💫
Derin Öğrenme
  • 💫Derin Öğrenme Notları
  • 🚀English Version
  • 🦋Projeye Katkıda Bulunma
  • 💼Kullanışlı Araçlar
  • 💎Yapay Sinir Ağları Kavramları
    • 🌱Giriş
    • 🔎Esas Problem
    • 👷‍♀️ Yapay Sinir Ağlarının Uygulanması Üzerine Notlar
    • 📚Yapay Sinir Ağlarının Kavramları
    • 💥Yapay Sinir Ağlarında Aktivasyon Fonksiyonları
    • 🎈NN Uygulama İp Uçları
    • 👩‍🔧 NN Düzenlileştirme (Regularization)
    • ✨Optimizasyon Algoritmaları
    • 🎨Softmax Regression
    • 🏃‍♀️ Tensorflow'a Hızlı Giriş
    • 👩‍💻 Yapay Sinir Ağlarıyla ilgili Pyhton Kod Parçaları
  • 🙋‍♀️ Yapay Sinir Ağları ile Derin Öğrenme'nin Hello World'u
    • 🌱Giriş
    • 🌐Tarayıcıda CNNler
  • 🚪Bilgisayar Görüşüne Giriş
    • 🌱Giriş
  • 🚩Evrişimli Sinir Ağları Kavramları
    • 🌱Giriş
    • 📌Evrişimli Sinir Ağları ile İlgili Genel Kavramlar
    • 🌟Evrişimli Sinir Ağları Gelişmiş Kavramları
    • 👀Evrişimli Sinir Ağlarının Görselleştirilmesi
    • 👵Klasik Evrişimli Sinir Ağları
    • ✨CNN'leri Kurmak İçin Diğer Yaklaşımlar
    • 🕸️CNN'lerin Popüler Uygulamaları
  • 👩‍💻 CNN'ler Üzerinde Kodlar ve Notlar
    • 🌱Giriş
  • 💄Derin Öğrenmenin Popüler Stratejileri
    • 🌱Giriş
    • 🚙Öğrenme Aktarması (Transfer Learning)
    • 📚Derin Öğrenmede Diğer Stratejiler
  • 🤡Resim Artırma (Image Augmentation)
    • 🌱Giriş
  • 🤸‍♀️ Uygulamalı Makine Öğrenmesi Üzerine Notlar
    • 🌱Giriş
    • 👩‍🔧 Makine Öğrenimi Projelerinin Yapılandırılması Üzerine Notlar
    • 👩‍🏫 Uygulama Talimatları
  • 🕵️‍♀️ Obje Algılama Temelleri
    • 🌱Giriş
    • ⭕Bölge Tabanlı (Region-Based) CNN'ler
    • 🤳SSD ve YOLO
    • 🤖TensorFlow Object Detection API
  • ➰Derin Öğrenmede Dizi Modelleri
    • 🌱Giriş
    • 📚Dizi Modellerinin Genel Kavramları
    • 🔄Tekrarlayan Sinir Ağları (RNN)
    • 🌌RNN'deki Vanishing Gradients
    • 🌚Kelime Gösterimi
    • 💬NLP Hakkında Karışık Bilgiler
  • 📕Proje Sözlüğü
  • 📚Faydalı PDF'ler
  • 👀Hızlı Görsel Bilgiler
Powered by GitBook
On this page
  • ✨ Değerlendirme metrikleri nasıl etkili bir şekilde ayarlanır?
  • 📚 Değerlendirme Ölçütleri Türleri
  • 🚀 Verimliliği en üst düzeye çıkarmak için veri kümeleri nasıl ayarlanır?
  • 👩‍🏫 Öneri
  • 🤔 Kümelerin boyutu nasıl seçilir?
  • 🙄 Dev/test setleri ve değerlendirme ölçütleri ne zaman değiştirilmeli?
  • 🌞 Yazının Aslı

Was this helpful?

Export as PDF
  1. 🤸‍♀️ Uygulamalı Makine Öğrenmesi Üzerine Notlar

👩‍🔧 Makine Öğrenimi Projelerinin Yapılandırılması Üzerine Notlar

✨ Değerlendirme metrikleri nasıl etkili bir şekilde ayarlanır?

  • Precesion'a P ve recall'a R bakarken (örneğin) en iyi modeli doğru şekilde seçemeyebiliriz

    • Bu yüzden P ve R arasında bir ilişki kurabilecek yeni bir değerlendirme ölçütü oluşturmalıyız.

    • Şimdi yeni ölçümümüz sayesinde en iyi modeli seçebiliriz 🐣

    • Örneğin: (popüler bir değerlendirme ölçütü olarak) F1 Score:

      • F1=21P+1RF1 = \frac{2}{\frac{1}{P}+\frac{1}{R}}F1=P1​+R1​2​

Özetle: En iyi seçimi yapabilmek için modellerimiz ve değerlerimiz sayesinde kendi değerlendirme ölçümlerimizi oluşturabiliriz 👩‍🏫

📚 Değerlendirme Ölçütleri Türleri

Daha iyi bir değerlendirme için, ölçümlerimizi şu şekilde sınıflandırmamız gerekir:

Değerlendirme Ölçütü Türü

Açıklama

✨ Optimizing Metric

En iyi değerde olması gereken bir ölçüm

🤗 Satisficing Metric (tatmin edici)

Sadece yeterince iyi olması gereken bir ölçüm

Teknik olarak, Eğer N ölçümümüz varsa, 1 ölçüyü optimize etmeye çalışırız ve N-1 ölçüyü yeterince iyi hale getirmeliyiz 🙄

🙌 Açıklama: belirlediğimiz bir eşik değerine göre tatmin edici ölçütlerini ayarlıyoruz

🚀 Verimliliği en üst düzeye çıkarmak için veri kümeleri nasıl ayarlanır?

  • Dev ve test setlerini aynı dağıtımdan distribution seçmemiz gerekiyor, bu yüzden verileri önce rastgele karıştırmamız sonra bölmemiz gerekir.

  • Sonuç olarak, hem test hem de dev setlerinin tüm kategorilerden veriler içerir ✨

👩‍🏫 Öneri

Gelecekte almayı umduğumuz verileri yansıtmak için -aynı dağıtımdan(distribution)- bir dev ve test seti seçmeliyiz

🤔 Kümelerin boyutu nasıl seçilir?

  • Eğer küçük bir veri setimiz varsa (m < 10,000)

    • 60% training, 20% dev, 20% test iyi olacaktır

  • Eğer kocaman veri setimiz varsa (örneğin 1M)

    • 99% trainig, %1 dev, 1% test makul olabilir

Ve böylece, bu iki durumu göz önünde bulundurarak doğru oranı seçebiliriz 👮

🙄 Dev/test setleri ve değerlendirme ölçütleri ne zaman değiştirilmeli?

Öneri: Eğer dev/test setleri değerlendirme ölçütüyle iyi çalışıyorsa ve gerçek hayat uygulamasında iyi çalışmıyorsa dev/test setlerini ve/veya değerlendirme ölçütü değiştirilmelidir 🏳

🌞 Yazının Aslı

PreviousGirişNext👩‍🏫 Uygulama Talimatları

Last updated 4 years ago

Was this helpful?

Burada 🐾