11. SınıfBilişim Teknolojileri
Yapay Zekâ Temelleri — Çalışma Sayfası
Kazanımlar, önemli noktalar ve sık yapılan hatalar tek sayfada.
Bu konuda öğrenecekleriniz
- Yapay zekâ, makine öğrenmesi ve derin öğrenme kavramlarını birbirinden ayırt eder.
- Etiketli veri, örnek, öznitelik ve etiket kavramlarını örneklerle açıklar.
- Karışıklık matrisini okuyup doğruluk, kesinlik ve duyarlılık değerlerini hesaplar.
- F1 puanını hesaplayarak tek bir ölçüte güvenmenin riskini gösterir.
- Aşırı uyum, sınıf dengesizliği ve veri sızıntısı sorunlarını örneklerle ayırt eder.
Önemli noktalar
- Kural tabanlı sistemlerde uzman, makine öğrenmesi sistemlerinde veri kural yazar.
- Derin öğrenme öznitelikleri modelin kendisi çıkarır, veri ve işlem gücü ihtiyacı yüksektir.
- Doğrulama kümesi model seçimi için, test kümesi tek seferlik ölçüm için kullanılır.
- Doğruluk tek başına yeterli değildir; sınıf dengesizliğinde duyarlılık düşük kalabilir.
- Aşırı uyumda eğitim hatası küçük, doğrulama hatası büyüktür.
- Test verisini eğitimde kullanmak, modelin başarısını gerçekte olduğundan yüksek gösterir.
Formüller ve kurallar
- Doğruluk = doğru sınıflanan toplam örnek / tüm örnek sayısı
- Kesinlik = doğru pozitif / (doğru pozitif + yanlış pozitif)
- Duyarlılık = doğru pozitif / (doğru pozitif + yanlış negatif)
- Yanlış pozitif oranı = yanlış pozitif / (doğru pozitif + yanlış pozitif)
- F1 puanı = 2 × (kesinlik × duyarlılık) / (kesinlik + duyarlılık)
- Eğitim hatası = yanlış sınıflanan eğitim örneği / eğitim örneği sayısı
- Veri bölümü = bir küme için ayrılan örnek sayısı / toplam örnek sayısı
Sık yapılan hatalar
- Yalnızca doğruluk değerine bakmak: Dengesiz veri kümelerinde model yalnızca çoğunluk sınıfını tahmin ederek yüksek doğruluk elde edebilir; duyarlılık ve kesinlik birlikte incelenmelidir.
- F1 puanını basit ortalamayla almak: F1, kesinlik ile duyarlılığın harmonik ortalamasıdır; aritmetik ortalama kullanılırsa küçük değer olduğundan daha çok etkilenip yanıltıcı sonuç verir.
- Test verisini eğitimde kullanmak: Test kümesi eğitim sırasında görülürse modelin gerçek başarısı olduğundan yüksek ölçülür ve üretimde başarısızlık yaşanır.
- Öznitelikleri modelin yerine sormamak: Öznitelik seçimi veriye göre yapılmazsa model gürültülü sütunlara uyar ve eğitim hatası düşük görünse de genellenme bozulur.
- Etiket hatasını denetmemek: Yanlış etiketli kayıtlar modelin yanlış örüntü öğrenmesine yol açar; etiket kalite denetimi model eğitimi kadar önemlidir.
Hızlı tekrar ipuçları
- Model kurmadan önce veriyi görselleştirin ve eksik değer oranını ölçün.
- Doğruluk, kesinlik, duyarlılık ve F1 değerlerini birlikte raporlayın.
- Aşırı uyum şüphesinde eğitim ve doğrulama hata eğrilerini karşılaştırın.
- Sınıf dengesizliğinde veri çoğaltma ya da ağırlıklandırma yöntemlerini deneyin.
- Model kararlarını gerekçesiyle birlikte kaydedin, sonradan incelenebilir olsun.
Kendini dene
Bu sayfayı okuduktan sonra konu anlatımını tekrar oku ve kendi cümlelerinle özetle.