Power BI’da AutoML Kullanımı (AI)
Günümüzde makine öğrenimi ve yapay zekaya karşı endüstrilerden ve bilimsel araştırma alanlarından benzersiz bir popülarite artışı görülmektedir. Haliyle işletmeler de, bu yeni teknolojileri operasyonlarına entegre etmenin yollarını arıyorlar.
Bu yazımda, Power BI’da kullanıcıların programlamayı öğrenmek zorunda kalmadan veya kapsamlı matematik ve istatistik bilgisi olmadan makine öğrenimi modellerini deneyimlemelerini sağlayan yeni bir yetenek olan Veri Akışları için Otomatik Makine Öğrenimi’ni (AutoML) inceleyeceğiz. Veri akışları için AutoML, kullanıcıların birkaç basit tıklamayla Machine Learning modelleri oluşturmasına olanak tanımakla kalmayıp aynı zamanda modelin özet raporlarını oluşturuyor.
Not: AutoML özelliği şu anda yalnızca Power BI Premium’da kullanılabildiğini unutmamalıyız.
O halde senaryomuzu oluşturmaya başlayabiliriz.
Create Workspace
İlk olarak Power BI web Service aracılığıyla Premium yeni bir çalışma alanı oluşturuyoruz.
Add Content
Premium çalışma alanımızı oluşturduk. Şimdi içeriklerimizi oluşturmaya başlayabiliriz.
Get Started Dataflows
Dataflow oluşturacağımız için ekranın sağ tarafında yer alan Get started butonuna tıklıyoruz.
Define New Tables
Veri akışlarımızın kaynağını ve formatını belirtmek için Define New Tables seçeneğinden devam edebiliriz.
Veri kaynağımızın tipini tanımlamamız gerekiyor. Bizim dosyamız csv formatına ait olduğu için Text/CSV seçeneğini işaretliyorum.
Dosya yolumuzu URL ile verebiliriz ya da OneDrive’a kayıtlı veri setlerimize de Browse OneDrive seçeneğine tıklayarak tanımlayabiliriz.
Preview File Data
Transform Data sekmesine giderek gerekli dönüşümleri Power Query ekranından tamamlayabiliriz.
Data flowun isimlendirmesini yapıp kaydediyoruz.
Machine Learning Models
Yeni bir ML modeli oluşturmak için Get started butonuna tıklıyoruz.
ML modelimize hangi tablodan tahminleme yapacağını ve hedef kolonumuzun hangisi olduğunu tanımlamamız gerekiyor.
Hedef kolonumuzda hangi değeri tahminleyeceğini ve rapordaki etiket isimlerini modelimizde seçiyoruz.
Modelin hangi kolonlarla çalışarak tahminleme yapması gerektiğini tanımlıyoruz.
Modelimizin isimlendirilmesini ve train zamanını seçip kaydediyoruz.
Refreshing Data
Entities
Train ve Test olarak modellerimiz geldi.
Ana raporumuz olan BikeTraining tablosuna tıkladıktan sonra Actions bölümünde yer alan View Training Reports simgesine tıklıyoruz.
Power BI otomatik olarak bize iç görüler sağlayıp rapor sayfalarını oluşturdu.
Model Performance
Accuracy Report
Training Details
Power BI Desktop Aracılığı ile Kendi İç Görü Raporlarımızı Oluşturma
Actions sekmesinde modelimizi çalıştırıp tekrardan kaydediyoruz.
Save and Apply
Modellerimiz kaydedildi.
Power BI Desktop’a geçiş yapıyoruz.
Get Data
Web serviste data flowun içinde oluşturduğumuz modeli seçip transform data seviyesine geçiş yapıyoruz.
Transform Data
Gerekli dönüşümleri yaptıktan sonra kaydedip rapor sayfasına ilerliyoruz.
Rapor Oluşturma
Modelin nasıl çalıştığını anlamak için rapor sayfasında biraz zaman harcayıp, oluşturduğumuz modelden daha fazla içgörü elde edip edemeyeceğimizi test edebiliriz.