Yapay Zeka ve ML için VPS: Büyük Veri İşleme

Python ML stack kurulumu Ubuntu VPS üzerinde:

apt update && apt install -y python3 python3-pip python3-venv git

# Python virtual environment
python3 -m venv /opt/ml-env
source /opt/ml-env/bin/activate

# Temel ML kütüphaneleri
pip install --upgrade pip
pip install numpy pandas scikit-learn matplotlib seaborn

# Deep learning (CPU-only, GPU olmayan VPS için)
pip install tensorflow-cpu torch torchvision --index-url https://download.pytorch.org/whl/cpu

# NLP araçları
pip install transformers sentence-transformers

Jupyter Notebook'u VPS üzerinde güvenli şekilde barındırın:

pip install jupyterlab

# Şifreli Jupyter konfigürasyonu
jupyter lab --generate-config
jupyter lab password

Systemd service ile otomatik başlatma:

nano /etc/systemd/system/jupyter.service

[Unit]
Description=Jupyter Lab

[Service]
Type=simple
User=root
ExecStart=/opt/ml-env/bin/jupyter lab --no-browser --ip=127.0.0.1 --port=8888
WorkingDirectory=/opt/notebooks

[Install]
WantedBy=multi-user.target

systemctl enable jupyter && systemctl start jupyter

Nginx reverse proxy ile HTTPS üzerinden erişim:

location /jupyter/ {
    proxy_pass http://127.0.0.1:8888/jupyter/;
    proxy_set_header Upgrade $http_upgrade;
    proxy_set_header Connection "upgrade";
}

RAM'a sığmayan büyük veri setleri için Dask ve PySpark kullanın:

pip install dask[distributed] pyspark

Dask ile paralel veri işleme:

import dask.dataframe as dd

# Büyük CSV dosyasını paralel yükle
df = dd.read_csv('/data/large_dataset.csv')

# Hesaplama lazy (henüz çalışmaz)
result = df.groupby('category').amount.sum()

# Compute ile sonucu al
result.compute()

PySpark local mode:

from pyspark.sql import SparkSession

spark = SparkSession.builder     .appName("MLApp")     .config("spark.driver.memory", "4g")     .getOrCreate()

df = spark.read.csv('/data/large_dataset.csv', header=True, inferSchema=True)
df.show()

Eğitilmiş ML modelini API olarak yayınlayın:

pip install fastapi uvicorn

from fastapi import FastAPI
import joblib
import numpy as np

app = FastAPI()
model = joblib.load('model.pkl')

@app.post("/predict")
async def predict(data: dict):
    features = np.array(data['features']).reshape(1, -1)
    prediction = model.predict(features)
    return {"prediction": prediction.tolist()}

# Çalıştırma
# uvicorn main:app --host 0.0.0.0 --port 8000

Docker ile containerize edilmiş model deployment:

FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

Offshore VPS avantajı: ML modellerinizin verisi Türkiye yargısının dışında kalır.