Machine Learning Başlanğıcı: Python ilə İlk Modelinizi Qurun

Machine Learning Başlanğıcı: Python ilə İlk Modelinizi Qurun

Salam, developer dostlar! 👋

Bu gün Bakıda LinkedIn-ə girəndə hər ikinci vakansiyada "Machine Learning", "Data Science", "AI" kəlmələrini görürsünüz. Kapital Bank, ABB, Azercell, PASHA Holding — hamısı data komandalarını genişləndirir. Orta ML Engineer maaşı Bakıda artıq 2500-4500 AZN aralığındadır, senior səviyyədə isə 6000-8000+ AZN rəqəmləri eşidilir. Dünya üzrə isə Bureau of Labor Statistics-in 2025 hesabatına görə ML mütəxəssislərinə tələb 2023-2033 arasında 23% artacaq — bu, demək olar ki, bütün peşələrdən sürətlidir.

Yaxşı xəbər odur ki, ML-ə başlamaq üçün PhD lazım deyil. Bu məqalədə sizə sıfırdan ilk modelinizi qurmağı göstərəcəm — real kod ilə, real dataset ilə.

---

ML Nədir? Sadə Dillə

Machine Learning — kompüterə açıq-aydın qaydalar yazmadan, datadan öyrənməyi öyrətməkdir.

Klassik proqramlaşdırmada siz yazırsınız:

əgər temperatur > 30 → "isti"

ML-də isə kompüterə minlərlə temperatur + nəticə nümunəsi verirsiniz, o özü qaydanı tapır. Fərq budur.

ML-in üç əsas növü var:

• Supervised Learning — etiketli data ilə öyrənmə (bu gün bunu edəcəyik)
• Unsupervised Learning — etiketsiz datada pattern tapmaq
• Reinforcement Learning — mükafat/cəza sistemi ilə öyrənmə

---

Nəyə Ehtiyacınız Var?

Layihəmiz üçün lazım olan hər şey:

• Python 3.9+ (artıq qurulubsa, əla)
• scikit-learn — ML kitabxanası
• pandas — data ilə işləmək üçün
• matplotlib — vizualizasiya üçün

Terminalda bu əmri yazın:

bashKopyala
pip install scikit-learn pandas matplotlib

Bu qədər. Heç bir GPU, heç bir bulud server lazım deyil. Laptopunuz kifayətdir.

---

Proyekt: Ev Qiymətini Proqnozlaşdıran Model

Biz scikit-learn-in daxilində olan California Housing datasetindən istifadə edəcəyik. Bu datasetdə 20.000+ evin məlumatları var: otaq sayı, əhalinin gəliri, coğrafi mövqe və s. Məqsədimiz — bu xüsusiyyətlərə əsasən evin qiymətini proqnozlaşdırmaq.

Bakıda bina.az-da ev axtarmısınızsa, beyninizdə artıq belə bir model var: "Nərimanovda, 3 otaqlı, təmirli → təxminən 180-220 min AZN". Biz bunu Python-a öyrədəcəyik.

---

Addım-addım Kod

Aşağıdakı kodu first_ml_model.py faylında saxlayın:

pythonKopyala
# Addım 1: Kitabxanaları import edirik
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, r2_score

# Addım 2: Dataseti yükləyirik
housing = fetch_california_housing()
df = pd.DataFrame(housing.data, columns=housing.feature_names)
df['PRICE'] = housing.target

print("Dataset ölçüsü:", df.shape)
print("\nİlk 5 sətir:")
print(df.head())

# Addım 3: Feature və Target ayırırıq
X = df.drop('PRICE', axis=1)  # Features (giriş dəyərləri)
y = df['PRICE']                # Target (proqnoz etmək istədiyimiz)

# Addım 4: Train/Test bölgüsü (80% öyrənmə, 20% test)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

print(f"\nTrain: {X_train.shape[0]} nümunə")
print(f"Test: {X_test.shape[0]} nümunə")

# Addım 5: Modeli qururuq və öyrədirik
model = LinearRegression()
model.fit(X_train, y_train)

# Addım 6: Test datası üzərində proqnoz
y_pred = model.predict(X_test)

# Addım 7: Nəticələri qiymətləndiririk
mae = mean_absolute_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print(f"\n--- Model Nəticələri ---")
print(f"Mean Absolute Error: ${mae * 100000:.0f}")
print(f"R² Score: {r2:.4f}")
print(f"Dəqiqlik: modelin izahetmə qabiliyyəti {r2 * 100:.1f}%")

# Addım 8: Vizualizasiya
plt.figure(figsize=(10, 6))
plt.scatter(y_test, y_pred, alpha=0.3, s=10)
plt.plot([0, 5], [0, 5], 'r--', linewidth=2)
plt.xlabel('Real Qiymət ($100k)')
plt.ylabel('Proqnoz Qiymət ($100k)')
plt.title('Real vs Proqnoz Ev Qiymətləri')
plt.tight_layout()
plt.savefig('prediction_result.png')
plt.show()

print("\nQrafik 'prediction_result.png' faylına saxlanıldı!")

Terminalda çalışdırın:

bashKopyala
python first_ml_model.py

---

Nəticələri Anlamaq

Bu kodu çalışdırdıqda təxminən belə çıxış görəcəksiniz:

Dataset ölçüsü: (20640, 9)
Train: 16512 nümunə
Test: 4128 nümunə

--- Model Nəticələri ---
Mean Absolute Error: $53000
R² Score: 0.6063
Dəqiqlik: modelin izahetmə qabiliyyəti 60.6%

Bu nə deməkdir?

• MAE $53,000 → Model orta hesabla $53K səhv edir. İlk model üçün pisdir? Əslində yox.
• R² = 0.61 → Model qiymət dəyişikliyinin 61%-ni izah edə bilir.

Sadə Linear Regression ilə bu nəticə normaldır. Random Forest və ya Gradient Boosting istifadə etsəniz, R² asanlıqla 0.80+ səviyyəsinə qalxa bilər.

---

Kodu Təkmilləşdirin: 3 Praktiki Addım

1. Modeli dəyişin — LinearRegression() əvəzinə RandomForestRegressor(n_estimators=100) yazın və nəticəni müqayisə edin
2. Feature Engineering — yeni sütunlar yaradın, məsələn rooms_per_household = AveRooms / AveOccup
3. Cross-validation — cross_val_score ilə modeli daha etibarlı qiymətləndirin

---

Bakıda ML Karyerası: Real Vəziyyət

Hazırda Azərbaycanda ML bilən developer-lərə tələb təklifdən çoxdur. Bir neçə real fakt:

• PASHA Holding və Kapital Bank aktiv şəkildə Data Science komandalarını böyüdür
• ABB kredit skorinq modellərində ML istifadə edir
• Freelance bazarda Upwork/Toptal-da ML layihələri $40-80/saat qiymətlərlə gedir
• Azərbaycan hökumətinin Rəqəmsal İnkişaf strategiyasında AI prioritet sahədir

ML öyrənmək uzunmüddətli investisiyadır. Bu gün yazdığınız ilk model — sabah quracağınız recommendation engine-in və ya fraud detection sisteminin təməlidir.

---

Növbəti Addımlar

Bu məqaləni oxudunuzsa və kodu çalışdırdınızsa, artıq ML-in əsas axışını bilirsiniz:

Data → Train/Test Split → Model Fit → Predict → Evaluate

Bundan sonra öyrənmək üçün tövsiyəm:

• 📚 Andrew Ng-in Machine Learning Specialization (Coursera) — pulsuz audit etmək olar
• 📚 Hands-On ML with Scikit-Learn (Aurélien Géron) — ən yaxşı praktiki kitab
• 🏆 Kaggle Competitions — real datasetlərdə təcrübə qazanın
• 💬 Baku Stack community — suallarınızı bizimlə bölüşün

ML səyahətinizə xoş gəlmisiniz! İlk modelinizi qurduqdan sonra, inanın, ikincisi daha asan olacaq. 🚀

Suallarınız var? Şərhlərdə yazın — cavablandıracağıq.