3. Doğrusal Sinir Ağları

Derin sinir ağlarının ayrıntılarına girmeden önce, sinir ağı eğitiminin temellerini ele almamız gerekiyor. Bu bölümde tüm eğitim sürecini ele alacağız; basit sinir ağı mimarilerinin tanımlanması, verilerin işlenmesi, bir kayıp işlevinin belirtilmesi ve modelin eğitilmesi dahil. İşleri daha kolay kavrayabilmek için en basit kavramlarla başlıyoruz. Neyse ki, doğrusal ve eşiksiz en büyük işlevli (softmax) bağlanım (regresyon) gibi klasik istatistiksel öğrenme teknikleri doğrusal sinir ağları olarak kullanılabilir. Bu klasik algoritmalardan başlayarak, size kitabın geri kalanındaki daha karmaşık tekniklerin temelini oluşturan temel bilgileri aktaracağız.

• 3.1. Doğrusal Bağlanım (Regresyon)
  • 3.1.1. Doğrusal Regresyonun Temel Öğeleri
  • 3.1.2. Hız için Vektörleştirme
  • 3.1.3. Normal Dağılım ve Kare Kayıp
  • 3.1.4. Doğrusal Regresyondan Derin Ağlara
  • 3.1.5. Özet
  • 3.1.6. Alıştırmalar
• 3.2. Sıfırdan Doğrusal Regresyon Uygulaması Yaratma
  • 3.2.1. Veri Kümesini Oluşturma
  • 3.2.2. Veri Kümesini Okuma
  • 3.2.3. Model Parametrelerini İlkleme
  • 3.2.4. Modeli Tanımlama
  • 3.2.5. Kayıp Fonksiyonunu Tanımlama
  • 3.2.6. Optimizasyon Algoritmasını Tanımlama
  • 3.2.7. Eğitim
  • 3.2.8. Özet
  • 3.2.9. Alıştırmalar
• 3.3. Doğrusal Regresyonunun Kısa Uygulaması
  • 3.3.1. Veri Kümesini Oluşturma
  • 3.3.2. Veri Kümesini Okuma
  • 3.3.3. Modeli Tanımlama
  • 3.3.4. Model Parametrelerini İlkleme
  • 3.3.5. Kayıp Fonksiyonunu Tanımlama
  • 3.3.6. Optimizasyon Algoritmasını Tanımlama
  • 3.3.7. Eğitim
  • 3.3.8. Özet
  • 3.3.9. Alıştırmalar
• 3.4. Eşiksiz En Büyük İşlev Bağlanımı (Softmaks Regresyon)
  • 3.4.1. Sınıflandırma Problemi
  • 3.4.2. Ağ Mimarisi
  • 3.4.3. Tam Bağlantı Katmanların Parametrelendirme Maliyeti
  • 3.4.4. Eşiksiz En Büyük İşlev İşlemi
  • 3.4.5. Minigruplar için Vektörleştirme
  • 3.4.6. Kayıp (Yitim) İşlevi
  • 3.4.7. Bilgi Teorisinin Temelleri
  • 3.4.8. Model Tahmini ve Değerlendirme
  • 3.4.9. Özet
  • 3.4.10. Alıştırmalar
• 3.5. İmge Sınıflandırma Veri Kümesi
  • 3.5.1. Veri Kümesini Okuma
  • 3.5.2. Minigrup Okuma
  • 3.5.3. Her Şeyi Bir Araya Getirme
  • 3.5.4. Özet
  • 3.5.5. Alıştırmalar
• 3.6. Sıfırdan Softmaks Regresyon Uygulaması Yaratma
  • 3.6.1. Model Parametrelerini İlkletme
  • 3.6.2. Softmaks İşlemini Tanımlama
  • 3.6.3. Modeli Tanımlama
  • 3.6.4. Kayıp Fonksiyonunu Tanımlama
  • 3.6.5. Sınıflandırma Doğruluğu
  • 3.6.6. Eğitim
  • 3.6.7. Tahminleme
  • 3.6.8. Özet
  • 3.6.9. Alıştırmalar
• 3.7. Softmaks Regresyonunun Kısa Uygulaması
  • 3.7.1. Model Parametrelerini İlkleme
  • 3.7.2. Softmaks Uygulamasına Yeniden Bakış
  • 3.7.3. Optimizasyon Algoritması
  • 3.7.4. Eğitim
  • 3.7.5. Özet
  • 3.7.6. Alıştırmalar