Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, Trendez Akademi tarafından sunulan bir eğitim dersidir. Eğitmen, yapay zeka ve derin öğrenme konularını anlatmaktadır.
- Video, yapay zekanın çağımızın elektriği olduğunu vurgulayarak başlıyor ve ardından TensorFlow ve Keras kütüphanelerini kullanarak pratik bir veri analizi yapmayı gösteriyor. İçerik, veri ön işleme aşamalarından başlayarak (eksik veri kontrolü, veri setini eğitim ve test setlerine ayırma, veri normalleştirme, kategorik verileri one hot kodlama), yapay sinir ağlarının çalışma prensibini açıklayarak ve son olarak Iris veri seti üzerinde basit bir derin öğrenme modeli kurulumu, derlenmesi ve eğitilmesi sürecini adım adım anlatıyor.
- Eğitim, Anaconda platformu, Jupyter Notebook ve veri görselleştirme kütüphaneleri (matplotlib, seaborn) hakkında bilgiler vererek, veri setinin nasıl import edileceği, veri yapısının nasıl inceleneceği ve görselleştirileceği konularını ele alıyor. Ayrıca, modelin performansını artırmak için layer, nöron ve epoch sayılarının nasıl değiştirilebileceği de gösterilmektedir.
- Yapay Zeka ve Derin Öğrenme
- Geçtiğimiz yıllarda yapay zeka, makine öğrenmesi ve derin öğrenme konularında sayısız makale yayınlandı.
- Bilim kurgu filmlerinde görülen sürücüsüz arabalar, chatbotlar ve sanal asistanlar artık hayal olmaktan çıktı.
- Stanford'da profesör ve Coursera'nın kurucusu Dr. Andrew, yapay zekanın çağımızın elektriği olduğunu belirtiyor.
- 01:25Derin Öğrenme Kavramı
- Derin öğrenme, makine öğrenmesinin popüler alt disiplinlerinden biridir ve sinir ağları kullanılarak modeller oluşturulur.
- Sinir ağları girdi verilerini alır, ağırlıklar kullanılarak gizli katmanlarda işler ve en son bir tahminde bulunur.
- Yapay sinir ağları "kara kutu" olarak adlandırılır çünkü nasıl en iyi modeli bulduğu bilinmez.
- 02:06TensorFlow ve Keras
- TensorFlow, Google tarafından hazırlanmış bir derin öğrenme kütüphanesidir ve hem endüstride hem de araştırmalarda sıkça kullanılır.
- 2019 yılında TensorFlow, Keras ile tamamen senkronize çalışmasıyla anlaşılması ve kullanılması kolay hale geldi.
- Derin öğrenme büyük veri setleri için kullanılır ve analizler günler hatta haftalar sürebilir.
- 03:44Veri Bilimi ve Gerekli Araçlar
- Veri bilimi için genellikle Python kullanılır ve kolay yazım dili veri biliminin gelişmesine katkı sağladı.
- Anaconda platformu, veri bilimcilerine kolaylık sağlamak için kuruldu ve birçok kütüphane yüklü olarak gelir.
- Veri biliminde veriyi iyi görselleştirmek için web tabanlı Jupyter Notebook kullanılır ve büyük veri setleri için Google Collab tavsiye edilir.
- 04:53Iris Veri Seti Analizi
- Iris veri seti, makine öğrenmesi ve derin öğrenme için popüler bir örnek veri setidir.
- Veri seti 150 örneklemden oluşur ve dört tane öznitelik içerir.
- Çıktı değişkeni üç sınıftan (setosa, versicolor ve virginica) oluşan iris türlerini gösterir.
- 06:25Veri Ön İşleme
- Girdi ve çıktı veri setleri X ve Y değişkenlerine atanır ve Pandas dataframe yapısına dönüştürülür.
- Çıktı değişkeni iris türlerini gösterir ve bu türler 0, 1 ve 2 ile kodlanmıştır.
- Her sınıfa ait 50 örneklem bulunmaktadır.
- 08:24Veri Görselleştirme
- Veriyi görselleştirmek için genellikle Matplotlib ve Seaburn kütüphaneleri kullanılır.
- Seaburn, istatistik grafikleri çizmek için iyi bir kütüphanedir ve Anaconda ile yüklü gelir.
- Seaburn ile girdi verisindeki sayısal değişkenlerin ikili saçılım grafikleri ve ana köşegende özniteliklerin histogram grafikleri çizilebilir.
- 09:26Veri Ön İşleme
- Veri ön işleme, eksik verileri doldurma, veri setini eğitim ve validation set olarak ayırma, veriyi normalleştirme ve kategorik verileri one hot kodlama gibi aşamaları içerir.
- Eksik verileri kontrol etmek için pandas'taki info metodu kullanılabilir ve eksik veri olsa ortalama gibi istatistiklerle doldurulabilir veya eksik veri içeren satırlar kaldırılabilir.
- Veri seti hem girdi (x) hem de çıktı (y) değişkenleri olarak ikiye ayrılır; eğitim verisi ile model kurulurken, test verisi ile model değerlendirilir.
- 10:29Veri Parçalama ve Normalleştirme
- Veriyi parçalamak için train test split fonksiyonu kullanılır ve test size argümanına veriyi parçalama oranı yazılır.
- Veri setinin %10'u test, %90'u eğitim verisi olarak ayrılır ve shape metodu ile veri yapıları kontrol edilebilir.
- Veride yüksek miktarda varyans varsa veri normalleştirilir, varyansı kontrol etmek için var metodu kullanılır.
- 12:51One Hot Kodlama ve Veri Yapısı
- Derin öğrenme modeli için çıktı verisi üç sınıftan oluştuğu için one hot kodlamaya çevrilmelidir.
- One hot kodlama için TensorFlow'daki to_categorical metodu kullanılır ve çıktı verileri numpy array yapısına çevrilir.
- Girdi verileri hala pandas dataframe yapısında olduğundan, values metodu ile numpy array yapısına çevrilir.
- 16:24Yapay Sinir Ağları
- Yapay sinir ağları girdi layer, gizli layer'lar ve çıktı layer'dan oluşur; her layer'da nöronlar vardır.
- Veri nöronlardan ve layer'lardan akarak geçer, girdiler ağırlıklanarak gizli layer'a gelir ve aktivasyon fonksiyonu ile çıktı değeri üretilir.
- Tahmin gerçek değer ile karşılaştırılırken lost fonksiyon kullanılır; sonuç değişkeni sayısal ise mean secure arro veya mean absorte arro, ikili kategorik ise binary cross entropi, çoklu kategorik için categorical cross entropi fonksiyonları kullanılabilir.
- 17:51Derin Öğrenme Modeli Oluşturma
- TensorFlow içindeki Keras ile kolayca model kurulabilir; Keras kullanıcı dostudur ve model işlemlerini kolayca yapmamızı sağlar.
- Model için sequential sınıfı ve dense sınıfı import edilir; sequential layer'ları lineer olarak bir araya getirir, dense ise layerların full bağlantılı olmasını sağlar.
- Model oluşturulurken add metodu kullanılarak layer'lar eklenir; aktivasyon fonksiyonu olarak ReLU tercih edilir ve çıktı layer'ı için softmax kullanılır.
- 20:33Derin Öğrenme Modelinin Derlenmesi
- İkili sınıflandırma problemi için aktivasyon fonksiyonu olarak sigma kullanılırken, çoklu sınıflandırma için categorical cross entropi kayıp fonksiyonu tercih edilir.
- Model derleme aşamasında optimizer (öğrenme oranı kontrolü) ve loss (kayıp) fonksiyonu gibi parametreler ayarlanır.
- Adam optimizeer, öğrenme boyunca öğrenme oranını otomatik olarak ayarlar ve genellikle iyi bir seçimdir.
- 21:51Modelin Eğitilmesi
- Model fit metodu ile eğitilirken batch size (kaçar örnek alınacağı) ve epoch (eğitim verisi kaç kez gösterileceği) argümanları belirlenir.
- Validation verisi, modelin eğitimini iyileştirmek için kullanılırken, test set modelin performansını değerlendirmek için kullanılır.
- Modelin eğitim geçmişini kaydetmek için history değişkeni kullanılabilir ve bu geçmişe ulaşmak için history.history kullanılır.
- 23:02Model Performansını Değerlendirme
- Eğitim doğruluk değeri 0.84 ve validation doğruluk değeri 0.92 çıktı, bu durum modelde underfitting (düşük uydurma) problemi olduğunu gösterir.
- Matplotlib kütüphanesi kullanılarak eğitim ve validation skorları ile loss değerleri grafiğe çizdirilebilir.
- Loss değeri azaldıkça model daha iyi tahmin yapar.
- 25:24Modeli Derinleştirme ve Test
- Modelin performansını değerlendirmek için test verisi kullanılır ve ilk modelin test doğruluk değeri 0.80 çıktı.
- Modeli derinleştirmek için layer sayısı artırılır ve yeni modelin doğruluk değeri 0.97, validation doğruluk değeri 1.00 çıktı.
- Derinleştirilmiş modelin test verisi üzerindeki performansı 0.93'e çıktı, yani yeni bir veriyi %93 oranında doğru tahmin edebilir.
- 26:37Dersin Kapanışı
- Bu derste iris veri seti kullanılarak derin öğrenme modelinin nasıl kurulacağı anlatıldı.
- Kanalda 400'den fazla eğitim videosu bulunmakta ve özellikle Python ve kütüphaneleri dersleri tavsiye edilmektedir.