Yazılım mühendisliği seçmeyi düşünüyorum. Tecrübeli ağabeylerimi biraz oyalayacağım. :)

quote:

Orijinalden alıntı: Penanggalan

Valla okumadım ama ben sana şu kadar diyim bundan 15 sene önce bildigim kadarıyla tekstil mühendislerini deli gibi kapıyordular, bundan 5 sene önce inşaat mühendislerini hüp diye alıyodular, bundan 10 sene önce mimarları direkt işleri hazırdı şimdi çoğu boşta. Bir kaç gün önce twitterde şey gördüm Türk usulu girişimcilik: Popüler olanı komple yapalım hep beraber batalım Ülkemizde de dünyada da bilgisayar sektörüne günde çok fazla kişi katılıyor. Eğer diyorsan ki aranan kişi olucam hay hay buyur.

Tabii ki karakter özelliklerinin çok etkisi var meslek seçiminde ancak bn ilk okul 3 den beri bilgisayar mühendisliği istiyordum 20 yaşına geldim ve geçen sene istemedigime karar verdim nedeni ise çok basit. Analitik olarak düşünmek beni yoruyor zevk vermiyor. Kodlama yapmak demek bir algoritma üzerine takır takır tuğlaları dizmek demek. Benim tavsiyem youtube üzerinden vb bir kodlama programalama dersine 1-2 gününü gerekirse ayır. Yapmak sana mantıklı mı geliyor yoksa ben hep bunlarla uğraşacağım falan mı diyorsun? 40-45 yaşına geldiginde aynı karakter özelliklerin ile eğer yönetici gibi bir pozisyonda degilsen kod yazabilecek misin ?

En basitinden bu koda baktığında içinden ne geçiyor ?

"""
train.py
Train the NN
"""

import pandas as pd
import argparse
import geopandas
from model.model import nn, LossHistory, tensorboard, checkpoint, progressbar
from data import generators
from sklearn.utils import shuffle

num_features=68
default_batch_size = 128

# Process command line arguments if supplied
parser = argparse.ArgumentParser(
        description='Train our cnn to predict steering angles')
show_default = ' (default %(default)s)'

parser.add_argument('-debug', dest='debug',
                    default='N',
                    choices=('Y', 'N'),
                    help='Debug (Y)es or (N)o')
parser.add_argument('-shuffle', dest='shuffle',
                    default='Y',
                    choices=('Y', 'N'),
                    help='Debug (Y)es or (N)o')
parser.add_argument('-batch-size', dest='batch-size',
                    default=default_batch_size,
                    type=int,
                    help='Batch size (suggest 32 - 128)')
parser.add_argument('-limit-batches', dest='limit-batches',
                    default=0,
                    type=int,
                    help='Limit batches to train on ')
parser.add_argument('-epochs', dest='epochs',
                    default=20,
                    type=int,
                    help='Number of epochs')
parser.add_argument('-trip-data', dest='trip-data',
                    default='./data/taxi_data/cleansed_yellow_tripdata_2018-06.csv',
                    help='File containing trip data from NYC open data website')
parser.add_argument('-weather-data', dest='weather-data',
                    default='./data/weather_data/ny_jfk_weather_2018-06.csv',
                    help='File containing weather data from NYC open data website')
parser.add_argument('-taxizone-file', dest='taxizone-file',
                    default='./data/taxi_zones',
                    help='Directory containing shape files from NYC website')

args = vars(parser.parse_args())

# Prepare data for training, validation and test
# Start by loading the data and randomising the order
trip_data = pd.read_csv(args['trip-data'], delimiter=',')  #.sample(frac=1).reset_index(drop=True)
if args['limit-batches']:
    orig_length = len(trip_data)
    trip_data = trip_data[:args['limit-batches'] * args['batch-size']]
    print('Training data resized from {} to {} ({} * {})'.format(orig_length, len(trip_data), args['limit-batches'], args['batch-size']))
if shuffle:
    trip_data = shuffle(trip_data, random_state=42)

sample_idx = {}
num_samples = len(trip_data)
num_train_samples = int(num_samples * 0.6)
num_valid_samples = int(num_samples * 0.2)
num_test_samples = int(num_samples * 0.2)
sample_idx['train'] = [i for i in range(0, num_train_samples, 1)]
sample_idx['valid'] = [i for i in range(num_train_samples, num_train_samples + num_valid_samples, 1)]
sample_idx['test'] = [i for i in range(num_samples - num_test_samples, num_samples, 1)]

# Load weather data
weather_data = pd.read_csv(args['weather-data'], delimiter=',')

# Load taxizone geo data and convert to degrees based lat/long coordinates
taxizone_data = geopandas.read_file(args['taxizone-file']).set_index('OBJECTID').to_crs({'init': 'epsg:4326'})
zone_ids = taxizone_data.index.tolist()
taxizone_data['centroids'] = taxizone_data.geometry.centroid.to_crs({'init': 'epsg:4326'})

# Setup debugging
debug = True if args['debug'] == 'Y' else False
if debug:
    print('train.py: batch-size={}, limit-batches={}, epochs={}, trip-data={}'
          .format(args['batch-size'], args['limit-batches'], args['epochs'], args['trip-data']))

# Set up a generator
train_generator = generators.DataGenerator(trip_data.loc[sample_idx['train']],
                                           weather_data, taxizone_data, zone_ids,
                                           debug=debug, num_features=num_features,
                                           batch_size=args['batch-size'])
valid_generator = generators.DataGenerator(trip_data.loc[sample_idx['valid']],
                                           weather_data, taxizone_data, zone_ids,
                                           debug=debug, num_features=num_features,
                                           batch_size=args['batch-size'])

# Setup the NN
history = LossHistory()
nn = nn(debug=debug, input_shape=num_features)

# Train CNN
nn.fit_generator(train_generator, validation_data=valid_generator, epochs=args['epochs'],
                  callbacks=[history, tensorboard, checkpoint, progressbar])
if debug:
    print(history.losses)

GitHub

PacktPublishing/Learning-Python-Artificial-Intelligence-by-Example

https://github.com/PacktPublishing/Learning-Python-Artificial-Intelligence-by-Example/blob/master/3.%20Predicting%20Taxi%20Ride%20Duration/Source/train.py