A Model for Earthquake Magnitude Prediction

Photo by Dan Gold on Unsplash

Python is one of the most common languages among those interested in data science. With its libraries , we can modify and use any type of data we want. With the help of Python and appropriate machine learning algorithms, we can create prediction models and graph the data as we want.

The steps we will take:

  • Preparing the dataset
  • Building a model with Linear Regression
  • Visualisation with Matplotlib and Seaborn

Let’s Prepare the Data

Let’s download the data in csv file format and start retrieving and editing the data with Pandas library. We can download earthquake data from…


Wechselpräpositionen

Kaynak olarak kullanılan kitaplar Menschen A2.1 ve A2.2 serisine ait. İlk 12 bölüm A2.1, diğer 12 bölüm de A2.2 konularına bakılarak takip edilebilir. Arbeit macht Master!

Photo by Jennifer Latuperisa-Andresen on Unsplash

Almancada Wechselpräpositionen yer, mekan (değiştirme) edatları anlamına gelen bir konudur. Yer belirtirken aynı zamanda bir hareketlilik anlamı da katar. Bu anlam farkını Akkusativ ya da Dativ olma durumu belirler. Bir hareket varsa Akkusativ halde kullanılır ve Wohin ile sorulur. Ancak bir durum belirtiliyorsa Dativ halde kullanılır ve Wo sorusuna cevap verir.


The books used as a source are Menschen A2.1 and A2.2 series. The first 12 chapters can be followed by looking at A2.1 and the other 12 chapters by looking at A2.2. In this section, our topics are Wechselpräpositionen mit Dativ and Akkusativ and Verben mit Wechselpräpositionen. So let’s start!

Photo by Julius Drost on Unsplash

Modul 1 | Lektion 2

Wechselpräpositionen in German language is a topic that means prepositions of displacements. It also adds a sense of mobility while specifying the location. This meaning difference is determined by being Akkusativ or Dativ. If there is a movement, it is used in Akkusativ state and asked with Wohin. …


Doğrusal Regresyon ile Ev Fiyat Tahmini Uygulaması

Bilgisayar Bilimlerinin babası Alan Turing (1912–1954)

Merhaba herkese! Bu yazıyla birlikte Makine Öğrenmesi serisine başlayacağım. Önce tahmin sonra da sınıflandırma algoritmalarını açıklayacağım. Bu seride Makine Öğrenmesinin istatistiksel altyapısını, grafiklerin ve verilerin yorumlanmasını açıklayacağım ve Python kullanarak, güncel verilerle uygulamalar yapacağım.

Makine Öğrenmesi Serisindeki Tahmin Algoritmaları :

  • Basit Doğrusal Regresyon
  • Çoklu Doğrusal Regresyon
  • Polinom Regresyonu
  • Destek Vektör Makineleri
  • Karar Ağaçları
  • Rassal (Rastgele) Orman

Hadi başlayalım!

Makineler Nasıl Öğrenir?


This article must be seen as a lecture note. I decided to make my sweet trouble German Language a hobby. So I intent to write creative articles / lecture notes in A2 level. So enjoy your little journey!

The books used as a source are Menschen A2.1 and A2.2 series. The first 12 chapters can be followed by looking at A2.1 and the other 12 chapters by looking at A2.2. In this section, our topics are Possesivartikel and Perfekt and Präteritum. So let’s start.

Photo by Lukas D. on Unsplash

Modul 1 | Lektion 1

1.Possessiveartikel: unser,euer..

Possessiveartikel in German is about giving the meaning of belonging to the sentence by using personal…


Bu makale tamamen bir ders notu olarak görülmelidir. Uzun bir aradan sonra tatlı belam Almanca’ ya tekrar başladığım için hem kendime hem de belki başkasına yardımcı olması amacıyla A2 gramer serisi (şimdilik) başlatacağım. Arbeit macht Master!

Kaynak olarak kullanılan kitaplar Menschen A2.1 ve A2.2 serisine ait. İlk 12 bölüm A2.1, diğer 12 bölüm de A2.2 konularına bakılarak takip edilebilir. Bu bölümde konularımız Possesivartikel ve Perfekt ve Präteritum ile geçmiş zaman. Haydi başlayalım.

Photo by 🇨🇭 Claudio Schwarz | @purzlbaum on Unsplash

Almanca’da Possessiveartikel, şahıs zamirleri kullanılarak cümleye aitlik anlamı katmaktır. Nesnelerin kişilere ait olduğu durumlarda kullanırız. Possessive artikel iyelik zamirleridir. Possessivartikel denilmesinin nedeni çekimlerin önündeki ismin Artikel’ine göre ekler…


A guide for machine learning enthusiasts, people looking for applications from real-life datasets

Photo by Wes Hicks on Unsplash

Hello Machine Learning lovers! I will start The Machine Learning series with this article and I will firstly explain the prediction algorithms then the classification algorithms. In this series, I will explain the statistical infrastructure of Machine Learning, the interpretation of graphs and datasets, and I will make applications with up-to-date datas using Python.

Our Machine Learning Algorithms for prediction would be:

  • Simple Linear Regression
  • Multiple Linear Regression
  • Polynomial Regression
  • Support Vector Machines
  • Desicion Trees
  • Random Forest

Let’s go!

How Can Machines Learn?


GDG DevFest Turkey 2020 başlıyor.

Her yıl olduğu gibi bu yıl da DevFest etkinlikleri devam ediyor. Türkiye’deki tüm GDG’lerin birlikte düzenlediği etkinlik online olarak sürecek.

16–18 Ekim 2020 tarihleri arasında toplamda 2.5 gün sürecek olan Devfest Turkey etkinliği Türkiye’den birçok ekibin katkılarıyla sizlerle buluşacak.

Bu yıl ilk defa Ankara, Eskişehir, Kayseri, Konya, Sivas ve Şanlıurfa GDG’lerinin ortaklaşa düzenlediği DevFest Anatolia 2020, 16 Ekim Cuma günü saat 17:30'da online olarak düzenleniyor.

Biz de GDG Ankara olarak bu etkinlikte yerimizi aldık.

Devfest Anatolia, katılımcılara en yeni Google tasarımları, en yeni Google teknolojileri, Machine Learning, Android ve daha birçok alanda şölen havasında bir akşam yaşatmak için geri sayıyor.


Mekansal ve Raster Veri Nedir?

Mekasal veriler haritadaki bir noktayı işaret eden, bunun için koordinat ve adres bilgisi içeren verilerdir. Mekansal veriler nesnelerin şeklini, bulunduğu yeri diğer mekansal verilerle ilişkilendirir. Diğer bir grup olan öznitelik verileri ise belli özellikteki verilerin veri tabanında tutulmasını sağlar.

Raster veriler hücresel verilerdir. Her hücrenin coğrafi konumu ve hücre matrisindeki konumunu verir.Veri depolarken analizi ve programlaması kolaydır.

Vektör çizimler noktalardan ve çizgilerden oluşur ve ne kadar büyütme gerçekleştirilirse gerçekleştirilsin her hangi bir bozulma olmaz. Raster, yani Piksel ise belli bir boyutta olup her hangi bir büyütme gerçekleştirildiğinde bozulmalar olacaktır.

Coğrafi Bilgi Sistemleri ise özellikle mekansal verilerin analizi, saklanması, kullanıcıya sunulmasına…


Python ile güncel Corona Virüs Vaka verilerini kullanarak harita ve animasyon yapalım.

Genel olarak yapacaklarımızın listesi:

  • Önce verilerden istenmeyen kolonları silip temizleme
  • csv ve shapefile dosyalarını birleştirme
  • Görselleştirme
  • Animasyon yapımı

Python veri bilimi için çok kullanışlı bazı kütüphanelere sahip. Bunlar:

Pandas : verilerde her türlü ön işlem ve verileri okuma ve dönüştürmede kullanılır.

Geopandas : çoğunlukla shapefile (shp) şeklindeki mekansal verileri okumak ve yorumlamak için kullanılır.

Matplotlib : plot gibi metodlarla çizim yapabilmemizi sağlar.

Pillow : Animasyon yapabilmek için figure tipindeki birçok veri pillow objesi olarak kaydedilir.

io: text, binary ya da satır I/O tipindeki objelerle uğraşmak için kullanılır.

Bu…

Spatial Data Science | Machine Learning My projects are at https://github.com/FatmaElik | Linkedin: https://tr.linkedin.com/in/fatma-elik-399141b3

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store