Python’da AI modelleri nasıl entegre edilir?

Python’da AI Modelleri Entegrasyonu: Bir Veri Bilimcinin Not Defterinden

Kahvemi yudumlarken, bir veri setine baktığım o anı hatırlıyorum: “Bu karmaşık veriden anlamlı sonuçlar çıkarmak haftalar alacak” diye düşünmüştüm. Sonra Python ve AI kütüphaneleri imdadıma yetişti. İşte sahadan gerçek deneyimlerle, adım adım AI entegrasyon rehberi:

1. “Hazır Modellerle Hızlı Başlangıç”

Senaryo: Müşteri yorumlarından duygu analizi yapmanız gerekiyor.

from transformers import pipeline

# Hazır modeli 1 satırda yükle
duygu_analiz = pipeline("sentiment-analysis", model="savasy/bert-base-turkish-sentiment-cased")

# Test edelim
sonuc = duygu_analiz("Ürün hızlı geldi ama kutu hasarlıydı")
print(sonuc)  # [{'label': 'NEGATIVE', 'score': 0.89}]

Pro Tip: transformers kütüphanesindeki pipeline fonksiyonu, sizi model mimarisiyle uğraştırmadan direk sonuca götürür.

2. “Kendi Verinizle Özel Model Eğitmek”

Gerçek Hikaye: Bir e-ticaret sitesi için ürün kategorizasyon modeli yazmıştım.

from sklearn.ensemble import RandomForestClassifier
import pandas as pd

# Veriyi yükle
data = pd.read_csv("urun_verileri.csv")
X = data[["agirlik", "fiyat", "renk_kodu"]]
y = data["kategori"]

# Modeli kur ve eğit
model = RandomForestClassifier()
model.fit(X, y)

# Tahmin yap
yeni_urun = [[1.2, 299, 45]]
print(model.predict(yeni_urun))  # ['elektronik']

Düştüğüm Hata: Başta veriyi normalize etmeyi unutmuştum, modelin doğruluğu %40’ta kalmıştı! StandardScaler ekleyince %92’ye fırladı.

3. “Bilgisayar Görüsü için OpenCV + TensorFlow”

Komik Anı: Stajyer, ofis kedisinin fotoğraflarını “tehlikeli hayvan” diye sınıflandıran bir model eğitmişti 😅

import cv2
import tensorflow as tf

# Önceden eğitilmiş model
model = tf.keras.applications.MobileNetV2()

# Görüntüyü işle
img = cv2.imread("kedi.jpg")
img = cv2.resize(img, (224, 224))  # Modelin beklediği boyut
img = tf.keras.applications.mobilenet_v2.preprocess_input(img)

# Tahmin
tahmin = model.predict(img[np.newaxis, ...])
print(tf.keras.applications.mobilenet_v2.decode_predictions(tahmin))

Çıktı: [('n02124075', 'Egyptian_cat', 0.871)] → “Kedi”yi doğru tanıdı!

4. “PyTorch ile Derin Öğrenme”

Unutamadığım Bug: GPU kullanırken to(device) yazmayı unutup 6 saat beklediğim gün…

import torch
import torch.nn as nn

# Basit sinir ağı
class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc = nn.Linear(10, 2)  # 10 giriş, 2 çıkış

    def forward(self, x):
        return self.fc(x)

# Model + GPU
model = Net()
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)  # BU SATIR HAYATİ!

# Test verisi
x = torch.randn(3, 10).to(device)  # Veriyi de GPU'ya taşı
print(model(x))

5. “API Olarak Dağıtmak (Flask)”

Başıma Gelen: Sunucuya requirements.txt yüklemeyi unutunca 3 saat debug yapmıştım!

from flask import Flask, request, jsonify
import joblib

app = Flask(__name__)
model = joblib.load("model.pkl")  # Kayıtlı model

@app.route("/tahmin", methods=["POST"])
def tahmin():
    veri = request.json["veri"]
    sonuc = model.predict([veri])
    return jsonify({"tahmin": str(sonuc[0])})

if __name__ == "__main__":
    app.run(host="0.0.0.0", port=5000)

Test:

curl -X POST http://localhost:5000/tahmin -H "Content-Type: application/json" -d '{"veri": [1, 2, 3]}'

Şimdi Size Altın Kuralları Veriyorum:

1. Veri Ön İşleme: Modeliniz ne kadar iyi olursa olsun, çöp veri girdiyseniz çöp sonuç alırsınız.
2. GPU Kullanımı: torch.cuda.is_available() ile kontrol etmeden eğitime başlamayın.
3. Model Kaydetme: joblib veya torch.save kullanarak eğittiğiniz modelleri saklayın.
4. Versiyon Kontrolü: pip freeze > requirements.txt yapmayı unutmayın yoksa başka makinede çalışmaz!

Bonus:

• Hata Ayıklama: Modeliniz kötü performans gösteriyorsa, küçük bir veri parçasıyla (batch_size=1) overfit yapmayı deneyin. Eğer yapamıyorsa, model mimarinizde sorun var demektir!