6. SınıfBilişim Teknolojileri
Yapay Zekâ Araçları ile Model Geliştirme — Çalışma Sayfası
Kazanımlar, önemli noktalar ve sık yapılan hatalar tek sayfada.
Bu konuda öğrenecekleriniz
- Model geliştirmenin veri setinden test aşamasına kadar olan adımlarını sıralar.
- Yeterli, çeşitli ve temiz bir veri seti hazırlayarak sınıf dengesini korur.
- Eğitim, doğrulama ve test verisini görevleriyle birlikte ayırt eder.
- Modelin başarısını ölçerek hata analizi yapar ve yeniden eğitim kararını verir.
- Veri izni, kişisel veri ve önyargı denetimi gibi etik şartları uygular.
Önemli noktalar
- Veri seti yetkin, çeşitli, temiz ve dengeli olmalıdır; dengesiz veri çoğunluğa kaydırır.
- Etiket kılavuzu önceden yazılır, tutarsız etiketler kılavuz düzeltilerek giderilir.
- Eğitim verisi öğrenmek, doğrulama verisi ayarlamak, test verisi son kez sınamak içindir.
- Aşırı öğrenmenin belirtisi eğitim verisinde yüksek, bağımsız veride düşük başarıdır.
- Her model sürümünün hangi veriyle eğitildiği kaydedilerek izlenebilirlik sağlanır.
Formüller ve kurallar
- Model = Veri seti + Etiket + Eğitim + Doğrulama + Test.
- Veri niteliği = Yetkin + Çeşitli + Temiz + Dengeli.
- Aşırı öğrenme → İçeride başarılı, yeni veride zayıf.
- Doğruluk = Doğru sınıflandırılan örnek ÷ Toplam örnek.
- Yeniden eğitim = Hata analizi + Veri düzeltmesi + Yeni sürüm.
Sık yapılan hatalar
- Veriyi karıştırmak: Eğitim ve test verisini ayırmamak, modelin kendi sınavını kendi sorularıyla çözdürmek anlamına gelir.
- Dengesiz veri seti: Bir sınıftan çok daha fazla örnek vermek modeli çoğunluğa kaydırır ve azınlık sınıfı yanlış öğrenir.
- Etiket kılavuzusuz etiketleme: Sınırlar yazılmadan yapılan etiketleme tutarsızlık üretir, model de bu tutarsızlığı öğrenir.
- Test verisini eğitimde kullanmak: Test verisi görüldükten sonra alınan yüksek başarı gerçeği yansıtmaz, model başarısı ölçülmemiş olur.
- Yaygın hata 5: Yapay Zekâ Araçları ile Model Geliştirme konusunda dikkat edilmesi gereken nokta 5.
Hızlı tekrar ipuçları
- Soru hangi aşamayı soruyor diye önce adımı belirle: veri, etiket, eğitim ya da test.
- Aşırı öğrenme gördüğünde çözümü yeni modelde değil, veri çeşitliliğinde ara.
- Hataları tek tek değil, en sık tekrar eden tipine göre analiz et.
- Kişisel veriyi veri setine katmadan önce izin ve amaç kontrolü yap.
- Sonucu veri setinin niteliğiyle birlikte açıkla; tek başına doğru sayısı yetmez.
Kendini dene
Bu sayfayı okuduktan sonra Yapay Zekâ Araçları ile Model Geliştirme konusunun çözümlü sorularını çöz.