Projelere dön
Risk Analytics
Türkiye Deprem Risk Analizi
USGS veritabanından çekilen 30 yıllık Türkiye deprem verileri (9.300+ kayıt) kullanılarak geliştirilmiş uçtan uca Makine Öğrenmesi pipeline'ı. Gözetimsiz (K-Means) ve Gözetimli (Random Forest, SVM, LR) modeller ile sismik bölge kümeleme ve deprem risk seviyesi tahminleme.
30 yıllık (1994-2025) gerçek veri analizi
K-Means ile 4 sismik bölge tespiti
Random Forest ile %84.7 doğruluk oranlı risk tahmini
Feature Importance analizi ile sismik belirleyicilerin tespiti
Problem
Neyi çözmeye çalıştı?
Türkiye deprem verisi ham haliyle teknik ve dağınık. Bölgesel risk paternlerini, sismik kümeleri ve risk seviyelerini okunabilir bir analiz akışına çevirmek gerekiyordu.
Yaklaşım
Veriden çıktıya giden yol
USGS deprem kayıtları konum, büyüklük, derinlik ve zaman boyutunda işlendi. K-Means ile sismik bölgeler çıkarıldı; Random Forest, SVM ve lojistik regresyon ile risk seviyesi tahmini karşılaştırıldı. Sonuçlar harita, grafik ve model metrikleriyle raporlandı.
Öne Çıkanlar
30 yıllık (1994-2025) gerçek veri analizi
K-Means ile 4 sismik bölge tespiti
Random Forest ile %84.7 doğruluk oranlı risk tahmini
Feature Importance analizi ile sismik belirleyicilerin tespiti
Teknoloji Stack'i
PythonPandasScikit-learnK-Means ClusteringRandom ForestFeature EngineeringMatplotlib/Seaborn
Çıktılar
- Model metrikleri ve analiz çıktıları
- Görselleştirme / rapor akışı
- GitHub deposu / teknik dokümantasyon
- README ve proje anlatımı
- LinkedIn proje paylaşımı
Öğrendiklerim
- Coğrafi veride görselleştirme, model metriği kadar önemli.
- K-Means risk bölgelerini anlatmak için iyi bir başlangıç sağlıyor.
- Sismik veride zaman ve derinlik özellikleri sonucu ciddi etkiliyor.
Sonraki İyileştirme
- Harita katmanını daha interaktif yapmak
- Güncel USGS verisini otomatik çekmek
- Bölgesel karşılaştırma paneli eklemek