docs(Cookbok): Add Turkish translation for agent data analyst notebook

notebooks/tr/_toctree.yml

@@ -0,0 +1,12 @@
+
+- title: Açık Kaynak AI Cookbook
+  isExpanded: True
+  sections:
+    - local: index
+      title: Genel Bakış
+
+    - title: Agents Uygulamaları
+      isExpanded: false
+      sections:
+        - local: agent_data_analyst
+          title: Veri Analizi Botu - Göz açıp kapayıncaya kadar verilerinizi analiz edin ✨

notebooks/tr/agent_data_analyst.ipynb

@@ -0,0 +1,267 @@
+{
+  "cells": [
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "pix5sPJeoiMA"
+      },
+      "source": [
+        "# Veri Analizi Botu: Göz açıp kapayıncaya kadar verilerinizi analiz edin ✨\n",
+        "Yazar: [Aymeric Roucher](https://huggingface.co/m-ric)\n",
+        "\n",
+        "Bu eğitim ileri düzey konular içermektedir. Bu eğitim içeriğinden önce Cookbook'ta yer alan [Agent eğitimine](https://github.com/huggingface/cookbook/blob/main/notebooks/en/agents.ipynb) bakmanızı öneririz.\n",
+        "\n",
+        "Bu notebook ile bir veri analisti agentı oluşturacağız: Veri analizi kütüphaneleri ile donatılmış ve Dataframelerden sonuçlar çıkartabilen ve bu sonuçları grafiklerle gösterebilen bir agent.\n",
+        "\n",
+        "[Kaggle Titanic yarışmasındaki](https://www.kaggle.com/competitions/titanic) verileri analiz ederek yolcuların hayatta kalma olasılıklarını tahmin etmek istediğimizi düşünelim.\n",
+        "\n",
+        "Ama bu konuya başlamadan önce, otomatik bir agentın trendleri çıkararak ve bazı grafikler çizerek analiz hazırlamasını istiyorum.\n",
+        "\n",
+        "Bu sistemi kuralım.\n",
+        "\n",
+        "Gerekli kütüphane gereksinimlerini yüklemek için aşağıdaki kodu çalıştıracağız:\n"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "execution_count": null,
+      "metadata": {
+        "id": "zK7vGRYCojql"
+      },
+      "outputs": [],
+      "source": [
+        "!pip install seaborn \"transformers[agents]\""
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "ONR4fZmbrrnw"
+      },
+      "source": [
+        "İlk olarak `ReactCodeAgent` kullanarak bir agent oluşturacağız. (Agent türleri hakkında daha fazla bilgi edinmek için bu [dökümantasyonu](https://huggingface.co/docs/transformers/en/agents) okuyabilirsiniz.)\n",
+        "\n",
+        "ReactCodeAgent kodu doğrudan çalıştırabilir dolayısı ile herhangi farklı bir araç kullanmamıza gerek yoktur.\n",
+        "\n",
+        "Veri bilimiyle ilgili kütüphaneleri kullanmasına izin verdiğimizden emin olmak için `[\"numpy\", \"pandas\", \"matplotlib.pyplot\", \"seaborn\"]` kütüphanelerini `\"additional_authorized_imports\"` parametresi ile aktarıyoruz.\n",
+        "\n",
+        "Python yorumlayıcısı yalnızca çalışma ortamında yüklü kütüphaneleri kullanabilir. Bu sebeple `\"additional_authorized_imports\"` parametresine aktardığımız kütüphanelerin çalışma ortamınızda kurulu olduğundan emin olun.\n",
+        "\n",
+        "⚙ Agentımızı, `HfEngine` sınıfı aracılığıyla HF'nin Inference API'sini kullanan [meta-llama/Meta-Llama-3.1-70B-Instruct](https://huggingface.co/meta-llama/Llama-3.1-70B-Instruct) modeliyle çalıştıracağız. Inference API, herhangi bir açık kaynak modelini hızlı ve kolay bir şekilde çalıştırmamıza olanak tanır.\n",
+        "\n",
+        "\n",
+        "\n",
+        "\n",
+        "\n",
+        "\n",
+        "\n",
+        "\n"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "execution_count": null,
+      "metadata": {
+        "id": "0zf6_TnHrdAk"
+      },
+      "outputs": [],
+      "source": [
+        "from transformers.agents import HfEngine, ReactCodeAgent\n",
+        "from huggingface_hub import login\n",
+        "import os\n",
+        "\n",
+        "login(os.getenv(\"HUGGINGFACEHUB_API_TOKEN\"))\n",
+        "\n",
+        "llm_engine = HfEngine(\"meta-llama/Meta-Llama-3.1-70B-Instruct\")\n",
+        "\n",
+        "agent = ReactCodeAgent(\n",
+        "    tools=[],\n",
+        "    llm_engine=llm_engine,\n",
+        "    additional_authorized_imports=[\"numpy\", \"pandas\", \"matplotlib.pyplot\", \"seaborn\"],\n",
+        "    max_iterations=10,\n",
+        ")"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "DPOHaLM18sIW"
+      },
+      "source": [
+        "## Veri analizi 📊🤔\n",
+        "\n",
+        "Yarışmadan alınan notları fonksiyona argüman olarak verelim ve agentımızı `run` methodu ile çalıştıralım."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "execution_count": 1,
+      "metadata": {
+        "id": "EC1R4pxvtheR"
+      },
+      "outputs": [],
+      "source": [
+        "import os\n",
+        "\n",
+        "os.mkdir(\"./figures\")"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "execution_count": null,
+      "metadata": {
+        "id": "N_c5S8tm9BbJ"
+      },
+      "outputs": [],
+      "source": [
+        "\"\"\"\n",
+        "## Değişken notları\n",
+        "pclass: Sosyo-ekonomik durumu (SES) temsil eden bir gösterge\n",
+        "1.sınıf = Üst\n",
+        "2.sınıf = Orta\n",
+        "3.sınıf = Alt\n",
+        "\n",
+        "age: Yaş, 1'den küçükse kesirli bir değerdir. Eğer yaş tahmin ediliyorsa, xx.5 şeklindedir.\n",
+        "\n",
+        "sibsp: Veri seti aile ilişkilerini şu şekilde tanımlar...\n",
+        "Kardeş = erkek kardeş, kız kardeş, üvey erkek kardeş, üvey kız kardeş, Eş = koca, karı (nişanlılar göz ardı edilmiştir)\n",
+        "\n",
+        "parch: Veri seti aile ilişkilerini şu şekilde tanımlar...\n",
+        "Ebeveyn = anne, baba, Çocuk = kız, oğul, üvey kız, üvey oğul\n",
+        "Bazı çocuklar yalnızca bir bakıcıyla seyahat ettikleri için, bu durumda parch=0'dır.\n",
+        "\"\"\"\n",
+        "additional_notes = \"\"\"\n",
+        "### Variable Notes\n",
+        "pclass: A proxy for socio-economic status (SES)\n",
+        "1st = Upper\n",
+        "2nd = Middle\n",
+        "3rd = Lower\n",
+        "age: Age is fractional if less than 1. If the age is estimated, is it in the form of xx.5\n",
+        "sibsp: The dataset defines family relations in this way...\n",
+        "Sibling = brother, sister, stepbrother, stepsister\n",
+        "Spouse = husband, wife (mistresses and fiancés were ignored)\n",
+        "parch: The dataset defines family relations in this way...\n",
+        "Parent = mother, father\n",
+        "Child = daughter, son, stepdaughter, stepson\n",
+        "Some children travelled only with a nanny, therefore parch=0 for them.\n",
+        "\"\"\"\n",
+        "\n",
+        "\"\"\"\n",
+        "Sen bir veri analizi uzmanısın.\n",
+        "Lütfen kaynak dosyasını yükle ve içeriğini analiz et.\n",
+        "Elindeki değişkenlere göre, bu verilerle ilgili sorulabilecek 3 ilginç soru listele, örneğin hayatta kalma oranlarıyla belirli korelasyonlar hakkında.\n",
+        "Sonra bu soruları, ilgili sayıları bularak teker teker yanıtla.\n",
+        "Bu arada, matplotlib/seaborn kullanarak bazı grafikler çiz ve bunları (zaten mevcut olan) './figures/' klasörüne kaydet: Her grafiği çizmeden önce plt.clf() ile temizlemeyi unutma.\n",
+        "\n",
+        "Sonuçlarınızda: bu korelasyonları ve trendleri özetleyin.\n",
+        "Her sayının ardından gerçek dünya içgörüleri çıkarın; örneğin: \"is_december ile boredness arasındaki korelasyon 1.3453'tür, bu da insanların kışın daha çok sıkıldığını gösterir.\"\n",
+        "Sonuçlarınız en az 3 numaralı ve ayrıntılı parça içermelidir.\n",
+        "\"\"\"\n",
+        "analysis = agent.run(\n",
+        "    \"\"\"You are an expert data analyst.\n",
+        "Please load the source file and analyze its content.\n",
+        "According to the variables you have, begin by listing 3 interesting questions that could be asked on this data, for instance about specific correlations with survival rate.\n",
+        "Then answer these questions one by one, by finding the relevant numbers.\n",
+        "Meanwhile, plot some figures using matplotlib/seaborn and save them to the (already existing) folder './figures/': take care to clear each figure with plt.clf() before doing another plot.\n",
+        "\n",
+        "In your final answer: summarize these correlations and trends\n",
+        "After each number derive real worlds insights, for instance: \"Correlation between is_december and boredness is 1.3453, which suggest people are more bored in winter\".\n",
+        "Your final answer should have at least 3 numbered and detailed parts.\n",
+        "\"\"\",\n",
+        "    additional_notes=additional_notes,\n",
+        "    source_file=\"titanic/train.csv\",\n",
+        ")"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "execution_count": null,
+      "metadata": {
+        "id": "WHRN66Yh9MOg"
+      },
+      "outputs": [],
+      "source": [
+        "print(analysis)"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "c7QrYCxR9aGE"
+      },
+      "source": [
+        "Etkileyici, değil mi? Agentınıza kendi grafiklerini gözden geçirmesi için bir görselleştirme aracı da sağlayabilirsiniz!\n",
+        "\n",
+        "## Veri bilimci agentı: Tahminleri çalıştır 🛠️👉\n",
+        "**Modelimizin veriler üzerinde tahminler yapmasına izin vererek** bir adım daha ilerleyelim.\n",
+        "\n",
+        "Bunu yapmak için, `additional_authorized_imports` içinde `sklearn` kullanımına da izin veriyoruz."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "execution_count": null,
+      "metadata": {
+        "id": "q2c7g4rr9yXH"
+      },
+      "outputs": [],
+      "source": [
+        "agent = ReactCodeAgent(\n",
+        "    tools=[],\n",
+        "    llm_engine=llm_engine,\n",
+        "    additional_authorized_imports=[\n",
+        "        \"numpy\",\n",
+        "        \"pandas\",\n",
+        "        \"matplotlib.pyplot\",\n",
+        "        \"seaborn\",\n",
+        "        \"sklearn\",\n",
+        "    ],\n",
+        "    max_iterations=12,\n",
+        ")\n",
+        "\"\"\"\n",
+        "Sen bir ML uzmanısın.\n",
+        "Lütfen \"titanic/train.csv\" dosyası üzerinde hayatta kalmayı tahmin etmek için bir ML modeli eğit.\n",
+        "Sonuçları './output.csv' dosyasına yaz.\n",
+        "Kullanımdan önce fonksiyonları ve modülleri içe aktarmayı unutma!\n",
+        "\"\"\"\n",
+        "output = agent.run(\n",
+        "    \"\"\"You are an expert machine learning engineer.\n",
+        "Please train a ML model on \"titanic/train.csv\" to predict the survival for rows of \"titanic/test.csv\".\n",
+        "Output the results under './output.csv'.\n",
+        "Take care to import functions and modules before using them!\n",
+        "\"\"\",\n",
+        "    additional_notes=additional_notes + \"\\n\" + analysis,\n",
+        ")"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "DbkkLpf0-DQj"
+      },
+      "source": [
+        "Agentımızın çıkardığı test çıktıları, Kaggle'a gönderildiğinde 0.78229 puan alıyor ve 17,360 sonuç arasından #2824 sıraya yerleşiyor.\n",
+        "\n",
+        "Bu sonuç, yazarın yıllar önce bu yarışmaya ilk girdiğinde elde ettiği sonuçtan çok daha iyi bir sonuçtur.\n",
+        "\n",
+        "Sonuçlarınız değişebilir, ancak yine de agentın birkaç saniyede bu sonucu başarması gerçekten etkileyici.\n",
+        "\n",
+        "🚀 Veri analisti agentı ile sadece basit bir deneme yaptık. Kullanım durumunuza daha iyi uyacak şekilde çok daha fazla geliştirebilirsiniz."
+      ]
+    }
+  ],
+  "metadata": {
+    "colab": {
+      "provenance": []
+    },
+    "kernelspec": {
+      "display_name": "Python 3",
+      "name": "python3"
+    },
+    "language_info": {
+      "name": "python"
+    }
+  },
+  "nbformat": 4,
+  "nbformat_minor": 0
+}