Makine Öğrenmesi Matematiği 10


Bu yazı Makine Öğrenmesi Matematiği yazı dizisinin 10. bölümüdür. Hatırlamak isterseniz: Makine Öğrenmesi Matematiği 1 Makine Öğrenmesi Matematiği 2 Makine Öğrenmesi Matematiği 3 Makine Öğrenmesi Matematiği 4 Makine Öğrenmesi Matematiği 5 Makine Öğrenmesi Matematiği 6 Makine Öğrenmesi Matematiği 7 Makine Öğrenmesi Matematiği 8 Makine Öğrenmesi Matematiği 9 Bundan önceki üç bölümde çok değişkenli lineer regresyonun üç farklı algoritma ile gerçekleştirilmiş programlarını vermiştik. Bunlar sırayla: Toplu Dereceli Azalma … Okumaya devam et Makine Öğrenmesi Matematiği 10

Makine Öğrenmesi Matematiği 7


Bu yazı Makine Öğrenmesi Matematiği yazı dizisinin 7. bölümüdür. Hatırlamak isterseniz: Makine Öğrenmesi Matematiği 1 Makine Öğrenmesi Matematiği 2 Makine Öğrenmesi Matematiği 3 Makine Öğrenmesi Matematiği 4 Makine Öğrenmesi Matematiği 5 Makine Öğrenmesi Matematiği 6 Çok değişkenli lineer regresyon örneğimiz ile devam edelim. Veri Setimiz AndrewNG’nin hazırladığı Coursera’daki Machine Learning dersinden alınmıştır. ex1data2.txt 2104,3,399900 1600,3,329900 2400,3,369000 1416,2,232000 3000,4,539900 1985,4,299900 1534,3,314900 1427,3,198999 1380,3,212000 1494,3,242500 1940,4,239999 2000,3,347000 1890,3,329999 4478,5,699900 1268,3,259900 2300,4,449900 … Okumaya devam et Makine Öğrenmesi Matematiği 7

Makine Öğrenmesi Matematiği 6


Bu yazı Makine Öğrenmesi Matematiği yazı dizisinin 6. bölümüdür. Hatırlamak isterseniz: Makine Öğrenmesi Matematiği 1 Makine Öğrenmesi Matematiği 2 Makine Öğrenmesi Matematiği 3 Makine Öğrenmesi Matematiği 4 Makine Öğrenmesi Matematiği 5 Şimdi daha derine ineceğiz. Dereceli azalma çeşitleri ve optimizasyon algoritmalarından bahsedelim. Dereceli Azalma, optimizasyonu gerçekleştiren en popüler algoritmalardan biridir. Dereceli Azalma (Gradyan İnişi) üzerinde bu kadar durmamızın nedeni sadece doğrusal regresyon problemlerinde değil başta sinir ağları … Okumaya devam et Makine Öğrenmesi Matematiği 6

Makine Öğrenmesi Matematiği 5


Bu yazı Makine Öğrenmesi Matematiği yazı dizisinin 5. bölümüdür. Hatırlamak isterseniz: Makine Öğrenmesi Matematiği 1 Makine Öğrenmesi Matematiği 2 Makine Öğrenmesi Matematiği 3 Makine Öğrenmesi Matematiği 4 Eğer buraya kadar tüm bölümleri anlayarak geldiyseniz, makine öğrenmesi hakkında çok büyük bir yol katettiğinizi söyleyebilirim. Şimdi hızlıca bir özet geçelim.  Denetimli Öğrenme: Veri setindeki her örnek için doğru sonucu tahmin eder. Regresyon: Sürekli veri setinde verinin gerçek değerini tahmin etmeye … Okumaya devam et Makine Öğrenmesi Matematiği 5

Makine Öğrenmesi Matematiği 4


Bu yazı Makine Öğrenmesi Matematiği yazı dizisinin 4. bölümüdür. Hatırlamak isterseniz: Makine Öğrenmesi Matematiği 1 Makine Öğrenmesi Matematiği 2 Makine Öğrenmesi Matematiği 3 Kaldığımız yerden devam edelim. Bu öğrenme oranı  değerini rastgele belirledik; 0.0001. Bu sayı bize neyi ifade ediyor, evet biliyoruz optimum ağırlığa doğru ne kadar hızlı veya yavaş hareket edeceğimizi belirtiyor, ancak neden ‘ya bu değeri verdik. Doğru değeri verdiğimizi nereden bilebiliriz ya da problemimizde doğru  değerini nasıl … Okumaya devam et Makine Öğrenmesi Matematiği 4

Makine Öğrenmesi Matematiği 3


Bu yazı Makine Öğrenmesi Matematiği 2‘nin devamıdır. Hemen hatırlayalım, elimizde bir veri seti vardı, iki kolondan oluşuyor, kısaca ilk değişkeni kullanarak ikinci değişkeni tahmin edeceğiz. Verilerin Dağılım grafiği aşağıdaki gibidir: Problemimizi şöyle tanımlamıştık: Bu verilere en iyi uyan doğru nasıl olmalıdır?  Elimizdeki çıktıyı(ikinci kolonu) tahmin etmemizi sağlayacak tek bir değişken yani öngürücü değişken var, ilk kolondaki veriler(girdi). Yani problemimize makine öğrenmesi alanındaki ismine tek değişkenli … Okumaya devam et Makine Öğrenmesi Matematiği 3

Makine Öğrenmesi Matematiği 2


Bir önceki bölümde Makine Öğrenmesinde hipotez, parametreler, öğrenme algoritması, maliyet fonksiyonu ve amaç kavramlarından bahsetmiştik. Kare hata fonksiyonunu maliyet fonksiyonumuzda kullanarak, lineer regresyon problemimizin hipotezini hesaplamıştık. Hatırlamak isterseniz: Makine Öğrenmesi Matematiği 1 Kaldığımız yerden devam edelim.  Hipotezimizin basitleştirmeden önceki haline bir bakalım. Hatırlarsanız, Makine Öğrenmesinde asıl yapmak istediğimiz, amacımız, verilere en uygun eğriyi bulmaktır. Verilerin bir dağılım grafiğini çizdiğimizde, veriler eğer düz bir çizgiye düşüyorsa, … Okumaya devam et Makine Öğrenmesi Matematiği 2

Olasılıksal Dereceli Azalma (Stochastic Gra­di­ent Descent (SGD)


Stochastic Gradient Descent (SGD), (lineer) Destek Vektör Makineleri ve Lojistik Regresyon gibi konveks kayıp fonksiyonları altında lineer sınıflandırıcıların ayırt edici öğreniminde basit ama çok etkili bir yaklaşımdır. SGD, makine öğrenmesi alanında uzun zamandır var olsa da, son zamanlarda büyük ölçekli öğrenme bağlamında dikkat çekmektedir. SGD, metin sınıflandırmasında ve doğal dil işlemede sıklıkla karşılaşılan büyük ölçekli ve seyreltilmiş makine öğrenmesi problemlerine başarıyla uygulanmıştır. Verilerin seyrek olduğu … Okumaya devam et Olasılıksal Dereceli Azalma (Stochastic Gra­di­ent Descent (SGD)

Özellik Ölçekleme ve Normalleştirme (Feature Scaling and Normalization)


Standartlaştıma — Normalizasyon Hakkında Standardizasyonun (veya Z Puanı Normalizasyonunun) sonucu, özelliklerin standart bir normal dağılım özelliklerine sahip olacak şekilde yeniden ölçeklendirilmesidir. Burada μ ortalama (ortalama) ve σ ortalamadan standart sapma; Örneklerin standart puanları (z puanları) şu şekilde hesaplanır: Özelliklerin standart sapması 1 ile 0 civarında ortalanacak şekilde standartlaştırılması, farklı birimleri olan ölçümleri karşılaştırdığımızda değil, aynı zamanda birçok makine öğrenme algoritması için genel bir gereklilik olarak da … Okumaya devam et Özellik Ölçekleme ve Normalleştirme (Feature Scaling and Normalization)

Dereceli Azalma (Gradient Descent)


İster gerçek hayatta bir problemle uğraşalım ister bir yazılım ürünü ile, optimizasyon daima asıl hedeftir. Optimizasyon temelde hedef alınan problem için en uygun sonucu (çıktıyı) elde etmek anlamına gelir. Makine öğrenmesinde optimizasyon biraz daha farklıdır. Genel olarak, optimizasyon yaparken, verilerimizin nasıl göründüğünü ve iyileştirmek istediğimiz alanları tam olarak biliriz. Fakat makine öğrenmesinde, “yeni verilerimiz”in nasıl göründüğüne dair fikrimiz yoktur, tek başlarına optimize etmeye çalışırız. Dolayısıyla, … Okumaya devam et Dereceli Azalma (Gradient Descent)