A Phenomenon: Time loop

We heard about a time loop, parallel worlds and etc. but do we know exactly what is it? Basically, the time loop is a phenomenon when some periods of time are repeated and re-experienced by somebody. The things happen over and over again. Also, we see it in many movies – those movies/series are my favorites ones so far. There is a series called a Russian Doll on Netflix and it is about the time loop. If I need to tell what is based on is that Nadia’s personal journey and she is going through repeated moments. She dies repeatedly, always returning at the same moment where she was and of course she tries to figure out what is happening to her. For sure, there are some sub-topics like addictions or issues but my main topic is about the time loop and I would like to go deep.

What is the Time loop?

Mostly we call it “déjà vu” and I am sure most of us at least once experienced it. These areas are really deep and make us confuse if we are not familiar with these terms and/or moments. Honestly, I am not familiar with it but it grabs my interest because it does not mean that it does not happen to someone else even if I cannot understand totally. Therefore, I did a quick research about it, and according to my research, there are two different kinds of time loops. The first one is called the “causal paradox” and another one is called the “ontological paradox” and this is also known as the bootstraps paradox.
The causal paradox exists when events in the future trigger a sequence of events in the past whereas the ontological paradox involves an object or person to create the loop. As a note, their origin cannot be determined.
The time loop happens without ending and our memories are reset once we restart to repeat moments. The thing is everything looks normal actually we live normal until a point that we experience the same things again.

Time loop: Why, How, When…?

Of course, we would like to travel to a different time whether it is in the past or future. Sometimes, we may want to change the events that possible to happen in the future – it is an inevitable wish. There is an example of how we desire to learn something about the future and in my culture, we have “fortune-telling”. Despite all the real world, sometimes for fun sometimes for real, fortune-telling becomes an important one of the moments. I know this example exactly is not about the time loop but it is about time travel and these topics are related to each other.
On the other hand, there is something related to human behaviors because we would like to know more about a mystery, about our brain functions, how we react to things…

If you would like to learn about brain activities and developments, check this article out:

http://globalaihub.com/neuralink-the-purpose-of-it-and-security-issue/

Usually, I ask myself how AI will be playing a role in the time loop area if AI is going to affect every single area. It is not easy to get the correct answer but I will try to understand.

Artificial Intelligence and the Time Loop

As I tried to mention above, there are some different kinds of concepts. For example, how to get there whether it is past or future; after getting there how the things can be changed by events and/or persons. What AI can do is that predict the future that possible to happen. Therefore, even with the basic concepts, we try to predict the possible future and take an action based on it. In today’s world, we use from house to factory, many tools developed through machine learning algorithms and want them to make our lives more easy and valuable. So, I am asking can we use AI for time travel? Why not? AI uses and monitors data from different sources and based on it creates machine learning models to have impacts in the future – Such an excited.
However, a big challenge is that we might change possibilities based on our understanding of future events. And actually, it is not only about the changing possibilities, also the challenge is to manage multiple pathways with multiple data. It looks really complicated to me.

Resources

https://towardsdatascience.com/back-to-the-future-what-ai-has-in-common-with-time-travel-219496185819
https://en.wikipedia.org/wiki/Causal_loop
https://timetraveltheories.weebly.com/the-ontological-paradox.html
https://yourtimetravelexperience.com/what-is-a-time-loop
 

Veri Kalitesinin Önemi ve Veri İşleme

Tüm dünyanın üzerinde konuştuğu ve artık yeni düzen içerisinde en önemli şey olarak görülen konu veri’dir. Veri, birçok farklı yöntemle işlenir, üzerinden bilgi çıkarılması için hazırlanır. Başlı başına dünyanın yönünü değiştiren farklı bir boyut kazandıran yapıdır. Günümüzde şirketler aslında sahip olduğu bilgi kadar vardır. Hazır olarak elde edilen veriler, kendi topladığınız detaylarını bildiğiniz verilere oranla daha kalitesiz olabilir. Bundan ötürü, veri işleme konusunda epeyce zaman harcayabilir, proje süresini uzatabilirsiniz. Bu da sizin için büyük bir dezavantaj olabilir. Hazır olarak gelen verilerin kalitesini ölçmek ve onları belirli bir düzene sokmak tamamen sizin elinize kalabilir. Eğer veri kalitesi gerçekten çok düşük seviyelerde ise, onun üzerinde veri işleme basamaklarını dikkatli şekilde uygulayarak sisteme son hazırlıklar yapıldıktan sonra entegre edilebilir.
 
Şu an başlangıç seviyesinde olan yazılım geliştiricilerinin yaptığı en büyük hata, tertemiz olarak hazırlanan verilerin üzerinde işlem yapmaktır. Seviye kat etmek için kendiniz veri seti oluşturup onun analizini yapabilirsiniz. Bu size özgüven verirken karşılaştığınız zorluklar karşısında bulduğunuz çözümler, size büyük ölçüde yol aldıracak olan şeydir ki böylece birçok büyük firmanın önemsediği ‘problem çözebilme’ yeteneğine erişmiş olacaksınız. Kendi topladığınız veri ile uğraşmak, sizi gerçek hayatta karşılaşabileceğiniz sorunlar karşısında hazır hale getirecektir. Veri Bilimi alanında kariyer yapmak isteyen kişiler, kendi verilerini toplayıp bu verinin her ayarını yaparak, gerçek anlamda bir soruna çözüm bulmalı ki en sonunda ürün aşamasına kadar gidebilsin. Geliştirdiği proje evreleri sayesinde bilgi üzerinden işlem yapabilme, ürün geliştirme, gerçek hayat sorununa çözüm bulma gibi konularda önem düzeyi yüksek seviyede tecrübe sahibi olarak kariyerine rahatlıkla devam edebilir.
 

 
Veri Bilimci için en mühim konu veri’dir. Veri olmazsa çözüm bulunamaz, veriye sahip olan kişiler yeni oluşacak olan çağ içerisinde gücü elinde tutacaktır. Gelecek dünya düzeni içerisinde tam anlamıyla dünyaya yön verecek olan şeye veri diyebiliriz. Hayatın her evresinde canlı olarak akan veriler mevcut ve bunları işleyip mantıklı çıkarımlarda bulunmak, yaşadığımız yüzyıl için son derece mühim bir yetenektir. Veriden alınan bilgileri iyi bir şekilde anlayıp oluşacak sorunlara çözüm üretmek, geleceğin iş bulma konusunda kolaylık sağlayacağı bir diğer durumdur. Yapay zeka konusuna açılan en mühim konu, bir proje ve o projeye kaliteli verilerin var oluşudur. Veri kalitesi, oluşacak olan projenin ne kadar uzun süreli olduğunu ve gideceği maksimum noktayı belirlemede söz hakkına tam anlamıyla sahiptir. Veri kalitesi kadar mühim bir konu yoktur çünkü veri kalitesizse oluşacak birçok sorun var demektir.
 
Veri kalitesi kadar önem düzeyi olan bir diğer konu, doğru şekilde veri işleme adımlarını gerçekleştirmektir. Veri bilimi, makine öğrenmesi, yapay öğrenme, derin öğrenme ya da yapay zeka, adını ne koyarsanız koyun bu işlerin bir ürün haline gelmesi için gereken tek şey veri’dir. Ek olarak, bu verinin kaliteli ve veri işleme basamaklarını çok iyi seviyede hazırlanmış olması, bu isimlendirilmelerin yapıldığı projelerin süreçlerine direkt etki etmektedir. Veri işleme adımları, ürün olarak sunulacak olan konuların geçilmesi en kritik durumdur. Bu gibi hayati noktaları atlattıktan sonra, işin ürün haline gelme kısımlarını oluşturarak üzerinde matematiksel, mühendislik bilgisi ya da istatistiksel bilgileri kullanarak hızlı bir şekilde yol alabilirsiniz. Bu durum, projenize ivme kazandırarak, sizi motive eder. Böylece aldığınız motive ve sahip olduğunuz itekleme gücü ile hareket ederek, farklı bir boyuta geçebilirsiniz.
 

 
Dünya şartları, yaşadığımız yüzyıl boyunca sürekli değişim halinde olmaya devam edecektir. Bu değişime öncü olarak belirlenen şey verinin ta kendisidir. Yeni petrol olarak adlandırılan veri, yeni yüzyıl için tam anlamıyla petrol niteliği taşımaktadır. Bunları işlemek, mantıklı sonuçlar elde etmek herkesin en temel amacı olmaktadır. Bu alanda çalışacak kişilerin sayısal bilgileri kuvvetli olmalı ve veriyi işleme konusunda tecrübeli olmalıdır. Veriyi önüne aldığı ilk andan itibaren, sorun çözme zekasını aktif kullanarak çalıştığı birimlere fayda sağlamalıdır. Veri işleme; makine öğrenmesi ve derin öğrenme konularında başarı skorlarını değiştirme gücüne sahip bir tekniktir. Bu teknik, eğer doğru kullanılırsa, erişebilir maksimum skor seviyeleri kolayca yakalanabilir.
 
Akıllı sistemlerin gelişmesi ve hayatımızın tam anlamıyla içine girmesine katkı sağlayan şey, kaliteli veri sayesinde oluşmuştur. Çalışılacak olan proje için kaliteli işler çıkartmak istiyorsanız, öncelikle elinizdeki veriyi kaliteli ve sağlam temellere dayanarak toplamalısınız. Bu durum sağlanmazsa, çok iyi bir veri işleme evresi gerçekleştirip proje öncesi son rötuş yapılarak, projenizi hazır halde tutabilirsiniz. Böylece, sizlere hem zaman tasarrufu sağlar hem de işin başına geçerken uğraşacak olduğunuz verinin kalitesi size güven vererek, proje adımları boyunca sorunları veri üzerinden minimal şekilde çözmeniz gerekecektir. Veri kalitesi, projelerin hayat kaynağıdır. İyi bir veri ile çalışma fırsatı bulmuş kişiler, tam olarak neyi kast ettiğimi çok iyi biliyorlar. Unutmayın iyi bir veri, iyi bir proje, iyi bir çalışma düzeni ve iyi sonuçlar demektir.

Umarım beğenmişsinizdir. Beğendiyseniz yorumlarda belirterek, bana geri dönüş verebilirsiniz.
References :
-https://www.wired.com/insights/2014/07/data-new-oil-digital-economy/#:~:text=Like%20oil%2C%20for%20those%20who,the%20government%20to%20local%20companies.
-http://globalaihub.com/basic-statistics-information-series/
-http://globalaihub.com/python-ile-veri-on-isleme-data-preprocessing/
-https://searchdatamanagement.techtarget.com/definition/data-quality.

Relationship Between Human Brain and CNN

Hello, we all know that the image classification process of convolutional neural networks is influenced by the working principle of neural networks in the human brain. Let’s examine the relationship between them.
CONVOLUTIONAL NEURAL NETWORKS
       Convolutional Neural Networks are deep learning architecture that is widely used in computer vision studies such as image classification, localization, object perception. Convolutional neural networks are the field of study associated with machine learning to analyzing visual imagery. CNN choose unique features from pictures to distinguish the given figure. This process also happening in our brains unconsciously.
Biological Inspiration of Convolutional Neural Network (CNN)
Mapping of human visual system and CNN
Research in Sensor Processing (1960’s and 1970’s)
These works are prime Dr. Hubel and Dr. Wiesel worked on the area of Sensory Processing. In which, they inserted a micro-electrode into the primary visual cortex of an partially anesthetized cat so that she can’t move and shown the images of line at different angles to the cat.
Through the micro-electrode they found that some neurons fired very rapidly by watching the lines at specific angles, while other neurons responded best to the lines at different angles. Some of these neurons responded to light and dark patterns differently, while other neurons responded to detect motion in the certain direction.

Where is visual cortex located in humans brain?

 

                                                                                     Figure 1: Functional areas for the human brain

 
Visual Cortex is the part of the Cerebral Cortex of the Brain that processes the visual information. Visual nerves from the eyes runs straight to the primary visual cortex. Based on the structural and the functional characteristics it is divided into different areas, as shown in the following picture:
 

Figure 2: Different areas of visual cortex

 
 Visual cortex: Functions
The visual information is passed from one cortical area to another and each cortical area is more specialized than the last one. The neurons in the specific field only respond to the specific actions.
Some of them with their functions are as follows:

  1. Primary visual cortex or V1: It preserves spatial location of visual information i.e. orientation of edges and lines. It is the first one to receive the signals form what eyes have captured.
  2. Secondary visual cortex or V2: It receives strong feed-forward connections from V1 and sends strong connections to V3, V4 and V5. It also sends strong feedback network to V1. Its function is to collects spatial frequency, size, color and shape of the object.
  3. Third visual cortex or V3: It receives inputs from V2. It helps in processing global motion and gives complete visual representation.

      4. V4: It also receives inputs from V2. It recognizes simple geometric shapes and also forms recognition of object. It is not tuned for complex objects              as Human Faces.

  1. Middle temporal (MT)visual area or V5: It is used to detect speed and direction of moving visual object i.e. motion perception. It also detects motion of complex visual features. It receives direct connections from V1.
  2. Dorsomedial (DM) area or V6: used to detect wide field and self-motion stimulation. Like V5 it also receives direct connections from V1. It has extremely sharp selection of the orientation of visual contours.

Structure of Convolutional Neural Networks
CNN processes the image with various layers.
Layers Of CNN
Input Layer: In this layer, data is transmitted raw to the network.
Convolutional Layer: Used for detecting features.
Non-Linearity Layer: Introduction to nonlinearity to the system
Pooling (Down sampling) Layer: Decrease count of weights and check the conformation
Flattening Layer: Prepare the data for classical neural network
Fully Connected Layer: Standard Neural Network used in classification

                  Figure 3: CovNet Diagram

As a result, CNN imitates the work of the visual cortex in our brain. If we look the plane picture, we can define the plane by separating the features such as two wings, engines, windows. CNN does the same thing but previously they detect low-level properties such as curves and edges and create them up to more abstract concepts. Don’t you think it’s great? Hope to see you in our next blog.
 
REFERENCES

  1. http://scipy.github.io/old-wiki/pages/Cookbook/Matplotlib/HintonDiagrams
  2. https://medium.com/@tuncerergin/convolutional-neural-network-convnet-yada-cnn-nedir-nasil-calisir-97a0f5d34cad
  3. https://medium.com/@gopalkalpande/biological-inspiration-of-convolutional-neural-network-cnn-9419668898ac
  4. Kuş, Zeki.”Mikrokanonikal Optimizasyon Algoritması ile Konvolüsyonel Sinir Ağlarında Hiper Parametrelerin Optimize Edilmesi”Fatih Sultan Mehmet University,2019 (pp. 16-21)

 
 

Image Segmentation

When deep learning and image processing are blended, of course, one of the most well-known methods of object detection is to segment images. In the image division method, each of the pixels in a region is masked by removing similarities according to some characteristic or calculated properties, such as color values, density, texture.

Veri Bilimcinin Mutlaka Bilmesi Gereken Sql ve Pandas Kodları

Bundan 15-20 yıl önce yazılım dünyasında belli başlı yeteneklere sahip olmak, bir kaç program bilmek işinizi oldukça kolaylaştırıyor ve yetkinlik sağlıyordu. Bugün geldiğimiz noktada ise tek bir program ya da becerinin yanında bir çok alanda, farklı özellik sahibi olmak ve farklı program dilleri bilmek kişiyi ön plana çıkarmaktadır.

SQL (Structured Query Language) sorgu dili geçmişte ve günümüzde hala önemini korusa da, özellikle yapay zeka ve makine öğrenmesi gibi alanların yaygınlaşması sonucunda Python’da kullanılan Pandas kütüphanesi ön plana çıkmaya başlamıştır.

Bu yazımda temel veri keşfi analizinde kullanılan kodların SQL ve Pandas da nasıl yazıldığını inceleyeceğiz. Analiz boyunca buradaki  Airports datasını kullanacağız. Airports datasının csv dosyasını SQL’e ve Pandas’a yükledikten sonra analize başlayabilirsiniz.

1. Select, Where, Distinct Komutları

SQLPANDASAÇIKLAMA
select * from airports airportsTüm tabloyu getirir.
select top(10) * from airportsairports.head(10)İlk 10 satırı getirir.
select id from airports where iso_country = ‘TR’
airports.id[airports.iso_country == ‘TR’]iso_country si TR olan id leri getirir.
select distinct iso_region from airportsairports.iso_region.unique()Uniq değerleri getirir.

2. Birden Fazla Koşulla Seçim

SQL de birden fazla koşul and ve or ile verilirken, Pandas‘ta bu & ve | şekilleri ile verilir.

SQLPANDASAÇIKLAMA
select * from airports where iso_country = ‘TR’ and type = ‘closed’
airports[(airports.iso_region == ‘US-CA’) & (airports.type == ‘seaplane_base’)]Country’si TR olan ve type’ı closed olan değerleri getirir.
select ident, name, municipality from airports where iso_region = ‘US-CA’ and type = ‘large_airport’airports[(airports.iso_region == ‘US-CA’) & (airports.type == ‘large_airport’)][[‘ident’, ‘name’, ‘municipality’]]Region’u US-CA olan type’i large airport olan kolonları ident,name ve municipality olan değerleri getirir.

3. Order By Sıralama Komutu

SQL’de sıralama Order By komutu ile yapılırken, Pandas’ta ise sort_values ve ascending komutu kullanılmaktadır.

SQLPANDASAÇIKLAMA
select * from airports where iso_country = ‘TR’ order by idairports[airports.iso_country == ‘TR’].sort_values(‘id’)iso_country’si TR olanları id’e göre küçükten büyüğe sıralar.
select * from airports where iso_country = ‘TR’ order by id descairports[airports.iso_country == ‘TR’].sort_values(‘id’, ascending=False)iso_country’si TR olanları id’e göre büyükten küçüğe sıralar.

4. In-not, In Komutu

SQL’de where komutuna birden fazla değeri koşul olarak koymak için kullanılır. Pandas’ta ise bu işi isin komutu gerçekleştirir. Dışındakileri getirirken ~ simgesi unutulmamalıdır.

SQLPANDASAÇIKLAMA
select * from airports where type in (‘small_airport’, ‘closed’) airports[airports.type.isin([‘small_airport’, ‘closed’])]type’i small_airport ve closed olanları getirir.
select * from airports where type not in (‘small_airport’, ‘closed’)airports[~airports.type.isin([‘small_airport’, ‘closed’])]type’i small_airport ve closed dışındakileri getirir.

5. Group By, Count Komutları

SQL ve Pandas’da group by komutları ortaktır. Count komutu ise yerine göre değişebilir. SQL’deki count ile Pandas’daki size aynı anlamda kullanılabilir diyebiliriz.

SQLPANDASAÇIKLAMA
select iso_country, type, count(*) from airports group by iso_country, type order by iso_country, type


airports.groupby([‘iso_country’, ‘type’]).size()iso_country’e göre gruplar ve iso_coutry ve type göre sıralar.
select iso_country, type, count() from airports group by iso_country, type order by iso_country, count() descairports.groupby([‘iso_country’, ‘type’]).size().to_frame(‘size’).reset_index().sort_values([‘iso_country’, ‘size’], ascending=[True, False])iso_country’e göre gruplar ve iso_coutry ve type göre tersten sıralar.

6. Having

Gruplanmış veri SQL’de having komutu ile filtreleyebiliriz. Pandas’ta bu işlevi filtre komutu yapmaktadır.

SQLPANDASAÇIKLAMA
select type, count(*) from airports where iso_country = ‘US’ group by type having count(*) > 1000 order by count(*) descairports[airports.iso_country == ‘US’].groupby(‘type’).filter(lambda g: len(g) > 1000).groupby(‘type’).size().sort_values(ascending=False)iso_country’si US olanları type göre gruplar 1000’den büyük olanları getirir.

7. Union all ve Union

SQLPANDASAÇIKLAMA
select name, municipality,ident from airports where ident = ‘LTBE’ union all select name, municipality,ident from airports where ident = ‘LTFM’pd.concat([airports[airports.ident == ‘KLAX’][[‘name’, ‘municipality’]], airports[airports.ident == ‘KLGB’][[‘name’, ‘municipality’]]])identleri ‘LTBE’ ve ‘LTFM’ olanları getirir.

8. Insert into

SQL’de yeni tablo oluşturmak için create table komutu kullanılırken, tabloya yeni kayıt eklemek için kullanılan insert into komutu kullanılır. Pandas’da ise pd.DataFrame ile yeni tablo oluşturulup, yeni kayıtlar direk içine yazılabilir ya da başka bir tablo ile concat komutu ile birleştirilebilir.

SQLPANDASAÇIKLAMA
create table yenitablo (id integer, isim text);df1 = pd.DataFrame({‘id’: [1, 2], ‘isim’: [‘Mert’, ‘Furkan’]})Yeni tablo oluşturur.
insert into yenitablo values (1, ‘Mert’);df2 = pd.DataFrame({‘id’: [3], ‘name’: [‘Hermione Granger’]})Tabloya yeni kayıt ekler.
pd.concat([df1, df2]).reset_index(drop=True)
YA DA
data = pd.DataFrame([[9, 7], [8, 5]], columns=list(‘PD’))

data2 = pd.DataFrame([[6, 4], [1, 2]], columns=list(‘PD’))

data.append(data2, ignore_index=True)

9. Delete

SQL’de silme işlemini ‘delete‘ komutu yerine getirirken, Pandas’ta ‘drop‘ komutu kullanılır.

SQLPANDASAÇIKLAMA
delete from airports where type = ‘heliport’airports.drop(airports[airports.type == ‘heliport’].index)type’ı heliport olanları siler.

Bu yazımda temel olarak SQL ve Pandas komutlarının karşılaştırılmasına değindim. Gelecek yazılarımda Pandas kütüphanesi ile ilgili bir seri hazırlamayı düşünüyorum. Soru ve önerileriniz için bana linkedinden yazabilirsiniz.

* Bu yazıdan esinlenerek hazırlanmıştır.

Finans Teknolojileri

Fintek

Yapay zekanın birçok uygulama alanı olduğunu biliyoruz. Peki finans sektörü yapay zekadan ne kadar ve nasıl etkilendi? Fintek yani uzun haliyle “finans teknolojileri” araştırmalara göre finans kuruluşları için en büyük yıkıcı güç olarak görülüyor.

Fintek finansal hizmetlerin kolaylaştırılması ve iyileştirilmesi için geliştirilmiş teknolojilerdir. Finans ve teknoloji arasındaki bağlantı farklı dönemlerde gelişmiştir. Arneris, Barberis&Ross’un yazdığı makaleye göre fintek’in gelişimi;

Öncelikle Fintek’in tarihsel evriminden kısaca bahsedecek olursak; Finansal küreselleşmenin telgraf, demiryolları ve buharlı gemi teknolojileri ile Fintek 1.0 döneminde başladığını söyleyebiliriz.1950’lerde ise ilk kez kredi kartı kullanılmıştır. Fintek 2.0 dönemi analogdan dijitale geçişi simgeler. Bu dönemde ilk el tipi hesap makinaları ve ilk ATM’den söz edebiliriz. 1990’lı yıllarda dünya internet ve e-ticaret iş modelleriyle gelişen çevrimiçi bankacılık, 21. yy.’ın başlarında ise bankaların iç süreçleri ve tüm etkileşimleri tamamen dijital hale gelmiştir. Bu dönem 2008 Ekonomik Krizi ile son bulur. 2009’da Bitcoin v0.1’in piyasaya sürülmesi ve kripto para birimlerinin çıkmasıyla Fintek 3.0 dönemi başlar. Bu dönemde akıllı telefonlar farklı finansal hizmetlerin kullanılması için birincil araç haline gelmiştir.

Fintek’in evrimini kısaca özetledik. Peki yakın gelecekte finans sektöründe bizi neler bekliyor? En önemli fintek etkinliklerinden biri olan Money 20/20’de bir finans ve yatırım danışmanlığı şirketi olan Gartner’a göre 2020 yılından itibaren şirketlerin %50 si finans alanında yapay zeka kullanmaya başlayacak.

Finans sektöründe yapay zeka ile neler yapılabilir?

Finans alanında yapay zeka ile

  • Yatırım kararlarının finansal boyutunu araştırmak
  • Gelir-gider ve operasyon marjı etkilerinin hesaplanması
  • Finansal analiz çalışmalarını yapması öngörülüyor.

Aynı zamanda nicelik, karmaşıklık ve erişilebilirlik gibi ticari işlemlerin fazla uzamasına sebep olan süreçler de bulunuyor.

Giderek büyüyen finansal verinin daha karmaşık hal almasının nedenleri; piyasa kanallarının, ödeme yöntemlerinin ve ürün yapılandırmaların çoğalması ve işlemlerin kaydedilmesindeki farklı varyasyonlara sebep oluyor.

Makine öğrenmesi veri erişimi problemini 2 yolla çözüyor.

1)Sistemdeki bilginin bulunmasını ve kullanımını kolay hale getiriyor ve bilgiyi daha geniş bir çalışan kitlesine erişilebilir kılıyor.

2)Makina öğrenmesi algoritmaları farklı kullanım senaryolarıyla karşılaştıkça yazılım benzerliklerinden ve trendlerden “chatbot” adı verilen akıllı sohbet programlarıyla tavsiyeler verebiliyor.

Sonuç olarak görüldüğü üzere finans sektöründe de “big data” kavramı yaygınlaştıkça yapay zekaya olan ihtiyaç artıyor. Özellikle finansçıların fazla vakit kaybettikleri alanlarda işleri kolaylaştırıyor. Bir sonraki yazımızda görüşmek dileğiyle…Hoşçakalınız…

REFERANSLAR

  1. https://www.e-zigurat.com/innovation-school/blog/evolution-of-fintech/
  2. https://webrazzi.com/2019/10/19/finans-dunyasi-icin-yapay-zeka-kullanimi-kacinilmaz-hale-geliyor/
  3. https://assets.kpmg/content/dam/kpmg/tr/pdf/2018/05/kuresel-fintech-arastirmasi-2018.pdf

Data Science in E-commerce

Welcome to the eCommerce world. There is no doubt is that the eCommerce sector is growing and Data Science involved in it. In this article, I wanted to touch some points related to how Data Science helps eCommerce.