Anaconda Kütüphane Kurulumu

Bu yazımızda ilerleyen zamanlarda gerçekleştireceğimiz projelerde kullanacağımız kütüphaneleri kısaca tanıyıp, Anaconda kütüphane yöneticisinden nasıl indirileceğini göreceğiz.

Numpy Kütüphanesi

Numpy, makine öğrenmesi için çok önemli olan lineer cebir işlemlerini daha kolay ve daha hızlı bir şekilde gerçekleştirmemizi sağlayan bir python kütüphanesidir. Yapay zeka alanında genellikle büyük veriler üzerinde işlem yaptığımız için bu noktada performans bizim için çok önemli olmaktadır.

Öncelikle numpy kütüphanesini indirdikten sonra bir örnekle saf python dizisi ile numpy dizisinin hız karşılaştırmasını yapalım. Kütüphaneleri iki farklı yol ile indirebiliriz. Anaconda Navigator arayüzünden veya CLI’ dan(kod satırı arayüzü) indirebiliriz. İlk olarak Anaconda Navigator üzerinden indirilmesine bakalım. Anaconda Navigator’ ı açtıktan sonra yanda bulunan Environments sekmesine tıklıyoruz. Daha sonra yukarıda bulunan installed kısmını not installed seçerek arama kısmına numpy yazıyoruz. Numpy’ i seçerek apply’ a basıyoruz. İndirme işlemi için Anaconda paket yöneticisi Numpy kütüphanesinin bağımlı olduğu diğer paketleri de tespit edip onları da indirecektir, çıkan pencerede bir daha apply’ a basıyoruz.

Bir diğer indirme seçeneği ise CLI’ dan. Bilgisayarımızın arama kısmında Anaconda Prompt’ u aratıp açıyoruz ve çıkan terminalde “conda install numpy” komutunu girerek indirme işlemini tamamlıyoruz. Hangi işlem daha kolayınıza geliyor ise o şekilde indirme işlemlerini yapabilirsiniz. Aşağıdaki kod örneğinde ise numpy ve python dizisinin 2 tane 10 milyon elemanlı dizinin toplanması için geçen hız karşılaştırmasını görebilirsiniz.

Pandas Kütüphanesi

Pandas kütüphanesi, veri analizi ve veri ön işlemesi için kullanılan bir python kütüphanesidir. Veri analizini kısaca veriden faydalı bilgi çıkarmak, veriyi incelemek, veri ön işlemesini ise kullanacağımız veriyi makine öğrenme algoritmalarına sokmadan önce uygun forma getirmek olarak tanımlayabiliriz. İstersek kütüphaneyi yine aşağıdaki gibi Anaconda Navigator üzerinden veya CLI üzerinden “conda install pandas” yazarak indirebilirsiniz.

Matplotlib Kütüphanesi

Matplotlib kütüphanesi veri görselleştirmesi için kullanılan bir kütüphanedir. Veri görselleştirmesi karmaşık verileri düzenleyerek veriyi daha iyi anlamamıza, veri üzerindeki aykırı değerleri belirlememize, veri üzerindeki inişleri ve çıkışları gözlemlememizi kolaylaştırır. Kütüphaneyi tercihinize göre Anaconda Navigator üzerinden ya da CLI üzerinden “conda install matplotlib” komutunu yazarak indirebilirsiniz.

Tensorflow ve Keras Kütüphaneleri

Tensorflow makine öğrenmesi algoritmalarını eğitebildiğimiz bir kütüphanedir. Keras ise derin öğrenme kütüphanesidir. Keras arka planda Tensorflow’ u kullanır, yani yazdığımız Keras kodları arka planda Tensorflow kodlarına çevrilerek çalıştırılır. Keras üzerinde kodlama yapmak Tensorflow’ a göre daha kolay olduğu için bu alanda çalışma yapmaya yeni başlamış kişiler kolaylıkla Keras’ ı kullanabilir. Anaconda Navigator üzerinde Tensorflow’ u arattıktan sonra hem Keras hem de Tensorflow’ u seçerek indirme işlemeni yapabiliriz veya CLI üzerinden “conda install -c conda-forge keras” komutunu çalıştırarak indirmeyi gerçekleştirebilirsiniz. Keras kütüphanesi zaten Tensorflow’ a bağımlı olduğu için bu komutu çalıştırdığımızda Tensorflow da otomatik olarak yüklenecektir.

Anaconda Kütüphane Kurulum Öncesi Önerilen Hazırlık

Kütüphaneleri doğrudan ana ortama kurmak yerine proje bazlı ortam (environment) kullanmak, ileride oluşabilecek paket çakışmalarını büyük ölçüde azaltır. Özellikle makine öğrenmesi projelerinde farklı projelerin farklı sürümler istemesi çok yaygın bir durumdur.

• Her proje için ayrı bir conda environment oluşturun.
• Python sürümünü proje başında sabitleyin (örneğin 3.10 veya 3.11).
• Kurulumdan sonra sürüm kontrolü yapmayı alışkanlık haline getirin.
• Proje bağımlılıklarını dosyaya kaydederek yeniden üretilebilirlik sağlayın.

Örnek Environment Akışı

CLI kullanıyorsanız tipik akış şu şekildedir: önce yeni environment oluşturulur, sonra aktif edilir ve gerekli paketler yüklenir. Bu yöntem özellikle eğitim sürecinde düzenli bir çalışma yapısı oluşturur.

Kütüphaneler Ne İşe Yarar? (Kısa Özet)

• Numpy: Çok boyutlu diziler, lineer cebir, hızlı sayısal işlemler
• Pandas: Veri okuma, temizleme, filtreleme, özetleme ve tablo yönetimi
• Matplotlib: Veri görselleştirme (çizgi, sütun, dağılım grafik vb.)
• TensorFlow/Keras: Makine öğrenmesi ve derin öğrenme model geliştirme

Bu dört kütüphane birlikte kullanıldığında tipik bir veri bilimi iş akışı kurulmuş olur: veri hazırlama, analiz, görselleştirme ve modelleme.

Kurulum Sonrası Doğrulama

Kurulum tamamlandıktan sonra paketlerin sorunsuz yüklendiğini doğrulamak çok önemlidir. Özellikle TensorFlow tarafında sürüm ve donanım uyumu kontrol edilmelidir.

• Kütüphaneleri import ederek hata verip vermediğini test edin.
• Sürüm numaralarını kontrol edin ve not alın.
• Aynı ortamda Jupyter/IDE üzerinden kısa bir deneme kodu çalıştırın.
• Gerekirse environment’ı dışa aktarıp yedekleyin.

Yaygın Kurulum Hataları ve Çözümleri

1) Paket çakışması (dependency conflict)

Farklı projeler için aynı ortamı kullanmak bu hatanın en yaygın sebebidir. Çözüm olarak her proje için ayrı environment oluşturulması önerilir.

2) IDE farklı Python yorumlayıcısını kullanıyor

Paket kurulu olmasına rağmen import hatası alıyorsanız IDE’nin seçili interpreter’ı farklı olabilir. IDE içinden doğru conda ortamı seçildiğinden emin olun.

3) TensorFlow sürüm uyumsuzluğu

Python sürümü ile TensorFlow sürümü her zaman tam uyumlu olmayabilir. Kurulum öncesi desteklenen sürümleri kontrol etmek zaman kazandırır.

4) Yavaş veya kesilen indirme

Ağ kaynaklı sorunlarda paket deposunu güncellemek, farklı bir mirror kullanmak veya daha stabil bağlantı ile tekrar denemek çözüm olabilir.

Örnek Öğrenme Yol Haritası

1. Adım 1: Numpy ile dizi işlemleri ve temel lineer cebir
2. Adım 2: Pandas ile CSV okuma, veri temizleme ve temel analiz
3. Adım 3: Matplotlib ile görselleştirme ve veri yorumlama
4. Adım 4: Keras ile ilk sınıflandırma modelinin eğitimi
5. Adım 5: Model değerlendirme ve hiperparametre denemeleri

Sık Sorulan Sorular

Pip mi, Conda mı kullanmalıyım?

İkisi de kullanılabilir. Veri bilimi projelerinde conda, ortam ve paket yönetimini kolaylaştırdığı için başlangıçta daha pratik olabilir.

Tüm kütüphaneleri tek seferde kurmalı mıyım?

Proje ihtiyacına göre aşamalı kurulum yapmak daha sağlıklı bir yöntemdir. Gereksiz paketler ortamı ağırlaştırabilir.

Yeni başlayanlar önce hangisine odaklanmalı?

Önce Numpy ve Pandas temeli oturtulmalı, ardından Matplotlib ve sonrasında TensorFlow/Keras tarafına geçilmelidir.

Özetle; doğru ortam yönetimi ile Numpy, Pandas, Matplotlib ve TensorFlow/Keras kurulumlarını sorunsuz hale getirebilir, makine öğrenmesi projeleri için sağlam bir başlangıç altyapısı oluşturabilirsiniz. İlerleyen yazılarımızda bu kütüphaneleri proje bazlı örneklerle adım adım kullanmaya devam edeceğiz.