: Bu, veri öğelerini önceden tanımlanmış gruplara veya sınıflara ayırmayı içerir. Görüntü yapay zekasında bu, geçmiş etiketli örnekler temelinde bir "araba" ile "yaya"yı ayırt etmek üzere bir model eğitme sürecini yansıtır.
• Kümeleme Analizi: Sınıflandırmanın aksine kümeleme, veri noktalarını önceden tanımlanmış etiketler olmaksızın benzerliklere göre gruplandırır. Bu, bir algoritmanın müşteri satın alma davranışlarını veya benzer görüntü dokularını otomatik olarak gruplandırabileceği denetimsiz öğrenme için esastır. Kümeleme yöntemleri hakkında daha fazla bilgiyi Scikit-learn belgelerinde okuyabilirsin.
• Anomali Tespiti: Bu teknik, normdan önemli ölçüde sapan veri noktalarını belirler. Finansta sahtekarlığı tespit etmek veya bir üretim hattında üretim kusurlarını bulmak için çok önemlidir.
• Birlik Kuralı Öğrenimi: Bu yöntem, bir veritabanındaki değişkenler arasındaki ilişkileri ortaya çıkarır. Klasik bir örnek, perakendecilerin ekmek alan müşterilerin büyük ihtimalle tereyağı da alacağını belirlemek için kullandığı pazar sepeti analizi dir.
• Regresyon Analizi: Diğer değişkenlere dayalı olarak sürekli bir sayısal değeri tahmin etmek için kullanılan regresyon, satış trendlerini tahmin etmek veya derinlik kestirimi görevlerinde bir nesnenin mesafesini hesaplamak için hayati önem taşır.

Gerçek Dünya Uygulamaları#

Veri madenciliğinin faydası hemen hemen her sektöre yayılır; çıplak gözle görülmeyen kalıpları ortaya çıkararak verimliliği ve inovasyonu artırır.

Üretim ve Kalite Kontrol#

Akıllı üretimde, makinelerden gelen sensör verilerini analiz etmek için veri madenciliği kullanılır. Kestirimci bakım algoritmaları uygulanarak fabrikalar, ekipman arızalarını gerçekleşmeden önce tahmin edebilir. Dahası, YOLO26 gibi bilgisayarlı görü modelleri, tekrarlayan kusur türlerini belirlemek için madenciliğe tabi tutulan çıkarım günlükleri üretebilir ve mühendislerin atıkları azaltmak için üretim süreçlerini ayarlamasına yardımcı olabilir.

Sağlık Hizmetleri Tanılaması#

Veri madenciliği, elektronik sağlık kayıtlarını ve tıbbi görüntülemeyi analiz ederek sağlık hizmetlerini dönüştürür. Araştırmacılar, belirli gen dizileri ile hastalıklar arasındaki ilişkiyi bulmak için genomik verileri madenciliğe tabi tutar. Radyolojide, X ışınlarının büyük veri kümelerini madenciliğe tabi tutmak, zatürree veya tümör gibi durumların erken belirtilerinin tanımlanmasına yardımcı olur ve bu da tıbbi görüntü analizi süreçlerine katkıda bulunur.

İlgili Terimlerin Ayrıştırılması#

Veri madenciliğini tam olarak anlamak için onu veri bilimi dünyasındaki yakından ilişkili kavramlardan ayırmak faydalıdır.

• Veri Madenciliği ile Makine Öğrenimi Karşılaştırması: Örtüştükleri noktalar olsa da veri madenciliği mevcut kalıpları keşfetmeye odaklanırken, makine öğrenimi bu kalıpları kullanarak öğrenmeye ve gelecekteki sonuçları tahmin etmeye odaklanır. Madencilik genellikle ML modelleri için özellik mühendisliğini bilgilendiren keşif aşamasıdır.
• Veri Madenciliği ile Veri Görselleştirme Karşılaştırması: Görselleştirme, verilerin grafiksel temsilidir (çizelgeler, grafikler). Madencilik ise görselleştirilecek içgörüleri üreten analitik süreçtir. Tableau gibi araçlar genellikle veri madenciliği sonuçlarını görselleştirir.
• Veri Madenciliği ile Veri Ambarı Karşılaştırması: Veri ambarı, birden çok kaynaktan gelen büyük hacimli verilerin merkezi olarak depolanmasını ve yönetilmesini içerir. Madencilik ise değer elde etmek için söz konusu ambarlanmış veriler üzerinde gerçekleştirilen süreçtir.

Ultralytics ile Veri Madenciliği Uygulaması#

Bir bilgisayarlı görü iş akışında "madencilik" genellikle yüksek değerli tespitleri veya zorlu uç durumları bulmak için çıkarım sonuçları analiz edilirken gerçekleşir. Bu süreç, veri kümelerini yönetmeye ve analiz etmeye yardımcı olan Ultralytics Platform kullanılarak kolaylaştırılır.

Aşağıdaki örnek, bir YOLO26 model kullanarak belirli yüksek güvenilirlikli tespitleri bulmak için bir görüntü koleksiyonunda nasıl "madencilik" yapılacağını gösterir. Bu, ilgili olaylar için devasa veri akışlarını filtreleme sürecini taklit eder.

from ultralytics import YOLO

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

# List of image paths (simulating a dataset)
image_files = ["image1.jpg", "image2.jpg", "image3.jpg"]

# Run inference on the batch
results = model(image_files)

# 'Mine' the results for high-confidence 'person' detections (class 0)
high_conf_people = []
for result in results:
    # Filter boxes where class is 0 (person) and confidence > 0.8
    detections = result.boxes[(result.boxes.cls == 0) & (result.boxes.conf > 0.8)]
    if len(detections) > 0:
        high_conf_people.append(result.path)

print(f"Found high-confidence people in: {high_conf_people}")

Bu kod parçacığı temel bir madencilik operasyonunu göstermektedir: Ham tahminlerin filtrelenmesi ve model performansını daha da artırmak için aktif öğrenme amacıyla kullanılabilecek, yüksek kesinlikle tanımlanan insanları içeren görüntülerden oluşan bir alt kümenin çıkarılması.