YeniYolculuk
Python ile Makine Öğrenmesi Öğren
Ücretsiz, uygulamalı bir makine öğrenmesi kursu. Gerçek scikit-learn kodu yaz, modelleri gerçek veri setleriyle eğit ve grafiklerinin Grafikler sekmesinde belirişini adım adım izle.
1,000+ codders kayıtlı
233 ders231 görev965 quiz sorusu
- Başlangıç dostu
Yapay zeka destekli kodlama yardımı
Uygulamalı interaktif dersler
Her derste sesli anlatım
Bilgini sınamak için testler
Ücretsiz tamamlama sertifikası
Tarayıcında bir model eğit
Gerçek scikit-learn kodu ve gerçek çıktısı. Kaydırıcıyı sürükleyerek bir satırı değiştir ve modelin ne öğrendiğini gör.
Küçük k her eğitim noktasını ezberler ve tırtıklı bir sınır çizer. Daha büyük k sınırı yumuşatır.
main.py
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = make_moons(n_samples=200, noise=0.3, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
k = 5
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"train accuracy: {model.score(X_train, y_train):.2f}")
print(f"test accuracy: {model.score(X_test, y_test):.2f}")
xx, yy = np.meshgrid(np.linspace(-2, 3, 56), np.linspace(-1.5, 2, 40))
proba = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
proba = proba.reshape(xx.shape)
plt.figure(figsize=(5, 4))
plt.pcolormesh(xx, yy, proba, cmap="coolwarm", alpha=0.35)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,
cmap="coolwarm", edgecolors="k")
plt.title(f"k-nearest neighbors, k = {k}")
plt.show()
Grafikler yükleniyor
Çıktı
Müfredat
Bölüm 1
Veriler ve GrafiklerÖzel sayfa
Bölüme başlaBaşlaGenişletDaraltHer makine öğrenimi projesinin başladığı araç seti: NumPy dizileri, matplotlib grafikleri ve pandas tabloları. Gerçek veri kümelerini yükleyin, özetleyin ve bulgularınızı grafiklerle gösterin.Giriş
4 ders320NumPy Dizileri
5 ders520Dizi Matematiği
6 ders625Verileri Şekillendirme
4 ders415Çizgi ve Dağılım Grafikleri
6 ders625Veriler için Grafikler
5 ders520pandas DataFrame’leri
6 ders625Filtreleme ve Sıralama
5 ders520Gruplama ve Temizleme
5 ders520DataFrame'leri Görselleştirme
5 ders520ML için Veri Kümeleri
5 ders520Son Görevler
4 ders420Bölüm 2
Makine Öğrenimi için İstatistikÖzel sayfa
Bölüme başlaBaşlaGenişletDaraltHer modelin ardındaki istatistikler: merkezî eğilim ve yayılım, dağılımlar, simülasyonla olasılık, örneklemler, aykırı değerler, korelasyon, eğilim çizgileri ve grup testleri; ardından özellikleri ölçeklendirme ve kodlama. Her kavram gerçek veriler üzerinde hesaplanır ve grafiklerle gösterilir.Merkez ve Yayılım
6 ders625Dağılımlar
6 ders625Simülasyonla Olasılık
6 ders625Örneklemler ve Anakütleler
5 ders520Aykırı Değerler
5 ders520İlişkiler
6 ders525Eğilim Doğruları
6 ders625Grupları Karşılaştırma
6 ders625Özellik Ölçekleme
5 ders520Kategorileri Kodlama
4 ders415Bir Veri Kümesini Keşfetmek
5 ders520Son Görevler
4 ders420Bölüm 3
Denetimli ÖğrenmeÖzel sayfa
Bölüme başlaBaşlaGenişletDaraltscikit-learn ile gerçek modeller eğitin: veriyi bölün, modeli eğitin, tahmin yapın ve performansı ölçün. k-NN, doğrusal ve lojistik regresyon, karar ağaçları, rastgele ormanlar ve boosting; çapraz doğrulamayla güvenilir değerlendirme ve pipeline'lar; son olarak uçtan uca bir penguen projesi.İlk Modeliniz
5 ders520En Yakın Komşular
5 ders520Doğrusal Regresyon
5 ders520Lojistik Regresyon
5 ders520Sınıflandırıcıları Değerlendirme
6 ders625Karar Ağaçları
5 ders520Aşırı Öğrenme
5 ders520Çapraz Doğrulama
4 ders415Topluluklar
4 ders415İşlem Hatları
5 ders520Proje: Penguen Türleri
5 ders525Son Zorluklar
4 ders420Bölüm 4
Denetimsiz ÖğrenmeÖzel sayfa
Bölüme başlaBaşlaGenişletDaraltEtiketler olmadan verilerdeki yapıyı keşfedin: k-means, hiyerarşik kümeleme ve yoğunluk tabanlı kümeleme; çok sayıda özelliği görselleştirmek ve sıkıştırmak için PCA; ayrıca anomali tespiti. Bölüm, rakamları keşfetmeye yönelik bir projeyle sona erer.Grupları Bulma
5 ders520k Sayısını Seçme
5 ders520Kümeleri Yorumlama
5 ders520Hiyerarşik Kümeleme
4 ders415Yoğunluk Tabanlı Kümeleme
4 ders415Daha Az Boyut
5 ders520Uygulamada PCA
5 ders520Anomali Tespiti
5 ders520Kümeler İş Başında
4 ders415Proje: Rakam Kaşifi
5 ders525Son Görevler
4 ders420
Neler elde edersin
Kod yazmayı öğrenmek için kullanacağın her şey
Yaparak Öğren
Gerçek kod yazın, veritabanlarını sorgulayın, web siteleri oluşturun ve AI promptlarını öğrenin. İnteraktif derslerimiz modern geliştiricilerin ihtiyaç duyduğu tüm becerileri kapsar.
playground.js
Kod Editörü
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3 return greeting + " " + name
4}
5
Test #1
Test #2
Test #3
Girdi
"Alex"
Çıktı
"Hello, Coddy! Alex"
Serinizi Oluşturun
Tutarlı olun ve ilerlemenizin büyümesini izleyin! Günlük kodlama alışkanlığınızı takip edin, dondurma günleriyle serinizi koruyun ve her gün geldiğiniz için ödüller kazanın.
12 gün seri
Serinizi korumak için yarın geri dönün!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Ya Hep Ya Hiç
7 günün 5. günü
Seri Dondurma
2 left
Yalnız Değilsiniz
Küresel sıralamalarda yarışın, ödüller kazanmak için arkadaşlarınızı davet edin ve birbirinizin başarılarını kutlayın. Kodlama arkadaşlarla daha iyi!
Challenger Ligiİlk 7 yükselir
1
Alex7+ Days
2840
2
Jordan7+ Days
2650
3
Sam7+ Days
2420
4
Casey
2180
5
Morgan7+ Days
1950
Yükselme bölgesiHer şekilde öğren
Okuyun, dinleyin, kendinizi sınayın, AI'ya sorun veya daha önce öğrendiklerinize geri bakın. Her ders size uyum sağlar.
Değişkenlere Giriş
Ses
Değişken, programınızda daha sonra başvurabileceğiniz bir değeri saklayan adlandırılmış bir kaptır.
Python'da bir tane oluşturmak için önce adı, sonra eşittir işaretini, sonra saklamak istediğiniz değeri yazın.
Değer zamanla değişebilir - yeniden atama, adı yeni bir değere yönlendirir.
1xSarah
Sertifika Kazanın
Tamamladığınız her kurs için sertifika kazanın. LinkedIn profilinize ve özgeçmişinize ekleyerek işverenlere programlama uzmanlığınızı gösterin.
Tamamlama SertifikasıBu belge şunu onaylar:Ahmet Yılmazbaşarıyla tamamlamıştır
Python Temelleri
Python Temelleri
TarihOca 2026
LinkedIn'e EkleNeden Coddy ile makine öğrenmesi öğrenmelisin
- Önce görürsün, sonra okursun. Her ders bir grafik ya da diyagramla açılır: iris çiçeklerinin saçılım grafiği, bir karar sınırı, bir dendrogram. Sonra kodu yazarsın ve kendi grafiğin hemen yanında, Grafikler sekmesinde belirir.
- Gerçek Python, gerçek kütüphaneler.
numpy,pandas,matplotlib,scipyvescikit-learnCoddy'de veri bilimcilerin kullandığı sürümlerle çalışır; yani burada yazdığınmodel.fit(X_train, y_train), işte yazacağınmodel.fit(X_train, y_train)ile aynıdır. Kurulacak bir şey yok, ayarlanacak bir notebook yok. - İşin akışıyla aynı sırada dört bölüm: veri ve grafikler, makine öğrenmesi için istatistik, denetimli öğrenme, ardından denetimsiz öğrenme. 233 kısa ders; her birinde yeni bir fikir ve onu kullanan bir görev var.
- Hikâyesi olan gerçek veri setleri: iris çiçekleri, şarap kimyası, el yazısı rakamlar, Palmer penguenleri. İki proje bitirirsin, bir penguen türü sınıflandırıcısı ve bir rakam kaşifi; her grafiğin başlığı ve etiketleri de bir rapora konabilecek kadar düzgündür.
Makine öğrenmesi öğrenmek hakkında sık sorulan sorular
Makine öğrenmesi nedir?
Makine öğrenmesi, bilgisayara kurallarla değil örneklerle öğretmektir. Bir modele çok sayıda veri satırı gösterirsin, örneğin taç yaprağı ölçüleri ve türleriyle çiçekler, o da hiç görmediği satırlarda kullanabileceği bir örüntü öğrenir. Satırlar cevaplarıyla gelirse bu denetimli öğrenmedir; cevap yoksa ve model grupları kendisi bulursa bu denetimsiz öğrenmedir. Bu kurs ikisini de öğretir.
Makine öğrenmesi için matematikte iyi olmam gerekir mi?
Hayır. Okul aritmetiği ve bir grafiği okuyacak sabır yeterli. Kurs, makine öğrenmesinin kullandığı istatistiği (ortalamalar, yayılım, dağılımlar, korelasyon, p-değerleri) simülasyonlar ve görsellerle öğretir; ağır matematiği senin yerine scikit-learn yapar. Kalkülüs ve lineer cebir, ileride yeni algoritmalar geliştirmek istersen işe yarar, ama modelleri eğitmek, test etmek ve anlamak için gerekmez.
Önce Python bilmem gerekir mi?
Temellerini, evet: değişkenler,
if, döngüler, fonksiyonlar ve listeler. Bu, Python kursunun Temeller bölümü; günde bir saatle birkaç hafta. Sonrasındaki her şey, import, NumPy, pandas, matplotlib ve scikit-learn, burada ilk satırdan öğretilir.Hangi Python kütüphanelerini öğreneceğim?
Standart makine öğrenmesi araç seti: diziler için NumPy, tablolar için pandas, grafikler için matplotlib, istatistik için SciPy ve modeller için scikit-learn (k-en yakın komşu, doğrusal ve lojistik regresyon, karar ağaçları, rastgele ormanlar, gradient boosting, k-means, DBSCAN, PCA ve dahası). Coddy'de güncel sürümlerle çalışırlar; burada yazdığın kod kendi bilgisayarında da aynen çalışır.
GPU'ya ya da güçlü bir bilgisayara ihtiyacım var mı?
Hayır. Kodun Coddy'nin sunucularında çalışır ve grafikler tarayıcına geri gelir; bir dizüstü, bir Chromebook ya da bir tablet yeterli. scikit-learn ile klasik makine öğrenmesi zaten sıradan bir işlemcide rahatça çalışır; GPU büyük sinir ağlarını eğitmek için önemlidir ve bu kurs onları kapsamıyor.
Bu kurstan sonra ne geliştirebilirim?
Bir tablodan gerçek sorulara cevap veren modeller: bu e-posta spam mı, hangi müşteriler ayrılmaya yakın, bu penguen hangi türden, yarın kaç bisiklet kiralanacak, hangi alışveriş grupları var, hangi sunucu ölçümleri tuhaf görünüyor. Ayrıca onları test setleri, çapraz doğrulama, karışıklık matrisleri ve ROC eğrileriyle dürüstçe değerlendirmeyi öğrenirsin; bir modeli güvenilir kılan da budur.
Makine öğrenmesi öğrenmek ne kadar sürer?
Bu kurs 4 bölümde 233 ders: kendi hızında yaklaşık 40 saat ya da günde yarım saatle iki üç ay. Veri bilimi yolu onu Python ve SQL'in arkasına yerleştirir. Sonrasında en hızlı gelişmenin yolu, ilgini çeken açık bir veri seti alıp kurstaki proje akışını onun üzerinde tekrarlamaktır.
Bu makine öğrenmesi kursu ücretsiz mi?
Evet. Dersler, grafikler, yapay zeka ipuçları ve sertifikalar ücretsiz. Ücretsiz bir hesapla günde birkaç ders ilerleyebilirsin, Pro ise günlük sınırı kaldırır.
