Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, Salih Fırat tarafından sunulan "Skit Learn ile Acemiler İçin Makine Öğrenme Dersleri" serisinin sekizinci bölümüdür.
- Videoda neural network (sinir ağı) ile regresyon konusu ele alınmaktadır. İlk bölümde neural network'in ne olduğu ve çalışma prensibi açıklanırken, ikinci bölümde grid search teknikleri kullanılarak en iyi parametrelerin nasıl bulunacağı gösterilmektedir. Balık veri seti üzerinde MLP Regrester modeli kullanılarak regresyon uygulaması adım adım anlatılmakta ve %97,60 hata oranına ulaşılmıştır.
- Eğitim içeriğinde learning rate'in önemi, veri normalizasyonu (standart sapma) ve eğitilen modelin nasıl kaydedileceği gibi konular da ele alınmaktadır. Ayrıca, nöronların nasıl etkileşime girdiği ve aktivasyon fonksiyonlarının nasıl kullanıldığı görsel olarak açıklanmaktadır.
- Neural Network ve Regresyon Tanıtımı
- Salih Fırat, Skit Learn ile acemiler için makine öğrenme derslerinin sekizinci bölümünde neural network ile regresyon çalışacağını belirtiyor.
- Neural network, nöronların çalışma şeklinden ilham alınarak geliştirilmiş bir makine öğrenme modelidir ve 2000'lerin sonunda diğer modellerin önüne geçerek büyük verileri kullanarak çözülmesi zor problemleri çözebilmiştir.
- Neural networkler karmaşık problemleri çözmek için iyi olsa da, ufak problemler için KNN veya lineer regresyon gibi modeller daha mantıklıdır.
- 01:05Veri Seti ve Model Oluşturma
- Sisteme yüklenen modüller KNN ile aynıdır, ancak regresyon için MLP Regrester (Çok Katmanlı Perceptron Nöronu) yüklenmektedir.
- Veri seti balık veri setidir ve 44 vakadan oluşmaktadır; X değişkeni balığın yaşı ve su sıcaklığı, Y değişkeni ise balığın boyudur.
- Veri seti eğitim ve validasyon verisi olarak ikiye ayrılır; eğitim verisinde 35 vakadan 2 değişken vardır ve çıktı değişkeni balığın boyutudur.
- 03:23Model Eğitimi ve Sonuçlar
- 35 vakadan oluşan veri seti için daha geniş bir sinir ağı kurulmuştur, ancak 200 vakayla çalışılacaksa bu kadar geniş bir ağ gerekli olmayacaktır.
- Model eğitildikten sonra tahminler alınmış ve skorlar hesaplanmıştır; açıklanan varyans %77 olarak bulunmuştur.
- Neural network, hata oranını %23'ten %14'e düşürerek yaklaşık %90 oranında hata azaltmıştır.
- 06:03Neural Network Çalışma Prensibi
- Neural network, nöronlar (perceptronlar) katman katman olarak yer alır ve girdi nöronları her biri bir değişkeni temsil eder.
- Network ilk oluşturulduğunda ağırlıklar seçkisiz olarak sistem tarafından oluşturulur ve aktivasyon fonksiyonu (relu, sigmoid gibi) kullanılarak değerler hesaplanır.
- Gerçek değer ile tahmin arasındaki fark hesaplanır, türevlenerek ağırlıklar değiştirilir ve bu işlem tüm vakalar için tekrarlanarak bir epoch (iterasyon) tamamlanır.
- 09:59Sinir Ağları ve Öğrenme Parametreleri
- Sinir ağları, verinin yapısını öğrenerek regresyonu yapamadığı bölmeyi ayırt etme veya tahmini yapabiliyor.
- Modelin katman sayısı ve nöron sayısı artırılabilir, örneğin üç katmanlı bir modelde her katmanda on nöron bulunabilir.
- Learning rate (öğrenme hızı) iki ucu keskin bir bıçak gibidir; çok düşük olursa model öğrenemez, çok yüksek olursa doğru noktayı bulamaz.
- 13:28Veri Hazırlama ve Standartlaştırma
- Girdi ve çıktı değişkenleri standart sapma cinsine çevrilmelidir çünkü farklı ölçeklerdeki değerler arasında nüanslar farklılık gösterebilir.
- Standartlaştırma, farklı ölçeklerdeki değerlerin etkisini eşitleyerek modelin daha iyi performans göstermesini sağlar.
- Standartlaştırma sistemi sadece eğitim verisi ile elde düzenlenir ve test verisi için de aynı standartlar kullanılır.
- 16:32Grid Search ve Model Eğitimi
- Grid search kullanılarak farklı öğrenme seviyeleri ve nöron sayıları denenebilir, örneğin 10.000 nöron, 3 katman ve 20 nöron gibi.
- Model eğitimi sırasında CPU fanı hızlıca dönmeye başlar çünkü arkada matematik işlemleri yapılır.
- Grid search sonucunda en iyi skor %97,61 olarak bulunur ve en iyi parametreler 2 katman, 20 nöron ve 0,1 öğrenme hızıdır.
- 22:18Model Kaydetme ve Kullanımı
- Model eğitimi uzun sürebilir, örneğin en son kullanılan model 26 saatte oturmuştur.
- Model kaydedilerek ileride tekrar kullanılabilir, böylece her tahmin için uzun süre beklemek gerekmez.
- Kaydedilen model, veri düzenleme için kullanılan pickle dosyası ile yüklenerek kullanılabilir.