Machine Learning

CSV veya örnek veri setiyle sınıf bazlı veri çoğaltma: SMOTE, Borderline-SMOTE, ADASYN, mixup, jitter, Gauss kopula ve tarayıcıda eğitilen küçük GAN; sonuç orijinal/sentetik etiketli dosya olarak indirilir.

Veri kaymasının (data drift) tespiti ve etkilerinin interaktif laboratuvarı.

Veri sızıntısı kaynaklarının ve model performansına etkisinin interaktif gösterimi.

ML veri ön işleme pipeline'ının adım adım interaktif simülatörü.

Farklı sınıflandırıcıların karar sınırlarının interaktif görselleştirmesi.

Eğitim/doğrulama hatası üzerinden erken durdurma noktasının incelenmesi.

Hold-out, k-fold, LOO ve bootstrap doğrulama yöntemlerinin karşılaştırması.

Grid, random ve Bayesian hiperparametre optimizasyon yöntemlerinin interaktif laboratuvarı.

Kendi CSV verinizle veya örnek veri setleriyle k-en yakın komşu sınıflandırma: k, uzaklık ölçütü, ağırlıklandırma ve ölçekleme parametrelerini girin ya da varsayılanları kullanın; metrikler, karışıklık matrisi, permütasyon önemi ve k-taraması grafiğiyle sonuçları inceleyin.

Lojistik regresyonun ne olduğunu (sigmoid, log-odds, log loss, L2 düzenlileştirme, karar eşiği) anlatan ve kendi CSV verinizle ya da örnek veri setleriyle model eğitip metrikler, karışıklık matrisi, katsayı/odds oranları, ROC eğrisi ve kayıp grafiğiyle sonuçları inceleten interaktif laboratuvar.

Makine öğrenmesi iş akışının (veri, eğitim, doğrulama, dağıtım) interaktif MLOps laboratuvarı.

ML pipeline ve model seçimi simülatörü.

TensorFlow.js tabanlı interaktif sinir ağı eğitim ortamı.

İkili sınıflandırma için precision, recall, F1, MCC, AUC-ROC ve balanced accuracy hesaplama ve öğrenme aracı.

Hold-out, k-fold, bootstrap gibi yeniden örnekleme yöntemlerinin görselleştirmesi.

Klinik karar eşiğinin (threshold) duyarlılık/özgüllük üzerindeki etkisi.

Dengesiz veri setlerinde ROC ve Precision-Recall eğrilerinin karşılaştırması.

Veriye uygun istatistiksel testi (t-test, Mann–Whitney, Wilcoxon, ANOVA, Kruskal–Wallis, ki-kare, korelasyon) otomatik seçen, nedenini açıklayan ve p-değeri, etki büyüklüğü ile güven aralıklarını hesaplayan analiz aracı.

Tablo verisi için TabPFN transformer tabanlı sınıflandırıcının etkileşimli öğrenme modülü.

Model karmaşıklığı ile aşırı/yetersiz öğrenme dengesi simülatörü.

Kendi CSV verinizle veya örnek veri setleriyle gradient boosting sınıflandırma: n_estimators, learning rate, max_depth, gamma, lambda/alpha, subsample gibi parametreleri girin ya da varsayılanları kullanın; metrikler, karışıklık matrisi ve öznitelik önemi ile sonuçları inceleyin.