Backpropagation (geri yayılım), yapay sinir ağlarının nasıl öğrendiğini açıklayan temel bir yöntemdir. Bunu, modelin hatasının bulunduğu karmaşık bir yüzeyde gezinmek gibi düşünebiliriz.
Devamı...
Overfitting (Aşırı uyum, ezberleme), bir yapay zeka modelinin kalıpları öğrenmek yerine eğitim verilerini ezberlemesi durumunda ortaya çıkar.
Devamı...
Şu anda makine öğrenimi topluluğuna hizmet olması amacıyla dünyanın dört bir yanından milyonlarca insan tarafından kullanılan 689 veri seti bulabilirsiniz!
Devamı...
Kernel fonksiyonları, doğrusal olarak ayrılamayan verileri daha yüksek boyutlu bir uzaya dönüştürerek doğrusal ayrılabilir hale getirir.
Bu döküman, makine öğrenmesi teknikleri kullanılarak meme kanseri veri seti üzerinde yapılan bir analiz sunmaktadır. 569 giriş ve 31 özelliğe sahip olan veri seti, ön işleme tabi tutulmuş, eğitim, doğrulama ve test alt kümelerine ayrılmış; ardından Lojistik Regresyon, SVM ve Yapay Sinir Ağı (YSA) modelleri ile eğitilmiştir.
Devamı...
Makine öğrenmesinde t-SNE (açılımı: t-Distributed Stochastic Neighbor Embedding) yüksek boyutlu verileri 2D veya 3D gibi daha düşük boyutlara indirgemek için kullanılan, özellikle veri görselleştirme amacıyla tercih edilen güçlü bir boyut indirgeme yöntemidir.
Devamı...
Bu yazıda, zaman serileriyle nasıl çalışacağımızı ve tahmin yapacağımızı öğreneceğiz. Zaman serileri, zamana bağlı veri noktalarının bir koleksiyonudur. Bu, her veri noktasının belirli bir zaman damgasına atandığı anlamına gelir.
Devamı...
Bilişim dünyasına kaliteli, özgün ve Türkçe içerikler kazandırmayı hedefleyen bir platform..
