🧠 AI-Driven Predictive & Analytical Intelligence Platform

Yapay Zeka Destekli Tahmin, Sınıflandırma ve Müşteri Segmentasyon Paneli

Veri Ön İşleme, İkili/Çoklu Sınıflandırma, Müşteri Segmentasyonu ve Birliktelik Kuralı Madenciliği modellerini bir araya getiren uçtan uca etkileşimli makine öğrenmesi web uygulaması.

---

📌 Proje Hakkında (Overview)

Bu proje; makine öğrenmesi algoritmalarının veri ön işleme, model eğitimi, hiperparametre optimizasyonu ve performans değerlendirme aşamalarını FastAPI tabanlı modern bir mikroservis mimarisi ve HTML5 / Tailwind CSS / Vanilla JS etkileşimli ön yüzüyle birleştiren akademik ve endüstriyel bir karar destek panelidir.

Panel, veri biliminin 4 temel disiplinini canlı simülasyonlarla sunar:

1. Veri Ön İşleme & Veri Sızıntısı Koruması (Data Preprocessing & Leakage Prevention)
2. Klinik Diyabet Risk Analizi (Binary Logistic Regression)
3. El Yazısı Rakam Tanıma (Multinomial Logistic Regression with Live Paint Board)
4. RFM Tabanlı Müşteri Segmentasyonu (Unsupervised K-Means++ Clustering)
5. Pazar Sepeti Ürün Öneri Motoru (Market Basket Analysis - Apriori Algorithm)

---

🚀 Temel Modüller ve Özellikler

1. 🧪 Veri Ön İşleme Hattı (Pipeline Visualizer)

• Eksik Veri Tespiti (Median Imputation): Biyolojik değişkenlerdeki (Glikoz, Tansiyon, BMI) 0 değerleri tespit edilerek eğitim setinden hesaplanan medyanlar ile dinamik olarak doldurulur.
• Standartlaştırma: $Z$-skor dönüşümü (StandardScaler) ile tüm özellikler sıfır ortalama ve birim varyansa çekilir.
• Veri Sızıntısı (Data Leakage) Koruması: Ön işleme istatistikleri test setinden izole olarak yalnızca eğitim setinden türetilmiştir.

2. 🩺 Klinik Diyabet Risk Analizi (Binary Classification)

• Model: L2 regülarizasyonlu İkili Lojistik Regresyon (LogisticRegression(random_state=42)).
• Performans: %71.43 Test Doğruluğu, 0.8230 ROC-AUC Skoru.
• İnteraktif Özellik: Form üzerinden girilen 8 klinik parametreye göre canlı Hastalık Olasılığı Göstergesi (%0 - %100) ve risk sınıflandırması.
• Görselleştirmeler:
  • 📊 2x2 Confusion Matrix Heatmap
  • 📈 ROC Eğrisi (Receiver Operating Characteristic & AUC)

3. ✍️ El Yazısı Rakam Tanıma (Multiclass Classification)

• Model: 10 Sınıflı Multinomial Lojistik Regresyon (max_iter=1000, random_state=42).
• Veri Seti: 1,797 örnekli 8x8 piksel sklearn.datasets.load_digits.
• Performans: %97.22 Test Doğruluğu, 0.97 F1-Score.
• İnteraktif Çizim Tahtası:
  • 280x280 Dokunmatik Çizim Canvas'ı: Doğrudan tarayıcıda fare veya dokunmatik ekranla çizim yapma.
  • Direct Block Averaging & Aspect Ratio: Çizilen piksel yoğunluklarını ve en-boy oranını bozmadan Scikit-Learn 8x8 piksel formatına indirgeyen doğrudan örnekleme algoritması.
  • Canlı 8x8 Giriş Önizleme: Modelin gördüğü 64 pikselin anlık önizleme penceresi.
  • Rastgele / Belirli Veri Seti Örnek Yükleyici (0-9): Gerçek veri seti örneklerini tek tıkla test etme.

4. 🛍️ Müşteri Segmentasyonu (RFM K-Means++ Clustering)

• Model: $K$-Means++ Kümeleme ($K=4$, $\text{log1p} + \text{StandardScaler}$).
• Boyutlar:
  • R (Recency): Son alışverişten bu yana geçen gün.
  • F (Frequency): Toplam işlem / sipariş sayısı.
  • M (Monetary): Müşterinin bıraktığı toplam harcama tutarı.
• 🌟 Canlı Müşteri Konumlandırma Grafiği (Scatter Plot): Kullanıcı yeni bir müşteri girdiğinde, arka plandaki 4 müşteri kümesi grafiği üzerinde müşterinin tam koordinatına parlayan bir kırmızı işaretçi yerleştirilir.
• 💡 Pazarlama Stratejisi Çıkarımı: Küme bazlı aksiyon önerileri (VIP Sadakat Kulübü, Riskli Müşteri Geri Kazanma İndirimi vb.).
• 📉 Elbow Yöntemi (Dirsek Grafiği): $K=2$ matematiksel bükülme noktası ve $K=4$ ticari segmentasyon seçiminin gerekçelendirmesi.

5. 🛒 Ürün Öneri Motoru (Market Basket - Apriori)

• Model: Apriori Birliktelik Kuralı Madenciliği ($\text{Support} \ge 0.02, \text{Lift} \ge 1.0$).
• Veri: Online Retail Fransa sipariş sepetleri.
• Öneri Çıktısı: Seçilen ürünle birlikte en sık satın alınan ürünler, Lift (Kaldıraç Gücü) ve Confidence (Birlikte Alınma Güven Yüzdesi) görsel ilerleme çubukları ile sunulur.
• 📊 Kural Dağılım Grafiği (Bubble Plot): Destek, Güven ve Kaldıraç ilişkisini gösteren saçılım grafiği.

---

🛠️ Teknoloji Yığını (Tech Stack)

Alan	Kullanılan Teknolojiler
Backend & API	Python 3.11+, FastAPI, Uvicorn, Pydantic
Makine Öğrenmesi	Scikit-Learn, Pandas, NumPy, Joblib, MLxtend
Görselleştirme	Matplotlib, Seaborn, HTML5 Canvas 2D
Frontend UI	HTML5, Modern CSS / Tailwind CSS (CDN), Vanilla JavaScript

---

📂 Proje Dizin Yapısı

mpv/
├── main.py                     # FastAPI REST API, model endpoint'leri ve görselleştiriciler
├── index.html                  # Tek sayfa (SPA) interaktif dashboard arayüzü
├── requirements.txt            # Python bağımlılıkları
├── README.md                   # Proje dokümantasyonu
├── csvs/                       # Veri setleri (diabetes.csv, online_retail vb.)
│   └── diabetes.csv
├── models/                     # Eğitilmiş ve serileştirilmiş Scikit-Learn modelleri
│   ├── diabetes_model.pkl      # Logistic Regression (Diyabet)
│   ├── diabetes_scaler.pkl     # StandardScaler (Diyabet)
│   ├── diabetes_medians.pkl    # Eğitim seti medyan değerleri
│   ├── digits_model.pkl        # Multinomial Logistic Regression (Rakam)
│   ├── digits_scaler.pkl       # StandardScaler (Rakam)
│   ├── kmeans_model.pkl        # K-Means++ modeli (K=4)
│   ├── rfm_scaler.pkl          # RFM StandardScaler
│   ├── rfm_data.pkl            # Gerçek müşteri RFM verisi ve küme etiketleri (N=4,312)
│   ├── rfm_elbow_wcss.pkl      # Elbow WCSS değerleri (K=1..10)
│   └── ecommerce_rules_france.csv # Apriori kural tablosu
└── scripts/                    # Model eğitim ve hazırlık betikleri
    ├── diabetes_model_prep.py  # Diyabet modeli eğitim betiği
    ├── digits_model_prep.py    # Digits modeli eğitim betiği
    └── ecommerce_kmeans_prep.py # RFM K-Means & gerçek veri hazırlık betiği

---

⚡ Kurulum ve Çalıştırma

1. Depoyu Klonlayın

git clone https://github.com/andckadir/python-prediction
cd mvp

2. Sanal Ortamı Oluşturun ve Aktif Edin

python -m venv venv
source venv/bin/activate  # Windows için: venv\Scripts\activate

3. Bağımlılıkları Yükleyin

pip install -r requirements.txt

4. Modelleri Hazırlayın (Opsiyonel / Zaten Kayıtlıdır)

python scripts/diabetes_model_prep.py
python scripts/digits_model_prep.py
python scripts/ecommerce_kmeans_prep.py

5. Backend Sunucusunu Başlatın

uvicorn main:app --reload --port 8000

API servisi http://127.0.0.1:8000 adresinde çalışmaya başlayacaktır.

6. Arayüzü Açın

• index.html dosyasını doğrudan herhangi bir modern web tarayıcısında (Chrome, Firefox, Edge, Safari) çift tıklayarak açabilirsiniz.

---

📡 API Uç Noktaları (Endpoints)

Otomatik interaktif Swagger dokümantasyonuna http://127.0.0.1:8000/docs adresinden erişebilirsiniz.

Metot	Uç Nokta	Açıklama
POST	/preprocess/diabetes	Ham girdiyi medyan imputasyonu ve ölçekleme adımlarından geçirir.
POST	/predict/diabetes	Diyabet risk sınıflandırması ve olasılık skorunu hesaplar.
POST	/predict/digit	64 piksellik diziden rakam sınıflandırması ve güven oranını üretir.
GET	/digits/sample	Gerçek veri setinden rastgele veya belirli bir rakam örneği döndürür.
POST	/cluster/rfm	R-F-M değerlerine göre müşteri segmentini ve küme numarasını döndürür.
POST	/rules/recommend	Seçilen ürün için en güçlü birliktelik önerilerini listeler.
GET	/visualizations/confusion-matrix/diabetes	Diyabet 2x2 Confusion Matrix ısı haritasını döndürür (PNG).
GET	/visualizations/roc-curve/diabetes	Diyabet ROC-AUC eğrisi grafiğini döndürür (PNG).
GET	/visualizations/confusion-matrix/digits	Rakam 10x10 Confusion Matrix ısı haritasını döndürür (PNG).
GET	/visualizations/cluster-scatter	Müşterinin koordinatını içeren canlı K-Means dağılım grafiğini döndürür (PNG).
GET	/visualizations/elbow-curve	K-Means WCSS Dirsek Eğrisi grafiğini döndürür (PNG).
GET	/visualizations/arm-scatter	Birliktelik kuralları Destek-Güven-Lift dağılım grafiğini döndürür (PNG).

---

_{Modern Veri Bilimi ve Yapay Zeka Uygulamaları © 2026}