Artık sohbet robotlarını nasıl kullanacağınızı ve oluşturacağınızı tam olarak açıkladığımıza göre, teknik beceriniz ne olursa olsun makine öğrenimine başlamanızı sağlayan belirli üçüncü taraf seçeneklere ve pazarlamada makine öğrenimine bakalım.
Google Colab
Pazarlamada makine öğrenimi için ilk öğreneceğimiz plartform Google Colaboratory (kısaca Google Colab), Python yazmanıza ve çalıştırmanıza olanak tanıyan ücretsiz, tarayıcı tabanlı bir not defteridir. Google Dokümanlar ve Google E-Tablolar gibi diğer Google uygulamalarına aşinaysanız, Google Colab ile hiçbir sorun yaşamazsınız.
Google Colab kullanma nedenleri şunlardır:
• Sıfır yapılandırma gerektirir
• GPU’lara ve TPU’lara ücretsiz erişim
• Kolay paylaşım
Başlarken
Pazarlamada makine öğrenimi için google colabı ne için kullanıyoruz anladık şimdi sıra nasıl yapacağımızda. Google Drive’ınızı açın, ardından açılır menüyü açmak için sol üstteki düğmeye tıklayın.
Daha Fazla’yı seçin ve ardından yeni bir Google Colab not defteri oluşturmak için alt açılır menüde Google Colaboratory’ye tıklayın.
Yeni bir Colab not defteri açtıktan sonra neredeyse işiniz bitmiş demektir. Colab ile Python veya Jupyter Notebook gibi herhangi bir programlama not defteri yüklemenize gerek yoktur. Diğer bir avantaj ise Pandas ve Matplotlib gibi en yaygın kullanılan kütüphanelerin zaten yüklü olmasıdır. Bu yüzden kurulumla uğraşmak yerine doğrudan kullanabilirsiniz.
Ayrıca, Google Colab herkese ücretsiz GPU erişimi (1 K80 çekirdeği) sağlar, ancak TPU ek ücret gerektirir. Büyük bir projeyle uğraştığınızda GPU ve TPU, çalışma süresini önemli ölçüde azaltabilir.
GPU kullanmak için: Çalışma Zamanı -> Çalışma zamanı türünü değiştir -> GPU’yu seç -> Kaydet.
Jupyter Notebook
Jupyter Notebook, veri temizleme ve dönüştürme, sayısal simülasyon, istatistiksel modelleme, veri görselleştirme, Makine Öğrenimi ve çok daha fazlası için Python kodu yazmanıza olanak tanıyan açık kaynaklı bir web uygulamasıdır. Pazarlamada makine öğrenimi için yararlanılacak plartformlardandır.
Kurulum
Yeni kullanıcılar için, hem Python’u hem de Jupyter notebook’u kurmak üzere Anaconda kullanmak genel ve kolay bir yöntemdir. Anaconda, yalnızca Python ve Jupyter notebook’u değil, aynı zamanda veri bilimi ve Makine Öğreniminde yaygın olarak kullanılan birçok paketi de içerir.
Başlarken
Anaconda açıldığında, Jupyter Notebook dâhil olmak üzere farklı uygulamaları göreceksiniz. Ancak bu makalede, Jupyter Notebook’a odaklanacağız. Aşağıdaki ekranı göreceksiniz:
Bu hücrelerde pandas ve numpy gibi kütüphaneleri içe aktarabilir, farklı biçimlerdeki dosyaları (csv, json vb.) okuyabilir, Pazarlamada Makine Öğrenimi modelleri oluşturabilir ve çeşitli grafikler üretebilirsiniz.
Hücrede dört seçenek vardır ve bunları açılır menüden seçebilirsiniz:
• Kod – Kod yazıp çalıştırdığınız yerdir
• Markdown – Metin yazıp gösterdiğiniz yerdir. Genellikle insanlar bunu sonuç, yorum vb. eklemek için kullanır
• Raw NBConvert – Not defterinizi başka bir biçime (örneğin HTML) dönüştürmek için bir komut satırı aracıdır
• Başlık – Bu, bölümleri ayırmak ve not defterinizi düzenli hale getirmek için başlıklar eklediğiniz yerdir. Markdown hücresine “#” ekleyerek de başlık oluşturabilirsiniz
Monkey Learn
Pazarlamada makine öğrenimi algoritmalarını oluşturmak ve test etmek için bir çözüm sunan MonkeyLearn, makinelerin insan dilini anlamasını sağlayan bir Makine Öğrenimi API’sidir. Duygu analizi ve konu algılama gibi sorunları çözmek için kullanılabilir. Uygulamada önceden oluşturulmuş modüller bulacaksınız, ancak kendi özel modüllerinizi de oluşturabilirsiniz.
Modüller üç bileşeni temsil eder: sınıflandırma, çıkarım ve iş akışları (pipelines).
Sınıflandırma
Bu modüller metni alır ve hiyerarşik olarak düzenlenmiş etiketler döndürür. Önceden oluşturulmuş perakende sınıflandırıcısına bir göz atalım.
Sınıflandırma algoritması, sisteme zaman içinde “örnekler” eklenerek eğitilmiştir. Sınıflandırmanın nasıl çalıştığını görmek için “Metin” veya bir “Dosya” sınıflandırabilirsiniz. Biz işlevselliği test etmek için bir olta ve makara setinin açıklamasını girdik.
Sonuçlar JSON formatında geri döner, ancak temel düzeyde geliştirme bilgisine sahip kişiler tarafından hâlâ okunabilir durumdadır.
Sonuçlar JSON formatında geri döner, ancak temel düzeyde geliştirme bilgisine sahip kişiler tarafından hâlâ okunabilir durumdadır.
Gördüğünüz gibi, Olta ve Makara Setleri en yüksek olasılığa sahip kategori olmuştur.
Çıkarım
Bugün pazarlamada makine öğrenimi için özelleştirilmiş bir metin çıkarıcı oluşturamazsınız, ancak önceden oluşturulmuş modülleri eğitebilirsiniz. Bu çıkarıcılar, anahtar kelimeleri, yararlı verileri ve varlıkları çıkarmanıza olanak tanır. Aşağıda yararlı veri çıkarıcıya bakacağız.
Bu araç, bir metin bloğundan değerli bilgileri kolayca çıkarmaya ve saklamaya olanak tanır. Bu tür bir işlev, müşteri hizmetleri temsilcilerinin e-posta veya sosyal medya aracılığıyla ortaya çıkan potansiyel sorunları yönetmelerine yardımcı olmak için kullanılabilir. Bu modül için duygu analizinden sonra, gereken bilgileri toplayabilir ve müşteri verileri düzeyinde saklayabilir.
İş Akışları (Pipelines)
İş akışı modülleri, diğer modülleri tek bir iş akışında birleştirmenize olanak tanır. Örneğin, bir metin verildiğinde aşağıdaki işlevleri yerine getiren bir iş akışı oluşturabilirsiniz:
• Önce, dil tespiti yapar.
• İkinci olarak, eğer dil İngilizce ise İngilizce olarak duygu analizi yapar.
• Üçüncü olarak, eğer duygu negatife işaret ediyorsa, değerli verileri çıkarır.
İş akışları sayesinde, metne uygulanan farklı işlem adımlarını tanımlayabilir ve kısmi sonuçları birleştirecek mantığı oluşturabilirsiniz.
Bir iş akışının avantajı, yalnızca bir HTTP isteği ile birden fazla işlemi gerçekleştirebilmenizdir.
Bu seçenek daha teknik bir düzeydedir çünkü daha önce oluşturduğunuz diğer modülleri bir iş akışı sürecine bağlamak için JSON kullanmanız gerekir. Alternatif olarak, Zapier adlı kullanışlı bir araca da başvurabilirsiniz. Zapier, çeşitli uygulamaların birbirine bağlanmasını sağlayan bir yöntemdir. Bu uygulamaların bağlantısını sağladığınızda, tekrarlayan ve sıkıcı görevleri otomatikleştirerek kendinize değerli zaman kazandırabilirsiniz. Örneğin, Zapier ile bir Tetikleyiciyi (“yeni bir e-posta”) belirli bir eylemle (“bir kişi oluştur”) birleştirerek bir uygulamada bir şey olduğunda diğerinde bir işlem gerçekleştirilebilmesini sağlayabilirsiniz.
Google Sheets için MonkeyLearn Eklentisi ile Metin Analizi
Şu anda, duygu analizi ve e-posta çıkarımı gibi çeşitli metinle ilgili görevleri kolayca tamamlamanıza yardımcı olmak için Google Sheets için MonkeyLearn Eklentisi ile Metin Analizi mevcuttur. Aşağıda, eklentiyi kurmak ve analizi çalıştırmak için üç basit adım yer almaktadır.
Kurulum
Bir Google E-Tablosu açın → Eklentiler’e tıklayın → Eklenti edinin → “Text Analysis by MonkeyLearn” ifadesini aratın → Yükle
API Anahtarını Ayarlama
Eklentiler’e tıklayın → “Text Analysis by MonkeyLearn” seçeneğini seçin → Başlat’a tıklayın. Ancak bu noktada gerçekten başlayamazsınız. Bir sonraki adım, bir MonkeyLearn hesabı oluşturmak ve bir API anahtarı belirlemektir.
Anahtarı Değiştir’e tıklayın → API Anahtarınızı yapıştırın → Ayarla’ya tıklayın
Analizi Çalıştırma
Hücre aralığını seçin → Açılır listeden bir model seçin → Çalıştır’a tıklayın. Sonuçlar varsayılan olarak sağ sütunda görüntülenecektir.
Amazon Makine Öğrenimi
Amazon, 2015 yılında hizmet olarak sunulan Pazarlamada Makine Öğrenimi ürününü piyasaya sürdü ve bu ürün bazı diğer üçüncü taraf uygulamalar kadar sezgisel olmasa da, tahminler için harika bir denetimli öğrenme seçeneğidir. Bu uygulama pazarlamada makine öğrenimi için çok geçerli bir örnektir. Bu sistem, değişkenleri 1 ve 0 arasında eşleyen lojistik regresyon modeli kullanır. Ayrıca Amazon çok sınıflı sınıflandırmaları da işleyebilir. Çok sınıflı sınıflandırma modelleri şunları yapabilir:
- İkiden fazla sınıftan biri temelinde nesne sınıflandırma çabasını otomatikleştirmek
- Sürekli gelişen sınıflar ve nesneler için ölçeklenebilir bir yol oluşturmak
Verilerinizi Hazırlayın
Amazon S3 konumunda saklanan verilerle çalışacağınız için, Amazon Yönetim Konsolu aracılığıyla veri yüklemeye aşina olmanız gerekir. Verilerinizi yükledikten sonra bir S3 URL’si alırsınız; ancak S3 Tarayıcısı’nın Amazon Yönetim Konsolu’na kıyasla biraz daha sezgisel olduğunu bilmelisiniz.
Veri kümesi istediğiniz kadar öznitelik (attribute) içerebilir. Bu modelde bir öznitelik sınıflandırıcı olarak çalışır. Veri kümenize hangi öznitelikleri dahil ederseniz edin, y özniteliğini eklemeniz gerekir. Bu, modeliniz için eğitim verisidir ve daha sonra tahmin etmeye çalışacağınız öznitelik olacaktır.
Lojistik regresyon modeli kullandığımız için, yalnızca iki cevabı olan (evet ve hayır ya da doğru ve yanlış) soruları seçmek istiyoruz. Eğitim veriniz için bu iki seçeneği 1 ve 0 olarak temsil edebilirsiniz. Çok sınıflı sınıflandırmalarda, verilerinizi sınıflandırmak için kurduğunuz sınıflar kadar tanımlayıcı kullanmanız gerekecek.
Eğitim Kaynağı Oluşturun
Makine Öğrenimi konsolunuza girin ve “Başlayın…” altında standart kurulumu seçin.
Sonraki sayfada, bir önceki adımda girdiğiniz veri kümesi konumunu girmeniz gerekir. Ardından, verileri doğruladığınız, Amazon Makine Öğrenimi’nin şemayı çıkarmasına izin verdiğiniz ve tahminler için hedef öznitelik olarak y’yi seçtiğiniz birkaç adımı geçersiniz.
Bir ML Modeli Oluşturun
ML modeli için varsayılan model, Amazon’un şemanızı ve tahmini özniteliğinizi anlamasına dayalı olarak oluşturduğu seçenektir. Ancak, tarifi (recipe) kendiniz özelleştirebilirsiniz. Makine Öğrenimi’ne yeni başlıyorsanız, tarif oluşturmaya geçmeden önce varsayılan modellerle denemeler yapıp sistemi anlamak en iyisidir.
Skor Eşiği Belirleyin
Modeli oluşturduktan sonra, Amazon verilerinizin ve tarifinizin birlikte kullanıma uygun olup olmadığını size bildirir. Amazon, Makine Öğrenimi modelinizin performans kalitesini ifade eden AUC (Area Under a Curve) Metrik değerini hesaplar. AUC değeri 1’e ne kadar yakınsa, modelinizin performansı o kadar iyidir.
Amazon, verinin iyi mi kötü mü olduğunu gerçek dünya diliyle size bildirir.
Artık ML modelinizin performansını ince ayar yapmak için skor eşiğini kullanabilirsiniz. Bu skoru, olasılığa dayalı olarak en doğru veya en yanlış öğeleri hedeflemek için kullanabilirsiniz.
Tahminler Üretin
Artık tahminler üretmeye hazırsınız.
Modeli test etmek için gerçek zamanlı bir tahmin üretebilirsiniz. Burada, yalnızca bir kayıt için öznitelikleri girersiniz ve bu kayda ait tahmini görürsünüz.
Ayrıca toplu tahminler de yapabilirsiniz. Bu işlem için, analiz etmek istediğiniz verileri S3’e yüklemeniz ve Makine Öğrenimi menüsünden Toplu Tahminler’i seçmeniz gerekir. Ardından sizden S3 URL’si girmeniz, verileri doğrulamanız ve toplu tahmininize bir ad vermeniz istenir. Süreç sizin için çalıştırılır.
Verilerinizi görüntülemek için Amazon Makine Öğrenimi menüsünde tekrar Toplu Tahminler’e gidin.
Bir tahmin listesi görünecek ve çalıştırdığınız toplu tahmini seçersiniz.
Çıktı S3 URL’sini not almak isteyeceksiniz. Amazon S3 konsoluna gidin, bu URL’nin yerini bulun ve sonuçlar klasörünü bulun. Sonuçlar sıkıştırılmış .gzip dosyası içinde olur. Dosyayı indirip açabilir ve sonuçları analiz edebilirsiniz.
Veriler iki sütun içerir. Biri en iyi cevap için olup, belirlediğiniz skor eşiğine göre doğru ya da yanlış (0 veya 1) sonucunu verir. Diğer sütunda ise kaydın ham skoru yer alır.
Uygulama
Bu tür bir hizmetin uygulama alanı oldukça geniştir ve pazarlamacılar için bu seçeneği ilginç kılan da bu esnekliktir.
Bir seçenek, pazarlama kampanyalarınızdan daha fazla bilgi çıkarmaktır. Analitik verilerinizden, kampanyalarınız aracılığıyla huniden geçen kullanıcılar için öznitelikler oluşturabilirsiniz. Yeni kampanyalar başlattığınızda, ilk günlerde başarınızı, verilerinizi önceki kampanyaların performanslarıyla karşılaştıran bir model çalıştırarak ölçebilirsiniz. Bu modelleri huni içindeki farklı seviyeler için kurabilir ve satış ekiplerinize hangi kayıtlara odaklanmaları gerektiğini bildirebilirsiniz. Bu düzenleme “lead scoring” (potansiyel müşteri puanlama) olarak bilinir. Makine öğrenimine uygulandığında, temelde bir makineyi, pazarlama veritabanındaki kişileri gelecekte müşteri olma potansiyellerine göre tanımak üzere “eğitmiş” olursunuz. Makine, her bir hesabın satışa veya müşteriye dönüşme olasılığını belirlemek için tahmine dayalı müşteri puanları atar.
Google Cloud Yapay Zekâ ve Makine Öğrenimi Ürünleri
Google Cloud Yapay Zekâ ve Makine Öğrenimi Ürünleri, AI Hub, AI yapı taşları ve AI Platform’dan oluşan yenilikçi makine öğrenimi ürün ve hizmetlerinden oluşan kapsamlı ve güvenilir bir platformdur. Pazarlamada makine öğrenimi için bu yenilikçi yaklaşımı çok değerlidir. Bir makine öğrenimi projesi geliştirmeyi ve çalıştırmayı planlayan kişiler için Google Cloud AI Platform iyi bir seçenektir.
AI Platform, makine öğrenimi geliştiricilerinin ve veri bilimcilerinin projelerini fikir aşamasından uygulamaya hızla taşımasına olanak tanıyan kod tabanlı bir veri bilimi geliştirme ortamıdır. AI Platform kullanmanın en büyük avantajlarından biri, makine öğrenimi geliştirme döngüsündeki her adımı kapsamasıdır.
Kaynak: https://cloud.google.com/ai-platform
Hazırlık
Hazırlık aşamasında, verilerinizi depolamak için BigQuery ve Google Cloud Storage kullanabilirsiniz.
Oluştur ve çalıştır
Makine öğrenimi uygulamalarınızı oluşturmak için AI Platform Notebooks kullanabilirsiniz. Modellerinizi eğitmek ve dağıtmak için AI Platform Training ve Prediction servislerini de kullanabilirsiniz.
Yönet / Paylaş
Google Cloud Platform Konsolu ve Kubeflow Pipelines, modellerinizi, deneylerinizi ve uçtan uca iş akışlarınızı yönetmenize yardımcı olabilir. Ayrıca, yeniden kullanılabilir uçtan uca ML iş akışları oluşturmak için Kubeflow Pipelines kullanabilirsiniz.
Google Cloud Prediction API
Google Cloud Prediction API, pazarlamada makine öğrenimi modelleri oluşturmak için RESTful bir API sunar. Bu modelleri kullanarak spam tespiti, duygu analizi ve öneri sistemleri gibi çözümler geliştirebilirsiniz.
Bu sistem, Amazon’un Makine Öğrenimi seçeneğine benzer, ancak çalışmaya başlamak için temel kodlama bilgisine daha ileri düzeyde hâkim olmayı gerektirir. Bununla birlikte, makine öğrenimi tariflerini sözdizimiyle oluşturma konusunda daha az deneyimi olanlar için de bir seçenek sunar.
Google Cloud Prediction API’nin Google Sheets için “Smart Autofill” (Akıllı Otomatik Doldurma) adlı bir seçeneği vardır.
Diğer süreçlerde olduğu gibi, ilk adım verilerle başlar. Kampanyanıza ait önemli niteliklere göre verileri içeri aktarırsınız. Amazon ile yaptığımız sürecin aksine, burada eğitim verileriyle tahmin etmek istediğiniz verileri aynı sayfada birleştirmeniz gerekir.
Girdiğiniz verilerden, sonuçları tahmin etmekte kullanmak istediğiniz verilerin bulunduğu sütunları ve tahminlerle doldurmak istediğiniz sütunu seçersiniz.
Sonraki adımda, tahmin etmek istediğiniz verilerin bulunduğu sütunu seçersiniz.
İşlem tamamlandığında, verilerinizin tahmini hata payını ve doğruluk oranını görüntüleyebilirsiniz. Sadece doğru/yanlış ifadeleriyle değil, daha karmaşık değerlerle de çalışabilirsiniz; eklenti, oluşabilecek hata miktarını raporlar.
Amazon Machine Learning testinden elde ettiğimiz verilerle Auto Smartfill eklentisini çalıştırdık. Test başarılı oldu, ancak birkaç noktayı fark ettik:
• Geleneksel Google Sheets işlemlerinde olduğu gibi, eklenti çok büyük ölçekli verilerle çalışırken zorlanıyor. Çalıştırabilmek için kayıt sayısını azaltmamız gerekti.
• İhtiyacınız olan sonuçları almanız biraz zaman alabiliyor.
Yine de elde edilen sonuçlar oldukça başarılıydı.
Microsoft Azure ML
Pazarlamada makine öğrenimine bir diğer plartform ise Microsoft Azure ML. Microsoft, Azure araç setinin bir parçası olarak ML Studio’yu kullanıma sundu.
ML Studio ilgi çekici bir araç çünkü iş akışlarınızı oluşturmak için sürükle-bırak arayüzüyle çalışmanıza olanak tanıyor.
Bu düzen, kurulumu son derece kullanıcı dostu gibi gösterse de, ML Studio’nun güçlü yapısı herkesin kolayca içine girebileceği bir şey değil. ML Studio’daki birbirine bağlı birimler, makine öğrenimi sürecinin farklı katmanlarını temsil eder. Bu katmanlar veri, algoritmalar, puanlama modelleri ve daha fazlasını içerir. Bu bileşenlerin her biri R veya Python ile yönetilebilir.
Derinlemesine incelediğinizde, Microsoft Azure ML Studio’nun veri bilimcileri düşünülerek oluşturulmuş güçlü bir araç olduğunu fark edersiniz. Bu özelliği, bir veri bilimi ekibi büyütmeyi planlayanlar için iyi bir seçenek hâline getirirken, sisteme yeni başlayanlar için biraz daha az kullanıcı dostudur.
Dikkat çekici bir başka nokta ise, Azure Marketplace’te teknik bilgiye sahip kullanıcılar için bu seçeneği daha cazip kılabilecek önceden oluşturulmuş çözümlerin bulunmasıdır.
Kutudan Çıkan (Out-Of-The-Box) Araçlar
Yukarıda bahsedilen seçenekler, makine öğrenimi ihtiyaçlarınız için esneklik ve yaratıcılık açısından geniş bir dünya sunuyor. Ancak bazılarımız için, bugün çalışacak ve çok özel sorunlara çözüm sunacak araçlar yeterlidir. Neyse ki, reklam teknolojileri (adtech) alanında makine öğrenimine dayalı yazılım çözümleri giderek yaygınlaşıyor ve bugün kaydolup doğrudan kullanabileceğiniz pek çok çözüm mevcut.
BigML
BigML, tüketilebilir, programlanabilir ve ölçeklenebilir bir Pazarlamada Makine Öğrenimi platformudur. Tek bir standart çerçeve kullanarak Sınıflandırma (Classification), Regresyon (Regression) ve Zaman Serisi Analizi (Time Series Analysis) gibi çeşitli görevleri çözmek için bir dizi makine öğrenimi algoritması sunar. BigML’in misyonu, makine öğrenimini herkes için kolay, güzel ve anlaşılır hâle getirmektir.
Aşağıda bazı yararlı özellikleri listelenmiştir:
- Verilerinizi; bulut depolama platformları, doğrudan URL’ler veya yerel CSV dosyaları gibi birçok farklı kaynaktan yüklemenize imkân tanır.
- Modeli çalıştırmadan önce, aykırı değerleri ve desen anormalliklerini tespit ederek zaman ve maliyetten tasarruf etmenize yardımcı olur.
- Deneyebileceğiniz çok sayıda ücretsiz veri kümesi ve model sunar.
Atomic Reach
Atomic Reach, pazarlamacıların içeriklerinden en yüksek değeri elde etmek için ne yapmaları gerektiğini bilmelerine yardımcı olan, kutudan çıkan bir çözümdür. Bu araç; içerik oluşturmanıza, paylaşmanıza, verilerle gerçek zamanlı etkileşime geçerek anlık strateji değişiklikleri yapmanıza ve güncel konuları takip ederek zamanında içerik üretmenize olanak tanır.
İçerik oluşturma modülü, gerçek zamanlı olarak yazdığınız içeriğin 22 özelliğini ölçer. Bu özellikler arasında okunabilirlik düzeyi, uzunluk, duygular ve daha fazlası bulunur. Atomic Reach Writer, makine öğrenimini eğitmenizi sağlayarak farklı özellik düzeylerini bir “hedef kitle” olarak tanımlamanıza olanak verir. Bu kitle için içerik üretirsiniz ve sistem size nerede puan aldığınızı bildirir.
Rarelogic
Rarelogic, Shopify ve BigCommerce ile uyumlu çalışan bir e-posta pazarlama optimizasyon çözümüdür. Şirketin sunduğu ana hizmet, tahmine dayalı e-posta önerileridir. Ziyaretçi segmentasyonuna dayalı olarak önceden ayarlanmış e-posta şablonları (Mailouts) oluşturabilir ve kullanabilirsiniz.
Açık Kaynak Seçenekleri
Pazarlamada makine öğreni için çalışanların bugün çalışmaya başlayabilmesi için sunduğumuz araç ve yöntemlerin sonuna gelirken, üzerinde durulması gereken bazı açık kaynaklı platformlardan da bahsetmek istiyoruz. Bu platformlar mevcut ve araştırmaya değer.
Keras.io
Keras, Python ile yazılmış açık kaynaklı bir sinir ağı kütüphanesidir. Üç açık kaynaklı makine öğrenimi yazılım kütüphanesi üzerinde çalışabilir: DeepLearning4j, TensorFlow ve Theano. Bu kütüphane; katmanlar (layers), hedef fonksiyonlar (objectives) ve optimizasyonlar (optimizers) gibi yaygın sinir ağı yapı taşlarının birçok uygulamasını içerir.
KNIME
KNIME, veri bilimi üretimini basit sürükle-bırak süreciyle gerçekleştirmek için geliştirilmiş bir yazılımdır.
KNIME Analytics Platform, bireysel kullanım için uygun, ücretsiz ve açık kaynaklı bir platformdur. Veriyi Microsoft SQL veya Salesforce gibi herhangi bir kaynaktan yüklemenize, işleyip analiz etmenize, çok sayıda Makine Öğrenimi ve Yapay Zekâ modelinden yararlanmanıza, içgörüleri paylaşmanıza ve veri bilimi iş akışları oluşturmanıza olanak tanır.
KNIME Server ise kurumsal düzeyde kullanım içindir. KNIME Analytics Platform’un tüm özelliklerinin yanı sıra; ekipler ve şirket genelinde en iyi uygulamaları paylaşmanıza, iş akışlarını otomatik olarak zamanlamanıza, yürütmeyi ölçeklendirmenize, analitik uygulamaları dağıtmanıza, operasyonları yönetmenize ve izlemenize de imkân tanır.
KNIME (Konstanz Information Miner); makine öğrenimi bileşenlerini modüler veri akışında (data pipelining) barındıran açık kaynaklı bir veri analitiği, raporlama ve entegrasyon platformudur. KNIME, makine öğrenimi işlevselliğini desteklemek için Weka ve R Project gibi çeşitli açık kaynak projeleriyle entegre çalışabilir.
