Makine Öğrenmesi · 18 CSV
Veri setleri
Kursta kullanılan bütün veri setleri. Hepsi küçük, sentetik ve sabit tohumla üretildi: dersin sahnesindeki veriyle birebir aynıdır ve lisans kısıtı yoktur. İndir, kendi bilgisayarında NumPy ile aç ya da ders sayfasında tarayıcıda çalıştır.
- Veri setini indir
Motor PWM ve tekerlek hızı
40 ölçüm: motora verilen PWM ve tekerleğin ölçülen hızı. Doğrusal ilişki ve gürültü.
Sütun Açıklama pwmPWM değeri (0–255) hiztekerlek hızı, cm/s Python’da açmak için:
veri = np.genfromtxt('motor-pwm.csv', delimiter=',', names=True)Kullanıldığı dersler: Doğrusal regresyon ve gradyan inişi
- Veri setini indir
Çizgi izleyen robot: uzman sürüşü
Uzman elle sürerken kaydedilen anlar: iki çizgi sensörü ve seçilen eylem. 160 eğitim, 80 test anı; %6 yanlış etiket.
Sütun Açıklama solsol sensör (0–1023) sagsağ sensör (0–1023) eylem0 sola, 1 düz, 2 sağa grup0 eğitim, 1 test Python’da açmak için:
veri = np.genfromtxt('cizgi-izleyen.csv', delimiter=',', names=True)Kullanıldığı dersler: Karar ağacı
- Veri setini indir
Kredi başvuruları
Simüle banka: 500 müşterinin aylık geliri, kaçırdığı ödeme sayısı ve krediyi ödeyip ödemediği. İlk 400 eğitim, son 100 yeni müşteri; %12 sürpriz.
Sütun Açıklama geliraylık gelir kacankaçırılan ödeme sayısı (0–5) odedi1 ödedi, 0 ödemedi grup0 eğitim, 1 yeni müşteri Python’da açmak için:
veri = np.genfromtxt('kredi-basvurulari.csv', delimiter=',', names=True)Kullanıldığı dersler: Karar ağacı · Rastgele orman
- Veri setini indir
Fren kararı: mesafe ve hız
80 an: öndeki engele mesafe, aracın hızı ve fren gerekip gerekmediği. Bir doğruyla ayrılabilir.
Sütun Açıklama mesafeengele mesafe, m hizhız, m/s fren1 fren, 0 devam Python’da açmak için:
veri = np.genfromtxt('surus-fren.csv', delimiter=',', names=True)Kullanıldığı dersler: Perceptron: ilk yapay nöron
- Veri setini indir
Renk sensörü: üç nesne
Ton ve parlaklık: kırmızı top, mavi silindir, sarı küp. 90 etiketli ölçüm ve 45 test ölçümü.
Sütun Açıklama tonton parlaklikparlaklık sinif0 kırmızı top, 1 mavi silindir, 2 sarı küp grup0 etiketli, 1 test Python’da açmak için:
veri = np.genfromtxt('renk-sensoru.csv', delimiter=',', names=True)Kullanıldığı dersler: k en yakın komşu (k-NN)
- Veri setini indir
Pistte mi? İki hilal
200 konum ve konumun pistin üstünde olup olmadığı. Doğruyla ayrılamaz; küçük bir sinir ağı gerekir.
Sütun Açıklama xx, m yy, m pistte1 pistte, 0 dışında Python’da açmak için:
veri = np.genfromtxt('pist-konum.csv', delimiter=',', names=True)Kullanıldığı dersler: Küçük bir sinir ağı
- Veri setini indir
Engel sensörleri: ultrasonik ve IR
120 eğitim ölçümü (70 boş yol, 50 engel) ve 30 test ölçümü: ultrasonik mesafe ve IR yansıması.
Sütun Açıklama mesafeultrasonik mesafe, cm irIR yansıması (0–100) engel1 engel, 0 boş yol grup0 eğitim, 1 test Python’da açmak için:
veri = np.genfromtxt('engel-sensoru.csv', delimiter=',', names=True)Kullanıldığı dersler: Naive Bayes: olasılıkla karar
- Veri setini indir
Oda taraması (2B LiDAR)
Süpürge robotunun 600 LiDAR noktası: duvar, kanepe ve masa. Etiket yok; gruplar k-ortalamalarla bulunur.
Sütun Açıklama xx, m yy, m Python’da açmak için:
veri = np.genfromtxt('lidar-2b.csv', delimiter=',', names=True)Kullanıldığı dersler: k-means: etiketsiz gruplar
- Veri setini indir
IMU ivme ölçümleri
200 ölçüm: iki eksende ivme. İki sayı neredeyse tek bir yönde değişir; PCA bu yönü bulur.
Sütun Açıklama axx ivmesi, m/s² ayy ivmesi, m/s² Python’da açmak için:
veri = np.genfromtxt('imu.csv', delimiter=',', names=True)Kullanıldığı dersler: Temel bileşen analizi (PCA)
- Veri setini indir
Spam e-postalar
400 e-posta (kelime listesi olarak), yarısı spam; aralarında kılık değiştirmiş spam ve mağaza bültenleri var. İlk 300 eğitim, son 100 test.
Sütun Açıklama metinkelimeler (Türkçe), boşlukla ayrılmış textaynı e-posta, İngilizce kelimelerle spam1 spam, 0 normal tur0 spam, 1 kılık değiştirmiş spam, 2 kişisel, 3 bülten Python’da açmak için:
veri = np.genfromtxt('spam-epostalar.csv', delimiter=',', names=True, dtype=None, encoding='utf-8')Kullanıldığı dersler: Naive Bayes ile spam süzgeci
- Veri setini indir
Depo konveyörü: nesneler
Kamera ve lazerin okuduğu üç sayı (yuvarlaklık, ton, boy) ve nesnenin gideceği kutu. 120 etiketli örnek ve banttan gelen 200 yeni nesne.
Sütun Açıklama yuvarlaklikyuvarlaklık (0 köşeli – 1 küre) tonrenk tonu (0–1) boyboy, cm kutu0 oyuncak, 1 elektronik, 2 gıda, 3 büyük koli grup0 etiketli, 1 yeni Python’da açmak için:
veri = np.genfromtxt('depo-nesneleri.csv', delimiter=',', names=True)Kullanıldığı dersler: Depoda nesne sınıflandırma
- Veri setini indir
Depo taraması (3B nokta bulutu)
360° LiDAR taraması: zemin halkaları, beş nesne (koli yığını, varil, insan, palet, dolap) ve havada sahte yansımalar. Gerçek etiket yalnız değerlendirme için.
Sütun Açıklama xx ileri, m yy sol, m zz yukarı, m nesne−2 zemin, −1 sahte yansıma, 0–4 nesne Python’da açmak için:
veri = np.genfromtxt('lidar-3b.csv', delimiter=',', names=True)Kullanıldığı dersler: 3B nokta bulutunu kümeleme
- Veri setini indir
Yarış pisti: orta çizgi
Kapalı pistin orta çizgisi: eşit aralıklı 300 nokta (57 m). Yol yarı genişliği 0,65 m; yol mu, ışın ve ilerleme bundan hesaplanır.
Sütun Açıklama xx, m zz, m Python’da açmak için:
veri = np.genfromtxt('pist-orta-cizgi.csv', delimiter=',', names=True)Kullanıldığı dersler: Otonom araç: pisti kendi kendine öğrenen sürücü
- Veri setini indir
Sürücü sensör kayıtları
Basit bir sürücü pistte 400 adım (20 s) sürerken her adımda beş mesafe ışını, hız, direksiyon ve gaz. Davranış klonlama (taklit ederek öğrenme) için.
Sütun Açıklama isin1ışın −60°, m isin2ışın −30°, m isin3ışın 0°, m isin4ışın 30°, m isin5ışın 60°, m hizhız, m/s direksiyon−1 sol … +1 sağ gaz−1 … +1 Python’da açmak için:
veri = np.genfromtxt('surucu-kayitlari.csv', delimiter=',', names=True)Kullanıldığı dersler: Küçük bir sinir ağı · Otonom araç: pisti kendi kendine öğrenen sürücü
- Veri setini indir
Ev fiyatları
200 sentetik ev: alan, oda sayısı, bina yaşı ve fiyat. Regresyonu başka bir veriyle denemek için.
Sütun Açıklama alanalan, m² odaoda sayısı yasbina yaşı, yıl fiyatfiyat, bin TL Python’da açmak için:
veri = np.genfromtxt('ev-fiyatlari.csv', delimiter=',', names=True)Kullanıldığı dersler: Doğrusal regresyon ve gradyan inişi · Gradyan inişi: kayıp arazisinde yokuş aşağı
- Veri setini indir
Çiçek ölçüleri (iris benzeri)
Üç türden 150 sentetik çiçek: çanak ve taç yaprağı boyu ve eni (cm). Ünlü iris verisine benzer ama sabit tohumla burada üretildi.
Sütun Açıklama canak_boyçanak yaprağı boyu, cm canak_ençanak yaprağı eni, cm tac_boytaç yaprağı boyu, cm tac_entaç yaprağı eni, cm tur0 setosa benzeri, 1 versicolor benzeri, 2 virginica benzeri Python’da açmak için:
veri = np.genfromtxt('cicek-olculeri.csv', delimiter=',', names=True)Kullanıldığı dersler: k en yakın komşu (k-NN) · Naive Bayes: olasılıkla karar · k-means: etiketsiz gruplar · Temel bileşen analizi (PCA)
- Veri setini indir
Sera sensörleri (zaman serisi)
7 gün, 10 dakikada bir: DHT22 sıcaklık ve nem, BME280 basınç, LDR ışık, HC-SR04 su deposu mesafesi. Gerçek sensör kusurlarıyla: gürültü, okunamayan örnekler (NaN), ani sıçramalar (85 °C, −40 °C) ve 5. gün öğleden sonra takılı kalan ısıtıcı (ariza = 1).
Sütun Açıklama dakikabaşlangıçtan geçen dakika saatgünün saati (0–24) sicaklikDHT22 sıcaklık, °C (NaN: okunamadı) nemDHT22 bağıl nem, % basincBME280 basınç, hPa isikLDR analog okuma (0–1023) mesafeHC-SR04 sensörden su yüzeyine, cm ariza1: ısıtıcı arızası penceresi Python’da açmak için:
veri = np.genfromtxt('sera-sensorleri.csv', delimiter=',', names=True)Kullanıldığı dersler: Sensör verisinden ML tahmini