Hızlandırılmış Python ve Makine Öğrenmesi ile Borsa Tahmini

Bu derste quandl üzerinden verileri çekip bu verileri analiz edeceğiz. Analiz ettikten sonra kullanılamayan verileri düzeltip kendi parametrelerimizi oluşturacağız. Sonra özelliklerimizi (feature) scale edip train-test diye 2 bölüme alıp karıştıracağız.

Bu derste ilk algoritmamızı tamamen bitireceğiz. Lineer regresyon class'ımızı scikit-learn'den çağırarak datalarımızı fit ettireceğiz. Ondan sonra matplotlib ile geçmiş verileri ve tahminimizi görselleştirip inceleyeceğiz.

Investing üzerinden csv formatında TTKOM hisse verilerini indireceğiz. Verileri indirdikten sonra kod yazarak bu verileri machine learning ve python formatına uygun hale dönüştüreceğiz.

Bu videoda artık algoritmamızı bitirip görselleştireceğiz. Yaptığımız analize ufak bir yorum yapıp bu bölümünde sonuna geleceğiz.

İlerleyen bölümler şu ana kadar yaptığımız tüm bölümlerden daha önemli, bu yüzden dikkatli dinlemenizi tavsiye ederim. Matematiğini yapıp algoritma mantığını kafamızda oluşturduktan sonra kodu sklearn kullanmadan komple kendimiz yazacağız.

Algoritmaya giriş, hipotez ve cost fonksiyonu tanımı.

Batch gradient descent algoritması vede cost fonksiyon minimize edilmesi, regülarizasyon parametreleri.

Normal denklemi açıklaması, 2 algoritma arasındaki farklar ve çoklu lineer regresyon.

r2 error hesabı yapmak, basit lineer regresyon formülü

Grafik üzerinde datalarımızın dağılımı, x0 (theta(0)) terimini eklemek ve train test split fonksiyonu yazımı

Dataları BGD için [0,1] arasına sıkıştırmak, ve normal denklemi yazımı

Batch gradient descent fonksiyonu yazımı, iterasyonu otomatik ve de el ile yazmak

r2 error hesabı, theta(0) ve theta(1) parametrelerini göstermek

Denklemimizi çizdirmek, tahmin fonksiyonu eklemek