ErtanDağdelen
| 3 dk okuma | 21 okunma

Uygulamalı örnek: Python ile adım adım spam mail sınıflandırıcı yapımı

Artık teoriyi biliyorsun ama gerçek bir AI projesi nasıl yapılır? Bu yazıda sıfırdan bir spam mail sınıflandırıcı geliştirerek makine öğrenmesi sürecini uçtan uca göreceksin. Veri hazırlamadan model eğitmeye, metriklerle değerlendirmeden sonuç üretmeye kadar her adımı basit ve anlaşılır şekilde uygulayacağız.

Uygulamalı örnek: Python ile adım adım spam mail sınıflandırıcı yapımı

Problem: Spam mi, değil mi?

E-posta kutunu düşün. Bazı mailler gerçekten önemliyken bazıları tamamen gereksiz (spam).

Bizim amacımız: Bir mailin spam olup olmadığını otomatik tahmin eden model yapmak Bu bir classification (sınıflandırma) problemidir.

Adım 1: Veri seti

Basit bir veri seti oluşturalım:


import pandas as pd

data = {
"text": [
"Kazandınız! Hemen tıklayın",
"Toplantı saat 3'te",
"Bedava hediye kazandınız",
"Yarın görüşelim",
"Şok indirim fırsatı",
"Proje dosyasını gönderiyorum"
],
"label": [1, 0, 1, 0, 1, 0] # 1 = spam, 0 = normal
}

df = pd.DataFrame(data)

Adım 2: Metni sayıya çevirme (TF-IDF)

Makine metni anlayamaz, sayıya çevirmemiz gerekir:


from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(df["text"])
y = df["label"]

Adım 3: Train-Test split

Modeli doğru test etmek için veriyi bölelim:


from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.3, random_state=42
)

Adım 4: Model oluşturma ve eğitme

Basit ve güçlü bir model kullanalım:


from sklearn.naive_bayes import MultinomialNB

model = MultinomialNB()
model.fit(X_train, y_train)

Adım 5: Tahmin ve değerlendirme


from sklearn.metrics import accuracy_score

y_pred = model.predict(X_test)

print("Accuracy:", accuracy_score(y_test, y_pred))

İstersen burada:

  1. precision
  2. recall da ekleyebilirsin


Adım 6: Gerçek kullanım

Artık modeli kullanabiliriz:


yeni_mail = ["Bedava iPhone kazandınız"]
yeni_X = vectorizer.transform(yeni_mail)

tahmin = model.predict(yeni_X)

print("Spam" if tahmin[0] == 1 else "Normal")


Bu projede ne öğrendin?

  1. Metin verisi nasıl işlenir
  2. Feature engineering (TF-IDF)
  3. Model eğitme
  4. Model değerlendirme
  5. Gerçek tahmin yapma

Yani aslında küçük ama tam bir AI pipeline kurdun.

Bu proje basit bir örnek ama mantık aynıdır:

  1. Gmail spam filtresi
  2. Sosyal medya yorum analizi
  3. Sahte mesaj tespiti

Hepsi benzer pipeline ile çalışır.

Ertan Dağdelen

Yazan

Ertan Dağdelen

Brain & Youth Information Worker, Author, .Net, Flutter, AJAX, Arduino & Esp32, Pcb, 3D, Galatasaray, Gemini

Bu yazıyı paylaş

Diğer Yazılar

Uygulamalı örnek: Python ile ev fiyat tahmini modeli geliştirme

Uygulamalı örnek: Python ile ev fiyat tahmini modeli geliştirme

Makine öğrenmesi sadece sınıflandırma değil, aynı zamanda tahmin yapma işidir. Bu yazıda gerçek hayata çok yakın bir problem olan ev fiyat tahmini üzerinden bir AI modelini adım adım kuracağız. Sayısal verilerle çalışmayı, model eğitmeyi ve tahmin yapmayı pratik bir örnekle öğreneceksin.
Doğru model hangisi: Basit mi, derin mi?

Doğru model hangisi: Basit mi, derin mi?

Yapay zeka öğrenmeye başlayanların en büyük hatalarından biri, her problemi derin öğrenme ile çözmeye çalışmaktır. Oysa doğru yaklaşım her zaman en karmaşık modeli kullanmak değil, probleme en uygun çözümü seçmektir. Bazen basit bir model yeterliyken, bazen de gerçekten derin öğrenmeye ihtiyaç duyulur. Önemli olan bu farkı anlayabilmektir.
AI Projelerinde Görselleştirme Neden Önemlidir? Veriyi Görmeden Model Kurmayın

AI Projelerinde Görselleştirme Neden Önemlidir? Veriyi Görmeden Model Kurmayın

Bir yapay zeka projesinde başarı sadece model seçimine bağlı değildir. Hatta çoğu zaman asıl farkı yaratan şey, veriyi ne kadar iyi anladığınızdır. Veriyi anlamanın en güçlü yollarından biri ise görselleştirmedir. Çünkü grafikler, tabloların ve ham sayıların sakladığı desenleri, hataları ve ilişkileri saniyeler içinde görünür hale getirir. Kısacası iyi bir analiz çoğu zaman modelle değil, doğru bir grafikle başlar.
Yazılara Dön