Yanıtla: Derin Öğrenme

Anasayfa Forumlar Eğitimler Derin Öğrenme Yanıtla: Derin Öğrenme

#812
yusuf
Mentor
Up
0
Down

2. KURS

1. AŞAMA (Video 1-9) : Bias-Variance, Regularization
İlk videoda Train/Val/Test datasetlerinin sahip olması gereken data sayısı dağılımına yönelik olarak makine öğrenmesinden farklı bir dağılıma gidildiği gözlemlenecektir.
İkinci videoda derin öğrenmede çok önemli olan iki kavram : Bias ve Varyans kavramları üzerinde durulacaktır.
3-9 Videolarda overfittingin önüne geçmek maksadıyla uygulanan regularization metotlarından bahsedilmektedir. Tüm bu metotlar kıymetlidir. ÖZellikle dropout regularization metodunun mantığı oldukça garip olsa da işe yaramaktadir. Dropout yönteminde random’lığın gücünden faydalanmaktadır.
Inputların normalize edilmesi de bir regularization yöntemi olmakla beraber bir bu normalize işleminin uniform yapılmaması durumunda olaya istatistiki boyut da eklenmektedir.

Görev Kodu : Probability dense function ve cumulative distrubution function nedir araştırınız. Yaygın kullanılan Probability Dense Function’lar nelerdir onu da araştırınız. Bu Probability Dense Functionların grafiklerini Pythonda çizdiriniz ve her bir fonksiyona ait parametrelerin değerlerini değiştirerek parametrelerin, fonksiyonun şeklinde yaptığı değişikliği gözlemleyiniz.
Görev Kodu 2 : Aşağıdaki linkteki yazıyı dikkatli bir şekilde okuyunuz. https://www.dummies.com/programming/big-data/data-science/transforming-distributions-machine-learning/ Bu linkte yazanlardan yola çıkarak:
1_ Data Normalizesinde normalize ederken uygulanacak distribution çeşidinin neye göre belirleneceği hususunu araştırıp, düşününüz.
2_ Hazırlanacak Bir datasetteki data özelliklerinin nasıl dağılım gösterebileceği, hangi durumlarda nasıl dağılım göstermesi gerektiğini araştırıp, düşününüz.
3_ Bu ikisi arasında nasıl bir korelasyon olabilir düşününüz. Vardığınız sonucu mentorunuz ile paylaşınız.

NOT : Fazla kasmayınız, beyin yanmasın 😀

2. AŞAMA (Video 10-22) : Optimizasyon Algoritmaları
Bu videolarda Gradient Descent algoritmasının da dahil olduğu optimizasyon algoritmalarına yönelik genel bir bakış açışı kullanılmakta ve bu algoritmalardan yaygın kullanılanlardan birkaç tanesi örnek olarak anlatılmaktadır. Bu optimizasyon algoritmalarına dair bilgilerin ezberlenmesine kesinlikle gerek yoktur. Sadece videolarda bu optimizasyon algoritmalarının genel özelliklerine bir kez olsun dikkat edilmelidir.

3. AŞAMA (Video 23-34) : Bazı parametreler, Tuning ve Softmax :