Python ile İstatistiksel Öğrenmeye Giriş
(statlearning.com)- Veri toplama ölçeğinin giderek büyüdüğü bir ortamda An Introduction to Statistical Learning, veriyi anlamak için pratik bir başlangıç aracı olarak istatistiksel öğrenmeyi ele alıyor
- Karmaşık matematikten çok daha geniş kapsamlı ve daha az teknik açıklamalara odaklanarak, modern veri analizi araçlarını öğrenmek isteyen okurları hedefliyor
- R sürümü 2013’te 1. baskı ve 2021’de 2. baskı ile devam etti; Python edition (ISLP) ise 2023’te yayımlandı
- Her baskı, bölüm sonundaki uygulama laboratuvarları aracılığıyla o bölümün kavramlarını R veya Python koduyla ilişkilendiriyor
- PDF indirme ve satın alma bağlantıları sunuluyor; böylece yeni başlayanlar R 1. baskı, R 2. baskı ve Python sürümü arasından ihtiyaç duydukları kaynağı seçebiliyor
İstatistiksel öğrenme giriş kitabının odağı
- An Introduction to Statistical Learning, hemen her alanda veri toplamanın ölçeği ve kapsamı büyümeye devam ederken bu durumu temel alıyor
- İstatistiksel öğrenme, veriyi anlamak isteyenler için gerekli bir araç seti olarak ele alınıyor
- Temel konuları geniş biçimde ele alırken teknik zorluk düzeyini düşük tutarak, modern veri analizi araçlarını kullanmak isteyen okurlar için erişilebilir kalıyor
Baskılar, uygulamalar ve kaynaklar
- Baskılar R ve Python odaklı olarak ayrılıyor
- ISLR 1. baskı R sürümü olarak 2013’te yayımlandı
- ISLR 2. baskı 2021’de yayımlandı
- ISLP, Python sürümü olarak 2023’te yayımlandı
- ISLR; Çince, İtalyanca, Japonca, Korece, Moğolca, Rusça ve Vietnamcaya çevrildi
- Her bölümün sonunda, o bölümdeki kavramları R veya Python ile gösteren laboratuvarlar yer alıyor
- Bölümlerde ele alınan konular şunlardır
- İstatistiksel öğrenme nedir
- Regresyon
- Sınıflandırma
- Yeniden örnekleme yöntemleri
- Doğrusal model seçimi ve düzenlileştirme
- Doğrusallığın ötesine geçen yöntemler
- Ağaç tabanlı yöntemler
- Destek vektör makineleri
- Derin öğrenme
- Sağkalım analizi
- Gözetimsiz öğrenme
- Çoklu test
- PDF kaynakları şu bağlantılardan sunuluyor
1 yorum
Hacker News görüşleri
Konudan biraz sapıyor ama beğeni sayısı ile yorum sayısı oranı ilginç
ChatGPT ile ilgili yazılarda genelde yüzlerce yorum olurken, burada şu ana kadar 100 beğeniye karşılık yalnızca 7 yorum var
Kitap iyi görünüyor ve yazarlara bakınca neredeyse kesin iyi olduğunu düşünüyorum, muhtemelen satın alacağım; ama bu oran sanki ‘ML/AI/veri bilimi’nin şu anki durumunu gösteriyor. Yapay zeka çılgınlığıyla ilgilenen birçok kişinin temel kavramlarla pek haşır neşir olmadığını ve arkasındaki matematik/istatistiği derinlemesine anlamadığını düşündüren alaycı bir his veriyor
Gerçi ben de bu bağlantı konusuna anlamlı bir yorum yapmış sayılmam
https://github.com/melling/ISLR
Yazarların hazırladığı bir edX dersi de var: https://www.edx.org/course/statistical-learning
Böyle kitaplar makine öğrenmesi/yapay zekaya başlamak için temel önemde ve bu kitap özellikle çok iyi. Ben de makine öğrenmesine bununla başladım
Yapay zekada ciddi bir aşırı ısınma var ve dot-com balonuna benzeyecek gibi duruyor. Crypto’dan farklı olarak yapay zekanın zaten gerçek kullanım alanları var; buna LLM ürünlerini dışarıda bıraksanız bile dahil. Yine de abartı ve umut yüklü beklenti çok fazla, bu yüzden balon patladığında çok kişi zarar görecek. Buna rağmen kısa vadede gerçekten para kazanan insanlar çıkmaya devam edecek ve benim tanıdığım bu aşırı heyecanı körükleyen kişiler de bunun gayet farkında
Yine de yapay zeka kalıcı olacak ve balon patladıktan sonra bile etrafta gerçek yapay zeka kullanımları varlığını sürdürecek
Bu hissi anlıyorum ama birçok makine öğrenmesi kullanımında doğrudan model kurmaktansa ChatGPT API çağrısı yapmak 100 kat daha iyi bir yaklaşım olabiliyor; bu yüzden matematiği anlamaya gerçekten hiç gerek olmayabilir
Örneğin bir yapay zeka beslenme hesaplama uygulaması yapıyorum ve ChatGPT function calling kullanıyorum. Yemek emojisi gibi alanlar eklendiğinde, her türlü yiyecek uygun emojiyle otomatik sınıflandırılıyor. Böyle bir şey yapmak için gradyan inişini ya da temel özellikleri hiç bilmeye gerek yok
Bu birkaç yıldır böyle ve çoğu iş ortamında kötü etki yaratıyor. Beklentileri yönetmek zorunda olan veri bilimcilerine hiç özenmiyorum
HN’de neredeyse tamamen abartı var, bilim ise pek yok. Güçlü bir özgüven var ama zayıf bir gerekçelendirme. Makaleler keyifle alıntılanıyor ama sadece özetleri okunup asıl nüans kaçırılıyor. Hele sınırlamaları belirtmenin reddedilme riskini artırdığı alanlarda bu daha da belirgin; hakemler de o kısmı aynen kopyalayıp sonra emeğe teşekkür ederek geçebiliyor
Akademi biraz daha iyi ama genel olarak matematik temeli zayıf araştırmacı çok. En üst düzey üniversite ve araştırma kurumlarında bile likelihood ile probability arasındaki farkı bilmeyen insanlarla tanıştım. Probability density’yi anlamayanlar da var; hatta diffusion model üzerinde çalışanlar arasında bile. Yine de en öne çıkan araştırmacılar genelde bu yetkinliklere sahip oluyor. Ama onlar makaleleri o kadar hızlı çıkarmıyor ve çalışmaları daha az popüler olabiliyor
Şu anda çok sayıda araştırma parametre ayarlama ve hesaplama kaynağı yükleme etrafında dönüyor. Ayarlamanın gerekli olduğunu kabul ediyorum ama bunun yüksek düzeyde yenilik olmadığını ve diğer model/mimariler aynı düzeyde ayarlanmadan daha iyi olduğunu kanıtlamanın zor olduğunu dürüstçe söylemek gerek. Bu eğilim başka tür araştırmaların önünde engel oluşturuyor; ben de bu konuda biraz ses çıkarmaya çalıştım
Özetle bu oldukça isabetli. Makine öğrenmesi/yapay zekada, özellikle de HN’de, inanılmaz miktarda gürültü var
Ek olarak Richard McElreath’in Statistical Rethinking’ini (https://xcelab.net/rm/statistical-rethinking/) tavsiye ederim. ISLR’ye göre daha keyifli okunuyor ve Bayesyen istatistiğe de giriş yapıyor (dersler YouTube’da da var). Gelman’ın Regression and Other Stories’ini de (https://avehtari.github.io/ROS-Examples/) tavsiye ederim
Bu kitap, aslında R ile hazırlanmış çok popüler bir ders kitabının güncellenmiş sürümü. Hastie ve Tibshirani hocalar, istatistiksel öğrenme alanının önde gelen eğitimcileri arasında
Stanford Online’da da bu notları takip eden video dersler var. Klasik makine öğrenmesinin kuramsal yönlerini öğrenmek isteyenlere güçlü şekilde öneririm
Tüm kitabı yasal olarak buradan indirebilirsiniz [pdf]: https://hastie.su.domains/ISLP/ISLP_website.pdf
ISL, klasik makine öğrenmesi yöntemlerini ele alan en iyi giriş ders kitaplarından biri. Teori odaklı ama istatistik, lineer cebir ve kodlama konusunda temel bilgisi olan geniş bir öğrenci kitlesi için yeterince erişilebilir
Örneklerin sadece R ile verilmesi, Python ile ders anlatırken rahatsız ediciydi. Keşke şimdi bunu bir Jupyter notebook serisine dönüştürüp Colab gibi yerler üzerinden dağıtsalar
Bazıları buna “klasik” makine öğrenmesi diyebilir ama bana göre bu tür az parametreli yöntemler birçok durumda çok kullanışlı ve RNN’lerden çok daha kolay yorumlanabiliyor
lab zero’nun iki sürümünü karşılaştırmayı düşünmüştüm
Python alıştırmalarına sadece birkaç dakika göz attım ama hatırladığım R alıştırmalarına kıyasla çok daha karmaşık ve uzun göründü
HN’de R’nin zor ve kafa karıştırıcı olduğuna dair sık sık şikayetler görüyorum ama yeni başlayanların ya da istatistik eğilimli kişilerin istatistiksel çalışmalara başlaması için R’nin daha kolay bir dil olduğunu düşünüyorum
Her dilin hedeflediği kitleye bakınca bu şaşırtıcı değil. Bence ikisini de benimsemek ve eldeki işe hangisi daha uygunsa onu kullanmak en iyisi
Kişisel olarak Bishop’un Pattern Recognition and Machine Learning’ini ya da Murphy’nin Probabilistic Machine Learning: An Introduction kitabını daha çok tercih ediyorum
Bu yüzden ISLA’nın çevrilmesi bence büyük anlam taşıyor. Makine öğrenmesi/istatistiksel modellemeyi yeterince öğrenmiş bir öğrencinin matematiksel modelleri hesaplama modellerine çevirmesi epey kolay olmalı; dolayısıyla kod zorunlu değil. Hatta bunu yapabiliyor olmak zaten bu modelleri anladığınızı gösterir
ISL(R/P) yazarlarının Elements of Statistical Learning kitabını da eklemek isterim. ISL, ESL ve Bishop’u okudum; Murphy’ye başladım ama bitiremedim. Özel bir sebebi yok, sadece yoğunlaşınca elimden düştü. Bu ders kitaplarının hangisini seçerseniz seçin güçlü şekilde tavsiye ederim
Bu durumda da Bishop’u önerir misiniz, yoksa fazla teorik mi kalır diye merak ediyorum
Sidney Siegel, N. John Castellan, Jr.’ın Nonparametric Statistics for the Behavioral Sciences, Second Edition, ISBN 0-07-057357-3, McGraw-Hill, New York, 1988 kitabı da değerlendirilebilir
“Nonparametric”, parametrelere dayalı olasılık dağılımı varsayımları yapmamak anlamına gelir. Yani dağılımdan bağımsız denebilir
Örneğin yeniden örnekleme planlarına bakabilirsiniz. Varsayımlar çok azdır, gerçekten basittir, oldukça zekicedir, genel olarak kullanışlıdır ve özellikle hesaplamaya çok uygundur. “A-B” test verilerinden daha fazla bilgi çıkarmak için yeniden örnekleme de kullanabilirsiniz
Zorlayarak ayırmak gerekirse, ISLR’ın çıkarım ya da hipotez testinden çok tahmine odaklandığı söylenebilir
Bu kitabın önceki sürümüyle birlikte çıkan YouTube serisini gerçekten çok sevmiştim: https://www.youtube.com/watch?v=5N9V07EIfIg&list=PLOg0ngHtcq...
Kitap olmadan da izlenebilir ve kodlama kısımlarını atlayabilirsiniz. Kitapta olmayan içgörüler de var; ayrıca muazzam teknik yetkinlik ile kavramları yoğun biçimde anlatma becerisinin harika bir birleşimi söz konusu
Bana biraz geveze geliyor. Keşke Landau hayatta olsaydı da böyle bir kitabı yeniden yazsaydı; muhtemelen çok daha kısa olurdu. Bunu LLM ile yapmak mümkün mü?