Python ile Makine Öğrenmesi
Temel Kavramlar – Sınıflandırma Regresyon – Kümeleme
1. Baskı,
Ocak 2024
Kitabın Detayları
Dili:
Türkçe
Ebat:
16x24
Sayfa Sayısı:
516
Kitabın Fiyatı:
455,00₺
Stoktan hemen gönderilir.
Kitabın Açıklaması
Kitap, uzun yıllar üniversitelerde "Yapay Zekâ", "Bulanık Mantık ", "Yapay Sinir Ağlan", "Makine Öğrenmesi", "Zeki Optimizasyon" ve "Veri Madenciliği" derslerini anlatan yazarların notlarından, ders anlatımı esnasında öğrencilerinden gelen sorulardan ve mesleki tecrübelerinden oluşmaktadır.
Makine öğrenmesi konularının tüm yönleriyle ele alındığı bu kitap, Python programlama dilinde verilen gerçek dünya problemlerinin çözümüne yönelik uygulamalarla zenginleştirilerek sunulmuştur. Bu bağlamda kitap içeriği, makine öğrenmesinde temel kavramlar, makine öğrenmesi süreci, model oluşturma ve değerlendirme, performans ölçütleri, veri bilimi, veri hazırlama ve görselleştirme, özellik mühendisliği, denetimli ve denetimsiz öğrenme algoritmaları, pekiştirmeli öğrenme, yarı denetimli öğrenme konuları üzerine kuruludur. Tüm konular detaylı olarak ele alınmış ve her konuda uygulamalarda karşılaşılabilecek durumlar ile algoritmaların öne çıkan yönlerinin verilmesine özen gösterilmiştir.
Kitabın anlatım dilinin yalın olması nedeniyle, kitaptan sadece üniversite öğrencileri değil konuyla ilgilenen her yaştan okuyucu da yararlanabilir.
Bu kitap temel Türkçe kaynak olarak, Yapay Zekâya ilişkin yayınlanacak olan üç kitaplık serinin ikinci kitabıdır. Serinin ilk kitabı "Python ile Yapay Zekaya Giriş" yayınlanmıştır. Derin Öğrenme ve açıklanabilir yapay zekâ gibi konuları kapsayacak olan üçüncü kitap "Python ile Derin Öğrenme ve ileri Konular" kitabı ise yazarlar tarafından hazırlanmaktadır.
Kitabın Konu Başlıkları
Makine Öğrenmesi Temel Kavramlar
Makine Öğrenmesi Süreci
Model Değerlendirme
Performans Ölçütleri
Veri Hazırlama
Özellik Mühendisliği
Verilerin Görselleştirilmesi
Denetimli Öğrenme Algoritmaları
Denetimsiz Öğrenme Algoritmaları
Pekiştirmeli Öğrenme
Yarı Denetimli Öğrenme
Kitapla İlgili Kategoriler
Kitabın İçindekileri
Önsöz
7
1. BÖLÜM
MAKİNE ÖĞRENMESİ TEMEL KAVRAMLARI
1.1. VERİ BİLİMİ, YAPAY ZEKÂ VE MAKİNE ÖĞRENMESİ
21
1.2. MAKİNE ÖĞRENMESİ KAVRAMI
25
1.3 MAKİNE ÖĞRENMESİNİN TEMELLERİ
27
1.3.1 Makine Öğrenmesinde Görevler
30
1.3.2 Makine Öğrenmesinde Deneyim
32
1.3.3 Makine Öğrenmesinde Performans
32
1.4 MAKİNE ÖĞRENMESİ TÜRLERİ
33
1.4.1 Denetimli Öğrenme
37
1.4.2 Denetimsiz Öğrenme
39
1.4.3 Yarı Denetimli Öğrenme
40
1.4.4 Pekiştirmeli Öğrenme
41
1.4.5 Toplu Öğrenme
42
1.4.6 Çevrimiçi Öğrenme
42
1.4.7 Örnek Tabanlı Öğrenme
43
1.4.8 Model Tabanlı Öğrenme
43
1.5 MAKİNE ÖĞRENMESİNİN AVANTAJLARI VE FAYDALARI
43
1.6 MAKİNE ÖĞRENMESİNİN DEZAVANTAJLARI VE ZORLUKLARI
45
1.7 MAKİNE ÖĞRENMESİ UYGULAMALARI
46
2. BÖLÜM
MAKİNE ÖĞRENMESİ SÜRECİ
2.1 MAKİNE ÖĞRENMESİ MODELİ
51
2.2 MAKİNE ÖĞRENMESİ SÜRECİ ADIMLARI
52
2.2.1 Problemin Belirlenmesi
53
2.2.2 Veri Toplama
54
2.2.3 Veri Hazırlama ve Analiz Etme
54
2.2.4. Verilerin Eğitim ve Test kümelerine Ayrılması
56
2.2.5 Model Seçimi
56
2.2.6 Modelin Eğitimi
58
3.4.7 Model Değerlendirme
58
2.2.8 Parametrelerin Ayarı
59
2.2.9 Tahmin ya da Çıkarım
59
2.3 MAKİNE ÖĞRENMESİ MODELİ İŞ AKIŞI
60
2.4 MAKİNE ÖĞRENMESİ MODELLERİNDE KULLANILAN PYTHON KÜTÜPHANELERİ
62
2.4.1 NumPy
62
2.4.2 Pandas
63
2.4.3 SciPy
63
2.4.4 Matplotlib
63
2.4.5 Seaborn
64
2.4.6 Scikit–learn
64
2.4.7 TensorFlow
64
2.4.8 Keras
64
2.4.9 Theano
65
2.5 MAKİNE ÖĞRENMESİ SÜRECİ ÖRNEĞİ
65
2.6 PYTHONDA MAKİNE ÖĞRENMESİ İŞ AKIŞI
68
3. BÖLÜM
MODEL DEĞERLENDİRME VE PERFORMANS ÖLÇÜTLERİ
3.1 MODEL DEĞERLENDİRMEDE TEMEL KAVRAMLAR
73
3.2 SINIFLANDIRMA PERFORMANS ÖLÇÜTLERİ
76
3.2.1. Karışıklık Matrisi
76
3.2.2 Doğruluk Oranı (Accuracy)
80
3.2.3. Kesinlik
80
3.2.4. Duyarlılık (Hassasiyet) ya da Hatırlama (SensitivityRecall)
81
3.2.5. Özgüllük
82
3.2.6 F1 Puanı (F1 Score ya da F measure)
83
3.2.7 ROC Eğrisi ve AUC değeri
83
3.2.7.1 ROC Eğrisi
84
3.5.7.1 AUC değeri
85
3.2.8 LOGLOSS (Logaritmik Kayıp)
88
3.2.9 Kesinlik–Hatırlama Eğrisi
89
3.2.10 Ortalama Kesinlik (PR AUC puanı)
90
3.2.11 Sınıflandırma Raporu
90
3.2.12 Sınıflandırma Performans Ölçütleri Örneği
92
3.3. REGRESYON PERFORMANS ÖLÇÜTLERİ
95
3.3.1 Ortalama Mutlak Hata
96
3.3.2 Ortalama Karesel Hata
97
3.3.3 R Kare Puanı
97
3.3.4 Ayarlanmış R Kare (Adjusted R2)
98
3.3.5 Ortalama Logaritmik Karesel Hatası
98
3.3.6 Ortalama Mutlak Yüzde Hatası
99
3.3.7 Kök Ortalama Karesel Hata (Root Mean Squared Error–RMSE)
99
3.4 SINIFLANDIRMA PERFORMANS DEĞERLENDİRME ÖRNEĞİ
100
3.5 REGRESYON PERFORMANS DEĞERLENDİRME ÖRNEĞİ
106
3.6 PYTHON PROGRAMLAMA DİLİNDE ROC EĞRİSİNİ ÇİZDİRME ÖRNEĞİ
109
3.7 MLP SINIFLANDIRICI MODELİNDE ÇAPRAZ DOĞRULAMA ÖRNEĞİ
112
3.8 MLP REGRESÖR MODELİNDE ÇAPRAZ DOĞRULAMA ÖRNEĞİ
115
3.9 KÜMELEME PERFORMANS DEĞERLENDİRME ÖLÇÜTLERİ
117
3.9.2 Siluet Katsayısı
120
3.9.5 Karşılıklı Bilgi tabanlı Skor
122
3.10 KÜMELEME BAŞARIM ÖLÇÜTLERİ ÖRNEĞİ
122
3.11 KÜMELEME BAŞARIM ÖLÇÜTLERİ ÖRNEĞİ 2
125
3.12 KÜMELEME BAŞARIM ÖLÇÜTLERİ ÖRNEĞİ 3
127
4. BÖLÜM
VERİ HAZIRLAMA VE ÖZELLİK MÜHENDİSLİĞİ
4.1 GİRİŞ
131
4.2 VERİ BİLİMİ SÜRECİ
133
4.2.1 Veri toplama
134
4.2.2 Verilerin Hazırlanması
135
4.2.3 Veri Keşfi
136
4.2.4 Veri Modelleme
137
4.2.5 Veri sunumu
137
4.3 ÖZELLİK MÜHENDİSLİĞİ
138
4.3.1 Özellik Oluşturma
138
4.3.2 Veri Dönüşümleri
139
4.3.3 Özellik Çıkarma
139
4.3.4 Özellik Seçimi
139
4.3.4.1 Filtre Yöntemleri
140
4.3.4.2 Sarmalayıcı Yöntemler
141
4.3.4.3 Gömülü Yöntemler
142
4.4 ÖZELLİK MÜHENDİSLİĞİ TEKNİKLERİ
143
4.4.1 Yakıştırma
144
4.4.2 Aykırı Değerleri İşleme
145
4.4.3 Logaritma Dönüşümü
146
4.4.4 Seleleme
146
4.4.5 Bire Bir Kodlama
146
4.4.6 Özellikleri Bölme
147
4.4.7 Gruplama İşlemleri
147
4.4.8 Ölçeklendirme
147
4.4.9 Sayısal Özellikleri İşleme
148
4.4.9 Kategorik Özelliklerin İşlenmesi
149
4.4.10 Zamana dayalı özelliklerin işlenmesi
150
4.4.11 Metin özelliklerini işleme
150
4.5 PYTHON İLE ÖZELLİK MÜHENDİSLİĞİ
151
4.5.1 Veri Kümesini İçe Aktarma
151
4.5.2 Veri Kümesini Dışa Aktarma
154
4.5.3 Veri Seçimi
155
4.5.3 Verilerin Düzenlenmesi ve Temizlenmesi
157
4.5.3.1 Veri Çerçevelerinin Gruplandırılması
160
4.5.3.2 Veriler Çerçevelerinin Birleştirilmesi
161
4.5.3.3 Apply ve Map İşlevleri
162
4.5.4 Scikit–Learn Önişleme Alt Kütüphanesi
162
4.5.4.1 Normalizasyon ve Standardizasyon
163
4.5.4.2. Seleleme İşlemi
164
4.5.4.3. Kategorik Verileri Dönüştürme ve Kukla Değişken Oluşturma İşlemi
165
4.5.4.4. Tarih Özelliklerinden Bilgi Çıkarma
166
4.5.4.5. Kelime Sayısı ve Terim Frekansı Vektörlerini Oluşturma
168
4.5.5 Veri Kümesinde Boyut Azaltma
170
4.5.5.1. Temel Bileşen Analizi
170
4.5.5.2. Doğrusal Ayırma Analizi (LDA)
171
4.5.5.3. Ağaç Algoritmaları ile Özellik Seçimi
172
4.5.5.4. Özyinelemeli Özellik Eleme ile Özellik Seçimi
176
4.5.5.5. Tek Değişkenli Teknik ile Özellik Seçimi
177
4.6 VERİLERİN GÖRSELLEŞTİRİLMESİ
180
4.6.1 Matplotlib ile Grafik Oluşturma
181
4.6.1.1 Çizgi Grafik Oluşturma
181
4.6.1.2 Dağılım Grafiği Oluşturma
183
4.6.1.3 Çubuk Grafiği Oluşturma
185
4.6.1.4 Pasta Grafik Oluşturma
188
4.6.1.5 Histogram Grafiği Oluşturma
190
4.6.1.6 Kutu Grafiği Oluşturma
192
4.6.2 Seaborn ile grafik çizme
193
4.6.3 Pandas ile Grafik Çizme
199
4.7 VERİ DÜZENLEME ÖRNEĞİ
203
4.8 VERİ ÖNİŞLEME ÖRNEĞİ
206
4.9 VERİ KÜMESİNDEN ÖZELLİK SEÇME ÖRNEĞİ
210
4.10 VERİ GÖRSELLEŞTİRME ÖRNEĞİ
215
5. BÖLÜM
DENETİMLİ MAKİNE ÖĞRENMESİ ALGORİTMALARI
5.1 GİRİŞ
221
5.1.1 Denetimli Makine Öğrenmesi Modeli Geliştirme Süreci
222
5.1.2 Denetimli Makine Öğrenmesinde Temel Kavramlar
223
5.1.2.1 Genelleme
223
5.1.2.2 Aşırı Uyumlama
224
5.1.2.2.1. Aşırı uyumlamayı anlama
224
5.1.2.2.2. Aşırı uyumlamayı önleme
224
5.1.2.3 Yetersiz Uyumlama
225
5.1.2.3.1. Yetersiz uyumlamayı algılama
225
5.1.2.3.2. Yetersiz uyumlamayı önleme
226
5.1.2.4 Önyargı–Varyans Takası
226
5.2 VERİ KÜMESİ OLUŞTURMA
228
5.2.1 Sınıflandırma Veri Kümesi Oluşturma
229
5.2.1.1. Parametreler
229
5.2.1.2. Dönüş değerleri
230
5.2.1.1 Sınıflandırma Veri Kümesi Oluşturma Örneği
230
5.2.2 Regresyon Veri Kümesi Oluşturma
233
5.2.2.1. Parametreler
234
5.2.2.2. Dönüş değerleri
234
5.2.2.3 Regresyon Veri Kümesi Oluşturma Örneği
235
5.3 DENETİMLİ ÖĞRENME MODELLERİ
237
5.3.1 Sınıflandırma Modelleri
237
5.3.2 Regresyon Modelleri
239
5.4 DOĞRUSAL REGRESYON
240
5.4.1. Parametreler
242
5.4.2. Öznitelikler
242
5.4.1 Polinom Regresyon
246
5.4.2 Cezalandırılmış Regresyon
249
5.4.2.1 LASSO Regresyon
249
5.4.2.2 Ridge Regresyon
250
5.4.2.3 Elastik Ağ Regresyon
251
5.4.2.4 Lasso, Ridge, Elastik Ağ Regresyon Seçimi
253
5.4.3 Basit Doğrusal Regresyonun Avantajları ve Dezavantajları
257
5.5 LOJİSTİK REGRESYON
257
5.5.1. Parametreleri
260
5.5.2. Öznitelikleri
261
5.5.3 Lojistik Regresyonun Avantajları ve Dezavantajları
265
5.5.4 Çapraz Doğrulamalı Lojistik Regresyon
266
5.6 DESTEK VEKTÖR MAKİNELERİ
268
5.6.1 Destek Vektör Makinelerinin Bileşenleri
268
5.6.2 Destek Vektörlerinin Seçimi
270
5.6.3 Destek Vektör Makinelerinin Türleri
271
5.6.3.1 Basit veya Doğrusal Destek Vektör Makineleri
271
5.6.3.2 Çekirdek veya doğrusal olmayan Destek Vektör Makineleri
272
5.6.4 Destek Vektör Makinelerinde Çekirdek Fonksiyonları
272
5.6.4.1 Doğrusal Çekirdek Fonksiyonu
273
5.6.4.2 Polinom Çekirdek Fonksiyonu
273
5.6.4.3 Radyal Temelli Çekirdek Fonksiyonu
274
5.6.4.3 Sigmoid Çekirdek Fonksiyonu
274
5.6.5 Destek Vektör Makineleri ile Sınıflandırma
274
5.6.5.1. Parametreleri
275
5.6.5.2. Öznitelikler
276
5.6.5.3 SVC Çekirdek Fonksiyonlarının Etkileri Örneği
278
5.6.5.4 SVC ile Sınıflandırma Kalibrasyon Örneği
280
5.6.6 Destek Vektör Makineleri ile Regresyon
282
5.6.6.1 SVR Çekirdek Fonksiyonlarının Etkileri Örneği
284
5.6.6.2 SVR ile Regresyon ve Çapraz Doğrulama Örneği
286
5.6.7 Destek Vektör Makinelerinin Avantajları ve Dezavantajları
287
5.7 NAIVE BAYES ALGORİTMASI
288
5.7.1 Gauss Naive Bayes
290
5.7.2 Çok Terimli Naive Bayes
290
5.7.3 Bernoulli Naive Bayes
291
5.7.4 Pythondaki Naive Bayes Sınıflandırıcıları
291
5.7.4.1 Pythondaki Naive Bayes Sınıflandırıcıları Örneği
293
5.7.4.2 Gauss Naive Bayes Model Oluşturma Örneği
295
5.7.4.3 Scikit–learn ile Gauss Naive Bayes Sınıflandırıcı Örneği
297
5.7.5 Naive Bayes Sınıflandırıcıların Avantajları ve Dezavantajları
299
5.8 K EN YAKIN KOMŞULAR ALGORİTMASI
299
5.8.1 En Yakın Komşular Algoritmasında Mesafe Ölçütleri
301
5.8.2 KYK Veri Yapıları
303
5.8.3 KYK Algoritmasında k Değerinin Belirlenmesi
304
5.8.4 En Yakın Komşular Sınıflandırma
304
5.8.4.1 Parametreleri
305
5.8.4.2 Öznitelikleri
306
5.8.4.3 RadiusNeighborsClassifier’ın Parametreleri
307
5.8.4.4 RadiusNeighborsClassifier’ın Öznitelikleri
307
5.8.4.5 KYK Sınıflandırıcı Örneği
308
5.8.5 En Yakın Komşular Regresyonu
311
5.8.5.1 En Yakın Komşular Regresyon Örneği
312
5.8.6 En Yakın Komşular Algoritmasının Avantajları ve Dezavantajları
314
5.9 KARAR AĞACI ALGORİTMASI
315
5.9.1 Karar Ağacı Özellik Seçim Ölçütleri
317
5.9.1.1 Entropi
318
5.9.1.2 Bilgi Kazancı (Info Gain)
318
5.9.1.4 Kazanç Oranı (Gain ratio)
319
5.9.1.5 Varyans Azaltma
319
5.9.1.6 Ki–Kare
320
5.9.2 Karar Ağacı Sınıflandırma
320
5.9.2.1 Parametreleri
321
5.9.2.2 Öznitelikleri
322
5.9.2.3 Karar Ağacı Sınıflandırıcı Örneği
323
5.9.3 Karar Ağacı Regresyonu
327
5.9.3.1 Karar Ağacı Regresyon Örneği
327
5.9.4 Karar Ağacı Algoritmasının Avantajları ve Dezavantajları
330
5.10 TOPLULUK YÖNTEMLERİ
331
5.10.1 Torbalama Topluluk Yöntemleri
332
5.10.1.1 Torbalama Meta Tahmincisi
333
5.10.1.2 Rastgele Orman
336
5.10.1.2.1 Rastgele Orman Algoritmasının Avantajları ve Dezavantajları
340
5.10.1.3 Ekstra Ağaçlar
341
5.10.2 Yükseltme Algoritmaları
343
5.10.2.1 Uyarlamalı Yükseltme Algoritması
344
5.10.2.2 Gradyan Yükseltme Algoritması
347
5.10.2.3 Aşırı Gradyan Yükseltme
350
5.10.2.4 Hafif Gradyan Yükseltme
354
5.10.2.5 Kategorik Gradyan Yükseltme
357
5.10.2.6 Histogram Tabanlı Gradyan Yükseltme
359
5.10.3 Çoğunluk Oylama Yöntemi
362
5.10.4 Yığınlama Yöntemi
366
5.10.5 Topluluk Yöntemleri Sınıflandırma Örneği
370
5.10.6 Topluluk Yöntemleri Regresyon Örneği
372
6. BÖLÜM
DENETİMSİZ MAKİNE ÖĞRENMESİ ALGORİTMALARI
6.1 GİRİŞ
377
6.1.1 Denetimsiz Makine Öğrenmesi Modeli Geliştirme Süreci
378
6.2 KÜMELEME MODELİ VERİ KÜMESİ HAZIRLAMA
379
6.2.1. Metodun Parametreleri
379
6.2.2 Metodun Dönüş değerleri
380
6.2.3 Kümeleme Veri Kümesi Oluşturma Örneği
380
6.3 KÜMELEME ALGORİTMALARI
382
6.3.1 K–Ortalamalar Kümeleme Algoritması
384
6.3.1.2 K–ortalamalar Algoritmasının Avantajları ve Dezavantajları
391
6.3.2 K–Medoidler Kümeleme Algoritması
391
6.3.2.1 Parametreleri
393
6.3.2.2 Öznitelikleri
393
6.3.2.1 K–Medoidler Algoritmasının Avantajları ve Dezavantajları
395
6.3.3 DBSCAN Kümeleme Algoritması
396
6.3.3.1 DBSCAN Kümeleme Algoritmasının Avantajları ve Dezavantajları
400
6.3.4 OPTICS Kümeleme Algoritması
400
6.3.4.1 OPTICS Kümeleme Algoritmasının Avantajları ve Dezavantajları:
404
6.3.5 Aglomeratif Kümeleme Algoritması
405
6.3.6 BIRCH Kümeleme Algoritması
409
6.3.6.1 BIRCH Algoritmasının Avantajları ve Dezavantajları
412
6.3.7 Ortalama Kaydırma Kümeleme Algoritması
412
6.3.7.1 Ortalama Kaydırma Algoritmasının Avantajları ve Dezavantajları
415
6.3.8 Yakınlık Yayılımı Kümeleme Algoritması
415
6.3.8.1 Yakınlık Yayılımı Algoritmasının Avantajları ve Dezavantajları
419
6.3.9 Spektral kümeleme Algoritması
420
6.3.9.1 Spektral kümeleme Algoritmasının Avantajları ve Dezavantajları
422
6.3.10 Gauss Karışım Modeli Kümeleme Algoritması
423
6.3.10.1 Gauss Karışım Modellerinin Avantajları ve Dezavantajları
428
6.4 KÜMELEME ALGORİTMALARININ KARŞILAŞTIRILMASI ÖRNEĞİ
429
6.5 BOYUT AZALTMA
432
6.6 ANORMALLİK TESPİTİ
433
6.5.1 K–ortalamalar Algoritması ile Anormallik Tespiti
435
6.5.2 DBSCAN Algoritması ile Anormallik Tespiti
437
6.5.3 Gauss Karışım Modeli Algoritması ile Anormallik Tespiti
438
6.5.4 Yerel Aykırı Değer Faktörü Yöntemi ile Anormallik Tespiti
440
6.5.5 Yalıtım Ormanı Yöntemi ile Anormallik Tespiti
442
6.5.6 Eliptik Zarf Yöntemi ile Anormallik Tespiti
445
6.5.7 Tek Sınıflı Destek Vektör Makinesi Yöntemi ile Anormallik Tespiti
447
6.5.8 Çekirdek Yoğunluğu Tahmini Yöntemi ile Anormallik Tespiti
449
6.5.8 Anormallik Tespit Algoritmalarını Karşılaştırma Örneği
452
7. BÖLÜM PEKİŞTİRMELİ MAKİNE ÖĞRENMESİ
457
7.1 GİRİŞ
457
7.2 PEKİŞTİRMELİ ÖĞRENMENİN ÖĞELERİ
458
7.3 MARKOV SÜRECİ
461
7.3.1 Markov Özelliği
462
7.3.2 Markov Zinciri
462
7.3.3 Markov Ödül Süreci
463
7.3.4 Markov Karar Süreci
463
7.3.5 Geri Dönüş Faktörü
463
7.3.6 İndirim Faktörü
463
7.3.7 Politika Faktörü
464
7.3.8 Değer Fonksiyonu
464
7.3.9 Bellman Beklenti Denklemi
464
7.3.10 Durum Değer Fonksiyonu
464
7.3.11 Eylem Değeri Fonksiyonu
465
7.3.12 Politikaya göre Bellman Beklenti Denklemi
465
7.3.13 Optimal Değer Fonksiyonu
465
7.3.14 Bellman Optimallik Denklemi
466
7.4 PEKİŞTİRMELİ ÖĞRENME ALGORİTMALARI
466
7.4.1 Zaman Farkı Öğrenme
466
7.4.2 Q–Öğrenme
468
7.4.3 Yaklaşık Q–Öğrenme
471
7.4.4 Derin Q–Öğrenme
472
7.4.5 A3C Asenkron Avantaj Oyuncu Eleştirmeni
473
7.4.6 SARSA – Durum–Eylem–Ödül–Durum–Eylem
474
7.5 BASİT PEKİŞTİRİLMİŞ ÖĞRENME ÖRNEĞİ
474
7.6 BASİT Q–ÖĞRENME ÖRNEĞİ
477
7.7 PEKİŞTİRMELİ ÖĞRENMENİN AVANTAJLARI VE ZORLUKLARI
481
7.8 PEKİŞTİRİLMİŞ ÖĞRENME İLE DENETİMLİ VE DENETİMSİZ ÖĞRENME ARASINDAKİ FARKLAR
483
8. BÖLÜM
YARI DENETİMLİ MAKİNE ÖĞRENMESİ
8.1 GİRİŞ
485
8.2 YARI DENETİMLİ ÖĞRENMENİN ÇALIŞMASI
486
8.3 YARI DENETİMLİ ÖĞRENME ALGORİTMALARI
487
8.3.1 Kendi Kendine Eğitim Algoritması
488
8.3.2 Etiket Yayılımı Algoritması
489
8.3.3 Üretken Modeller Yöntemi
490
8.3.4 Birlikte eğitim Algoritması
490
8.4 PYTHON’DA YARI DENETİMLİ ÖĞRENME
491
8.4.1 Python’da Kendi Kendine Eğitim Algoritması
491
8.4.2 Python’da Etiket Yayılımı Algoritması
493
8.5 ETİKET YAYILIMI İLE YARI DENETİMLİ SINIFLANDIRMA ÖRNEĞİ
496
8.6 YARI DENETİMLİ ÖĞRENME AVANTAJLARI VE DEZAVANTAJLARI
498
Kaynakça
501
Kavram Dizini
513
Kitabın Fiyatı:
455,00₺
Stoktan hemen gönderilir.
Bu kitaplar da ilginizi çekebilir
Nesnelerin İnterneti Akıllı Ev
Serap Türkyılmaz
Denetim – Muhasebe ve Finansta Yapay Zekâ
Ferhat Sayım
Goo! Yeni Normal Sanal Yönetim ile Başarı
Meriç E. Bebitoğlu
Ölünceye Kadar Bakıp Gözetme Sözleşmesinden Kaynaklanan Uyuşmazlıklar
Erhan Günay
Hakkımızda
|
Uluslararası Yayınevi Belgesi|
2023 Kaynakça Dokümanı|
Kişisel Verilerin Korunması |
Üyelik|
Siparişlerim|
İletişim