Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitim içeriği olup, konuşmacı önceki videolarda teorileri ve Numpy kütüphanesini anlattığını belirtiyor.
- Video, Numpy ile neural network uygulaması yapma sürecini adım adım gösteriyor. Öncelikle MNIST veritabanının nasıl yükleneceği, pickle kütüphanesi ile seri yerleştirme işlemi, verilerin training, validation ve test olarak nasıl ayrılacağı anlatılıyor. Ardından verilerin 28x28 piksellik resimlerden oluştuğu ve bu resimlerin nasıl vektörelleştirileceği açıklanıyor. Video, sınıflandırma yöntemlerine geçiş yaparak sona eriyor ve bir sonraki videoda devam edeceğini belirtiyor.
- 00:01Numpy ile Neural Network Uygulaması
- Önceki videoda teoriler ve numpy anlatıldıktan sonra, şimdi numpy ile neural network uygulaması yapılacak.
- Bu uygulama, numpy ile yapılan birkaç uygulamanın biri olacaktır.
- 00:24Veritabanının Yüklenmesi
- Öncelikle EMILIST (rakamlardan oluşan bir veritabanı) yüklenecek.
- Veritabanı sıkıştırılmış bir zip dosyası olarak geliyor ve gez ile açılabilir.
- Pickle kütüphanesi seri yerleştirme için kullanılıyor, ancak test aşamasında olduğu için güvenlik açısından sorunlar yaşanabilir.
- 01:26Veritabanının Hazırlanması
- EMILIST verisi, keras, tensorflow veya fight och kullanıyorsanız direkt olarak indiriliyor.
- Veriler Latin encoding ile kodlanmış olduğu için bu kodlama uygulanıyor.
- Veriler training data, validation data ve test data olarak ayrılıyor.
- 03:04Veritabanının Yapısı
- Veritabanı iki boyutlu bir dizi olarak tutuluyor; birinci sıra sayılar, ikinci sıra katmanlar.
- Örneğin, 9'un resmi var ve buna karşılık 9 olarak yazılmış.
- Veriler 28x28'lik kare resimlerden oluşuyor.
- 04:50Verilerin Düzenlenmesi
- Veriler kareyi düz bir çizgi haline dönüştürmeye çalışılıyor.
- Training input ve training results olarak veriler dönüştürülüp düzeltilmiş ve kategorileri belirlenmiş şekilde aktarılıyor.
- Vectories load fonksiyonu ile katmanlar ve labellar belirleniyor.
- 05:51Sınıflandırma
- Veriler 0'dan 9'a kadar sınıflandırılıyor.
- Sınıflandırma için 0, 1, 2, 3, 4, 5, 6, 7, 8 ve 9 değerleri kullanılıyor.
- Sınıflandırma işlemi döngü olmadan tek sıra veriler için yapılabiliyor.