phantomrex / g8-turkey_energy_consumptions

Çalışma #python dilinde #jupyternotebook kullanılarak, veri işleme için #pandas, veri görselleştirme için #numpy, analiz için #matplotlib gibi kütüphaneler kullanılarak G8 ülkeleri ve Türkiye Enerji Tüketimleri Enerjide Kullanılan Maddelerin Payları İncelenmiştir.

G8-Turkey_Energy_Consumptions

• G8 ülkeleri ve Türkiye Enerji Tüketimleri Enerjide Kullanılan Maddelerin Payları İncelenmiştir. Bu proje Tübitak araştırma önerimizin kabul edilmemesi sonucu üzerine hayata geçirilmeye çalışılmıştır. Herhangi bir bütçe desteği olmadan mümkün koşullar altında Tübitak önerimizin ana hatlarından çıkmadan önerimizdeki yöntemlerin birkaç tanesi kullanılarak konudan sapmadan bazı değişikliklere uğratılıp tamamlanılmıştır.

Proje özetle veri bilimi teknikleriyle elimizdeki ham veri setlerini işe yarar hale getirmek, gelecek yıllar hakkında tahminlerde bulunmak ve ülkeleri belli bir başarı sırasına koymaya yarayacak, ileriki yıllarda yapılacak başka projeler için zemin hazırlayacaktır.

Çalışma #python dilinde #jupyternotebook kullanılarak, veri işleme için #pandas, veri görselleştirme için #numpy, analiz için NumPy uzantısı olan #matplotlib kütüphaneleri kullanılacaktır.

Kullanılan kütüphaneler:

-import pandas 
-import seaborn 
-import numpy 
-import matplotlib.pyplot  
-from sklearn                        import tree 
-from sklearn                        import metrics 
-from sklearn.tree                   import DecisionTreeClassifier  
-from sklearn.model_selection        import train_test_split 
-from sklearn.preprocessing          import StandardScaler 
-from sklearn.metrics                import confusion_matrix
-from sklearn                        import utils 
-from sklearn.linear_model           import LinearRegression 
-from sklearn.linear_model           import LogisticRegression 
-from sklearn.neighbors              import KNeighborsClassifier 
-from sklearn.discriminant_analysis  import LinearDiscriminantAnalysis
-from sklearn.naive_bayes            import GaussianNB 
-from sklearn.svm                    import SVC 
-from sklearn.model_selection        import cross_val_score 
-from sklearn.cluster                import KMeans 
-from sklearn.metrics                import r2_score, mean_absolute_error, mean_squared_error