💫
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
  • 📚 Popüler Terimler
  • Elimden gelenin en iyisini yaptım, projem hala kötü gidiyor, ne yapmalıyım? 😥
  • 🧐 Modelin insanlardan daha mı iyi?
  • 🤓 Study case
  • 👀 Hata Türlerinin Görselleştirilmesi
  • 🤗 ML'nin insan seviyesi performansını geçebildiği problemler
  • ✨ Bias / Varyans ve İlgili Prosedürler Hakkında Detaylı Notlarım
  • 🤸‍♀️ Tavsiyeler
  • 🌞 Yazının Aslı

Was this helpful?

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

👩‍🏫 Uygulama Talimatları

📚 Popüler Terimler

Terim

Açıklama

👩‍🎓 Bayes Error

Herhangi bir sınıflandırıcı için olası en düşük hata oranı (Optimum hata 🤔)

👩‍🏫 Human Level Error

Bir insan tarafından elde edilebilecek hata oranı

👮‍♀️ Avoidable Bias ‍

Bayes hatası ile insan seviyesi hatası arasındaki fark

Elimden gelenin en iyisini yaptım, projem hala kötü gidiyor, ne yapmalıyım? 😥

Peki, bu aşamada bir kriterimiz var, senin modelin insanlardan daha mı kötü yapıyor (Çünkü insanlar birçok işte oldukça iyilerdir 👩‍🎓)? Evet ise, aşağıdakileri denyebilirsin:

  • 👩‍🏫 İnsanlardan etiketli veriler al

  • 👀 Manuel hata analizinden fikir edinmeye çalış; (Bir insan neden bunu doğru yapabiliyor 🙄)

  • 🔎 bias / variance 'ı daha iyi anlaliz et 🔍

🤔 Not: İnsanların bir görevde ne kadar iyi yapabileceklerini bilmek, bias'ı ve varyansı azaltmaya ne kadar çalışmamız gerektiğini daha iyi anlamamıza yardımcı olabilir

🧐 Modelin insanlardan daha mı iyi?

  • İşlemler daha az net 😥

Uygun teknikler buraya eklenecektir

🤓 Study case

Aşağıdaki iki durumun olduğunu varsayalım:

Durum1

Durum2

Human Error

1%

7.5%

Training Error

8%

8%

Dev Error

10%

10%

Training ve dev hataları aynı olsa bile, daha iyi performans için farklı taktikler uygulayacağız

  • Durum1'de, Yüksek Bias vardır, o yüzden yanlılık azaltma tekniklerine odaklanmamız lazım 🤔, başka bir deyişle, training ve insan hatası arasındaki farkı azaltmamız gerekmektedir, ona da the avoidable error denir.

    • Daha iyi algoritma, daha iyi NN yapısı, ......

  • Durum2'de, Yüksek Varyans vardır, o yüzden varyans azaltma tekniklerine odaklanmamız lazım 🙄, başka bir deyişle training ve dev hatalarının arasındaki farkı azaltmamız lazım

    • regularization ekleme, daha çok veri elde etme, ......

Bu analiz sürecine Error analysis denir 🕵️‍

👀 Hata Türlerinin Görselleştirilmesi

Bilgisayar görüşü problemlerinde, human-level-error ≈ bayes-error çünkü insanlar görüş prblemlerinde çok iyiler

🤗 ML'nin insan seviyesi performansını geçebildiği problemler

  • Online reklamcılık

  • Ürün önerme

  • Logistics

  • Kredi onayları

  • .....

✨ Bias / Varyans ve İlgili Prosedürler Hakkında Detaylı Notlarım

🤸‍♀️ Tavsiyeler

Yeni bir projemiz olduğunda, bir ilk model üretmek ve ardından en iyi modeli elde edene kadar iteratif bir şekilde ilerlemek önerilir, Bu, teorik olarak zamanı modeli oluşturma harcamaktan ve en iyi hipermetreyi düşünmekten daha pratiktir. -bu da neredeyse imkansız 🙄-

O yüzden sadece aşırı düşünme! (Hem ML problemlerinde hem de hayat problemlerinde 🤗🙆‍)

🌞 Yazının Aslı

Previous👩‍🔧 Makine Öğrenimi Projelerinin Yapılandırılması Üzerine NotlarNext🕵️‍♀️ Obje Algılama Temelleri

Last updated 4 years ago

Was this helpful?

Burada 🐾
Burada 🐾