Fundamentals of Machine Learning – Lecture 2 – Metrics, distance measures, classification criteria

Lecture 2 – Metrics, distance measures, classification criteria

Makine Öğrenmesinin Temelleri – Metrikler, mesafe ölçüleri, sınıflandırma ölçütleri

Notice: 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.

Text of the note

Show as plain text (Turkish; formulas and drawings are not included)

Independent component analysis

zero shot mesela sınıfın yarısından örnek alındı, diğer tarafta test edildi. diğer taraftan örnek alınmamış.

Mesafe ölçümü ve metrikler:

Distance measure and metrics

Negatif olmama: d(x) ≥ 0 Claude notu: muhtemelen d(x,y)≥ 0 olmalı.

Divergence: (Bu metrik değil ama o da mesafe ölçer) birisi diğerine daha uzak mı onu ölçüyor.

Tüm metrik özelliklerini sağlamazlar

_1 -norm: Manhattan norm

_p -norma göre birim çemberler

→ Loss functionlarda normlar kullanılıyor

Okuma alışkanlığını şehirlere göre

burada sıkıntı ne

mesela nüfusa bölebiliriz

Ama ben olasılık dağılımı üzerinden gitmek istiyorum

bir kez izmir ankara

bir kez izmir antep

Ama bu metrik değil

simetrik değil d(x,y)≠ d(y,x) her zaman

Jenson-Shannon div

Ne kadar çok kaos varsa entropi o kadar yükselir.

P ile Q'nun birbirine uzaklığı

Bir haber başkasına benziyor mu

Iğdır'da trafik kazasından 10 kişi öldü

ığdır trafik kaza 10 kişi ölmek

ığdır avokada getirmek

Hamming Distance Bütün veriler tek (set())

0'ı eşik değer yaparsam

Lecture 2 – Metrics, distance measures, classification criteria

What is in this note?

Text of the note