XGBoost ile %95.3 Doğruluk: SleepInfo'nun Hikayesi

Uyku, sağlığımızın en temel yapı taşlarından biri. Peki ya uyku kalitemizi verilerle ölçüp, yapay zeka ile tahmin edebilseydik?

SleepInfo tam olarak bu soruya cevap veren bir proje. Bu yazıda, projenin fikir aşamasından canlıya çıkışına kadar tüm süreci paylaşacağım.

Problem Tanımı

İnsanların büyük çoğunluğu uyku kalitelerinin farkında değil. Sabah yorgun kalkmak, gün içinde dikkat dağınıklığı yaşamak — bunların hepsi kötü uyku kalitesiyle doğrudan ilişkili.

Hedefim şuydu: Kullanıcıdan aldığım basit verilerle (uyku süresi, stres seviyesi, fiziksel aktivite vb.) uyku kalitesini tahmin eden bir model oluşturmak.

Veri ve Feature Engineering

Kaggle'dan aldığım uyku sağlığı veri setini kullandım. 400+ kayıt, 13 özellik. İlk iş veri ön işleme oldu:

• Eksik veri kontrolü: Neyse ki bu veri setinde eksik veri yoktu.
• Kategorik değişkenler: Label encoding ile sayısallaştırdım.
• Feature scaling: StandardScaler ile normalize ettim.
• Korelasyon analizi: Seaborn heatmap ile hangi özelliklerin uyku kalitesiyle en çok ilişkili olduğunu buldum.

En güçlü korelasyonlar: Uyku süresi (0.88), Fiziksel aktivite (0.71) ve Stres seviyesi (-0.67).

Model Seçimi ve Karşılaştırma

Üç farklı model denedim:

XGBoost açık ara kazandı. Hyperparameter tuning için GridSearchCV kullandım:

from xgboost import XGBClassifier
from sklearn.model_selection import GridSearchCV

param_grid = {
    'max_depth': [3, 5, 7],
    'learning_rate': [0.01, 0.1, 0.2],
    'n_estimators': [100, 200, 300],
    'subsample': [0.8, 0.9, 1.0]
}

xgb = XGBClassifier(random_state=42)
grid_search = GridSearchCV(xgb, param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)

Full-Stack Mimari

Modeli eğittikten sonra sıra gerçek bir ürün haline getirmeye geldi:

• Backend: FastAPI ile REST API. Model pickle dosyası olarak yükleniyor, /predict endpoint'i ile tahmin yapılıyor.
• Frontend: React + Vite. Kullanıcı formu dolduruyor, sonuç anında ekrana geliyor.
• Veritabanı: Supabase (PostgreSQL). Kullanıcı kayıtları ve tahmin geçmişi burada tutuluyor.
• AI Koçluk: Google Gemini 2.5 Flash API entegrasyonu. Tahmin sonucuna göre kişiselleştirilmiş uyku tavsiyeleri.
• Deployment: Frontend → Vercel, Backend → Render.

Karşılaştığım Zorluklar

CORS hatası: FastAPI'de CORS middleware eklemek ilk başta aklıma gelmedi. React'ten API'ye istek atınca hata aldım. CORSMiddleware ekleyerek çözdüm.

Model boyutu: Pickle dosyası 15MB çıktı. Render'ın free tier'ında yavaş yükleniyordu. Model sıkıştırma ile 4MB'a düşürdüm.

Gemini API rate limiti: Free tier'da dakikada 15 istek sınırı var. Caching mekanizması ekleyerek çözdüm.

Sonuç

SleepInfo benim için sadece bir proje değil, veri biliminden full-stack'e kadar tüm pipeline'ı tek başıma kurabildiğimin kanıtı. Eğer siz de benzer bir proje yapmak istiyorsanız:

Küçük başlayın — önce modeli notebook'ta çalıştırın.

API'yi minimalist tutun — tek endpoint yeter.

Frontend'i basit yapın — kullanıcı deneyimi her şeydir.

Deploy edin — localhost'ta kalan proje, proje değildir.

Proje linki: sleepinfo.com.tr