Makine Öğrenmesinin Temelleri – CNN, RNN/LSTM, encoding ve TF-IDF

CNN, RNN/LSTM, encoding ve TF-IDF

Uyarı: Dijital notlar, el yazısı notlardan Claude (Anthropic) yardımıyla oluşturulmuştur; yardımcı kaynak olarak hazırlanmıştır ve hata içerebilir. Orijinal notları ve resmi ders kaynaklarını esas alın.
The digital notes were created from the handwritten notes with the help of Claude (Anthropic); they are meant as a supplementary resource and may contain errors. Always rely on the original notes and the official course materials.

Notun metni

Düz metin olarak göster (formüller ve çizimler yoktur)

feature'ın yerine hassas bir ağırlıklarımız var

türev edge detection

bunlar konumdan bağımsız.

bu falan çalışıyor

featureları çıkarıyor fully connected layer

tek bir layer kullanılmaz

Feature extraction için çok kullanılır

Odaklanıp işimize yarayacağımız verilerin her şeyi zaten değil.

kernel size filtre sayısı

1 feature extraction: Öznitelik çıkarma

2 Özniteliklerin konumlarından bağımsız

eğitimi göre daha zor

Elimizdeki veriler ne kadar kaliteli ise o kadar kolay sınıflandırıcımız olur.

Yolo feature extraction'ı çok iyi yapıyor ve iyi parçalara ayırıyor

katmanlar arası isterseniz aktivation atabilirsiniz ama çok .

time series prediction

Recurrent neural network (RNN)

sağdan sola, soldan sağa mı sıra da önemli

Bidirectional mimariler var

Cell falan da var

ham bir veriyi sayıya çevirmek

One hot Encoding

gözetimsiz olarak entropy kullandılar.

en basit şekilde nasıl vektöre çeviririm

Term freq (TF)

bazı çok kullanılan kelimeler var

CNN, RNN/LSTM, encoding ve TF-IDF

Bu notta neler var?

Notun metni