Makine öğrenimi, bilgisayarların algılayıcı verisi ya da veritabanları gibi veri türlerine dayalı öğrenimini olanaklı kılan algoritmaların tasarım ve geliştirme süreçlerini konu edinen bir bilim dalıdır.

Makine öğrenim ile geliştirilen modeller verilerden tekrarlama yöntemiyle öğrenilir. Özel olarak belirtilmeyede makine öğrenim algoritmaları aldığı veriye dair fark edemediğimiz bilgileri gösterebilir.

Normal Program

machine learning
Normal Program

Makine Öğrenim Algoritmaları

machine learning
Makine Öğrenimi Algoritmaları

Makine Öğrenme Türleri

Gözetimli Öğrenme: Verilerin istenilen sonucu gösteren etiketi vardır.

Gözetimsiz Öğrenme: Verilerin etiketi yoktur. Algoritmamızdan veriler arasında bağlantı kurup gruplara ayırmasını bekleriz.

Yarı Gözetimli Öğrenme: Yukarıda iki kavramın arasında yer alır ve etiketlenmemiş büyük miktarda veri ile etiketlenmiş küçük miktarda bir verinin beraber kullanılmadır.

Pekiştirmeli Öğrenme: Öğretici sistemin ürettiği sonuç için doğru ya da yanlış olarak bir değerlendirme yapar. Doğru olan pekiştireçlere ödül yanlış olan pekiştireçlere ise ceza verilir.

Örnek ile açıklayacak olursak bir kedi resmi var buna etiket olarak Kedi yazarsak Gözetimli öğrenme yapmış oluruz. Ama etiketsiz bırakırsak gözetimsiz öğrenme olmuş olur.

Bir hastamız var ve bu hasta tümör tanısı konuluyor bu tümör iyi huylu mu kötü huylu olduğunu belirlersek Gözetimli öğrenme sınıflandırma yapmış oluruz.

Başka bir örnek ise evlerin fiyatlarını belirleme için algoritma yazıyoruz m2 başına ne kadar fiyat olduğunu öğretiyoruz ve daha sonra metrekare hesabını algoritmaya yazıyoruz bize tahmin olarak bir fiyat karşımıza çıkartıyor.Burada çevre konumu lokasyonu değişiklik göstermektedir.Bunlar dikkate alınmadan belirlenmiştir burada ise gözetimli öğrenme regresyon yapmış oluyoruz.

T-SNE Algoritması

T-SNE algoritmasının ana fikri, noktalar arasındaki uzaklıkları olabildiğince koruyacak bir şekilde düşük boyutlu bir temsil bulmaktır. t-SNE, her bir veri noktası için rastgele bir düşük boyutlu temsil ile başlar ve, orijinal uzayda yakın olan noktaları birbirine yakın, uzak olanları ise birbirinden uzak tutmaya çalışır. t-SNE, birbirine uzak noktaların arasındaki uzaklığı korumaktansa birbirine yakın noktalara daha çok önem verir.

CIFAR – 10 Algoritması

CIFAR-10 veri seti, sınıf başına 6000 görüntü içeren 10 sınıfta 60000 32×32 renkli görüntüden oluşur. 50000 eğitim görüntüsü ve 10000 test görüntüsü vardır.

Veri kümesi, her biri 10000 görüntü içeren beş eğitim grubuna ve bir test grubuna ayrılmıştır. Test grubu, her sınıftan tam olarak rastgele seçilen 1000 görüntü içerir. Eğitim grupları kalan görüntüleri rastgele sırayla içerir, ancak bazı eğitim grupları bir sınıftan diğerine göre daha fazla görüntü içerebilir. Aralarında, eğitim partileri, her sınıftan tam olarak 5000 görüntü içeriyor.

Sınıflar tamamen birbirini dışlar. Otomobiller ve kamyonlar arasında örtüşme yoktur. “Otomobil” sedanlar, SUV’ler ve bu tür şeyleri içerir. “Kamyon” sadece büyük kamyonları içerir. Kamyonet de içermez.

Python Yapay Zeka ve Derin Öğrenme



0 yorum

Bir Cevap Yazın