Optimizasyon ihtiyacı

Python ile Deep Learning'e Giriş

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Temel bir sinir ağı

ch2_1_v3.002.png

Temel bir sinir ağı

ch2_1_v3.003.png

Temel bir sinir ağı

ch2_1_v3.004.png

Temel bir sinir ağı

ch2_1_v3.005.png

Temel bir sinir ağı

ch2_1_v3.006.png

Temel bir sinir ağı

ch2_1_v3.007.png

Temel bir sinir ağı

ch2_1_v3.008.png

Temel bir sinir ağı

ch2_1_v3.009.png

Temel bir sinir ağı

ch2_1_v3.010.png

Birden çok noktayla tahminler

Daha çok nokta olunca doğru tahmin zorlaşır
Her ağırlık kümesinde hata için birçok değer vardır
... çünkü birçok nokta için tahmin yaparız

Kayıp fonksiyonu

Birçok veri noktasındaki tahmin hatalarını tek sayıda toplar
Modelin öngörü başarısını ölçer

Kare hata kayıp fonksiyonu

ch2_1_v3.019.png

Kare hata kayıp fonksiyonu

ch2_1_v3.020.png

Kare hata kayıp fonksiyonu

ch2_1_v3.021.png

Kayıp fonksiyonu

ch2_1_v3.023.png

Kayıp fonksiyonu

ch2_1_v3.024.png

Kayıp fonksiyonu

ch2_1_v3.025.png

Kayıp fonksiyonu

Daha düşük kayıp daha iyi model demektir
Amaç: Kayıp fonksiyonunu en aza indiren ağırlıkları bulmak
Gradyan inişi

Gradyan inişi

Zifiri karanlık bir arazidesiniz
En düşük noktayı bulmak istiyorsunuz
Eğimini anlamak için zemini yoklayın
Küçük bir adım aşağı atın
Her yönde yokuş olana dek tekrarlayın

Gradyan inişi adımları

Rastgele bir noktadan başlayın
Düzleşene kadar:
- Eğimi bulun
- Aşağı doğru bir adım atın

Tek ağırlıklı modeli optimize etme

ch2_1_v3.042.png

Tek ağırlıklı modeli optimize etme

ch2_1_v3.044.png

Tek ağırlıklı modeli optimize etme

ch2_1_v3.045.png

Tek ağırlıklı modeli optimize etme

ch2_1_v3.046.png

Tek ağırlıklı modeli optimize etme

ch2_1_v3.047.png

Tek ağırlıklı modeli optimize etme

ch2_1_v3.048.png

Tek ağırlıklı modeli optimize etme

ch2_1_v3.049.png

Tek ağırlıklı modeli optimize etme

ch2_1_v3.050.png

Tek ağırlıklı modeli optimize etme

ch2_1_v3.051.png

Hadi pratik yapalım!

Python ile Deep Learning'e Giriş

Preparing Video For Download...