Yerel Python Ortamı: conda, PyTorch ve SHAP

Neden yerel kurulum?

Dersin tüm uygulamaları Google Colab’de yapılabilir; Colab ücretsiz GPU sağlar ve kurulum gerektirmez. Yerel kurulum şu durumlarda gerekir:

Tez verinizle çalışacaksanız: kurum izniyle alınmış veri, kişisel bilgisayara değil kurumun onayladığı makineye kurulur; oradaki ortamı bu rehberle hazırlarsınız.
Uzun eğitimler (saatler süren CNN/Transformer eğitimi) için Colab oturum sınırları yetersiz kalıyorsa.
Yapay zeka kod asistanlarının (Claude Code, Cursor vb.) sizin adınıza bir klasörde kod yazıp çalıştırmasını istiyorsanız.

Adım 1 · Miniconda’yı kur

Conda, Python sürümlerini ve kütüphaneleri birbirinden ayrı “ortamlarda” tutar; bir projede bozulan bir şey diğerini etkilemez. Miniconda bunun küçük kurulum paketidir.

İndirme sayfası: docs.conda.io → Miniconda

Windows

“Miniconda3 Windows 64-bit” kurulum dosyasını indirip çalıştırın.
Kurulumda “Just Me” seçin; “Add Miniconda3 to my PATH” kutusunu işaretlemeyin (varsayılan).
Kurulum bitince Başlat menüsünden Anaconda Prompt (miniconda3) uygulamasını açın.

macOS

İşlemcinize göre indirin: Apple Silicon için “arm64”, Intel Mac için “x86_64” (sol üst → Bu Mac Hakkında → “Çip”).
.pkg dosyasını çalıştırın ve varsayılanlarla ilerleyin.
Terminal uygulamasını açın. Komut satırının başında (base) görünüyorsa kurulum tamam.

Kontrol

conda --version

Adım 2 · Ders ortamını oluştur

Ders için biomed adında bir ortam oluşturup temel kütüphaneleri kuruyoruz:

conda create -n biomed python=3.12 numpy pandas scipy matplotlib seaborn scikit-learn jupyterlab -y
conda activate biomed

Ardından derin öğrenme ve açıklanabilirlik kütüphaneleri:

pip install torch torchvision xgboost shap lime umap-learn mne neurokit2 captum

Kontrol

python -c "import torch, sklearn, shap; print(torch.__version__, sklearn.__version__, shap.__version__); print('GPU:', torch.cuda.is_available() or torch.backends.mps.is_available())"

Adım 3 · JupyterLab’i çalıştır

jupyter lab

Tarayıcınızda JupyterLab açılır. Colab’den indirdiğiniz .ipynb dosyalarını (Dosya → İndir → .ipynb) buraya sürükleyip çalıştırabilirsiniz. Kapatmak için terminalde Ctrl + C.

Adım 4 · Tekrarlanabilirlik alışkanlıkları

Lisansüstü çalışmada sonuçlarınızın başkası (ve altı ay sonra siz) tarafından yeniden üretilebilmesi gerekir:

Ortamı dışa aktarın ve tez/makale deposuna ekleyin:

conda env export --from-history > environment.yml

Rastgelelik tohumunu sabitleyin: numpy, torch ve random için aynı tohum; train_test_split(random_state=...).
Hasta-bazlı bölme yapın: aynı hastanın kayıtları hem eğitim hem test kümesine düşmesin (GroupKFold). Bu, 2. haftanın ana konusudur.
Kod ve defterleri Git ile sürümleyin; veri dosyalarını depoya koymayın.

Sık karşılaşılan sorunlar

Belirti	Olası neden	Çözüm
`conda: command not found`	Terminal Miniconda’yı tanımıyor	Windows’ta Anaconda Prompt kullanın; macOS’ta Terminal’i kapatıp açın
`ModuleNotFoundError`	Yanlış ortam ya da kütüphane kurulmamış	`conda activate biomed`, sonra `pip install <paket>`
`torch.cuda.is_available()` → `False`	CPU sürümü kurulmuş ya da sürücü eski	pytorch.org seçicisinden CUDA sürümünü kurun; NVIDIA sürücüsünü güncelleyin
SHAP çok yavaş	`KernelExplainer` kullanılıyor	Ağaç modellerinde `TreeExplainer`, PyTorch’ta `DeepExplainer`/`GradientExplainer`
Kurulum çok yer kaplıyor	Normal; PyTorch ile ~5 GB	Gereksiz ortamları `conda env remove -n <ad>` ile silin

Yararlı komutlar

conda env list                    # tüm ortamları listele
conda activate biomed             # ortama gir
conda deactivate                  # ortamdan çık
pip install -U <paket>            # paketi güncelle
conda run -n biomed python x.py   # ortamı etkinleştirmeden bir dosyayı çalıştır