Yapay zekanın E-Ticarette kullanımına 6 örnek kodlama nelerdir? - Lojistik TİM

import numpy as np
import pandas as pd
from sklearn.neighbors import NearestNeighbors

# Örnek müşteri ve ürün verisi
customers = pd.DataFrame({
    'customer_id': [1, 2, 3, 4, 5],
    'product_ids': [[1, 2, 3], [2, 3, 4], [1, 4], [2, 5], [1, 5]]
})

products = pd.DataFrame({
    'product_id': [1, 2, 3, 4, 5],
    'product_name': ['Product A', 'Product B', 'Product C', 'Product D', 'Product E']
})

# Müşteri-ürün matrisi oluşturma
customer_product_matrix = pd.DataFrame(index=customers['customer_id'], columns=products['product_id']).fillna(0)
for _, row in customers.iterrows():
    customer_product_matrix.loc[row['customer_id'], row['product_ids']] = 1

# KNN modeli oluşturma ve eğitme
knn = NearestNeighbors(n_neighbors=3, algorithm='auto')
knn.fit(customer_product_matrix)

# Belirli bir müşteri için önerilerde bulunma
customer_id = 1
distances, indices = knn.kneighbors([customer_product_matrix.loc[customer_id]])

# En yakın komşuları belirleme ve öneri listesi oluşturma
nearest_customers = customer_product_matrix.iloc[indices[0]].index
recommended_products = customer_product_matrix.loc[nearest_customers].sum(axis=0).sort_values(ascending=False)
recommended_products = recommended_products[recommended_products > 0].index.tolist()

# Önerilen ürünleri listeleme
recommended_products = [p for p in recommended_products if p not in customers[customers['customer_id'] == customer_id]['product_ids'].values[0]]
print("Önerilen Ürünler:", recommended_products)

from chatterbot import ChatBot
from chatterbot.trainers import ListTrainer

# Chatbot oluşturma
chatbot = ChatBot('E-Ticaret Botu')

# Eğitim verileri
conversation = [
    "Merhaba",
    "Merhaba! Size nasıl yardımcı olabilirim?",
    "Siparişimi nasıl takip edebilirim?",
    "Siparişinizi takip etmek için 'Sipariş Takip' bölümüne gidebilirsiniz.",
    "Hangi ürünleri önerirsiniz?",
    "Size özel öneriler için 'Önerilen Ürünler' bölümüne göz atabilirsiniz."
]

# Chatbot eğitimi
trainer = ListTrainer(chatbot)
trainer.train(conversation)

# Kullanıcıyla etkileşim
while True:
    user_input = input("Siz: ")
    if user_input.lower() == 'çıkış':
        break
    response = chatbot.get_response(user_input)
    print("Bot:", response)

import torch
import torchvision.transforms as transforms
from torchvision import models
from PIL import Image
import numpy as np

# ResNet modeli yükleme
model = models.resnet50(pretrained=True)
model.eval()

# Görüntü işleme
def process_image(image_path):
    image = Image.open(image_path)
    preprocess = transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
    ])
    return preprocess(image).unsqueeze(0)

# Görüntüden özellik çıkarma
def get_image_features(image_path):
    image_tensor = process_image(image_path)
    with torch.no_grad():
        features = model(image_tensor)
    return features.numpy().flatten()

# İki görüntü arasındaki benzerliği hesaplama
def cosine_similarity(vec1, vec2):
    return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))

# Örnek görüntüler
image1_path = 'image1.jpg'
image2_path = 'image2.jpg'

# Görüntü özelliklerini çıkarma
features1 = get_image_features(image1_path)
features2 = get_image_features(image2_path)

# Benzerliği hesaplama
similarity = cosine_similarity(features1, features2)
print("Görsel Benzerlik Skoru:", similarity)

import pandas as pd
from statsmodels.tsa.arima_model import ARIMA

# Örnek satış verileri
data = {
    'date': pd.date_range(start='1/1/2020', periods=12, freq='M'),
    'sales': [200, 220, 250, 270, 300, 330, 360, 400, 450, 500, 550, 600]
}
sales_data = pd.DataFrame(data).set_index('date')

# ARIMA modeli oluşturma ve eğitme
model = ARIMA(sales_data, order=(5,1,0))
model_fit = model.fit(disp=0)

# Gelecekteki satışları tahmin etme
forecast = model_fit.forecast(steps=6)
print("Gelecek 6 Ay İçin Tahmin Edilen Satışlar:", forecast)

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_squared_error

# Örnek veri seti
data = {
    'product_id': [1, 2, 3, 4, 5],
    'features': [[10, 0.5], [15, 0.6], [20, 0.7], [25, 0.8], [30, 0.9]],
    'price': [100, 150, 200, 250, 300]
}
df = pd.DataFrame(data)

# Özellikler ve hedef değişkenleri ayırma
X = pd.DataFrame(df['features'].tolist(), index=df.index)
y = df['price']

# Eğitim ve test verilerine ayırma
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Gradient Boosting modeli oluşturma ve eğitme
model = GradientBoostingRegressor()
model.fit(X_train, y_train)

# Test seti ile tahmin yapma
y_pred = model.predict(X_test)
print("Gerçek Fiyatlar:", y_test.values)
print("Tahmin Edilen Fiyatlar:", y_pred)
print("Hata:", mean_squared_error(y_test, y_pred))

import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# Örnek müşteri verileri
data = {
    'customer_id': [1, 2, 3, 4, 5],
    'annual_income': [15000, 18000, 25000, 32000, 45000],
    'spending_score': [40, 60, 75, 90, 50]
}
df = pd.DataFrame(data)

# K-Means modeli oluşturma ve eğitme
kmeans = KMeans(n_clusters=2)
df['cluster'] = kmeans.fit_predict(df[['annual_income', 'spending_score']])

# Kümeleme sonuçlarını görselleştirme
plt.scatter(df['annual_income'], df['spending_score'], c=df['cluster'], cmap='viridis')
plt.xlabel('Yıllık Gelir')
plt.ylabel('Harcama Skoru')
plt.title('Müşteri Segmentasyonu')
plt.show()