Kodluyoruz olarak, ülkemizi yapay zeka alanına hazırlamak üzere bu yıl Ankara ve İstanbul’da tam 5 bootcamp hayata geçirdik, 150 genci geleceğin veri bilimcileri olmaları için hazırladık. Bu bootcamp’ler iki aşamalıydı: 1) Makine Öğrenmesi için Python, 2) Uygulamalı Veri Bilimi ve Makine Öğrenmesi. Eğittiğimiz gençler bootcamp boyunca öğrendiklerini uygulamaya dökmek için projeler yaptılar. Sizler için bu yazıda yapılan projelerin sosyal etki odaklı olanlarını derledik. Amacımız, veri bilimi, Python, ve makine öğrenmesine giriş yapmak isteyen herkesin gerçek hayatta neler yapabileceklerini görüp ilham almaları.
Bu yazının hazırlanma sürecindeki desteklerinden dolayı ekip arkadaşlarım Hilal ve Tolga’ya çok teşekkürler. Ayrıca, tabiiki, projeleri gerçekleştiren mezunlarımıza tebrikler; ülkemizin ve dünyanın sizlere çok ihtiyacı var!
Proje 1: Mülteci ve Sığınmacıların Özel İhtiyaçlarının Analizi
Proje Sahipleri:
Selin Ustaoğlu ve Zeliha Bektaş (2019 Ankara Python for Machine Learning Bootcamp)
Proje:
Projenin motivasyonu, göçmen veya mültecilerin nasıl bir yardıma ihtiyacı olduklarının doğru tespit edilmesi ve insan doğasından kaynaklanacak hataların önüne geçilmesi. Bu doğrultuda doğru kişilere doğru yardımların yapılmasını sağlayacak model geliştirildi.
Veri setininde ana örneklem olarak “Risk Altındaki Çocuk” değişkeni seçildi. Bu örneklem üzerine kurulan model ile her 100 yardım kararının 86’sı doğru tespit edildi. Bu, %86’lık bir başarı oranı demek. Ayrıca projede NIST yani ihtiyaç kodlarından yararlanıldı. Bu kodlar sayesinde evrensel tanımlamalar ve ihtiyaçların belirlenmesi sağlandı.
Proje 2: Yapay Zeka ile Meme Kanseri Tanısı
Proje Sahibi:
Tahir Koray Yozgatlı (2019 İstanbul Python for Machine Learning Bootcamp)
Problem tanımı:
Meme kanseri kadınlarda en sık görülen kanser. 2018 yılında 2 milyon yeni vaka görülmüş durumda. ABD’de her 8 kadından 1’i hayatının bir noktasında meme kanseri tanısını almakta. Ancak, tarama ve erken tanı ile kanserin tamamen tedavi edilebilmesi çoğu olguda mümkün. Radyolojik görüntüleme ile erken tanı başarısı elde edebilmek için, bu projede iyi huylu kitleleri (başka organlara yayılmayan) kötü huylu kitlelerden ayırmada yapay zekadan faydalanılmıştır.
Proje Sonucu:
Görüntülemeden elde edilen 30 adet farklı özellik kullanılarak kitleler benign ve malign olarak sınıflandırılmaya çalışıldı. Toplamda 569 örnek kullanılarak bir model geliştirildi. Oluşturulan model yapay zeka ile meme kanseri tespitinde kullanılabilecek.
Proje 3: Gelir Grubu Tahminleri ve Türkiye’nin Büyüme Projeksiyonu
Proje Sahibi:
Mert Alabaş (2019 İstanbul Machine Learning Bootcamp)
Problem tanımı:
Proje, Dünya Bankası kalkınma göstergelerinden oluşan veri kümesini içermektedir. Bu veri kümesi, içerisinde yıllara, ülkelere ve bölgelere göre birçok farklı başlıkta kalkınma göstergelerini barındırır. Projede 2012 yılı verileri kullanılarak ülkelerin gelir gruplarının tahmin edilmesi amaçlanmıştır.
Tahmin modelinde ülkelerin kişi başına düşen geliri, enflasyon oranı, ihracat oranı, ithalat oranı, nüfus büyüme oranı, tarım katma değer, sanayi katma değer, imalat katma değer ve gelir grubu değişkenleri kullanılmıştır. Gelir grubu kategorik bir değişken olduğu için lojistik regresyon modeli kullanılmıştır.
Proje Sonucu:
Bu kapsamda veri seti içerisinde enflasyon, nüfus, sanayi, tarim, elektrik tüketim, ihracat, ithalat ve işsizlik değişkenleri kullanılarak büyüme tahmin edilmiş ve kullanılan model sayesinde %77 başarı oranı yakalanmıştır.
Projenin sonucunda aşağıdaki görselde görüldüğü üzere değişkenlerde yaşanacak bir birimlik artışa karşılık büyümedeki değişim gözlenebilir.
Örneğin, İşsizlik üzerinde yaşanan bir birimlik artış büyümeyi -1,66 azaltacaktır.
Proje 4: Sentinel-2 Görüntüsü ve Çok Yüksek Çözünürlüklü Sayısal Yükseklik Modeli Kullanılarak Heyelan Duyarlılık Haritasının Oluşturulması
Proje Sahipleri:
Recep Can, Enes Tatlı, Nefise Uysal (2019 Ankara Python for Machine Learning Bootcamp)
Proje üzerine Recep Can ve değerli öğretim üyeleri Sultan Kocaman ve Candan Gökçeoğlu’nun yazdığı makale bu linkte.
Proje Özeti:
AFAD verileri incelendiğinde, heyelan gerçeğinin Türkiye için göz ardı edilemeyecek bir problem olduğu görülecektir. Projenin amacı bilinen ve gerçekleşmiş heyelanları referans alarak heyelanların ait olduğu bölgenin tamamı için heyelan duyarlılığını tespit edebilmektir.
Bu probleme getirilen çözüm interdisipliner bir çözüm olduğundan ötürü Hacettepe Üniversitesi’nde görev alan uzmanların yardımları ve veri destekleri ile bu çalışma hayata geçirilebilmiştir. Model, yüksek çözünürlüklü uydu görüntüsü, sayısal arazi modeli, bu modelden türetilen çeşitli parametreler, ve ilgili bölgeye ait gerçekleşmiş heyelan envanterini kullanmıştır. Sonuçta, heyelan olduğu bilinen bölgenin tamamı için, lojistik regresyon ile heyelan duyarlılık haritası üretilmiştir.
Burada önemli bir husus, modelin, heyelan olduğu bilinen bölgeye hiç gitmeden ve birebir temas ederek ölçüm almadan başarıyla tahmin sağlamasıdır. Sonuçta, 100 Km2’lik bir alanda, yalnızca uzaktan algılanmış görüntüler ve bu görüntülerden türetilmiş veriler kullanılarak, o bölgenin tamamı için hangi kısım heyelana ne kadar duyarlı sorusu %85’in üzerinde bir doğruluk ile cevaplanmıştır.
Bu proje sayesinde, bir kentsel dönüşüm projesinde, karar alınacak bölgenin heyelana ne kadar duyarlı olduğu kolaylıkla tespit edilebilir.
Proje 5: Twitter Üzerinde Küresel Isınmayla ilgili Duygu Analizinin Yapılması
Proje Sahipleri:
Meltem Keniş, Orçun Sağırsoy (2019 Ankara Python for Machine Learning Bootcamp)
Motivasyonumuz:
Projenin temel motivasyonu, insanların küresel ısınma ile ilgili düşüncelerinin yıllara göre değişiminin tespit ve analizinin yapılması ve zaman içinde kişilerde bilinç artışı sağlanıp sağlanmadığının tespit edilmesidir.
Çözüm:
Twitter’da atılan küresel ısınma ile ilgili tweetlerin duygu analizinin yapılarak kullanıcıların bu konu hakkındaki duyarlılığının son 5 yıl içerisinde arttığı tespit edildi. Böylece küresel ısınma her geçen gün bir şehir efsanesi olmaktan çıkmış, ve tweet atan kişilerin hayatlarında gerçek bir sorun olarak yer bulmuştur.
Proje 6: Kan Bağışı Tahmini
Proje Sahibi:
Elif Nur Kahraman (2019 İstanbul Machine Learning Bootcamp)
Problem tanımı:
Proje, Kaggle üzerinde yayınlanan Predicting Blood Analysis veri setiyle bir donörün, Kan Transfüzyon Servis Merkezi’nin kampüsüne bir sonraki gelişinde kan verip vermeyeceğini tahmin etmeyi amaçlamıştır. Bu projedenin sağladığı öngörüler sayesinde, kan bağışının artırılması amaçlanmıştır.
Elde Edilen Sonuç:
Projede kullanılan çeşitli algoritmaların başarı yüzdeleri aşağıdaki gibidir:
| Logistic Regression | %75 |
| XGBoots | %72,41 |
| Random Forest | %71,55 |