tag EDA
Keşifsel Veri Analizi (EDA) (EDA)
Bu sayfada EDA (Keşifsel Veri Analizi (EDA) (EDA)) etiketi ile işaretlenmiş 3 yapay zeka kavramını bulabilirsiniz.
Keşifsel Veri Analizi (Exploratory Data Analysis, EDA), ham veriden anlam çıkarmanın ilk ve en kritik adımıdır. John Tukey'in 1977'de kaleme aldığı aynı adlı eseriyle sistematik bir disiplin hâline gelen EDA, veri bilimcilerin bir veri kümesini modellemeden veya hipotez testine sokmadan önce derinlemesine incelediği keşifsel süreçtir. EDA'nın temel amacı şu soruları yanıtlamaktır: Veri nasıl dağılmış? Hangi değişkenler birbiriyle ilişkili? Aykırı değerler (outlier) var mı ve bunlar gerçek mi yoksa veri giriş hatası mı? Eksik değerler (missing values) hangi örüntüde oluşmuş? Hangi özellikler hedef değişkeni en çok etkiliyor? Bu soruları yanıtlamak için EDA iki temel yöntem sınıfına başvurur. Nicel yöntemler arasında merkezi eğilim ölçüleri (ortalama, medyan, mod), yayılım ölçüleri (standart sapma, varyans, çeyrekler arası aralık), çarpıklık ve basıklık katsayıları yer alır. Nitel/görsel yöntemler ise histogram, kutu grafiği (box plot), yoğunluk grafiği, dağılım matrisi (pair plot) ve korelasyon ısı haritası gibi araçlarla veriyi sezgisel biçimde anlaşılır kılar. Modern veri bilimi ekosisteminde EDA, Python'da Pandas, NumPy, Matplotlib, Seaborn ve Plotly kütüphaneleriyle; R'de ggplot2 ve dplyr ile yürütülür. Pandas Profiling ve ydata-profiling gibi otomatik EDA araçları tek bir komutla kapsamlı raporlar üretir. AutoEDA yaklaşımları büyük veri kümelerinde zaman tasarrufu sağlasa da deneyimli bir veri bilimcinin yorumunun yerini alamaz. EDA, özellik mühendisliği (feature engineering), veri temizleme ve model seçimi kararları üzerinde doğrudan etkilidir. Kötü anlaşılmış veriyle kurulan modeller ne kadar sofistike olursa olsun güvenilmez sonuçlar üretir; bu nedenle EDA 'çöp girer, çöp çıkar' ilkesinin pratikte uygulandığı kalkan katmanıdır.
Chip Design Nedir? Entegre Devre Tasarım Süreci (Çip Tasarımı)
Chip tasarimi (chip design), bir yariiletken entegre devrenin islevsel gereksinimlerinden baslayarak fiziksel silikon katmanina kadar tum tasarim asamalarini kapsayan, son derece karmasik ve disiplinlerarasi bir muhendislik alanidur. Modern bir cip milyarlarca transistor icerdiginde bu tasarimi manuellle gerceklestirmek imkansizdir; Electronic Design Automation (EDA) araclari bu sureci yurutebilir kilan yazilim katmanini olusturur. Tasarim akisi birden fazla abstraksiyon katmanindan gecer. En ust duzeyinde mimari tasarim, ipin ne yapacagini tanimlar. Register-Transfer Level (RTL) asamasinda Verilog veya VHDL gibi donanim tanimlama dilleriyle mantiksal devreler kodlanir. Sentez asamasinda bu RTL kodu, belirli bir teknoloji kutuphanesi ve performans kisitlamalariyla standart hucrelere (standart cells) donusturulur. Place-and-route (yerlesim ve yonlendirme) asamasinda sentezlenmis devre elemanlari fiziksel olarak cipse yerlestirilir ve metal katmanlarla birlestirilir. Fiziksel dogrulama (DRC, LVS) tasarimin imalat kurallarina uygun olup olmadigini kontrol eder. Son olarak GDSII dosyasi foundry'ye gonderilir. AI'in chip tasarımına entegrasyonu son yillarda hizlanmistir. Google'in 2021 yilında Nature dergisinde yayinlanan makalesi, pekistirmeli ogrenme kullanan bir sistemin GPU cip yerlesim gorevini uzman insanlarla rekabet edecek duzeyde gerceklestirebildigini gostermistir. Synopsys ve Cadence gibi EDA sirketleri AI destekli optimizasyon araclari piyasaya surmustir. Generatif AI'in RTL kod uretimi ve dogrulama test ornekleri olusturma konularinda da deneyler yapilmaktadir. Fabless model, tasarim ve uretimi birbirinden ayirmistir. Qualcomm, NVIDIA, AMD ve Apple gibi fabless sirketler ciplerini tasarlarken uretimi TSMC, Samsung Foundry ve Intel Foundry gibi fab sirketlerine birakmaktadir. Bu is bolumu, tasarim inovasyonunun uretim altyapisina yatirim yapilmadan gerceklestirilebilmesine olanak tanımistir. **Sik Sorulan Sorular** **Chip tasarimi ogrenmeye nereden baslarim?** Verilog veya VHDL dilleriyle baslayip gercek donanim geri bildirim dongusu icin FPGA kullanmak yaygın bir giris yoludur. Cocotb ile Python tabanli dogrulama ve acik kaynak OpenROAD EDA araclari ogrenmek icin pratik seçeneklerdir. **AI chip tasarımında insanlarin yerini alacak mi?** Kisa vadede hayir. AI belirli tasarim alt gorevlerini (placement, parametre optimizasyonu) hizlandirirken mimari karar verme ve gereksinim analizi hala insan uzmanligi gerektirmektedir. **FPGA ile ASIC arasindaki fark nedir?** FPGA, saha programlanabilir bir donanımdir; tasarim degistirilebilir. ASIC (Application-Specific Integrated Circuit) belirli bir uygulama icin ozel uretilmis, degistirilemez bir cipttir; daha yuksek performans ve dusuk guc tuketimi saglar ama tasarim maliyeti ve suresi cok daha yuksektir. **Cip tasarim sureci ne kadar surer?** Basit bir cip aylar alirken karmasik bir SoC (System-on-Chip) 3-5 yil alabilir. Dogrulama, genellikle RTL kodlama ile birlikteyken toplam surecin yuzde ellisinden fazlasini kaplar.
Veri Görselleştirme (Data Visualization) Nedir? (Veri Görselleştirme)
Veri gorsellestirme (data visualization), ham veya islenmis veriyi grafik, harita, panel, animasyon veya infografik gibi gorsel bicimlere donusturme disiplin ve pratikleri butunudur. Insanin gorsel isleme kapasitesi, tablolarla sunulan binlerce veri noktasinin anlasilmasindan cok daha hizli sekilde gorsel kaliplari tanir; bu temel bilissel gercek, veri gorsellestirmeyi analitik sureclerin vazgecilmez bir parcasi yapar. Dogru gorsel secimi mesajin netligini belirler. Kategoriler arasinda karsilastirma yapiliyorsa cubuk grafik anlasilirdir; zaman serisi verisi icin cizgi grafik egilimi daha iyi aktarir; iki degisken arasindaki iliskiyi gostermek icin scatter plot kullanilir; heatmap coklu degisken bilesenlerinin matris biciminde sunumunda idealdir. Pasta grafik kategorilerin toplama oranini gosterir; ancak bes ustu kategoride gormek zor oldugundan dikkatli kullanilmalidir. Edward Tufte, veri gorsellestirme disiplininin en etkili teorisyenlerinden biridir. "Data-ink ratio" (veri-murekkep orani) ilkesi, bir graftaki her grafisel unsurun anlam tasimasi gerektigini ve gorseli karmasiklastiran chartjunk unsurlarin azaltilmasini savunur. Bu ilke minimalist ve aciklamali gorsel tasarim anlayisinin temelini olusturur. Araç ekosistemi genis ve farklilasiktir. Tableau ve Microsoft Power BI is zekasi panolarinda surukle-birak arayuzleriyle hazirlanmis; yonetici raporlari ve KPI panolari icin yaygin tercihtir. D3.js, JavaScript ile guclu ve tamamen ozellestirilebilir interaktif web gorsellestirmeler olusturmak icin referans kutuphanedir. Python ekosisteminde Matplotlib temel gorsel katmanini olusturmakta, Seaborn istatistiksel gorseller icin daha yuksek seviye bir API sunmakta, Plotly ve Vega-Altair ise interaktif gorseller icin tercih edilmektedir. Yaniltici gorsel kurulmasi konusu onemlidir. Kesilmis y ekseni kucuk degisiklikleri buyuk gosterebildigi icin yaniltici olabilir; alan veya kabarcik grafiklerinde yanlis olcekleme algiyi bozar; belirli renk secimi belirli gruplari stigmatize edebilir. Veri okuryazarligi, bu yanlimlari tanima ve elemek etrafında da seklinde insa edilir. **Sik Sorulan Sorular** **Hangisi once gelir: veri analizi mi yoksa gorsellestirme mi?** Ikisi dongusel bir surecte yer alir. Kesfedici veri analizinde gorsellestirme, analizden once kullanilir (kalip arama); aciklayici gorsellestirme ise analiz sonuclarini aktarmak icin kullanilir. Her iki amac farkli gorsel tasarim secimlerine yonlendirir. **Tableau mu Power BI mi secmeliyim?** Tableau gorsel analitik derinligi ve esnekligiyle one cikar; Power BI Microsoft 365 ekosistemiyle entegrasyonu ve ucret avantajiyla tercih edilir. Bircok organizasyon hali hazirda Microsoft ekosistemine sahipse Power BI daha pratik baslangic noktasidir. **Python ile interaktif gorsel nasil yapilir?** Plotly Express veya Vega-Altair hizli ve etkilesimli gorseller icin onerilen seceneklerdir. Daha karmasik interaktif panolar icin Dash (Plotly) veya Streamlit kullanilabilir. **Renk secimi neden bu kadar onemli?** Renk koru bireylerin en yaygin bozuklugu mavi-yesil karisikligidur; kirmizi-yesil kombinasyonu ozellikle sorunludur. ColorBrewer ve Viridis gibi renk paletleri bu kisitlama dikkate alinarak tasarlanmistir.
Keşifsel Veri Analizi (EDA) (EDA)
Keşifsel Veri Analizi (Exploratory Data Analysis, EDA), ham veriden anlam çıkarmanın ilk ve en kritik adımıdır. John Tukey'in 1977'de kaleme aldığı aynı adlı eseriyle sistematik bir disiplin hâline gelen EDA, veri bilimcilerin bir veri kümesini modellemeden veya hipotez testine sokmadan önce derinlemesine incelediği keşifsel süreçtir. EDA'nın temel amacı şu soruları yanıtlamaktır: Veri nasıl dağılmış? Hangi değişkenler birbiriyle ilişkili? Aykırı değerler (outlier) var mı ve bunlar gerçek mi yoksa veri giriş hatası mı? Eksik değerler (missing values) hangi örüntüde oluşmuş? Hangi özellikler hedef değişkeni en çok etkiliyor? Bu soruları yanıtlamak için EDA iki temel yöntem sınıfına başvurur. Nicel yöntemler arasında merkezi eğilim ölçüleri (ortalama, medyan, mod), yayılım ölçüleri (standart sapma, varyans, çeyrekler arası aralık), çarpıklık ve basıklık katsayıları yer alır. Nitel/görsel yöntemler ise histogram, kutu grafiği (box plot), yoğunluk grafiği, dağılım matrisi (pair plot) ve korelasyon ısı haritası gibi araçlarla veriyi sezgisel biçimde anlaşılır kılar. Modern veri bilimi ekosisteminde EDA, Python'da Pandas, NumPy, Matplotlib, Seaborn ve Plotly kütüphaneleriyle; R'de ggplot2 ve dplyr ile yürütülür. Pandas Profiling ve ydata-profiling gibi otomatik EDA araçları tek bir komutla kapsamlı raporlar üretir. AutoEDA yaklaşımları büyük veri kümelerinde zaman tasarrufu sağlasa da deneyimli bir veri bilimcinin yorumunun yerini alamaz. EDA, özellik mühendisliği (feature engineering), veri temizleme ve model seçimi kararları üzerinde doğrudan etkilidir. Kötü anlaşılmış veriyle kurulan modeller ne kadar sofistike olursa olsun güvenilmez sonuçlar üretir; bu nedenle EDA 'çöp girer, çöp çıkar' ilkesinin pratikte uygulandığı kalkan katmanıdır.