Veri Biliminde PCA

PCA (Principal Component Analysis), veri bilimiyle uğraşanların-uğraşmak isteyenlerin mutlaka bilmesi gereken matematiksel metotlardan oluşuyor. İçinde meşhur SVD (Singular Value Decomposition) da var. Oldukça faydalı bir blog. Diğer konulara da bakmanızı tavsiye ederim. 

https://peterbloem.nl/blog/pca?s=09 

Kosinüs Teoremi-Harika Görsel İspat

Idan Tal (@MagicPi2) tweetledi, 10:49 ÖÖ on Cmt, Ağu 06, 2022:
Law of cosines
#mtbos #iteachmath #math #Maths https://t.co/uqmCb6sIZL
(https://twitter.com/MagicPi2/status/1555823444977221633?t=9N7oK9e5Wuhqx2g1NPSlZw&s=03) 

Cambridge Mathematics'in Espressoları

İki ayda bir, matematikte bir konunun eğitimiyle ilgili yazılar ve okuma önerileri. 

https://www.cambridgemaths.org/espresso/?s=09 

Yaratıcı Problem Bulma Stratejileri

 Proje yapmak isteyen öğrenciler ve öğretmenler için en zor aşama: Problem Bulma süreci. Genelde çok orijinal bir problem bulmaya çalışırız ve internet üzerinde yaptığımız kısa bir araştırma sonucunda, düşündüğümüz  konuda yığınla çalışma olduğunu görünce hevesimiz kırılır. Oysa bugün her konuda milyonlarca kişinin araştırma yaptığı bir dünyada, hiç "dokunulmamış" bir konu bulmak, hiç "sorulmamış" bir soru sormak ne kadar zor... O halde problem bulmanın, başka türlü bir süreç olması gerektiği düşünülebilir. M.E.B'in Uzman Öğretmenlik Eğitim Programı Semineri'nde yer alan "Yaratıcı Problem Bulma/Çözme ve Etkili Arama Stratejileri" isimli videoda, bu konuda bazı stratejiler õneriliyor. Bunlar:

- Temel ihtiyaçların araştırılması,

- Kısıtlı sınırları olan bir problem alanı tanımlamak,

- Probleme kısıtlı olarak farklı bakış açıları uygulamak,

-Sorgulamayı, bir problemin bağlamına ve paydaşlarına doğru genişletmek.

Makine Öğrenmesi İçin Matematik Analiz (Calculus for Machine Learning)

 Daha önce, "Makine Öğrenmesi İçin Çok Güzel Bir Hareket Noktası" isimli gönderide paylaştığım www.machinelearningmastery.com sitesi, aynı zamanda çok faydalı mini kurslar da içeriyor. Bunlardan biri de, "7 günlük Calculus for Machine Learning" isimli kurs. 7 bölümden oluşan kursta Türev, İntegral, Gradyent, Jacobian, Geriyayılım, Optimizasyon, Destek Vektörleri kavramlarına yer verilmiş. Bunlar makine öğrenmesi ve derin öğrenme eğitimlerinde kullanılan matematik kavramları olduğu için, bu eğitimlere başlamadan õnce hatırlanmaları gerektiği düşünülmüş ki, çok doğru. 

Her bölümde,ilgili kavramın matematiksel tanımlaması yapıldıktan sonra, makine öğrenmesinde kullanımına yönelik birer Python kodu paylaşılmış. Çok faydalı olduğunu düşündüğüm kursa buradan ulaşabilirsiniz.

Veri Bilimi İçin R (R for Data Science)

 R, ücretsiz ve öğrenmesi kolay bir istatistiksel programlama dili. Bu zamana kadar, araştırmalarda kullanılan istatistik programları, hem pahalı (tabii lisanslı-yasal kullanıldığında), hem de öğrenmesi bir hayli zordu. Burada tanıtımını yapacağım kitap, Hadley Wickham ve Garrett Grolemund tarafından yazılan "Veri Bilimi İçin R" (R for Data Science) ismini taşıyor. Kitabın çeviri editörleri İsmail Bekar, Nurbahar Usta ve Bilgecan Şen. Ancak bu kitabın çevrilmesi, bir gönüllülük projesi ve pek çok kişi katkı vermiş. Kitabın çevirisi bir internet sayfasında (bağlantıyı yazının sonunda paylaştım) yer alıyor. Kitap, Veri Keşfi, Veri Cambazlığı, Programlama, Model ve İletişim olmak üzere 5 bölümden oluşuyor. Kitaba buradan ulaşabilirsiniz.

Veri Analizi İçin Python

 Python öğrenmek neredeyse bir mecburiyet haline geldi. Veri analizi de bilimsel çalışmanın olmazsa olmazı. Siz de benim gibi video izleyerek değil, kitaptan okuyarak çalışmayı tercih ediyorsanız, Wes McKinney tarafından yazılan "Veri Analizi İçin Python" (Python for Data Analysis) kitabının üçüncü baskısı tam size göre olabilir. Numpy, Pandas gibi kütüphanelerin kullanımí ile veri analizine oldukça ayrıntılı bir giriş yapılan kitapta, kod örnekleri de var. Buradan ulaşabilirsiniz.