Oluşturulan forum yanıtları
-
Yazılar
-
MATPLOTLİB MODÜLÜ
Matplotlib, verileri görselleştirmeye yarayan bir moduldür. Matlab’daki görselleştirme tekniklerinin birçoğuna sahiptir. Matplotlib kütüphanesindeki fonksiyonları giriş mahiyetinde tanımak için DATAI Team’a ait şu video izlenebilir :
4. KURS
En önemli kurstur. Nöral Ağ çeşitlerinden konvolüsyonel nöral ağlar anlatılmaktadır. Bu nöral ağın birçok avantajı olmakla beraber görüntü işlemeye bilhassa uygun kılan şey, bu nöral ağların görüntüdeki iki boyutlu bilgiyi kullanma fırsatı sunmasıdır. Daha önce gördüğümüz nöral ağlarda bir görüntü tek boyuta dönüştürüldükten sonra ağ eğitilebiliyordu.1. AŞAMA (1 – 11 Videolar) :
CNN’ler hakkında temel bilgileri içermektedir.
Görev Kodu : Pytorch’da 3,5 layerlik özgün bir CNN (pooling layerı da içeren) oluşturun. Bu layerlerin, aktivasyon fonksiyonu, padding, stride, optimizasyon algoritması vb özelliklerini siz belirleyin. Daha sonra Pytorch’daki MNIST datasetini bu CNN’de eğitin. Sonuçları değerlendirin.2. AŞAMA (12 – 19 Videolar) :
Bu videolarda yaygın kullanılan, başarılı CNN’ler hakkında bilgi verilmektedir. Buradaki her bir CNN mimarisinin kendi içerisinde bir mantığı, yaklaşım yöntemi bulunmaktadır. AlexNET’in başarısıyla ortaya çıkan CNN’lerin gücü daha sonra birçok yeni CNN’lerin ortaya çıkmasına sebep olmuştur.Görev 1 : LeNET’in makalesini gözden geçiriniz. AlexNET ve VGGNET’in makalelerini dikkatli bir şekilde, anlayarak okuyunuz
Görev Kodu : MNIST datasetini ResNET ile eğitiniz. Elde ettiğiniz sonuçları özgün CNN’nizden elde ettiğiniz sonuçlar ile karşılaştırınız.3. AŞAMA (20 – 31 Videolar):
Bu videolarda CNN’ler ile nesne tespiti yapmanın mantığı ve YOLO anlatılmaktadır. Artık bu videoları izledikten sonra nesne tespiti yapmak için temel bilgiler elde edilmiş olacaktır. Bu noktadan sonra yapılması gereken, yapmak istediğiniz görev ile alakalı literatür taraması yapmak gerek Google’da konuyla alakalı yazılar okumak gerek libgen gibi sitelerden makale araştırması yapıp okumaktır.Bundan sonraki videoları izlemek opsiyoneldir
Allah çalışmalarınızı hayırlı ve bereketli kılsın.
Matrislerin Tersi algoritmik yöntemler ile bulunmaktadır, şu linkten matrislerin tersini bulmak ile alakalı bir yöntemi öğrenebilirsiniz:
https://youtu.be/LJ3WzHna3SMMakine Öğrenmesinde matrislerin tersi kullanılarak işlemler yapılmamaktadır. Transpoz işlemi kullanılmaktadır. O da eldeki bir matrisin matris çarpımı sırasında uygun hale getirilmesinde (yataysa dikey, dikeyse yatay) genellikle kullanılmaktadır. İhtiyaç olduğunda zaten kolaylıkla fark edilecektir.
Transpoz işlemi oldukça basittir. Aşağıdaki görselde görüldüğü üzere satırlar sütun haline getirilir.
Evet bir tane feature ile logistic regresyon yapılacaktır. ve dronun renklerine göre her şey feature değerini değiştirecektir. Yalnız resimleri gray scale çevirmemiz modelin kafasını daha az karıştıracaktır, şekil biraz daha ön plana çıkacaktır.
Zaten Dron tespitinde Logistic Regresyon verimli bir yöntem değildir. Nöral ağların kullanılması çok daha verimli sonuçlar sağlamaktadır. Biz burada logistic regresyonun mantığını anlamak üzere bu örneği yapıyoruz. Yoksa maksadımız verimli bir şekilde resimlerde dron tespiti yapacak bir model üretmek değildir.
PANDAS MODÜLÜ
Pandas Modülü Pythonda txt ve csv dosyalarından verileri Python ortamına aktarıp, manipüle etmemize, birtakım işlemler yapmamıza yarayan bir modüldür.
Pandas Modülü ile sadece veriler Python ortamına aktarılmakla kalmaz python ortamında yeni veriler oluşturulması da sağlanabilir.
Pandas ile Python ortamına aktarılan veriler Pandas’ta tablo yapısı ile gösterilir. Burada Excelldeki tablo yapısı ile benzerlik kurulabilir.DATAI TEAM’e ait 2 videoluk Pandas serisi Pandas modülüne ait özellikleri genel olarak öğrenmeye yeterli olacaktır.
2. KURS
1. AŞAMA (Video 1-9) : Bias-Variance, Regularization
İlk videoda Train/Val/Test datasetlerinin sahip olması gereken data sayısı dağılımına yönelik olarak makine öğrenmesinden farklı bir dağılıma gidildiği gözlemlenecektir.
İkinci videoda derin öğrenmede çok önemli olan iki kavram : Bias ve Varyans kavramları üzerinde durulacaktır.
3-9 Videolarda overfittingin önüne geçmek maksadıyla uygulanan regularization metotlarından bahsedilmektedir. Tüm bu metotlar kıymetlidir. ÖZellikle dropout regularization metodunun mantığı oldukça garip olsa da işe yaramaktadir. Dropout yönteminde random’lığın gücünden faydalanmaktadır.
Inputların normalize edilmesi de bir regularization yöntemi olmakla beraber bir bu normalize işleminin uniform yapılmaması durumunda olaya istatistiki boyut da eklenmektedir.Görev Kodu : Probability dense function ve cumulative distrubution function nedir araştırınız. Yaygın kullanılan Probability Dense Function’lar nelerdir onu da araştırınız. Bu Probability Dense Functionların grafiklerini Pythonda çizdiriniz ve her bir fonksiyona ait parametrelerin değerlerini değiştirerek parametrelerin, fonksiyonun şeklinde yaptığı değişikliği gözlemleyiniz.
Görev Kodu 2 : Aşağıdaki linkteki yazıyı dikkatli bir şekilde okuyunuz. https://www.dummies.com/programming/big-data/data-science/transforming-distributions-machine-learning/ Bu linkte yazanlardan yola çıkarak:
1_ Data Normalizesinde normalize ederken uygulanacak distribution çeşidinin neye göre belirleneceği hususunu araştırıp, düşününüz.
2_ Hazırlanacak Bir datasetteki data özelliklerinin nasıl dağılım gösterebileceği, hangi durumlarda nasıl dağılım göstermesi gerektiğini araştırıp, düşününüz.
3_ Bu ikisi arasında nasıl bir korelasyon olabilir düşününüz. Vardığınız sonucu mentorunuz ile paylaşınız.NOT : Fazla kasmayınız, beyin yanmasın 😀
2. AŞAMA (Video 10-22) : Optimizasyon Algoritmaları
Bu videolarda Gradient Descent algoritmasının da dahil olduğu optimizasyon algoritmalarına yönelik genel bir bakış açışı kullanılmakta ve bu algoritmalardan yaygın kullanılanlardan birkaç tanesi örnek olarak anlatılmaktadır. Bu optimizasyon algoritmalarına dair bilgilerin ezberlenmesine kesinlikle gerek yoktur. Sadece videolarda bu optimizasyon algoritmalarının genel özelliklerine bir kez olsun dikkat edilmelidir.3. AŞAMA (Video 23-34) : Bazı parametreler, Tuning ve Softmax :
3. KURS
1. AŞAMA (Video 1-18) :
Bu videolarda genel olarak eğitilen bir modelin başarısını ölçmeye yönelik olarak uygulanabilecek metrikler, test/val datasetleri dağılımı, overfitting, underfitting gibi durumlara karşı alınabilecek tedbirlerden bahsetmektedir. Oldukça mühim olan ve sık kullanılacak bu konular iyi bir şekilde öğrenilmelidir.2. AŞAMA( Video 19-22):
Transfer Learning, Multitask Learning, End to End Learning derin öğrenmede sıkça karşılaşılacak kavramlardır.Görev Kodu :
Underfitting ve Overfittinge sebep olabilecek nedenleri internetten araştırınız. Andrew NG bu nedenlerden bazılarından bahsetse de bazılarından bahsetmemektedir. O yüzden bu konu ile alakalı bir araştırma yapılmasında yarar vardır.
Daha sonrasında ayrı ayrı Underfitting ve Overfitting’i engellemeye yönelik çözüm yöntemlerini araştırınız.
Bu çözüm yöntemleri kapsamında Data Augmentasyonunun yerini ve önemini belirleyiniz. Data Augmentasyon yöntemleri ile alakalı araştırma yapınız.
