Makine Öğrenimi Sözlüğü

Bu sözlükte makine öğrenimi terimleri tanımlanmaktadır.

A

ablasyon

Bir özelliğin veya bileşenin önemini değerlendirmek için geçici olarak modelden kaldırma tekniği. Ardından, bu özellik veya bileşen olmadan modeli yeniden eğitirsiniz. Yeniden eğitilen modelin performansı önemli ölçüde düşerse kaldırılan özellik veya bileşen muhtemelen önemlidir.

Örneğin, 10 özellik üzerinde bir sınıflandırma modeli eğittiğinizi ve test kümesinde% 88 kesinlik elde ettiğinizi varsayalım. İlk özelliğin önemini kontrol etmek için modeli yalnızca diğer dokuz özelliği kullanarak yeniden eğitebilirsiniz. Yeniden eğitilen model önemli ölçüde daha kötü performans gösteriyorsa (örneğin, %55 doğruluk) kaldırılan özellik muhtemelen önemliydi. Aksine, yeniden eğitilen model aynı derecede iyi performans gösteriyorsa bu özellik muhtemelen o kadar da önemli değildir.

Ablasyon, aşağıdakilerin önemini belirlemeye de yardımcı olabilir:

• Daha büyük bir makine öğrenimi sisteminin tamamı gibi daha büyük bileşenler
• Veri ön işleme adımı gibi süreçler veya teknikler

Her iki durumda da bileşeni kaldırdıktan sonra sistemin performansının nasıl değiştiğini (veya değişmediğini) gözlemlersiniz.

A/B testi

İki (veya daha fazla) tekniği karşılaştırmanın istatistiksel bir yolu: A ve B. Genellikle A mevcut bir teknik, B ise yeni bir tekniktir. A/B testi yalnızca hangi tekniğin daha iyi performans gösterdiğini belirlemekle kalmaz, aynı zamanda farkın istatistiksel olarak anlamlı olup olmadığını da belirler.

A/B testi genellikle iki teknikte tek bir metriği karşılaştırır. Örneğin, iki teknikte model doğruluğu nasıl karşılaştırılır? Ancak A/B testi, sonlu sayıda metriği de karşılaştırabilir.

hızlandırıcı çip

Derin öğrenme algoritmaları için gereken temel hesaplamaları yapmak üzere tasarlanmış özel donanım bileşenleri kategorisi.

Hızlandırıcı çipleri (kısaca hızlandırıcılar), genel amaçlı bir CPU'ya kıyasla eğitim ve çıkarım görevlerinin hızını ve verimliliğini önemli ölçüde artırabilir. Nöral ağları eğitmek ve benzeri yoğun işlem gerektiren görevler için idealdir.

Hızlandırıcı çiplere örnek olarak aşağıdakiler verilebilir:

• Derin öğrenme için özel donanım içeren Google'ın Tensor İşleme Birimleri (TPU'lar).
• Başlangıçta grafik işleme için tasarlanmış olsa da NVIDIA'nın GPU'ları, işlem hızını önemli ölçüde artırabilen paralel işlemeyi etkinleştirmek üzere tasarlanmıştır.

doğruluk

Doğru sınıflandırma tahminlerinin sayısının toplam tahmin sayısına bölünmesiyle elde edilir. Yani:

Örneğin, 40 doğru ve 10 yanlış tahminde bulunan bir modelin doğruluğu şu şekilde olur:

İkili sınıflandırma, doğru tahminler ve yanlış tahminler kategorileri için belirli adlar sağlar. Bu nedenle, ikili sınıflandırma için doğruluk formülü aşağıdaki gibidir:

Bu örnekte:

• TP, doğru pozitif (doğru tahminler) sayısıdır.
• TN, doğru negatiflerin (doğru tahminler) sayısıdır.
• FP, yanlış pozitiflerin (yanlış tahminler) sayısıdır.
• FN, yanlış negatiflerin (yanlış tahminler) sayısıdır.

Doğruluğu hassasiyet ve geri çağırma ile karşılaştırın.

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (0 + 36499) / (0 + 36499 + 0 + 25) = 0.9993 = 99.93%

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Sınıflandırma: Doğruluk, geri çağırma, hassasiyet ve ilgili metrikler bölümüne bakın.

işlem

Pekiştirmeli öğrenmede, aracının ortamın durumları arasında geçiş yaptığı mekanizma. Aracı, politikayı kullanarak işlemi seçer.

etkinleştirme işlevi

Nöral ağların özellikler ile etiket arasındaki doğrusal olmayan (karmaşık) ilişkileri öğrenmesini sağlayan bir işlev.

Popüler etkinleştirme işlevleri şunlardır:

• ReLU
• Sigmoid

Etkinleştirme fonksiyonlarının grafikleri hiçbir zaman tek bir düz çizgi değildir. Örneğin, ReLU etkinleştirme işlevinin grafiği iki düz çizgiden oluşur:

Sigmoid aktivasyon fonksiyonunun grafiği şu şekilde görünür:

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

Daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki Sinir ağları: Etkinleştirme işlevleri başlıklı makaleyi inceleyin.

etkin öğrenme

Algoritmanın, öğrendiği verilerin bir kısmını seçtiği bir eğitim yaklaşımı. Etkin öğrenme, etiketli örnekler az olduğunda veya elde edilmesi pahalı olduğunda özellikle değerlidir. Etkin öğrenme algoritması, çeşitli etiketli örnekler aramak yerine öğrenmek için ihtiyaç duyduğu belirli örnekleri seçerek arar.

AdaGrad

Her bir parametrenin gradyanlarını yeniden ölçeklendiren ve her parametreye bağımsız bir öğrenme oranı veren gelişmiş bir gradyan inişi algoritmasıdır. Tam açıklama için Adaptive Subgradient Methods for Online Learning and Stochastic Optimization (Çevrimiçi Öğrenme ve Stokastik Optimizasyon için Uyarlanabilir Alt Gradyan Yöntemleri) başlıklı makaleyi inceleyin.

uyarlama

Tuning veya fine-tuning ile eş anlamlıdır.

temsilci

Kullanıcı adına işlemleri planlamak ve yürütmek için çok formatlı kullanıcı girişleri hakkında akıl yürütebilen yazılım.

Pekiştirmeli öğrenmede, bir aracı, ortamın durumları arasında geçiş yaparak elde edilen beklenen getiriyi en üst düzeye çıkarmak için politikayı kullanan bir varlıktır.

birleştirici kümeleme

Hiyerarşik kümeleme konusuna bakın.

anormallik algılama

Aykırı değerleri belirleme süreci. Örneğin, belirli bir özelliğin ortalaması 100 ve standart sapması 10 ise anomali algılama, 200 değerini şüpheli olarak işaretlemelidir.

AR

Artırılmış gerçeklik ifadesinin kısaltmasıdır.

PR eğrisinin altındaki alan

PR AUC (PR Eğrisinin Altındaki Alan) başlıklı makaleyi inceleyin.

ROC eğrisinin altındaki alan

AUC (ROC eğrisinin altındaki alan) başlıklı makaleyi inceleyin.

genel yapay zeka

Çok çeşitli problem çözme, yaratıcılık ve uyarlanabilirlik becerileri gösteren insan dışı bir mekanizma. Örneğin, genel yapay zekayı gösteren bir program metin çevirebilir, senfoniler besteleyebilir ve henüz icat edilmemiş oyunlarda başarılı olabilir.

yapay zeka

Karmaşık görevleri çözebilen insan olmayan bir program veya model. Örneğin, metni çeviren bir program veya model ya da radyolojik görüntülerden hastalıkları tanımlayan bir program veya model yapay zeka gösterir.

Resmi olarak makine öğrenimi, yapay zekanın bir alt alanıdır. Ancak son yıllarda bazı kuruluşlar yapay zeka ve makine öğrenimi terimlerini birbirinin yerine kullanmaya başladı.

dikkat

Belirli bir kelimenin veya kelime bölümünün önemini belirten bir nöral ağda kullanılan mekanizma. Dikkat, bir modelin sonraki jetonu/kelimeyi tahmin etmek için ihtiyaç duyduğu bilgi miktarını sıkıştırır. Tipik bir dikkat mekanizması, bir dizi giriş üzerinde ağırlıklı bir toplamdan oluşabilir. Burada her girişin ağırlığı, nöral ağın başka bir bölümü tarafından hesaplanır.

Dönüştürücülerin yapı taşları olan öz dikkat ve çok başlı öz dikkat konularına da göz atın.

Kendi kendine dikkat hakkında daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki LLM'ler: Büyük dil modeli nedir? konusuna bakın.

özellik

Özellik kelimesinin eş anlamlısı.

Makine öğreniminde adalet bağlamında özellikler genellikle bireylerle ilgili özellikleri ifade eder.

özellik örnekleme

Her bir karar ağacının, koşulu öğrenirken olası özelliklerin yalnızca rastgele bir alt kümesini dikkate aldığı bir karar ormanı eğitme taktiği. Genellikle her düğüm için farklı bir özellik alt kümesi örneklenir. Buna karşılık, özellik örneklemesi olmadan karar ağacı eğitilirken her düğüm için olası tüm özellikler dikkate alınır.

AUC (ROC eğrisinin altındaki alan)

İkili sınıflandırma modelinin pozitif sınıfları negatif sınıflardan ayırma becerisini gösteren 0,0 ile 1,0 arasında bir sayı. AUC değeri 1, 0'a ne kadar yakın olursa modelin sınıfları birbirinden ayırma yeteneği o kadar iyi olur.

Örneğin, aşağıdaki resimde pozitif sınıfları (yeşil oval) negatif sınıflardan (mor dikdörtgen) mükemmel şekilde ayıran bir sınıflandırma modeli gösterilmektedir. Bu gerçekçi olmayan mükemmel modelin AUC değeri 1,0'dır:

Buna karşılık, aşağıdaki resimde rastgele sonuçlar üreten bir sınıflandırma modelinin sonuçları gösterilmektedir. Bu modelin AUC değeri 0,5'tir:

Evet, önceki modelin AUC değeri 0,0 değil 0,5.

Çoğu model, iki uç nokta arasında bir yerdedir. Örneğin, aşağıdaki model pozitifleri negatiflerden biraz ayırır ve bu nedenle 0,5 ile 1,0 arasında bir AUC'ye sahiptir:

AUC, sınıflandırma eşiği için ayarladığınız tüm değerleri yoksayar. Bunun yerine AUC, olası tüm sınıflandırma eşiklerini dikkate alır.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Sınıflandırma: ROC ve AUC başlıklı makaleyi inceleyin.

artırılmış gerçeklik

Bilgisayarda üretilmiş bir görüntüyü kullanıcının gerçek dünya görünümünün üzerine yerleştirerek birleşik bir görünüm sağlayan teknoloji.

otomatik kodlayıcı

Girişten en önemli bilgileri çıkarmayı öğrenen bir sistemdir. Otomatik kodlayıcılar, kodlayıcı ve kod çözücünün birleşimidir. Otomatik kodlayıcılar aşağıdaki iki adımlı süreci kullanır:

1. Kodlayıcı, girişi (genellikle) kayıplı, daha düşük boyutlu bir (ara) biçime eşler.
2. Kod çözücü, düşük boyutlu biçimi orijinal yüksek boyutlu giriş biçimine eşleyerek orijinal girişin kayıplı bir sürümünü oluşturur.

Otomatik kodlayıcılar, kod çözücünün kodlayıcının ara biçiminden orijinal girişi mümkün olduğunca yakından yeniden oluşturmaya çalışmasıyla uçtan uca eğitilir. Ara biçim, orijinal biçimden daha küçük (daha düşük boyutlu) olduğundan otomatik kodlayıcı, girişteki hangi bilgilerin gerekli olduğunu öğrenmek zorunda kalır ve çıkış, girişle tamamen aynı olmaz.

Örneğin:

• Giriş verileri grafikse tam olmayan kopya, orijinal grafiğe benzer ancak biraz değiştirilmiş olur. Belki de tam olmayan kopya, orijinal grafikteki gürültüyü kaldırıyor veya eksik pikselleri dolduruyordur.
• Giriş verileri metin ise otomatik kodlayıcı, orijinal metni taklit eden (ancak orijinal metinle aynı olmayan) yeni bir metin oluşturur.

Ayrıca varyasyonel otomatik kodlayıcılar başlıklı makaleyi de inceleyin.

otomatik değerlendirme

Bir modelin çıktısının kalitesini değerlendirmek için yazılım kullanma

Model çıkışı nispeten basit olduğunda bir komut dosyası veya program, modelin çıkışını altın yanıtla karşılaştırabilir. Bu tür otomatik değerlendirmeye bazen programatik değerlendirme adı verilir. ROUGE veya BLEU gibi metrikler genellikle programatik değerlendirme için yararlıdır.

Model çıktısı karmaşık olduğunda veya tek bir doğru yanıt olmadığında, bazen otomatik değerlendirici adı verilen ayrı bir makine öğrenimi programı otomatik değerlendirme yapar.

İnsan değerlendirmesiyle karşılaştırın.

otomasyon önyargısı

İnsan karar vericiler, otomatik karar verme sisteminin hatalar yaptığı durumlarda bile bu sistemin verdiği önerileri otomasyon olmadan elde edilen bilgilere tercih ettiğinde ortaya çıkar.

Daha fazla bilgi için Adalet: Makine öğrenimi yoğun kursunda önyargı türleri başlıklı makaleyi inceleyin.

AutoML

Makine öğrenimi modelleri oluşturmaya yönelik tüm otomatik süreçler. AutoML, aşağıdaki gibi görevleri otomatik olarak gerçekleştirebilir:

• En uygun modeli arayın.
• Hiperparametreleri ayarlayın.
• Verileri hazırlayın (özellik mühendisliği gerçekleştirme dahil).
• Elde edilen modeli dağıtın.

AutoML, makine öğrenimi işlem hatları geliştirme konusunda veri bilimcilerin zamandan ve emekten tasarruf etmesini sağlayıp tahmin doğruluğunu artırabildiği için veri bilimciler için faydalıdır. Ayrıca, karmaşık makine öğrenimi görevlerini daha erişilebilir hâle getirerek uzman olmayan kullanıcılar için de faydalıdır.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Otomatik Makine Öğrenimi (AutoML) bölümüne bakın.

otomatik derecelendirme değerlendirmesi

Önceden oluşturulmuş otomatik derecelendiriciler mevcuttur ancak en iyi otomatik derecelendiriciler, özellikle değerlendirdiğiniz göreve göre ince ayar yapılmış olanlardır.

otoregresif model

Önceki tahminlerine dayanarak tahmin çıkaran bir model. Örneğin, otoregresif dil modelleri, daha önce tahmin edilen jetonlara göre bir sonraki jetonu tahmin eder. Transformer tabanlı tüm büyük dil modelleri, otomatik regresif modellerdir.

Buna karşılık, GAN tabanlı görüntü modelleri, bir görüntüyü tek bir ileri geçişte oluşturdukları ve adım adım yinelemeli olarak oluşturmadıkları için genellikle otoregresif değildir. Ancak belirli görüntü oluşturma modelleri, görüntüyü adım adım oluşturdukları için otoregresiftir.

yardımcı kayıp

Ağırlıkların rastgele başlatıldığı ilk yinelemeler sırasında eğitimi hızlandırmaya yardımcı olan bir kayıp işlevi. Bu işlev, nöral ağ modelinin ana kayıp işleviyle birlikte kullanılır.

Yardımcı kayıp işlevleri, etkili gradyanları önceki katmanlara iter. Bu, kaybolan gradyan sorununu önleyerek eğitim sırasında yakınsamayı kolaylaştırır.

k'da ortalama hassasiyet

Bir modelin, sıralanmış sonuçlar oluşturan tek bir istemdeki performansını özetleyen bir metriktir (ör. kitap önerilerinin numaralandırılmış listesi). k'daki ortalama hassasiyet, her bir alakalı sonuç için k'daki hassasiyet değerlerinin ortalamasıdır. Bu nedenle, k'daki ortalama hassasiyetin formülü şöyledir:

\[{\text{average precision at k}} = \frac{1}{n} \sum_{i=1}^n {\text{precision at k for each relevant item} } \]

Bu örnekte:

• \(n\) listedeki alakalı öğelerin sayısıdır.

k tuşuna basarak hatırlatma ile karşılaştırın.

List the 6 funniest movies of all time in order.

eksenle hizalı koşul

Karar ağacında yalnızca tek bir özelliği içeren bir koşul. Örneğin, area bir özellikse aşağıdaki koşul eksenle hizalanmış bir koşuldur:

area > 200

Eğik koşul ile çakışıyor.

B

geri yayılım

Nöral ağlarda gradyan inişini uygulayan algoritma.

Bir nöral ağı eğitmek için aşağıdaki iki geçişli döngünün birçok iterasyonu gerekir:

1. İleri geçiş sırasında sistem, tahminler elde etmek için toplu örnek işler. Sistem, her tahmini her etiket değeriyle karşılaştırır. Tahmin ile etiket değeri arasındaki fark, söz konusu örnek için kayıptır. Sistem, mevcut toplu işin toplam kaybını hesaplamak için tüm örneklerin kayıplarını toplar.
2. Geriye doğru geçiş (geri yayılım) sırasında sistem, tüm gizli katmanlardaki tüm nöronların ağırlıklarını ayarlayarak kaybı azaltır.

Nöral ağlar genellikle birçok gizli katmanda çok sayıda nöron içerir. Bu nöronların her biri, genel kayba farklı şekillerde katkıda bulunur. Geriye yayılım, belirli nöronlara uygulanan ağırlıkların artırılıp azaltılmayacağını belirler.

Öğrenme oranı, her bir geri geçişin her bir ağırlığı artırma veya azaltma derecesini kontrol eden bir çarpandır. Büyük bir öğrenme oranı, her ağırlığı küçük bir öğrenme oranından daha fazla artırır veya azaltır.

Kalkülüs açısından, geri yayılım, kalkülüsteki zincir kuralını uygular. Yani, geriye yayılım, hatanın her bir parametreye göre kısmi türevini hesaplar.

Yıllar önce makine öğrenimi uygulayıcıları, geri yayılımı uygulamak için kod yazmak zorundaydı. Keras gibi modern makine öğrenimi API'leri artık sizin için geri yayılımı uygular. Bora

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Nöral ağlar bölümünü inceleyin.

torbalama

Her bileşen modelinin, yerine koyma ile örneklenmiş eğitim örneklerinin rastgele bir alt kümesi üzerinde eğitildiği bir topluluk eğitme yöntemi. Örneğin, rastgele orman, torbalama ile eğitilmiş bir karar ağaçları koleksiyonudur.

Bagging terimi, bootstrap aggregating'in kısaltmasıdır.

Daha fazla bilgi için Karar Ormanları kursundaki Rastgele ormanlar bölümüne bakın.

kelime torbası

Bir kelime öbeği veya pasajdaki kelimelerin sıradan bağımsız olarak gösterimi. Örneğin, kelime torbası aşağıdaki üç ifadeyi aynı şekilde temsil eder:

• köpek zıpladığında
• köpeğin üzerinden atlar
• köpek zıplıyor

Her kelime, seyrek vektör içindeki bir dizine eşlenir. Bu vektörde, kelime dağarcığındaki her kelime için bir dizin bulunur. Örneğin, köpek zıplıyor ifadesi, the, dog ve jumps kelimelerine karşılık gelen üç indekste sıfır olmayan değerlere sahip bir özellik vektörüne eşlenir. Sıfır olmayan değer aşağıdakilerden herhangi biri olabilir:

• Bir kelimenin varlığını belirtmek için 1.
• Bir kelimenin çantada kaç kez geçtiğinin sayısı. Örneğin, the maroon dog is a dog with maroon fur ifadesinde hem maroon hem de dog kelimesi 2, diğer kelimeler ise 1 olarak gösterilir.
• Bir kelimenin torbada görünme sayısının logaritması gibi başka bir değer.

referans değer

Başka bir modelin (genellikle daha karmaşık bir model) ne kadar iyi performans gösterdiğini karşılaştırmak için referans noktası olarak kullanılan model. Örneğin, bir lojistik regresyon modeli, derin model için iyi bir referans değer olabilir.

Temel, belirli bir sorun için model geliştiricilerin yeni modelin faydalı olması için ulaşması gereken minimum beklenen performansı ölçmesine yardımcı olur.

base model

Belirli görevleri veya uygulamaları ele almak için ince ayar yapmaya başlamak için başlangıç noktası olarak kullanılabilecek bir önceden eğitilmiş model.

Ayrıca önceden eğitilmiş model ve temel model konularına da bakın.

grup

Bir eğitim iterasyonunda kullanılan örnekler kümesi. Toplu iş boyutu, bir toplu işteki örneklerin sayısını belirler.

Bir grubun dönemle nasıl ilişkili olduğuna dair açıklama için dönem başlıklı makaleyi inceleyin.

Daha fazla bilgi için Makine Öğrenimine Hızlı Bakış Kursu'ndaki Doğrusal regresyon: Hiperparametreler bölümüne bakın.

toplu çıkarım

Daha küçük alt kümeler ("gruplar") halinde bölünmüş birden fazla etiketlenmemiş örnek üzerinde tahmin çıkarma süreci.

Toplu çıkarım, hızlandırıcı çiplerin paralelleştirme özelliklerinden yararlanabilir. Yani birden fazla hızlandırıcı, aynı anda farklı gruplardaki etiketlenmemiş örnekler üzerinde çıkarım yapabilir ve saniyedeki çıkarım sayısını önemli ölçüde artırabilir.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Üretim ML sistemleri: Statik ve dinamik çıkarım bölümüne bakın.

toplu normalleştirme

Gizli katmandaki etkinleştirme işlevlerinin girişini veya çıkışını normalleştirme. Toplu normalleştirme aşağıdaki avantajları sağlayabilir:

• Aykırı ağırlıklara karşı koruma sağlayarak nöral ağları daha kararlı hale getirin.
• Eğitimi hızlandırabilecek daha yüksek öğrenme hızlarını etkinleştirin.
• Aşırı uyumu azaltın.

grup boyutu

Bir toplu işlemdeki örneklerin sayısı. Örneğin, toplu iş boyutu 100 ise model, iterasyon başına 100 örnek işler.

Popüler toplu iş boyutu stratejileri şunlardır:

• Stokastik Gradyan İnişi (SGD): Bu yöntemde toplu iş boyutu 1'dir.
• Tam toplu iş: Toplu iş boyutunun, eğitim kümesinin tamamındaki örnek sayısı olduğu toplu iş. Örneğin, eğitim kümesi bir milyon örnek içeriyorsa toplu iş boyutu bir milyon örnek olur. Tam toplu iş genellikle verimsiz bir stratejidir.
• Toplu iş boyutunun genellikle 10 ile 1.000 arasında olduğu mini toplu iş. Mini toplu iş genellikle en verimli stratejidir.

Daha fazla bilgi için aşağıdaki konulara bakın:

• Makine Öğrenimi Hızlandırılmış Kursu'nda Üretim ML sistemleri: Statik ve dinamik çıkarım.
• Derin Öğrenme Ayarlama Başucu Kitabı.

Bayes nöral ağı

Ağırlıklardaki ve çıkışlardaki belirsizliği hesaba katan olasılıksal bir nöral ağ. Standart bir nöral ağ regresyon modeli genellikle bir skaler değer tahmin eder. Örneğin, standart bir model 853.000 TL'lik bir ev fiyatı tahmin eder. Buna karşılık, Bayesçi bir sinir ağı değerlerin dağılımını tahmin eder. Örneğin, Bayesçi bir model, standart sapması 67.200 olan bir ev fiyatını 853.000 olarak tahmin eder.

Bir Bayesçi nöral ağ, ağırlıklardaki ve tahminlerdeki belirsizlikleri hesaplamak için Bayes Teoremi'ni kullanır. Belirsizliğin ölçülmesinin önemli olduğu durumlarda (ör. ilaçlarla ilgili modeller) Bayesçi sinir ağı faydalı olabilir. Bayesçi nöral ağlar, aşırı uyumu önlemeye de yardımcı olabilir.

Bayes optimizasyonu

Olasılıksal regresyon modeli, hesaplama açısından maliyetli amaç fonksiyonlarını optimize etmek için kullanılan bir tekniktir. Bu teknikte, belirsizliği Bayes öğrenme tekniğiyle ölçen bir vekil optimize edilir. Bayes optimizasyonu kendi başına çok maliyetli olduğundan genellikle hiperparametre seçme gibi az sayıda parametreye sahip ve değerlendirmesi maliyetli olan görevleri optimize etmek için kullanılır.

Bellman denklemi

Pekiştirmeli öğrenmede, optimal Q işlevi tarafından karşılanan aşağıdaki kimlik:

\[Q(s, a) = r(s, a) + \gamma \mathbb{E}_{s'|s,a} \max_{a'} Q(s', a')\]

Pekiştirici öğrenme algoritmaları, aşağıdaki güncelleme kuralını kullanarak Q-learning oluşturmak için bu kimliği uygular:

\[Q(s,a) \gets Q(s,a) + \alpha \left[r(s,a) + \gamma \displaystyle\max_{\substack{a_1}} Q(s',a') - Q(s,a) \right] \]

Bellman denklemi, pekiştirmeli öğrenmenin yanı sıra dinamik programlamada da kullanılır. Bellman denklemiyle ilgili Wikipedia girişine bakın.

BERT (Bidirectional Encoder Representations from Transformers)

Metin temsili için model mimari. Eğitilmiş bir BERT modeli, metin sınıflandırma veya diğer makine öğrenimi görevleri için daha büyük bir modelin parçası olarak kullanılabilir.

BERT'in özellikleri:

• Transformer mimarisini kullandığı için öz dikkat mekanizmasına dayanır.
• Transformer'ın kodlayıcı bölümünü kullanır. Kodlayıcının görevi, sınıflandırma gibi belirli bir görevi yerine getirmek yerine iyi metin temsilleri oluşturmaktır.
• İki yönlüdür.
• Gözetimsiz eğitim için maskeleme kullanılır.

BERT'nin varyantları şunlardır:

• ALBERT, A Light BERT'in kısaltmasıdır.
• LaBSE.

BERT'e genel bakış için Open Sourcing BERT: State-of-the-Art Pre-training for Natural Language Processing (BERT'in Açık Kaynaklı Hale Getirilmesi: Doğal Dil İşleme İçin En Gelişmiş Ön Eğitim) başlıklı makaleyi inceleyin.

önyargı (etik/adalet)

1. Bazı şeylere, kişilere veya gruplara yönelik olarak diğerlerine kıyasla kalıplaşmış düşünceler, önyargılar veya kayırmacılık Bu önyargılar, verilerin toplanmasını ve yorumlanmasını, sistemin tasarımını ve kullanıcıların sistemle etkileşim kurma şeklini etkileyebilir. Bu tür yanlılığın biçimleri şunlardır:

• otomasyon önyargısı
• doğrulama yanlılığı
• deneyci yanlılığı
• gruba atfetme önyargısı
• örtülü önyargı
• Grup içi önyargı
• grup dışı homojenlik önyargısı

2. Örnekleme veya raporlama prosedürüyle ortaya çıkan sistematik hata. Bu tür yanlılığın biçimleri şunlardır:

• kapsam yanlılığı (coverage bias)
• yanıt vermeme eğilimi (non-response bias)
• katılım önyargısı (participation bias)
• raporlama yanlılığı
• örnekleme yanlılığı
• seçim önyargısı

Makine öğrenimi modellerindeki bias terimi veya tahmin yanlılığı ile karıştırılmamalıdır.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Adalet: Önyargı türleri bölümüne bakın.

önyargı (matematik) veya önyargı terimi

Bir başlangıç noktasından kesişme veya uzaklık. Yanılgı, makine öğrenimi modellerindeki bir parametredir ve aşağıdakilerden biriyle sembolize edilir:

• b
• w₀

Örneğin, aşağıdaki formülde b, yanlılığı ifade eder:

Basit bir iki boyutlu çizgide, sapma yalnızca "y eksenini kesen nokta" anlamına gelir. Örneğin, aşağıdaki resimde çizginin eğimi 2'dir.

Tüm modeller başlangıç noktasından (0,0) başlamadığı için önyargı vardır. Örneğin, bir eğlence parkına girişin 2 avro, müşterinin parkta kaldığı her saat için ise 0,5 avro ek ücret alındığını varsayalım. Bu nedenle, toplam maliyeti eşleyen bir modelde en düşük maliyet 2 Euro olduğundan 2 birimi kadar bir sapma vardır.

Önyargı, etik ve adalet alanındaki önyargı veya tahmin önyargısı ile karıştırılmamalıdır.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Doğrusal Regresyon bölümüne bakın.

iki yönlü

Bir metin bölümünün öncesinde ve sonrasında gelen metni değerlendiren bir sistemi tanımlamak için kullanılan terim. Buna karşılık, tek yönlü bir sistem yalnızca metnin hedef bölümünden önceki metni değerlendirir.

Örneğin, aşağıdaki soruda altı çizili kelime veya kelimeleri temsil eden olasılıkları belirlemesi gereken bir maskelenmiş dil modelini ele alalım:

What is the _____ with you?

Tek yönlü bir dil modeli, olasılıklarını yalnızca "What", "is" ve "the" kelimelerinin sağladığı bağlama dayandırmak zorunda kalır. Buna karşılık, çift yönlü bir dil modeli "ile" ve "sen" kelimelerinden de bağlam bilgisi edinebilir. Bu da modelin daha iyi tahminler üretmesine yardımcı olabilir.

çift yönlü dil modeli

Bir dil modeli, önceki ve sonraki metne göre, belirli bir jetonun metin alıntısında belirli bir konumda bulunma olasılığını belirler.

bigram

N=2 olan bir N-gram.

ikili sınıflandırma

Bir sınıflandırma görevi türü. Birbiriyle bağdaşmayan iki sınıftan birini tahmin eder:

• pozitif sınıf
• negatif sınıf

Örneğin, aşağıdaki iki makine öğrenimi modelinin her biri ikili sınıflandırma gerçekleştirir:

• E-posta iletilerinin spam (pozitif sınıf) veya spam değil (negatif sınıf) olup olmadığını belirleyen bir model.
• Bir kişinin belirli bir hastalığa (pozitif sınıf) sahip olup olmadığını veya bu hastalığa sahip olmadığını (negatif sınıf) belirlemek için tıbbi semptomları değerlendiren bir model.

Çok sınıflı sınıflandırma ile karşılaştırın.

Ayrıca lojistik regresyon ve sınıflandırma eşiği bölümlerini de inceleyin.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Sınıflandırma bölümüne bakın.

ikili koşul

Karar ağacında, genellikle evet veya hayır olmak üzere yalnızca iki olası sonucu olan bir koşul. Örneğin, aşağıdakiler ikili koşuldur:

temperature >= 100

Non-binary durumu ile karşılaştırın.

Daha fazla bilgi için Karar Ormanları kursundaki Koşul türleri bölümünü inceleyin.

binning

Gruplandırma ile eş anlamlıdır.

BLEU (Bilingual Evaluation Understudy)

Makine çevirilerini değerlendirmek için kullanılan 0,0 ile 1,0 arasındaki bir metrik. Örneğin, İspanyolca'dan Japonca'ya çeviriler.

BLEU, puan hesaplamak için genellikle bir makine öğrenimi modelinin çevirisini (oluşturulan metin) bir uzman çevirisiyle (referans metin) karşılaştırır. Oluşturulan metin ve referans metindeki N-gramların eşleşme derecesi BLEU puanını belirler.

Bu metrikle ilgili orijinal makale BLEU: a Method for Automatic Evaluation of Machine Translation'dır.

BLEURT başlıklı makaleyi de inceleyin.

BLEURT (Bilingual Evaluation Understudy from Transformers)

Bir dilden diğerine, özellikle İngilizceye ve İngilizceden yapılan makine çevirilerini değerlendirmek için kullanılan bir metrik.

İngilizceye ve İngilizceden yapılan çevirilerde BLEURT, BLEU'ya kıyasla insan değerlendirmeleriyle daha uyumludur. BLEU'dan farklı olarak BLEURT, anlamsal (anlam) benzerlikleri vurgular ve yeniden ifade etmeye olanak tanır.

BLEURT, önceden eğitilmiş bir büyük dil modeline (tam olarak BERT) dayanır. Bu model daha sonra insan çevirmenlerin metinleri üzerinde ince ayar yapılır.

Bu metrikle ilgili orijinal makale BLEURT: Learning Robust Metrics for Text Generation'dır.

artırma

Modelin şu anda yanlış sınıflandırdığı örneklerin ağırlığını artırarak bir dizi basit ve çok doğru olmayan sınıflandırıcıyı ("zayıf" sınıflandırıcılar olarak adlandırılır) yüksek doğrulukta bir sınıflandırıcıda ("güçlü" sınıflandırıcı) yinelemeli olarak birleştiren bir makine öğrenimi tekniği.

Daha fazla bilgi için Karar Ormanları kursundaki Gradyan Artırılmış Karar Ağaçları başlıklı makaleyi inceleyin.

sınırlayıcı kutu

Bir resimde, ilgi alanı etrafındaki dikdörtgenin (x, y) koordinatları (ör. aşağıdaki resimdeki köpek).

yayınlama

Bir matris matematik işleminde işlenenin şeklini, bu işlem için uyumlu boyutlara genişletme. Örneğin, doğrusal cebirde bir matris toplama işlemindeki iki işlenenin aynı boyutlara sahip olması gerekir. Dolayısıyla, (m, n) şeklindeki bir matrisi n uzunluğundaki bir vektöre ekleyemezsiniz. Yayın, aynı değerleri her sütunda çoğaltarak n uzunluğundaki vektörü sanal olarak (m, n) şeklindeki bir matrise genişleterek bu işlemi mümkün kılar.

A = [[7, 10, 4],
     [13, 5, 9]]
B = [2]

 [[2, 2, 2],
  [2, 2, 2]]

[[7, 10, 4],  +  [[2, 2, 2],  =  [[ 9, 12, 6],
 [13, 5, 9]]      [2, 2, 2]]      [15, 7, 11]]

Daha fazla bilgi için NumPy'de yayın yapma ile ilgili aşağıdaki açıklamaya bakın.

gruplandırma

Tek bir özelliği, genellikle bir değer aralığına dayalı olarak paketler veya gruplar adı verilen birden fazla ikili özelliğe dönüştürme. Kırpma özelliği genellikle sürekli bir özelliktir.

Örneğin, sıcaklığı tek bir sürekli kayan nokta özelliği olarak temsil etmek yerine sıcaklık aralıklarını aşağıdaki gibi ayrı gruplara ayırabilirsiniz:

• ≤ 10 santigrat derece sıcaklık, "soğuk" grubu olarak değerlendirilir.
• 11-24 santigrat derece "ılıman" grubu olarak değerlendirilir.
• >= 25 santigrat derece "sıcak" grubu olur.

Model, aynı gruptaki her değere aynı şekilde davranır. Örneğin, 13 ve 22 değerleri ılıman aralığında olduğundan model, bu iki değeri aynı şekilde ele alır.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Sayısal veriler: Gruplandırma bölümüne bakın.

C

kalibrasyon katmanı

Genellikle tahmin yanlılığını hesaba katmak için yapılan tahmin sonrası düzenleme. Ayarlanmış tahminler ve olasılıklar, gözlemlenen bir etiket grubunun dağılımıyla eşleşmelidir.

aday oluşturma

Bir öneri sistemi tarafından seçilen ilk öneri grubu. Örneğin, 100.000 kitap sunan bir kitapçı düşünün. Aday oluşturma aşamasında, belirli bir kullanıcı için çok daha küçük bir uygun kitap listesi (ör. 500 kitap) oluşturulur. Ancak 500 kitap bile bir kullanıcıya önermek için çok fazla. Öneri sisteminin sonraki, daha maliyetli aşamaları (ör. puanlama ve yeniden sıralama), bu 500 öneriyi çok daha küçük ve daha faydalı bir öneri grubuna indirir.

Daha fazla bilgi için Öneri Sistemleri kursundaki Aday oluşturmaya genel bakış başlıklı makaleyi inceleyin.

aday örnekleme

Örneğin, softmax kullanılarak tüm pozitif etiketler için olasılık hesaplayan ancak yalnızca negatif etiketlerin rastgele bir örneği için kullanılan eğitim zamanı optimizasyonu. Örneğin, beagle ve köpek olarak etiketlenmiş bir örnek verildiğinde, aday örnekleme aşağıdaki öğeler için tahmin edilen olasılıkları ve ilgili kayıp terimlerini hesaplar:

• beagle
• dog
• kalan negatif sınıfların rastgele bir alt kümesi (örneğin, kedi, lolipop, çit).

Buradaki fikir, pozitif sınıflar her zaman uygun pozitif pekiştirme aldığı sürece negatif sınıfların daha az sıklıkta negatif pekiştirmeden öğrenebileceğidir ve bu durum gerçekten de deneysel olarak gözlemlenmiştir.

Aday örnekleme, özellikle negatif sınıfların sayısı çok fazla olduğunda tüm negatif sınıflar için tahminler hesaplayan eğitim algoritmalarına kıyasla bilgi işlem açısından daha verimlidir.

kategorik veriler

Belirli bir olası değerler kümesine sahip özellikler. Örneğin, yalnızca aşağıdaki üç olası değerden birine sahip olabilen traffic-light-state adlı kategorik bir özelliği ele alalım:

• red
• yellow
• green

traffic-light-state kategorik bir özellik olarak temsil edildiğinde model, red, green ve yellow'nin sürücü davranışı üzerindeki farklı etkilerini öğrenebilir.

Kategorik özelliklere bazen ayrık özellikler de denir.

Sayısal verilerle karşılaştırın.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Kategorik verilerle çalışma konusuna bakın.

nedensel dil modeli

Tek yönlü dil modeli ile eş anlamlıdır.

Dil modellemede farklı yönsel yaklaşımları karşılaştırmak için çift yönlü dil modeline bakın.

centroid

Bir k-ortalama veya k-medyan algoritması tarafından belirlenen bir kümenin merkezi. Örneğin, k 3 ise k-ortalama veya k-medyan algoritması 3 merkez bulur.

Daha fazla bilgi için Kümeleme kursundaki Kümeleme algoritmaları başlıklı makaleyi inceleyin.

merkez tabanlı kümeleme

Verileri hiyerarşik olmayan kümeler halinde düzenleyen bir kümeleme algoritması kategorisi. k-ortalama, en yaygın kullanılan merkez tabanlı kümeleme algoritmasıdır.

Hiyerarşik kümeleme algoritmalarıyla karşılaştırın.

Daha fazla bilgi için Kümeleme kursundaki Kümeleme algoritmaları başlıklı makaleyi inceleyin.

düşünce zinciri istemi

Büyük dil modelini (LLM) adım adım muhakemesini açıklamaya teşvik eden bir istem mühendisliği tekniği. Örneğin, ikinci cümleye özellikle dikkat ederek aşağıdaki istemi inceleyin:

0'dan 96 km/sa hıza 7 saniyede ulaşan bir arabadaki sürücü kaç G kuvveti yaşar? Yanıtınızda ilgili tüm hesaplamaları gösterin.

LLM'nin yanıtı muhtemelen:

• 0, 60 ve 7 değerlerini uygun yerlere yerleştirerek bir dizi fizik formülü göster.
• Bu formülleri neden seçtiğini ve çeşitli değişkenlerin ne anlama geldiğini açıklayın.

Düşünce zinciri istemi, LLM'yi tüm hesaplamaları yapmaya zorlar. Bu da daha doğru bir yanıta yol açabilir. Ayrıca, düşünce zinciri istemi, kullanıcının yanıtın mantıklı olup olmadığını belirlemek için LLM'nin adımlarını incelemesine olanak tanır.

sohbet

Genellikle bir büyük dil modeli olan bir makine öğrenimi sistemiyle yapılan karşılıklı diyalogların içeriği. Sohbetteki önceki etkileşim (yazdıklarınız ve büyük dil modelinin nasıl yanıt verdiği), sohbetin sonraki bölümleri için bağlam haline gelir.

Chatbot, büyük dil modelinin bir uygulamasıdır.

kontrol noktası

Eğitim sırasında veya eğitim tamamlandıktan sonra modelin parametrelerinin durumunu yakalayan veriler. Örneğin, eğitim sırasında şunları yapabilirsiniz:

1. Eğitimin durdurulması (belki kasıtlı olarak veya belirli hatalar sonucunda)
2. Kontrol noktasını yakalayın.
3. Daha sonra kontrol noktasını (muhtemelen farklı bir donanımda) yeniden yükleyin.
4. Eğitimi yeniden başlatın.

sınıf

Etiketin ait olabileceği bir kategori. Örneğin:

• Spam'i algılayan bir ikili sınıflandırma modelinde iki sınıf spam ve spam değil olabilir.
• Köpek ırklarını tanımlayan bir çok sınıflı sınıflandırma modelinde sınıflar kaniş, beagle, pug vb. olabilir.

Sınıflandırma modeli bir sınıfı tahmin eder. Bunun aksine, regresyon modeli bir sınıf yerine bir sayı tahmin eder.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Sınıflandırma bölümüne bakın.

sınıflandırma modeli

Tahmini sınıf olan model. Örneğin, aşağıdakilerin tümü sınıflandırma modelidir:

• Bir giriş cümlesinin dilini (Fransızca mı? İspanyolca mı? İtalyanca?).
• Ağaç türlerini tahmin eden bir model (Akçaağaç mı? Meşe mi? Baobab?).
• Belirli bir tıbbi durum için pozitif veya negatif sınıfı tahmin eden bir model.

Bunun aksine, regresyon modelleri sınıflar yerine sayıları tahmin eder.

Sık kullanılan iki sınıflandırma modeli türü şunlardır:

• ikili sınıflandırma
• çok sınıflı sınıflandırma

sınıflandırma eşiği

İkili sınıflandırmada, lojistik regresyon modelinin ham çıkışını pozitif sınıf veya negatif sınıf tahminine dönüştüren 0 ile 1 arasında bir sayıdır. Sınıflandırma eşiğinin, model eğitimi tarafından seçilen bir değer değil, bir insan tarafından seçilen bir değer olduğunu unutmayın.

Lojistik regresyon modeli, 0 ile 1 arasında bir ham değer çıkarır. Ardından:

• Bu ham değer, sınıflandırma eşiğinden büyükse pozitif sınıf tahmin edilir.
• Bu ham değer, sınıflandırma eşiğinden küçükse negatif sınıf tahmin edilir.

Örneğin, sınıflandırma eşiğinin 0,8 olduğunu varsayalım. Ham değer 0, 9 ise model pozitif sınıfı tahmin eder. Ham değer 0, 7 ise model negatif sınıfı tahmin eder.

Sınıflandırma eşiğinin seçimi, yanlış pozitif ve yanlış negatif sayısını büyük ölçüde etkiler.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Eşikler ve karmaşıklık matrisi bölümüne bakın.

sınıflandırıcı

Sınıflandırma modeli için kullanılan gündelik bir terimdir.

sınıf dengesizliği olan veri kümesi

Her sınıfın toplam etiket sayısının önemli ölçüde farklı olduğu bir sınıflandırma sorununa yönelik veri kümesi. Örneğin, iki etiketi aşağıdaki gibi ayrılmış olan ikili sınıflandırma veri kümesini ele alalım:

• 1.000.000 olumsuz etiket
• 10 pozitif etiket

Negatif ve pozitif etiketlerin oranı 100.000'e 1 olduğundan bu, sınıf dengesizliği olan bir veri kümesidir.

Buna karşılık, aşağıdaki veri kümesi sınıf dengesizliği içermez. Bunun nedeni, negatif etiketlerin pozitif etiketlere oranının 1'e nispeten yakın olmasıdır:

• 517 negatif etiket
• 483 pozitif etiket

Çok sınıflı veri kümelerinde sınıf dengesizliği de olabilir. Örneğin, aşağıdaki çok sınıflı sınıflandırma veri kümesi de sınıf dengesizdir. Bunun nedeni, bir etiketin diğer iki etikete kıyasla çok daha fazla örnek içermesidir:

• "Yeşil" sınıfına sahip 1.000.000 etiket
• "Mor" sınıfına ait 200 etiket
• "turuncu" sınıfına ait 350 etiket

Entropi, çoğunluk sınıfı ve azınlık sınıfı bölümlerini de inceleyin.

kırpma

Aşağıdakilerden birini veya her ikisini birden yaparak aykırı değerleri işleme tekniği:

• Maksimum eşiği aşan özellik değerlerini bu maksimum eşiğe düşürme.
• Minimum eşiğin altındaki özellik değerlerini bu minimum eşiğe kadar artırır.

Örneğin, belirli bir özelliğin değerlerinin% 0,5'inden azının 40-60 aralığının dışında olduğunu varsayalım. Bu durumda şunları yapabilirsiniz:

• 60'ın üzerindeki tüm değerler (maksimum eşik) tam olarak 60 olarak kırpılır.
• 40'ın (minimum eşik) altındaki tüm değerleri tam olarak 40 olacak şekilde kırpın.

Aykırı değerler modellere zarar verebilir ve bazen eğitim sırasında ağırlıkların taşmasına neden olabilir. Bazı aykırı değerler, doğruluk gibi metrikleri de önemli ölçüde etkileyebilir. Kırpma, hasarı sınırlamak için yaygın olarak kullanılan bir tekniktir.

Gradyan kırpma, eğitim sırasında gradyan değerlerini belirlenmiş bir aralıkta tutar.

Daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki Sayısal veriler: Normalleştirme bölümüne bakın.

Cloud TPU

Google Cloud'daki makine öğrenimi iş yüklerini hızlandırmak için tasarlanmış özel bir donanım hızlandırıcıdır.

kümeleme

Özellikle denetimsiz öğrenme sırasında, ilgili örnekleri gruplandırma. Tüm örnekler gruplandırıldıktan sonra, bir kişi isteğe bağlı olarak her kümeye anlam verebilir.

Birçok kümeleme algoritması vardır. Örneğin, k-means algoritması, örnekleri bir merkeze yakınlıklarına göre kümelendirir. Aşağıdaki diyagramda bu durum gösterilmektedir:

Daha sonra bir araştırmacı kümeleri inceleyebilir ve örneğin, 1. kümeyi "cüce ağaçlar", 2. kümeyi ise "tam boy ağaçlar" olarak etiketleyebilir.

Başka bir örnek olarak, bir örneğin merkez noktasına olan uzaklığına dayalı bir kümeleme algoritmasını ele alalım. Bu algoritma aşağıdaki şekilde gösterilmiştir:

Daha fazla bilgi için Kümeleme kursuna bakın.

birlikte uyum sağlama

Nöronların, ağın genel davranışına güvenmek yerine neredeyse tamamen diğer belirli nöronların çıkışlarına güvenerek eğitim verilerindeki kalıpları tahmin ettiği istenmeyen bir davranış. Birlikte uyumlanmaya neden olan kalıplar doğrulama verilerinde bulunmadığında birlikte uyumlanma, aşırı uyuma neden olur. Dropout düzenlileştirme, dropout sayesinde nöronlar yalnızca belirli diğer nöronlara güvenemediğinden birlikte uyumlanmayı azaltır.

ortak filtreleme

Bir kullanıcının ilgi alanlarıyla ilgili tahminler yapmak için diğer birçok kullanıcının ilgi alanlarından yararlanma. Birlikte filtreleme, genellikle öneri sistemlerinde kullanılır.

Daha fazla bilgi için Öneri Sistemleri kursundaki Ortak filtreleme konusuna bakın.

kompakt model

Sınırlı hesaplama kaynaklarına sahip küçük cihazlarda çalışmak üzere tasarlanmış küçük modeller. Örneğin, kompakt modeller cep telefonlarında, tabletlerde veya yerleşik sistemlerde çalışabilir.

compute

(İsim) Bir model veya sistem tarafından kullanılan işlem kaynakları (ör. işlem gücü, bellek ve depolama).

Hızlandırıcı çiplere bakın.

kavram kayması

Özellikler ve etiket arasındaki ilişkide değişiklik olması. Zamanla kavram kayması, modelin kalitesini düşürür.

Eğitim sırasında model, eğitim kümesindeki özellikler ve etiketleri arasındaki ilişkiyi öğrenir. Eğitim kümesindeki etiketler gerçek dünya için iyi birer temsilciyse model, gerçek dünyayla ilgili iyi tahminler yapmalıdır. Ancak kavram kayması nedeniyle modelin tahminleri zaman içinde bozulma eğilimindedir.

Örneğin, belirli bir araba modelinin "yakıt açısından verimli" olup olmadığını tahmin eden bir ikili sınıflandırma modelini ele alalım. Yani özellikler şunlar olabilir:

• aracın ağırlığı
• motor sıkıştırması
• transmission type

etiket aşağıdaki durumlarda:

• yakıt verimli
• yakıt verimliliği düşük

Ancak "yakıt tasarruflu araba" kavramı sürekli değişiyor. 1994'te yakıt tasarruflu olarak etiketlenen bir araba modeli, 2024'te neredeyse kesin olarak yakıt tasarruflu değil olarak etiketlenir. Kavram kaymasından etkilenen bir model, zaman içinde giderek daha az faydalı tahminler yapma eğilimindedir.

Durağan olmama ile karşılaştırın ve aralarındaki farkları bulun.

koşul

Koşula bölünme veya test de denir.

Yaprak ile kontrast durumu.

Şuna da bakabilirsiniz:

• binary condition
• non-binary condition.
• axis-aligned-condition
• oblique-condition

Daha fazla bilgi için Karar Ormanları kursundaki Koşul türleri bölümünü inceleyin.

konfabulasyon

Halüsinasyon kelimesinin eş anlamlısı.

Uydurma, halüsinasyona kıyasla daha teknik olarak doğru bir terimdir. Ancak halüsinasyon önce popüler hale geldi.

yapılandırma

Bir modeli eğitmek için kullanılan ilk özellik değerlerini atama süreci (aşağıdakiler dahil):

• modelin oluşturma katmanları
• verilerin konumu
• Aşağıdakiler gibi hiperparametreler:
  • öğrenme oranı
  • iterations
  • optimizer
  • kayıp işlevi

Makine öğrenimi projelerinde yapılandırma, özel bir yapılandırma dosyası aracılığıyla veya aşağıdaki gibi yapılandırma kitaplıkları kullanılarak yapılabilir:

• HParam
• Cin
• Fiddle

doğrulama yanlılığı

Bilgiyi önceden var olan inançları veya hipotezleri doğrulayacak şekilde arama, yorumlama, tercih etme ve hatırlama eğilimi. Makine öğrenimi geliştiricileri, verileri mevcut inançlarını destekleyen bir sonucu etkileyecek şekilde yanlışlıkla toplayabilir veya etiketleyebilir. Doğrulama önyargısı, bir örtülü önyargı türüdür.

Deney yapanın yanlılığı, önceden var olan bir hipotez doğrulanana kadar deney yapan kişinin modelleri eğitmeye devam ettiği bir doğrulama yanlılığı biçimidir.

karışıklık matrisi

Sınıflandırma modelinin yaptığı doğru ve yanlış tahminlerin sayısını özetleyen NxN tablosu. Örneğin, bir ikili sınıflandırma modeli için aşağıdaki karmaşıklık matrisini inceleyin:

Önceki karışıklık matrisinde şunlar gösterilmektedir:

• Kesin referansın tümör olduğu 19 tahminden 18'i doğru, 1'i ise yanlış sınıflandırıldı.
• Kesin referansın Non-Tumor olduğu 458 tahminden 452'si doğru, 6'sı ise yanlış sınıflandırıldı.

Çok sınıflı sınıflandırma sorununa ilişkin karışıklık matrisi, hata kalıplarını belirlemenize yardımcı olabilir. Örneğin, üç farklı iris türünü (Virginica, Versicolor ve Setosa) sınıflandıran 3 sınıflı çok sınıflı sınıflandırma modelinin aşağıdaki karmaşıklık matrisini ele alalım. Kesin referans Virginica olduğunda karışıklık matrisi, modelin Setosa'dan ziyade Versicolor'u yanlışlıkla tahmin etme olasılığının çok daha yüksek olduğunu gösteriyor:

Başka bir örnek olarak, bir karmaşıklık matrisi, el yazısıyla yazılmış rakamları tanımak için eğitilmiş bir modelin 4 yerine yanlışlıkla 9'u veya 7 yerine yanlışlıkla 1'i tahmin etme eğiliminde olduğunu ortaya çıkarabilir.

Karmaşıklık matrisleri, kesinlik ve hatırlama dahil olmak üzere çeşitli performans metriklerini hesaplamak için yeterli bilgiyi içerir.

seçim bölgesi ayrıştırma

Bir cümleyi daha küçük dilbilgisel yapılara ("bileşenler") ayırma. Makine öğrenimi sisteminin sonraki bir bölümü (ör. doğal dil anlama modeli), bileşenleri orijinal cümleye kıyasla daha kolay ayrıştırabilir. Örneğin, aşağıdaki cümleyi ele alalım:

Arkadaşım iki kedi sahiplendi.

Bir bileşen ayrıştırıcı, bu cümleyi aşağıdaki iki bileşene ayırabilir:

• My friend (Arkadaşım) bir isim öbeğidir.
• iki kedi sahiplendi bir fiil öbeğidir.

Bu bileşenler daha küçük bileşenlere ayrılabilir. Örneğin, fiil öbeği

iki kedi sahiplendi

şeklinde daha da alt bölümlere ayrılabilir:

• adopted bir fiildir.
• two cats (iki kedi) başka bir isim öbeğidir.

bağlamsallaştırılmış dil yerleştirme

Yerleştirme, akıcı konuşan insanların kelimeleri ve ifadeleri "anlama" şekline yakın bir şekilde çalışır. Bağlamsallaştırılmış dil yerleştirmeleri, karmaşık söz dizimini, semantiği ve bağlamı anlayabilir.

Örneğin, cow (inek) İngilizce kelimesinin yerleştirmelerini ele alalım. word2vec gibi eski yerleştirmeler, İngilizce kelimeleri yerleştirme alanındaki uzaklık inek ile boğa arasındaki uzaklığın koyun ile koç veya kadın ile erkek arasındaki uzaklığa benzer şekilde temsil edebilir. Bağlamsallaştırılmış dil yerleştirmeleri, İngilizce konuşanların bazen cow kelimesini inek veya boğa anlamında kullandığını fark ederek bir adım daha ileri gidebilir.

bağlam penceresi

Bir modelin belirli bir istemde işleyebileceği jeton sayısı. Bağlam penceresi ne kadar büyük olursa model, isteme tutarlı ve tutarlı yanıtlar sağlamak için o kadar fazla bilgi kullanabilir.

sürekli özellik

Sıcaklık veya ağırlık gibi sonsuz sayıda olası değere sahip kayan noktalı özellik.

Ayrık özellik ile karşılaştırma.

uygun örnekleme

Hızlı denemeler yapmak için bilimsel olarak toplanmamış bir veri kümesi kullanma. Daha sonra, bilimsel olarak toplanmış bir veri kümesine geçmek önemlidir.

yakınsama

Kayıp değerlerinin her yinelemede çok az değiştiği veya hiç değişmediği durumda ulaşılan durum. Örneğin, aşağıdaki kayıp eğrisi, yaklaşık 700 yinelemede yakınsama olduğunu gösteriyor:

Ek eğitim modelin performansını artırmadığında model yakınlaşır.

Derin öğrenmede, kayıp değerleri sonunda düşmeden önce bazen birçok yineleme boyunca sabit kalır veya neredeyse sabit kalır. Uzun bir süre boyunca sürekli olarak kayıp değerleri yaşandığında geçici olarak yanlış bir yakınsama hissi elde edebilirsiniz.

Erken durdurma başlıklı makaleyi de inceleyin.

Daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki Model yakınsama ve kayıp eğrileri bölümüne bakın.

dışbükey fonksiyon

Fonksiyonun grafiğinin üstündeki bölgenin dışbükey küme olduğu bir fonksiyon. Tipik dışbükey fonksiyon, U harfine benzer bir şekle sahiptir. Örneğin, aşağıdakilerin tümü dışbükey işlevlerdir:

Buna karşılık, aşağıdaki işlev dışbükey değildir. Grafiğin üzerindeki bölgenin nasıl dışbükey bir küme olmadığına dikkat edin:

Kesinlikle dışbükey bir fonksiyon, aynı zamanda genel minimum nokta olan tam olarak bir yerel minimum noktaya sahiptir. Klasik U şeklindeki fonksiyonlar kesinlikle dışbükey fonksiyonlardır. Ancak bazı dışbükey fonksiyonlar (ör. düz çizgiler) U şeklinde değildir.

Daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki Yakınsama ve dışbükey fonksiyonlar başlıklı makaleyi inceleyin.

dışbükey optimizasyon

Dışbükey bir fonksiyonun minimum değerini bulmak için gradyan azalması gibi matematiksel tekniklerin kullanılması süreci. Makine öğrenimi alanındaki araştırmaların büyük bir kısmı, çeşitli sorunları dışbükey optimizasyon sorunları olarak formüle etmeye ve bu sorunları daha verimli bir şekilde çözmeye odaklanmıştır.

Daha ayrıntılı bilgi için Boyd ve Vandenberghe, Convex Optimization başlıklı makaleyi inceleyin.

dışbükey küme

Öklid uzayının bir alt kümesi. Alt kümedeki herhangi iki nokta arasında çizilen bir çizgi tamamen alt küme içinde kalır. Örneğin, aşağıdaki iki şekil dışbükey kümelerdir:

Buna karşılık, aşağıdaki iki şekil dışbükey kümeler değildir:

konvolüsyon

Matematikte, kabaca iki fonksiyonun karışımı. Makine öğreniminde, ağırlıkları eğitmek için evrişimli filtre ile giriş matrisi karıştırılır.

Makine öğrenimindeki "evrişim" terimi, genellikle evrişimli işlem veya evrişimli katman için kullanılan kısa bir ifadedir.

Evrişimler olmadan, makine öğrenimi algoritmasının büyük bir tensördeki her hücre için ayrı bir ağırlık öğrenmesi gerekir. Örneğin, 2.000 x 2.000 boyutundaki resimlerle eğitilen bir makine öğrenimi algoritması, 4 milyon ayrı ağırlık bulmaya zorlanır. Evrişimler sayesinde, bir makine öğrenimi algoritmasının yalnızca evrişimli filtredeki her hücre için ağırlık bulması gerekir. Bu da modeli eğitmek için gereken belleği önemli ölçüde azaltır. Evrişim filtresi uygulandığında, her hücre filtreyle çarpılacak şekilde hücreler arasında basitçe çoğaltılır.

Daha fazla bilgi için Resim Sınıflandırma kursundaki Introducing Convolutional Neural Networks (Evrişimli Sinir Ağlarına Giriş) başlıklı makaleyi inceleyin.

evrişim filtresi

Evrişim işlemindeki iki aktörden biri. (Diğer aktör, bir giriş matrisinin dilimidir.) Evrişimli filtre, giriş matrisiyle aynı ranka sahip ancak daha küçük bir şekle sahip bir matristir. Örneğin, 28x28 giriş matrisi verildiğinde filtre, 28x28'den küçük herhangi bir 2 boyutlu matris olabilir.

Fotoğraf manipülasyonunda, bir evrişimli filtrenin tüm hücreleri genellikle sabit bir birler ve sıfırlar düzenine ayarlanır. Makine öğreniminde, evrişimli filtreler genellikle rastgele sayılarla başlatılır ve ardından ağ, ideal değerleri eğitir.

Daha fazla bilgi için Resim Sınıflandırma kursundaki Convolution (Evrişim) başlıklı makaleyi inceleyin.

evrişimli katman

Evrişimli filtrenin bir giriş matrisini ilettiği derin nöral ağ katmanı. Örneğin, aşağıdaki 3x3 evrişim filtresini ele alalım:

Aşağıdaki animasyonda, 5x5 giriş matrisini içeren 9 evrişimli işlemden oluşan bir evrişimli katman gösterilmektedir. Her evrişimli işlemin, giriş matrisinin farklı bir 3x3 diliminde çalıştığını unutmayın. Elde edilen 3x3 matris (sağda), 9 evrişimli işlemin sonuçlarından oluşur:

Daha fazla bilgi için Resim Sınıflandırma kursundaki Tam Bağlantılı Katmanlar bölümüne bakın.

evrişimli nöral ağ

En az bir katmanı evrişimli katman olan bir nöral ağ. Tipik bir evrişimli sinir ağı, aşağıdaki katmanların bir kombinasyonundan oluşur:

• evrişimli katmanlar
• havuz katmanları
• yoğun katmanlar

Evrişimli sinir ağları, görüntü tanıma gibi belirli türdeki sorunlarda büyük başarı elde etti.

konvolüsyon işlemi

Aşağıdaki iki adımlı matematiksel işlem:

1. Evrişim filtresi ile bir giriş matrisinin diliminin öğe bazında çarpımı. (Giriş matrisinin dilimi, evrişimli filtreyle aynı sıralamaya ve boyuta sahiptir.)
2. Elde edilen ürün matrisindeki tüm değerlerin toplamı.

Örneğin, aşağıdaki 5x5 giriş matrisini ele alalım:

Şimdi de aşağıdaki 2x2 evrişimli filtreyi düşünün:

Her evrişim işlemi, giriş matrisinin tek bir 2x2 dilimini içerir. Örneğin, giriş matrisinin sol üst kısmındaki 2x2 dilimi kullandığımızı varsayalım. Bu nedenle, bu dilimdeki konvolüsyon işlemi şu şekilde görünür:

Evrişim katmanı, her biri giriş matrisinin farklı bir diliminde çalışan bir dizi evrişim işleminden oluşur.

maliyet

Kaybın eş anlamlısı.

ortak eğitim

Aşağıdaki koşulların tümü geçerliyse yarı denetimli öğrenme yaklaşımı özellikle yararlıdır:

• Veri kümesindeki etiketlenmemiş örneklerin etiketlenmiş örneklere oranı yüksek.
• Bu bir sınıflandırma sorunudur (ikili veya çok sınıflı).
• Veri kümesi, birbirinden bağımsız ve birbirini tamamlayan iki farklı tahmini özellik grubu içerir.

Birlikte eğitim, bağımsız sinyalleri daha güçlü bir sinyale dönüştürür. Örneğin, kullanılmış araçları İyi veya Kötü olarak sınıflandıran bir sınıflandırma modelini ele alalım. Bir grup tahmine dayalı özellik, aracın yılı, markası ve modeli gibi toplu özelliklere odaklanabilir. Başka bir grup tahmine dayalı özellik ise önceki sahibinin sürüş geçmişine ve aracın bakım geçmişine odaklanabilir.

Ortak eğitimle ilgili temel makale, Blum ve Mitchell'in Combining Labeled and Unlabeled Data with Co-Training adlı çalışmasıdır.

karşıolgusal adalet

Bir adalet metriği, bir sınıflandırma modelinin, bir veya daha fazla hassas özellik dışında ilk kişiyle aynı olan ikinci bir kişi için de aynı sonucu üretip üretmediğini kontrol eder. Karşı olgusal adalet için bir sınıflandırma modelini değerlendirmek, modeldeki olası önyargı kaynaklarını ortaya çıkarmanın bir yöntemidir.

Daha fazla bilgi için aşağıdaki kaynaklardan birine bakın:

• Makine Öğrenimi Hızlandırılmış Kursu'nda Adalet: Karşıolgusal adalet.
• When Worlds Collide: Integrating Different Counterfactual Assumptions in Fairness

kapsam yanlılığı

Seçim yanlılığı konusunu inceleyin.

crash blossom

Anlamı belirsiz olan bir cümle veya ifade. Crash blossom'lar, doğal dil anlama konusunda önemli bir sorun teşkil eder. Örneğin, Red Tape Holds Up Skyscraper (Bürokrasi Gökdeleni Engelliyor) başlığı, bir NLU modeli başlığı kelimenin tam anlamıyla veya mecazi olarak yorumlayabileceğinden bir crash blossom'dur.

eleştirmen

Deep Q-Network'ün eş anlamlısı.

çapraz entropi

Log Loss'un çok sınıflı sınıflandırma sorunlarına genelleştirilmiş halidir. Çapraz entropi, iki olasılık dağılımı arasındaki farkı ölçer. Ayrıca şaşırtıcılık bölümüne de bakın.

çapraz doğrulama

Modelin, eğitim kümesinden çıkarılan bir veya daha fazla çakışmayan veri alt kümesiyle test edilerek yeni verilere ne kadar iyi genelleneceğini tahmin etme mekanizması.

kümülatif dağılım fonksiyonu (KDF)

Hedef değerden küçük veya bu değere eşit örneklerin sıklığını tanımlayan bir işlev. Örneğin, sürekli değerlerin normal dağılımını ele alalım. Bir kümülatif dağılım fonksiyonu, örneklerin yaklaşık% 50'sinin ortalamadan küçük veya ortalamaya eşit olması gerektiğini ve örneklerin yaklaşık% 84'ünün ortalamanın bir standart sapma üzerinde olması gerektiğini gösterir.

D

veri analizi

Örnekleri, ölçümleri ve görselleştirmeyi dikkate alarak verileri anlama Veri analizi, ilk model oluşturulmadan önce, bir veri kümesi ilk kez alındığında özellikle yararlı olabilir. Ayrıca, denemeleri anlamak ve sistemle ilgili sorunları ayıklamak için de çok önemlidir.

veri artırma

Mevcut örnekleri dönüştürerek ek örnekler oluşturup eğitim örneklerinin aralığını ve sayısını yapay olarak artırma. Örneğin, resimlerin özelliklerinizden biri olduğunu ancak veri kümenizde modelin faydalı ilişkilendirmeler öğrenmesi için yeterli resim örneği olmadığını varsayalım. İdeal olarak, modelinizin düzgün şekilde eğitilmesini sağlamak için veri kümenize yeterli sayıda etiketli görüntü eklemeniz gerekir. Bu mümkün değilse veri artırma, orijinal resmin birçok varyantını oluşturmak için her resmi döndürebilir, uzatabilir ve yansıtabilir. Bu da mükemmel eğitim için yeterli etiketli veri sağlayabilir.

DataFrame

Bellekteki veri kümelerini temsil etmek için kullanılan popüler bir pandas veri türü.

DataFrame, tabloya veya e-tabloya benzer. DataFrame'in her sütununun bir adı (başlık) vardır ve her satır benzersiz bir sayıyla tanımlanır.

DataFrame'deki her sütun, her sütuna kendi veri türü atanabilmesi dışında 2 boyutlu bir dizi gibi yapılandırılır.

Ayrıca resmi pandas.DataFrame referans sayfasına da bakın.

veri paralelliği

Eğitimi veya çıkarımı ölçeklendirmenin bir yolu. Bu yöntemde, tüm model birden fazla cihaza kopyalanır ve giriş verilerinin bir alt kümesi her cihaza iletilir. Veri paralelliği, çok büyük toplu iş boyutlarında eğitim ve çıkarım yapılmasını sağlayabilir. Ancak veri paralelliği için modelin tüm cihazlara sığacak kadar küçük olması gerekir.

Veri paralelliği genellikle eğitimi ve çıkarımı hızlandırır.

Ayrıca model paralelliği konusuna da bakın.

Dataset API (tf.data)

Verileri okumak ve makine öğrenimi algoritmasının gerektirdiği bir forma dönüştürmek için üst düzey TensorFlow API'si. tf.data.Dataset nesnesi, her öğenin bir veya daha fazla Tensor içerdiği bir öğe dizisini temsil eder. tf.data.Iterator nesnesi, Dataset öğelerine erişim sağlar.

veri kümesi veya veri seti

Genellikle (ancak yalnızca değil) aşağıdaki biçimlerden birinde düzenlenen bir ham veri koleksiyonu:

• bir e-tablo
• CSV (virgülle ayrılmış değerler) biçiminde bir dosya

karar sınırı

İkili sınıf veya çok sınıflı sınıflandırma problemlerinde bir model tarafından öğrenilen sınıflar arasındaki ayırıcı. Örneğin, ikili sınıflandırma sorununu temsil eden aşağıdaki resimde karar sınırı, turuncu sınıf ile mavi sınıf arasındaki sınırdır:

karar ormanı

Birden fazla karar ağacından oluşturulan bir model. Karar ormanı, karar ağaçlarının tahminlerini toplayarak tahmin yapar. Popüler karar ormanı türleri arasında rastgele ormanlar ve gradyan artırılmış ağaçlar yer alır.

Daha fazla bilgi için Karar Ormanları kursundaki Karar Ormanları bölümüne bakın.

karar eşiği

Sınıflandırma eşiği ile eş anlamlıdır.

karar ağacı

Hiyerarşik olarak düzenlenmiş bir dizi koşul ve yapraklardan oluşan bir denetimli öğrenme modeli. Örneğin, aşağıda bir karar ağacı verilmiştir:

kod çözücü

Genel olarak, işlenmiş, yoğun veya dahili bir temsilden daha ham, seyrek veya harici bir temsile dönüştüren tüm makine öğrenimi sistemleri.

Kod çözücüler genellikle daha büyük bir modelin bileşenidir ve sıklıkla kodlayıcı ile birlikte kullanılır.

Diziden diziye görevlerde, kod çözücü bir sonraki diziyi tahmin etmek için kodlayıcı tarafından oluşturulan dahili durumla başlar.

Dönüştürücü mimarisindeki kod çözücünün tanımı için Dönüştürücü'ye bakın.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Büyük dil modelleri bölümüne bakın.

deep model

Birden fazla gizli katman içeren bir nöral ağ.

Derin model, derin nöral ağ olarak da adlandırılır.

Geniş model ile karşılaştırın.

derin sinir ağı : derin nöral ağ

Derin model ile eş anlamlıdır.

Deep Q-Network (DQN)

Q-learning'de, Q işlevlerini tahmin eden derin bir sinir ağı.

Critic, Deep Q-Network ile eş anlamlıdır.

demografik eşitlik

Bir modelin sınıflandırma sonuçları belirli bir hassas özelliğe bağlı değilse karşılanan adalet metriği.

Örneğin, hem Lilliputlular hem de Brobdingnaglılar Glubbdubdrib Üniversitesi'ne başvuruyorsa bir grubun ortalama olarak diğerinden daha nitelikli olup olmadığına bakılmaksızın, kabul edilen Lilliputluların yüzdesi ile kabul edilen Brobdingnaglıların yüzdesi aynı olduğunda demografik eşitlik sağlanır.

Eşitlenmiş olasılıklar ve fırsat eşitliği ile karşılaştırıldığında, gerçek etiketler için sınıflandırma sonuçlarının hassas özelliklere bağlı olmasına izin vermezken toplu olarak sınıflandırma sonuçlarının hassas özelliklere bağlı olmasına izin verir. Demografik eşitlik için optimizasyon yaparken yapılan fedakarlıkları inceleyen bir görselleştirme için "Daha akıllı makine öğrenimiyle ayrımcılığa karşı mücadele etme" başlıklı makaleye bakın.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Adalet: demografik eşitlik bölümüne bakın.

gürültü azaltma

Kendi kendine denetimli öğrenme için yaygın bir yaklaşım. Bu yaklaşımda:

1. Veri kümesine yapay olarak gürültü eklenir.
2. Model, gürültüyü kaldırmaya çalışır.

Gürültü giderme, etiketlenmemiş örneklerden öğrenmeyi sağlar. Orijinal veri kümesi hedef veya etiket, gürültülü veriler ise giriş olarak kullanılır.

Bazı maskelenmiş dil modelleri, gürültü giderme işlemini aşağıdaki gibi kullanır:

1. Belirli belirteçler maskelenerek etiketlenmemiş bir cümleye yapay olarak gürültü eklenir.
2. Model, orijinal jetonları tahmin etmeye çalışır.

yoğun özellik

Çoğu veya tüm değerlerin sıfır olmadığı bir özellik. Genellikle kayan nokta değerlerinden oluşan bir tensördür. Örneğin, aşağıdaki 10 öğeli tensör, değerlerinin 9'u sıfır olmayan değerler olduğundan yoğundur:

Seyrek özellik ile karşılaştırma.

yoğun katman

Tamamen bağlı katman ile eş anlamlıdır.

derinlik

Nöral ağda aşağıdakilerin toplamı:

• Gizli katmanların sayısı
• Genellikle 1 olan çıkış katmanlarının sayısı
• herhangi bir yerleştirme katmanının sayısı

Örneğin, beş gizli katmanı ve bir çıkış katmanı olan bir nöral ağın derinliği 6'dır.

Giriş katmanının derinliği etkilemediğini unutmayın.

Derinlemesine ayrılabilir evrişimli nöral ağ (sepCNN)

Evrişimli sinir ağı Inception'a dayalı bir mimari ancak Inception modüllerinin derinlemesine ayrılabilir evrişimlerle değiştirildiği bir mimari. Xception olarak da bilinir.

Derinliğe göre ayrılabilir evrişim (ayrılabilir evrişim olarak da kısaltılır), standart bir 3D evrişimi, hesaplama açısından daha verimli olan iki ayrı evrişim işlemine ayırır: İlk olarak, derinliği 1 olan (n ✕ n ✕ 1) derinliğe göre evrişim ve ardından uzunluğu ve genişliği 1 olan (1 ✕ 1 ✕ n) noktasal evrişim.

Daha fazla bilgi için Xception: Deep Learning with Depthwise Separable Convolutions başlıklı makaleyi inceleyin.

türetilmiş etiket

Proxy etiketi ile eş anlamlıdır.

cihaz

Aşağıdaki iki olası tanıma sahip, aşırı yüklenmiş bir terim:

1. CPU'lar, GPU'lar ve TPU'lar dahil olmak üzere TensorFlow oturumu çalıştırabilen bir donanım kategorisi.
2. Hızlandırıcı çipleri (GPU'lar veya TPU'lar) üzerinde bir makine öğrenimi modeli eğitilirken sistemin tensörleri ve gömümleri gerçekten işleyen kısmı. Cihaz, hızlandırıcı çipleriyle çalışır. Buna karşılık, ana makine genellikle CPU üzerinde çalışır.

diferansiyel gizlilik

Makine öğreniminde, bir modelin eğitim kümesinde yer alan hassas verilerin (ör. bir bireyin kişisel bilgileri) açığa çıkmasını önlemek için kullanılan anonimleştirme yaklaşımı. Bu yaklaşım, modelin belirli bir kişi hakkında fazla bilgi öğrenmemesini veya hatırlamamasını sağlar. Bu, model eğitimi sırasında örnekleme ve gürültü ekleme yoluyla gerçekleştirilir. Böylece, hassas eğitim verilerinin açığa çıkma riski azaltılırken bireysel veri noktaları gizlenir.

Diferansiyel gizlilik, makine öğrenimi dışında da kullanılır. Örneğin, veri bilimciler bazen farklı demografik gruplar için ürün kullanım istatistiklerini hesaplarken bireysel gizliliği korumak için diferansiyel gizlilikten yararlanır.

boyut indirgeme

Bir özellik vektöründe belirli bir özelliği temsil etmek için kullanılan boyut sayısını azaltma (genellikle yerleştirme vektörüne dönüştürerek).

boyutlar

Aşağıdaki tanımlardan herhangi birine sahip olan aşırı yüklenmiş terim:

• Tensor içindeki koordinat seviyesi sayısı. Örneğin:

  • Skalerin boyutu sıfırdır. Örneğin, ["Hello"].
  • Vektörler tek boyutludur. Örneğin, [3, 5, 7, 11].
  • Matrisin iki boyutu vardır. Örneğin, [[2, 4, 18], [5, 7, 14]]. Tek boyutlu bir vektördeki belirli bir hücreyi tek bir koordinatla benzersiz şekilde belirtebilirsiniz. İki boyutlu bir matristeki belirli bir hücreyi benzersiz şekilde belirtmek için iki koordinata ihtiyacınız vardır.

• Özellik vektöründeki girişlerin sayısı.

• Yerleştirme katmanındaki öğelerin sayısı.

doğrudan istem

Sıfır görevli istem ile eş anlamlıdır.

ayrı özellik

Sınırlı sayıda olası değere sahip bir özellik. Örneğin, değerleri yalnızca hayvan, sebze veya mineral olabilen bir özellik, ayrı (veya kategorik) bir özelliktir.

Sürekli özellik ile karşılaştırma

ayırt edici model

Bir veya daha fazla özellik kümesinden etiketleri tahmin eden bir model. Daha resmi bir şekilde, ayırt edici modeller, özellikler ve ağırlıklar verildiğinde bir çıktının koşullu olasılığını tanımlar. Yani:

p(output | features, weights)

Örneğin, bir e-postanın spam olup olmadığını özelliklere ve ağırlıklara göre tahmin eden bir model, ayırt edici bir modeldir.

Sınıflandırma ve regresyon modelleri de dahil olmak üzere gözetimli öğrenme modellerinin büyük çoğunluğu ayırt edici modellerdir.

Üretken model ile karşılaştırma

ayrıştırıcı

Örneklerin gerçek mi yoksa sahte mi olduğunu belirleyen bir sistem.

Alternatif olarak, üretken karşıt ağ içindeki, üretici tarafından oluşturulan örneklerin gerçek mi yoksa sahte mi olduğunu belirleyen alt sistem.

Daha fazla bilgi için GAN kursundaki Ayırt edici bölümüne bakın.

farklı etki

Farklı nüfus alt gruplarını orantısız bir şekilde etkileyen kararlar verme Bu durum genellikle algoritmik karar verme sürecinin bazı alt gruplara diğerlerinden daha fazla zarar verdiği veya fayda sağladığı durumları ifade eder.

Örneğin, bir Lilliputlu'nun minyatür ev kredisine uygunluğunu belirleyen bir algoritmanın, posta adresi belirli bir posta kodunu içeriyorsa bu kişiyi "uygun değil" olarak sınıflandırma olasılığı daha yüksektir. Big-Endian Lilliputians'ın, Little-Endian Lilliputians'a kıyasla bu posta koduna sahip posta adreslerinin olma olasılığı daha yüksekse bu algoritma, farklı bir etkiye neden olabilir.

Alt grup özelliklerinin algoritmik karar verme sürecinde açıkça girdi olarak kullanılması sonucunda ortaya çıkan farklılıkları ele alan farklı muamele ile karşılaştırın.

farklı muamele

Deneklerin hassas özelliklerini, farklı insan alt gruplarının farklı şekilde ele alınacağı şekilde algoritmik bir karar alma sürecine dahil etmek.

Örneğin, Lilliputluların kredi başvurularında sağladıkları verilere göre minyatür ev kredisine uygunluğunu belirleyen bir algoritmayı ele alalım. Algoritma, bir Lilliputian'ın bağlılığını Big-Endian veya Little-Endian olarak girdi olarak kullanıyorsa bu boyut boyunca farklı muamele uygulanıyor demektir.

Farklı etki ile karşılaştırıldığında, bu kavram, alt grupların modele giriş olup olmadığına bakılmaksızın, algoritmik kararların toplumsal etkilerindeki farklılıklara odaklanır.

damıtma

Bir modelin (öğretmen olarak bilinir) boyutunu, orijinal modelin tahminlerini mümkün olduğunca aslına uygun şekilde taklit eden daha küçük bir modele (öğrenci olarak bilinir) düşürme süreci. Küçük modelin büyük modele (öğretmen) kıyasla iki temel avantajı olduğundan Distilasyon faydalıdır:

• Daha hızlı çıkarım süresi
• Daha az bellek ve enerji kullanımı

Ancak öğrencinin tahminleri genellikle öğretmenin tahminleri kadar iyi değildir.

Distilasyon, öğrenci modelini eğiterek öğrenci ve öğretmen modellerinin tahminlerinin çıkışları arasındaki farka dayalı bir kayıp fonksiyonunu en aza indirir.

Damıtma işlemini aşağıdaki terimlerle karşılaştırın ve aralarındaki farkları belirtin:

• ince ayar
• istem tabanlı öğrenme

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki LLM'ler: İnce ayar, damıtma ve istem mühendisliği başlıklı makaleyi inceleyin.

distribution

Belirli bir özellik veya etiket için farklı değerlerin sıklığı ve aralığı. Dağılım, belirli bir değerin olasılığını gösterir.

Aşağıdaki resimde iki farklı dağılımın histogramları gösterilmektedir:

• Solda, zenginliğin güç yasası dağılımı ile bu zenginliğe sahip olan kişi sayısı gösterilmektedir.
• Sağda, yüksekliğin bu yüksekliğe sahip kişi sayısına göre normal dağılımı.

Her özelliğin ve etiketin dağıtımını anlamak, değerleri nasıl normalleştireceğinizi ve aykırı değerleri nasıl tespit edeceğinizi belirlemenize yardımcı olabilir.

Dağıtım dışı ifadesi, veri kümesinde görünmeyen veya çok nadir olan bir değeri ifade eder. Örneğin, Satürn gezegeninin resmi, kedi resimlerinden oluşan bir veri kümesi için dağıtım dışı olarak kabul edilir.

bölücü kümeleme

Hiyerarşik kümeleme konusuna bakın.

örnekleme azaltma

Aşağıdaki anlamlardan birini ifade edebilen, aşırı yüklenmiş terim:

• Bir modeli daha verimli bir şekilde eğitmek için özellikteki bilgi miktarını azaltma. Örneğin, bir görüntü tanıma modelini eğitmeden önce yüksek çözünürlüklü görüntüleri daha düşük çözünürlüklü bir biçime küçültmek.
• Model eğitimini az temsil edilen sınıflarda iyileştirmek için, aşırı temsil edilen sınıf örneklerinin orantısız şekilde düşük bir yüzdesiyle eğitim. Örneğin, sınıf dengesizliği olan bir veri kümesinde modeller, çoğunluk sınıfı hakkında çok şey öğrenirken azınlık sınıfı hakkında yeterince bilgi edinmez. Alt örnekleme, çoğunluk ve azınlık sınıflarındaki eğitim miktarını dengelemeye yardımcı olur.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Veri Kümeleri: Dengesiz veri kümeleri bölümüne bakın.

DQN

Deep Q-Network'ün kısaltmasıdır.

dropout normalleştirme

Nöral ağların eğitiminde faydalı olan bir düzenlileştirme biçimi. Durdurma düzenlileştirme, tek bir gradyan adımı için bir ağ katmanındaki birimlerin sabit sayıda rastgele seçimini kaldırır. Bırakılan birim sayısı ne kadar fazlaysa düzenlileştirme o kadar güçlü olur. Bu, ağı, küçük ağlardan oluşan üstel olarak büyük bir topluluğu taklit edecek şekilde eğitmeye benzer. Ayrıntılı bilgi için Dropout: A Simple Way to Prevent Neural Networks from Overfitting (Dropout: Sinir Ağlarının Aşırı Uyumunu Önlemenin Basit Bir Yolu) başlıklı makaleyi inceleyin.

dinamik

Sık sık veya sürekli olarak yapılan bir şey. Dinamik ve online terimleri, makine öğreniminde eş anlamlıdır. Aşağıda, makine öğreniminde dinamik ve çevrimiçi terimlerinin yaygın kullanım alanları verilmiştir:

• Dinamik model (veya online model), sık sık ya da sürekli olarak yeniden eğitilen bir modeldir.
• Dinamik eğitim (veya online eğitim), sık sık ya da sürekli olarak eğitim verme sürecidir.
• Dinamik çıkarım (veya online çıkarım), isteğe bağlı olarak tahmin oluşturma işlemidir.

dinamik model

Sık sık (hatta sürekli) yeniden eğitilen bir model. Dinamik model, sürekli olarak gelişen verilere uyum sağlayan bir "hayat boyu öğrenen"dir. Dinamik model, online model olarak da bilinir.

Statik model ile karşılaştırma

E

anında yürütme

İşlemlerin hemen yürütüldüğü bir TensorFlow programlama ortamı. Buna karşılık, grafik yürütme sırasında çağrılan işlemler, açıkça değerlendirilene kadar çalıştırılmaz. İsteksiz yürütme, çoğu programlama dilindeki kod gibi bir zorunlu arayüzdür. Eager execution programlarının hata ayıklaması, genellikle grafik yürütme programlarına göre çok daha kolaydır.

erken durdurma

Eğitim kaybı azalmayı bitirmeden eğitimi sonlandırmayı içeren bir düzenlileştirme yöntemidir. Erken durdurmada, doğrulama veri kümesindeki kayıp artmaya başladığında (yani genelleme performansı kötüleştiğinde) modeli eğitme işlemini kasıtlı olarak durdurursunuz.

Erken çıkış ile karşılaştırın.

toprak taşıma makinesinin mesafesi (EMD)

İki dağıtımın göreli benzerliğinin ölçüsü. Toprak taşıma aracının mesafesi ne kadar düşükse dağıtımlar o kadar benzerdir.

düzenleme mesafesi

İki metin dizesinin birbirine ne kadar benzediğinin ölçüsü. Makine öğreniminde düzenleme mesafesi şu nedenlerle faydalıdır:

• Düzenleme mesafesini hesaplamak kolaydır.
• Düzenleme mesafesi, birbirine benzer olduğu bilinen iki dizeyi karşılaştırabilir.
• Düzenleme mesafesi, farklı dizelerin belirli bir dizeye ne kadar benzediğini belirleyebilir.

Düzenleme mesafesinin, her biri farklı dize işlemleri kullanan çeşitli tanımları vardır. Örnek için Levenshtein mesafesi başlıklı makaleyi inceleyin.

Einsum notasyonu

İki tensörün nasıl birleştirileceğini açıklayan etkili bir gösterim. Tensörler, bir tensörün öğeleri diğer tensörün öğeleriyle çarpılıp çarpımlar toplanarak birleştirilir. Einsum gösterimi, her tensörün eksenlerini tanımlamak için semboller kullanır. Bu semboller, yeni sonuç tensörünün şeklini belirtmek için yeniden düzenlenir.

NumPy, ortak bir Einsum uygulaması sağlar.

yerleştirme katmanı

Yüksek boyutlu kategorik bir özellik üzerinde eğitim alarak düşük boyutlu bir yerleştirme vektörünü kademeli olarak öğrenen özel bir gizli katman. Yerleştirme katmanı, bir nöral ağın yalnızca yüksek boyutlu kategorik özellik üzerinde eğitim yapmaya kıyasla çok daha verimli bir şekilde eğitilmesini sağlar.

Örneğin, Earth şu anda yaklaşık 73.000 ağaç türünü desteklemektedir. Ağaç türünün modelinizde bir özellik olduğunu varsayalım. Bu durumda modelinizin giriş katmanı, 73.000 öğe uzunluğunda bir tek sıcaklık vektörü içerir. Örneğin, baobab sembolü şu şekilde gösterilebilir:

73.000 öğelik bir dizi çok uzundur. Modele yerleştirme katmanı eklemezseniz 72.999 sıfırın çarpılması nedeniyle eğitim çok zaman alır. Örneğin, yerleştirme katmanının 12 boyuttan oluşmasını seçebilirsiniz. Sonuç olarak, yerleştirme katmanı her ağaç türü için kademeli olarak yeni bir yerleştirme vektörü öğrenir.

Belirli durumlarda karma oluşturma, yerleştirme katmanına makul bir alternatiftir.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Yerleştirme bölümüne bakın.

yerleştirme alanı

D boyutlu vektör uzayı, daha yüksek boyutlu bir vektör uzayındaki özelliklerin eşlendiği yerdir. Yerleştirme alanı, amaçlanan uygulama için anlamlı olan yapıyı yakalamak üzere eğitilir.

İki yerleştirmenin iç çarpımı, benzerliklerinin bir ölçüsüdür.

yerleştirme vektörü

Genel olarak, herhangi bir gizli katmandan alınan ve bu gizli katmana yapılan girişleri açıklayan kayan noktalı sayılar dizisidir. Genellikle, yerleştirme vektörü, bir yerleştirme katmanında eğitilmiş kayan noktalı sayıların dizisidir. Örneğin, bir yerleştirme katmanının dünyadaki 73.000 ağaç türünün her biri için bir yerleştirme vektörü öğrenmesi gerektiğini varsayalım. Aşağıdaki dizi, baobap ağacı için yerleştirme vektörü olabilir:

Yerleştirme vektörü, bir grup rastgele sayı değildir. Bir yerleştirme katmanı, bu değerleri eğitim yoluyla belirler. Bu süreç, bir sinir ağının eğitim sırasında diğer ağırlıkları öğrenmesine benzer. Dizinin her öğesi, bir ağaç türünün belirli bir özelliğiyle ilgili derecelendirmedir. Hangi öğe hangi ağaç türünün özelliğini temsil ediyor? Bunu belirlemek insanlar için çok zordur.

Yerleştirme vektörünün matematiksel olarak dikkat çekici kısmı, benzer öğelerin benzer kayan noktalı sayı kümelerine sahip olmasıdır. Örneğin, benzer ağaç türleri, benzemeyen ağaç türlerine kıyasla daha benzer bir kayan nokta sayısı kümesine sahiptir. Sekoyalar ve mamut ağaçları birbirine yakın ağaç türleridir. Bu nedenle, sekoyalar ve hindistan cevizi ağaçlarına kıyasla daha benzer bir dizi kayan nokta sayısına sahiptirler. Modeli aynı girişle yeniden eğitmiş olsanız bile, yerleştirme vektöründeki sayılar modeli her yeniden eğittiğinizde değişir.

ampirik kümülatif dağılım işlevi (eCDF veya EDF)

Gerçek bir veri kümesinden alınan kümülatif dağılım fonksiyonu deneysel ölçümlere dayanır. Fonksiyonun x ekseni üzerindeki herhangi bir noktadaki değeri, veri kümesindeki gözlemlerin belirtilen değerden küçük veya bu değere eşit olan kısmıdır.

deneysel risk minimizasyonu (ERM)

Eğitim kümesinde kaybı en aza indiren işlevi seçme Yapısal risk minimizasyonu ile karşılaştırın.

kodlayıcı

Genel olarak, ham, seyrek veya harici bir gösterimden daha işlenmiş, daha yoğun veya daha dahili bir gösterime dönüştüren tüm makine öğrenimi sistemleri.

Kodlayıcılar genellikle daha büyük bir modelin bileşenidir ve sıklıkla kod çözücü ile birlikte kullanılır. Bazı Transformer modellerinde kodlayıcılar ve kod çözücüler birlikte kullanılır. Diğer Transformer modellerinde ise yalnızca kodlayıcı veya yalnızca kod çözücü kullanılır.

Bazı sistemler, kodlayıcının çıkışını sınıflandırma veya regresyon ağının girişi olarak kullanır.

Diziden diziye görevlerde, kodlayıcı bir giriş dizisi alır ve dahili bir durum (vektör) döndürür. Ardından, kod çözücü, sonraki diziyi tahmin etmek için bu dahili durumu kullanır.

Dönüştürücü mimarisinde kodlayıcının tanımı için Dönüştürücü konusuna bakın.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki LLM'ler: Büyük dil modeli nedir? başlıklı makaleyi inceleyin.

endpoints

Bir hizmete erişilebilen, ağ üzerinde adreslenebilir bir konum (genellikle bir URL).

ensemble

Tahminleri ortalanan veya toplanan, bağımsız olarak eğitilmiş modeller koleksiyonu. Çoğu durumda, bir topluluk tek bir modele kıyasla daha iyi tahminler üretir. Örneğin, rastgele orman, birden fazla karar ağacından oluşturulan bir topluluktur. Tüm karar ormanlarının topluluk olmadığını unutmayın.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Rastgele Orman bölümüne bakın.

entropi

Bilgi teorisinde, bir olasılık dağılımının ne kadar tahmin edilemez olduğunun açıklamasıdır. Alternatif olarak entropi, her bir örneğin ne kadar bilgi içerdiği şeklinde de tanımlanır. Bir dağılım, rastgele değişkenin tüm değerleri eşit olasılıklı olduğunda mümkün olan en yüksek entropiye sahiptir.

"0" ve "1" olmak üzere iki olası değere sahip bir kümenin entropisi (örneğin, ikili sınıflandırma problemindeki etiketler) aşağıdaki formüle sahiptir:

  H = -p log p - q log q = -p log p - (1-p) * log (1-p)

Bu örnekte:

• H, entropidir.
• p, "1" örneklerinin kesridir.
• q, "0" örneklerinin kesridir. q = (1 - p) olduğunu unutmayın.
• log genellikle log₂'dir. Bu durumda, entropi birimi bit'tir.

Örneğin, aşağıdakileri varsayalım:

• 100 örnekte "1" değeri var.
• 300 örnekte "0" değeri var

Bu nedenle, entropi değeri şöyledir:

• p = 0,25
• q = 0,75
• H = (-0,25)log₂(0,25) - (0,75)log₂(0,75) = örnek başına 0,81 bit

Mükemmel dengelenmiş bir küme (örneğin, 200 "0" ve 200 "1") örneği başına 1,0 bit entropiye sahip olur. Bir küme dengesizleştiğinde entropisi 0, 0'a doğru hareket eder.

Karar ağaçlarında entropi, bölücünün sınıflandırma karar ağacının büyümesi sırasında koşulları seçmesine yardımcı olmak için bilgi kazancını formüle etmeye yardımcı olur.

Entropiyi şunlarla karşılaştırın:

• gini impurity
• Çapraz entropi kayıp fonksiyonu

Entropiye genellikle Shannon entropisi denir.

Daha fazla bilgi için Karar Ormanları kursundaki Sayısal özelliklerle ikili sınıflandırma için tam ayırıcı başlıklı makaleyi inceleyin.

ortam

Pekiştirmeli öğrenmede, aracıyı içeren ve aracının bu dünyanın durumunu gözlemlemesine olanak tanıyan dünya. Örneğin, temsil edilen dünya satranç gibi bir oyun veya labirent gibi fiziksel bir dünya olabilir. Aracı, ortama bir işlem uyguladığında ortam durumlar arasında geçiş yapar.

bölüm

Pekiştirici öğrenmede, aracının bir ortamı öğrenmek için yaptığı her tekrarlı deneme.

sıfır zaman

Her bir örneğin bir kez işlendiği, eğitim kümesinin tamamı üzerinde yapılan tam bir eğitim geçişi.

Bir dönem, N/toplu iş boyutu eğitim iterasyonunu ifade eder. Burada N, toplam örnek sayısıdır.

Örneğin, aşağıdakileri varsayalım:

• Veri kümesi 1.000 örnekten oluşur.
• Toplu iş boyutu 50 örnektir.

Bu nedenle, tek bir dönem için 20 yineleme gerekir:

1 epoch = (N/batch size) = (1,000 / 50) = 20 iterations

Daha fazla bilgi için Makine Öğrenimine Hızlı Bakış Kursu'ndaki Doğrusal regresyon: Hiperparametreler bölümüne bakın.

epsilon greedy politikası

Pekiştirici öğrenmede, epsilon olasılığıyla rastgele bir politikayı veya aksi takdirde açgözlü bir politikayı izleyen bir politika. Örneğin, epsilon 0,9 ise politika% 90 oranında rastgele bir politikayı, %10 oranında ise açgözlü bir politikayı izler.

Algoritma, rastgele bir politikayı izlemekten açgözlü bir politikayı izlemeye geçmek için epsilon'un değerini sonraki bölümlerde azaltır. Politikayı değiştirerek temsilci önce ortamı rastgele keşfeder, ardından rastgele keşfin sonuçlarından yararlanır.

fırsat eşitliği

Bir modelin, hassas özelliğin tüm değerleri için istenen sonucu eşit derecede iyi tahmin edip etmediğini değerlendirmek için kullanılan bir adalet metriği. Diğer bir deyişle, bir model için istenen sonuç pozitif sınıf ise amaç, gerçek pozitif oranının tüm gruplar için aynı olmasını sağlamaktır.

Fırsat eşitliği, eşitlenmiş olasılıklar ile ilgilidir. Bu da tüm gruplar için hem doğru pozitif oranlarının hem de yanlış pozitif oranlarının aynı olmasını gerektirir.

Glubbdubdrib Üniversitesi'nin hem Lilliputluları hem de Brobdingnaglıları zorlu bir matematik programına kabul ettiğini varsayalım. Lilliputluların ortaokullarında matematik derslerinden oluşan kapsamlı bir müfredat uygulanır ve öğrencilerin büyük çoğunluğu üniversite programına katılmaya hak kazanır. Brobdingnaglıların ortaokullarında matematik dersleri verilmez ve sonuç olarak, öğrencilerin çok daha azı yeterli bilgiye sahiptir. Nitelikli öğrenciler, Lilliputlu veya Brobdingnaglı olmalarına bakılmaksızın eşit olasılıkla kabul ediliyorsa milliyet (Lilliputlu veya Brobdingnaglı) açısından "kabul edildi" tercih edilen etiketi için fırsat eşitliği sağlanmış olur.

Örneğin, Glubbdubdrib Üniversitesi'ne 100 Lilliputlu ve 100 Brobdingnaglı başvurduğunu ve kabul kararlarının aşağıdaki gibi verildiğini varsayalım:

Tablo 1. Lilliputian başvuru sahipleri (%90'ı nitelikli)

Tablo 2. Brobdingnagian başvuru sahipleri (%10'u uygun):

Yukarıdaki örneklerde, hem Lilliput hem de Brobdingnag'dan nitelikli öğrencilerin kabul edilme şansı% 50 olduğundan nitelikli öğrencilerin kabulü için fırsat eşitliği sağlanmaktadır.

Fırsat eşitliği karşılanırken aşağıdaki iki adalet metriği karşılanmaz:

• Demografik eşitlik: Lilliputlular ve Brobdingnaglılar üniversiteye farklı oranlarda kabul ediliyor. Lilliputlu öğrencilerin% 48'i kabul edilirken Brobdingnaglı öğrencilerin yalnızca% 14'ü kabul ediliyor.
• Eşit şans: Hem nitelikli Lilliput hem de Brobdingnag öğrencileri kabul edilme konusunda eşit şansa sahip olsa da niteliksiz Lilliput ve Brobdingnag öğrencilerinin reddedilme konusunda eşit şansa sahip olması ek kısıtlaması karşılanmaz. Uygun olmayan Lilliputluların reddedilme oranı% 70, uygun olmayan Brobdingnaglıların reddedilme oranı ise% 90'dır.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Adalet: Fırsat eşitliği bölümüne bakın.

eşitlenmiş oranlar

Bir modelin, hassas özelliğin tüm değerleri için sonuçları eşit derecede iyi tahmin edip etmediğini değerlendirmek amacıyla kullanılan bir adalet metriği. Bu metrik, yalnızca bir sınıfı veya diğerini değil, hem pozitif sınıfı hem de negatif sınıfı dikkate alır. Başka bir deyişle, tüm gruplar için hem gerçek pozitif oranı hem de yanlış negatif oranı aynı olmalıdır.

Eşitlenmiş olasılık, yalnızca tek bir sınıfın (pozitif veya negatif) hata oranlarına odaklanan fırsat eşitliği ile ilgilidir.

Örneğin, Glubbdubdrib Üniversitesi'nin hem Lilliputluları hem de Brobdingnaglıları zorlu bir matematik programına kabul ettiğini varsayalım. Lilliputluların ortaokullarında matematik derslerinden oluşan kapsamlı bir müfredat uygulanır ve öğrencilerin büyük çoğunluğu üniversite programına katılmaya hak kazanır. Brobdingnaglıların ortaokullarında matematik dersleri verilmez ve sonuç olarak, öğrencilerinin çok daha azı yeterli niteliklere sahiptir. Başvuru sahibinin Lilliputian veya Brobdingnagian olması fark etmeksizin, nitelikli olması durumunda programa kabul edilme olasılığı eşit, nitelikli olmaması durumunda ise reddedilme olasılığı eşit olduğu sürece eşitlenmiş olasılık koşulu karşılanmış olur.

Glubbdubdrib Üniversitesi'ne 100 Lilliputlu ve 100 Brobdingnaglı başvurduğunu ve kabul kararlarının aşağıdaki şekilde verildiğini varsayalım:

Tablo 3. Lilliputian başvuru sahipleri (%90'ı nitelikli)

Tablo 4. Brobdingnagian başvuru sahipleri (%10'u uygun):

Uygun olan Lilliput ve Brobdingnag öğrencilerin kabul edilme şansı% 50, uygun olmayanların ise reddedilme şansı% 80 olduğundan eşit fırsat koşulu karşılanmaktadır.

Eşitlenmiş olasılık, "Equality of Opportunity in Supervised Learning" (Denetimli Öğrenmede Fırsat Eşitliği) adlı makalede şu şekilde tanımlanır: "Ŷ ve A, Y'ye bağlı olarak bağımsızsa tahmin edici Ŷ, korumalı özellik A ve sonuç Y ile ilgili olarak eşitlenmiş olasılığı karşılar."

Estimator

Kullanımdan kaldırılmış bir TensorFlow API'si. Tahmin Ediciler yerine tf.keras'ı kullanın.

evals

Öncelikli olarak LLM değerlendirmeleri için kısaltma olarak kullanılır. Daha geniş bir ifadeyle evals, herhangi bir değerlendirme biçiminin kısaltmasıdır.

değerlendirme

Bir modelin kalitesini ölçme veya farklı modelleri birbiriyle karşılaştırma süreci.

Gözetimli makine öğrenimi modelini değerlendirmek için genellikle doğrulama kümesi ve test kümesi ile karşılaştırırsınız. LLM'leri değerlendirme genellikle daha kapsamlı kalite ve güvenlik değerlendirmelerini içerir.

örnek

Özellikler satırının değerleri ve muhtemelen bir etiket. Gözetimli öğrenme kapsamındaki örnekler iki genel kategoriye ayrılır:

• Etiketli örnek, bir veya daha fazla özellik ve bir etiketten oluşur. Eğitim sırasında etiketli örnekler kullanılır.
• Etiketsiz örnek, bir veya daha fazla özellikten oluşur ancak etiketi yoktur. Çıkarım sırasında etiketlenmemiş örnekler kullanılır.

Örneğin, hava koşullarının öğrencilerin test puanları üzerindeki etkisini belirlemek için bir model eğittiğinizi varsayalım. Aşağıda etiketlenmiş üç örnek verilmiştir:

Etiketlenmemiş üç örneği aşağıda bulabilirsiniz:

Veri kümesinin satırı genellikle bir örneğin ham kaynağıdır. Yani bir örnek genellikle veri kümesindeki sütunların bir alt kümesinden oluşur. Ayrıca, bir örnekteki özellikler özellik çarpımları gibi sentezlenmiş özellikleri de içerebilir.

Daha fazla bilgi için Makine Öğrenimine Giriş kursundaki Denetimli Öğrenme bölümüne bakın.

deneyimi tekrar oynatma

Pekiştirmeli öğrenmede, eğitim verilerindeki zamansal korelasyonları azaltmak için kullanılan bir DQN tekniği. Aracı, durum geçişlerini tekrar oynatma arabelleğinde depolar ve ardından eğitim verileri oluşturmak için tekrar oynatma arabelleğindeki geçişleri örnekler.

deneycinin yanlılığı

Doğrulama önyargısı başlıklı makaleyi inceleyin.

patlayan gradyan sorunu

Derin nöral ağlardaki (özellikle tekrarlayan nöral ağlar) gradyanların şaşırtıcı derecede dik (yüksek) olma eğilimi. Dik gradyanlar genellikle derin bir nöral ağdaki her bir düğümün ağırlıklarında çok büyük güncellemelere neden olur.

Patlayan gradyan sorunundan etkilenen modellerin eğitilmesi zorlaşır veya imkansız hale gelir. Gradyan kırpma bu sorunu azaltabilir.

Kaybolan gradyan sorunu ile karşılaştırın.

C

F₁

Hem hassasiyete hem de geri çağırmaya dayanan bir "toplama" ikili sınıflandırma metriği. Formül şu şekildedir:

doğruluk

Makine öğrenimi dünyasında, çıkışı gerçekliğe dayalı bir modeli tanımlayan özellik. Doğruluk, metrikten ziyade bir kavramdır. Örneğin, bir büyük dil modeline aşağıdaki istemi gönderdiğinizi varsayalım:

Sofra tuzunun kimyasal formülü nedir?

Doğruluğu optimize eden bir model şu yanıtı verir:

NaCl

Tüm modellerin doğruluğa dayanması gerektiği düşüncesi cazip gelebilir. Ancak aşağıdaki gibi bazı istemler, üretken yapay zeka modelinin doğruluğu yerine yaratıcılığı optimize etmesine neden olmalıdır.

Bir astronot ve tırtıl hakkında beşlik söyle.

Ortaya çıkan beşliklerin gerçeklere dayanması pek olası değildir.

Temellendirme ile karşılaştırma

adalet kısıtlaması

• Modelinizin çıkışını sonradan işleme.
• Adalet metriğini ihlal etme cezası eklemek için kayıp işlevini değiştirme.
• Doğrudan bir optimizasyon problemine matematiksel kısıtlama ekleme.

adalet metriği

Ölçülebilir bir "adalet" tanımı. Sık kullanılan bazı adalet metrikleri şunlardır:

• eşitlenmiş olasılıklar
• tahmini denklik
• karşıolgusal adalet (counterfactual fairness)
• demografik eşitlik

Birçok adalet metriği birbirini dışlar. Adalet metriklerinin uyumsuzluğu başlıklı makaleyi inceleyin.

yanlış negatif (FN)

Modelin negatif sınıfı yanlışlıkla tahmin ettiği bir örnek. Örneğin, model belirli bir e-posta iletisinin spam olmadığını (negatif sınıf) tahmin ediyor ancak bu e-posta iletisi aslında spam.

yanlış negatif oranı

Modelin yanlışlıkla negatif sınıfı tahmin ettiği gerçek pozitif örneklerin oranı. Aşağıdaki formül, yanlış negatif oranını hesaplar:

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Eşikler ve karmaşıklık matrisi bölümüne bakın.

yanlış pozitif (FP)

Modelin pozitif sınıfı yanlışlıkla tahmin ettiği bir örnek. Örneğin, model belirli bir e-posta iletisinin spam (pozitif sınıf) olduğunu tahmin ediyor ancak bu e-posta iletisi aslında spam değil.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Eşikler ve karmaşıklık matrisi bölümüne bakın.

Yanlış pozitif oranı (FPR)

Modelin pozitif sınıfı yanlışlıkla tahmin ettiği gerçek negatif örneklerin oranı. Aşağıdaki formül, yanlış pozitif oranını hesaplar:

Yanlış pozitif oranı, ROC eğrisindeki x eksenidir.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Sınıflandırma: ROC ve AUC başlıklı makaleyi inceleyin.

hızlı azalma

LLM'lerin performansını artırmaya yönelik bir eğitim tekniği. Hızlı azalma, eğitim sırasında öğrenme hızının hızla düşürülmesini ifade eder. Bu strateji, modelin eğitim verilerine aşırı uyum sağlamasını önlemeye yardımcı olur ve genelleştirmeyi iyileştirir.

özellik

Bir makine öğrenimi modelinin giriş değişkeni. Bir örnek bir veya daha fazla özellikten oluşur. Örneğin, hava koşullarının öğrencilerin sınav puanları üzerindeki etkisini belirlemek için bir model eğittiğinizi varsayalım. Aşağıdaki tabloda, her biri üç özellik ve bir etiket içeren üç örnek gösterilmektedir:

Etiketle kontrast.

Daha fazla bilgi için Makine Öğrenimine Giriş kursundaki Denetimli Öğrenme bölümüne bakın.

özellikler arası

Kategorik veya gruplandırılmış özelliklerin "çaprazlanmasıyla" oluşturulan bir sentez özellik.

Örneğin, sıcaklığı aşağıdaki dört gruptan birinde gösteren bir "hava durumu tahmini" modelini ele alalım:

• freezing
• chilly
• temperate
• warm

Ayrıca rüzgar hızını aşağıdaki üç gruptan birinde gösterir:

• still
• light
• windy

Özellikler arası geçiş olmadan doğrusal model, önceki yedi farklı paketin her birinde bağımsız olarak eğitilir. Bu nedenle model, örneğin, freezing üzerinde eğitilirken örneğin, windy üzerinde eğitimden bağımsızdır.

Alternatif olarak, sıcaklık ve rüzgar hızının çapraz özelliğini oluşturabilirsiniz. Bu yapay özellik aşağıdaki 12 olası değere sahip olacaktır:

• freezing-still
• freezing-light
• freezing-windy
• chilly-still
• chilly-light
• chilly-windy
• temperate-still
• temperate-light
• temperate-windy
• warm-still
• warm-light
• warm-windy

Özellik kesişimleri sayesinde model, freezing-windy günü ile freezing-still günü arasındaki ruh hali farklılıklarını öğrenebilir.

Her biri çok sayıda farklı pakete sahip iki özellikten yapay bir özellik oluşturursanız ortaya çıkan özellik kesişimi çok sayıda olası kombinasyona sahip olur. Örneğin, bir özellikte 1.000 grup, diğer özellikte ise 2.000 grup varsa ortaya çıkan özellik kesişiminde 2.000.000 grup bulunur.

Resmi olarak, çarpım bir Kartezyen çarpımıdır.

Özellik çarpımları çoğunlukla doğrusal modellerle kullanılır ve nöral ağlarla nadiren kullanılır.

Daha fazla bilgi için Categorical data: Feature crosses in Machine Learning Crash Course (Kategorik veriler: Makine Öğrenimi Hızlandırılmış Kursu'nda özellik kesişimleri) başlıklı makaleyi inceleyin.

özellik mühendisliği

Aşağıdaki adımları içeren bir süreç:

1. Bir modeli eğitirken hangi özelliklerin faydalı olabileceğini belirleme.
2. Veri kümesindeki ham verileri, bu özelliklerin etkili sürümlerine dönüştürme.

Örneğin, temperature özelliğinin faydalı olabileceğini belirleyebilirsiniz. Ardından, modelin farklı temperature aralıklarından neler öğrenebileceğini optimize etmek için gruplandırma ile denemeler yapabilirsiniz.

Özellik mühendisliğine bazen özellik çıkarma veya özellik oluşturma da denir.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Sayısal veriler: Bir model, özellik vektörlerini kullanarak verileri nasıl alır? başlıklı makaleyi inceleyin.

özellik çıkarma

Aşağıdaki tanımlardan birine sahip olan aşırı yüklenmiş terim:

• Başka bir modelde giriş olarak kullanılmak üzere gözetimsiz veya önceden eğitilmiş bir model tarafından hesaplanan ara özellik temsillerini (ör. sinir ağındaki gizli katman değerleri) alma.
• Özellik mühendisliği ile eş anlamlıdır.

özellik önem düzeyleri

Değişken önemleri ile eş anlamlıdır.

özellik grubu

Makine öğrenimi modelinizin üzerinde eğitildiği özellikler grubu. Örneğin, konut fiyatlarını tahmin eden bir model için basit bir özellik grubu; posta kodu, mülk boyutu ve mülk durumundan oluşabilir.

özellik spesifikasyonu

tf.Example protokol arabelleğinden özellik verilerini ayıklamak için gereken bilgileri açıklar. tf.Example protokol arabelleği yalnızca veriler için bir kapsayıcı olduğundan aşağıdakileri belirtmeniz gerekir:

• Ayıklanacak veriler (yani özelliklerin anahtarları)
• Veri türü (örneğin, float veya int)
• Uzunluk (sabit veya değişken)

özellik vektörü

Bir örneği oluşturan özellik değerleri dizisi. Özellik vektörü, eğitim ve çıkarım sırasında giriş olarak kullanılır. Örneğin, iki ayrı özelliği olan bir modelin özellik vektörü şu şekilde olabilir:

[0.92, 0.56]

Her örnek, özellik vektörü için farklı değerler sağlar. Bu nedenle, sonraki örneğin özellik vektörü şu şekilde olabilir:

[0.73, 0.49]

Özellik mühendisliği, özelliklerin özellik vektöründe nasıl temsil edileceğini belirler. Örneğin, beş olası değeri olan ikili bir kategorik özellik, one-hot kodlama ile temsil edilebilir. Bu durumda, belirli bir örnek için özellik vektörünün bölümü, aşağıdaki gibi dört sıfır ve üçüncü konumda tek bir 1,0'dan oluşur:

[0.0, 0.0, 1.0, 0.0, 0.0]

Başka bir örnek olarak, modelinizin üç özellikten oluştuğunu varsayalım:

• Tek sıcaklık kodlamasıyla temsil edilen beş olası değere sahip ikili kategorik özellik; örneğin: [0.0, 1.0, 0.0, 0.0, 0.0]
• One-hot kodlamayla gösterilen üç olası değere sahip başka bir ikili kategorik özellik; örneğin: [0.0, 0.0, 1.0]
• Kayan nokta özelliği; örneğin: 8.3.

Bu durumda, her örnek için özellik vektörü dokuz değerle temsil edilir. Yukarıdaki listedeki örnek değerler göz önüne alındığında, özellik vektörü şu şekilde olur:

0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Sayısal veriler: Bir model, özellik vektörlerini kullanarak verileri nasıl alır? başlıklı makaleyi inceleyin.

özellik çıkarma

Bir giriş kaynağından (ör. doküman veya video) özellikleri çıkarma ve bu özellikleri özellik vektörüne eşleme işlemi.

Bazı makine öğrenimi uzmanları, özellik oluşturmayı özellik mühendisliği veya özellik çıkarma ile eş anlamlı olarak kullanır.

birleşik öğrenim

Akıllı telefon gibi cihazlarda bulunan merkeziyetsiz örnekleri kullanarak makine öğrenimi modellerini eğiten dağıtılmış bir makine öğrenimi yaklaşımıdır. Birleşik öğrenimde, cihazların bir alt kümesi mevcut modeli merkezi bir koordinasyon sunucusundan indirir. Cihazlar, modelde iyileştirmeler yapmak için cihazlarda depolanan örnekleri kullanır. Ardından cihazlar, model iyileştirmelerini (eğitim örneklerini değil) koordine eden sunucuya yükler. Burada, iyileştirilmiş bir genel model elde etmek için diğer güncellemelerle birlikte toplanırlar. Toplama işleminden sonra, cihazlar tarafından hesaplanan model güncellemelerine artık gerek kalmaz ve bu güncellemeler atılabilir.

Eğitim örnekleri hiçbir zaman yüklenmediğinden birleşik öğrenim, odaklanmış veri toplama ve veri minimizasyonu gizlilik ilkelerine uyar.

Daha fazla bilgi için Birleşik Öğrenim karikatürüne (evet, karikatür) bakın.

geri bildirim döngüsü

Makine öğreniminde, bir modelin tahminlerinin aynı modelin veya başka bir modelin eğitim verilerini etkilediği durum. Örneğin, film öneren bir model, kullanıcıların gördüğü filmleri etkiler. Bu da sonraki film önerisi modellerini etkiler.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Üretim ML sistemleri: Sorulması gereken sorular bölümüne bakın.

ileri beslemeli nöral ağ (FFN)

Döngüsel veya yinelemeli bağlantıları olmayan bir sinir ağı. Örneğin, geleneksel derin nöral ağlar ileri beslemeli nöral ağlardır. Döngüsel olan yinelemeli nöral ağlarla karşılaştırın.

az örnekli öğrenme

Genellikle nesne sınıflandırması için kullanılan, yalnızca az sayıda eğitim örneğinden etkili sınıflandırma modelleri eğitmek üzere tasarlanmış bir makine öğrenimi yaklaşımı.

Tek görevli öğrenme ve sıfır görevli öğrenme bölümlerine de bakın.

az örnekli istem

Büyük dil modelinin nasıl yanıt vermesi gerektiğini gösteren birden fazla ("birkaç") örnek içeren bir istem. Örneğin, aşağıdaki uzun istemde, büyük bir dil modeline bir sorguyu nasıl yanıtlayacağını gösteren iki örnek yer alıyor.

Çok görevli istem genellikle sıfır görevli istem ve tek görevli istem yöntemlerine kıyasla daha iyi sonuçlar verir. Ancak çok görevli istem için daha uzun bir istem gerekir.

Çok görevli istem, istem tabanlı öğrenmeye uygulanan bir çok görevli öğrenme biçimidir.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki İstem mühendisliği bölümüne bakın.

Keman

İşlevlerin ve sınıfların değerlerini, müdahaleci kod veya altyapı olmadan ayarlayan, Python öncelikli bir yapılandırma kitaplığı. Pax ve diğer makine öğrenimi kod tabanlarında bu işlevler ve sınıflar modelleri ve eğitim hiper parametrelerini temsil eder.

Fiddle, makine öğrenimi kod tabanlarının genellikle şu şekilde bölündüğünü varsayar:

• Katmanları ve optimize edicileri tanımlayan kitaplık kodu.
• Kitaplıkları çağıran ve her şeyi birbirine bağlayan veri kümesi "yapıştırıcı" kodu.

Fiddle, yapıştırıcı kodun çağrı yapısını değerlendirilmemiş ve değiştirilebilir bir biçimde yakalar.

ince ayar

Parametrelerini belirli bir kullanım alanı için hassaslaştırmak amacıyla önceden eğitilmiş bir modelde gerçekleştirilen ikinci bir göreve özgü eğitim geçişi. Örneğin, bazı büyük dil modelleri için tam eğitim sırası şu şekildedir:

1. Ön eğitim: Büyük bir dil modelini, tüm İngilizce Wikipedia sayfaları gibi kapsamlı bir genel veri kümesi üzerinde eğitme.
2. İnce ayar: Önceden eğitilmiş modeli, tıbbi sorgulara yanıt verme gibi belirli bir görevi yerine getirecek şekilde eğitme. İnce ayar genellikle belirli bir göreve odaklanan yüzlerce veya binlerce örnek içerir.

Başka bir örnek olarak, büyük bir görüntü modelinin tam eğitim sırası şu şekildedir:

1. Ön eğitim: Wikimedia Commons'taki tüm resimler gibi geniş bir genel resim veri kümesi üzerinde büyük bir resim modelini eğitme.
2. İnce ayar: Önceden eğitilmiş modeli, belirli bir görevi (ör. orka görüntüleri oluşturma) yerine getirecek şekilde eğitme.

İnce ayar, aşağıdaki stratejilerin herhangi bir kombinasyonunu içerebilir:

• Önceden eğitilmiş modelin mevcut tüm parametrelerini değiştirme. Bu işleme bazen tam ince ayar da denir.
• Önceden eğitilmiş modelin mevcut parametrelerinin yalnızca bazılarını değiştirme (genellikle çıkış katmanına en yakın katmanlar) ve diğer mevcut parametreleri değiştirmeden bırakma (genellikle giriş katmanına en yakın katmanlar). Parametrelerin verimli kullanıldığı ayarlama başlıklı makaleyi inceleyin.
• Genellikle çıkış katmanına en yakın mevcut katmanların üzerine daha fazla katman ekleme.

İnce ayar, bir transfer öğrenimi biçimidir. Bu nedenle, ince ayar işleminde önceden eğitilmiş modeli eğitmek için kullanılanlardan farklı bir kayıp işlevi veya farklı bir model türü kullanılabilir. Örneğin, önceden eğitilmiş büyük bir görüntü modeline ince ayar yaparak giriş görüntüsündeki kuş sayısını döndüren bir regresyon modeli oluşturabilirsiniz.

Aşağıdaki terimlerle karşılaştırarak ince ayar yapmanın benzerliklerini ve farklılıklarını açıklayın:

• distillation
• istem tabanlı öğrenme

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki İnce ayar bölümüne bakın.

Flaş modeli

Hız ve düşük gecikme için optimize edilmiş, nispeten küçük bir Gemini model ailesi. Flash modelleri, hızlı yanıtların ve yüksek işleme hızının önemli olduğu çok çeşitli uygulamalar için tasarlanmıştır.

Flax

JAX üzerinde oluşturulmuş, derin öğrenme için yüksek performanslı bir açık kaynak kitaplık. Flax, sinir ağlarını eğitmeye yönelik işlevlerin yanı sıra performanslarını değerlendirmeye yönelik yöntemler de sunar.

Flaxformer

Flax üzerine kurulu, öncelikli olarak doğal dil işleme ve çok formatlı araştırma için tasarlanmış açık kaynaklı bir Transformer kitaplığıdır.

kapıyı unut

Bir uzun süreli kısa bellek hücresinin, hücredeki bilgi akışını düzenleyen kısmı. Unutma kapıları, hücre durumundan hangi bilgilerin atılacağına karar vererek bağlamı korur.

temel model

Çok büyük ve çeşitli bir eğitim kümesi üzerinde eğitilmiş çok büyük bir önceden eğitilmiş model. Temel model, aşağıdakilerin ikisini de yapabilir:

• Çok çeşitli isteklere iyi yanıt verme
• Ek ince ayar veya diğer özelleştirmeler için temel model olarak kullanılabilir.

Başka bir deyişle, temel model genel anlamda zaten çok yeteneklidir ancak belirli bir görev için daha da faydalı olacak şekilde özelleştirilebilir.

başarı oranı

Bir makine öğrenimi modelinin oluşturduğu metni değerlendirmek için kullanılan bir metrik. Başarı oranı, oluşturulan "başarılı" metin çıkışlarının sayısının, oluşturulan toplam metin çıkışı sayısına bölünmesiyle elde edilir. Örneğin, bir büyük dil modeli 10 kod bloğu oluşturduysa ve bunların beşi başarılı olduysa başarı oranı %50 olur.

Başarı oranı, istatistiklerde genel olarak faydalı olsa da makine öğreniminde bu metrik, öncelikli olarak kod oluşturma veya matematik problemleri gibi doğrulanabilir görevleri ölçmek için kullanılır.

tam softmax

Softmax ile eş anlamlıdır.

Aday örnekleme ile karşılaştırın.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Sinir ağları: Çok sınıflı sınıflandırma başlıklı makaleyi inceleyin.

tamamen bağlı katman

Her düğümün, sonraki gizli katmandaki her düğüme bağlı olduğu bir gizli katman.

Tamamen bağlı katman, yoğun katman olarak da bilinir.

işlev dönüşümü

Giriş olarak bir işlev alan ve çıktı olarak dönüştürülmüş bir işlev döndüren işlev. JAX, işlev dönüşümlerini kullanır.

G

GAN

Çekişmeli üretken ağ kısaltması.

Gemini

Google'ın en gelişmiş yapay zekasını içeren ekosistem. Bu ekosistemin öğeleri şunlardır:

• Çeşitli Gemini modelleri.
• Gemini modeliyle etkileşimli sohbet arayüzü. Kullanıcılar istem girer ve Gemini bu istemlere yanıt verir.
• Çeşitli Gemini API'leri.
• Gemini modellerine dayalı çeşitli işletme ürünleri (ör. Google Cloud için Gemini).

Gemini modelleri

Google'ın son teknoloji Transformer tabanlı çok formatlı modelleri. Gemini modelleri, aracılarla entegre olacak şekilde özel olarak tasarlanmıştır.

Kullanıcılar, etkileşimli bir diyalog arayüzü ve SDK'lar aracılığıyla Gemini modelleriyle çeşitli şekillerde etkileşimde bulunabilir.

Gemma

Gemini modellerini oluşturmak için kullanılan araştırma ve teknolojinin aynısıyla geliştirilmiş, hafif açık modeller ailesidir. Birkaç farklı Gemma modeli mevcuttur. Her biri; görme, kod ve talimatları takip etme gibi farklı özellikler sunar. Ayrıntılar için Gemma konusuna bakın.

Üretken yapay zeka

Üretken yapay zeka kısaltması.

genelleştirme

Modelin yeni ve daha önce görülmemiş verilerle ilgili doğru tahminler yapabilme özelliği. Genelleme yapabilen bir model, aşırı uyum gösteren bir modelin tam tersidir.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Genelleştirme bölümüne bakın.

genelleştirme eğrisi

Eğitim kaybı ve doğrulama kaybının, iterasyon sayısının bir fonksiyonu olarak grafiği.

Genelleştirme eğrisi, olası aşırı uyumu tespit etmenize yardımcı olabilir. Örneğin, aşağıdaki genelleştirme eğrisi, doğrulama kaybı nihayetinde eğitim kaybından önemli ölçüde yüksek olduğu için aşırı uyumu gösterir.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Genelleştirme bölümüne bakın.

genelleştirilmiş doğrusal model

En küçük kareler regresyonu modellerinin genelleştirilmiş halidir. Bu modeller Gauss gürültüsüne dayanır. Diğer gürültü türlerine (ör. Poisson gürültüsü veya kategorik gürültü) dayalı diğer model türleri için de geçerlidir. Genelleştirilmiş doğrusal modellere örnek olarak aşağıdakiler verilebilir:

• lojistik regresyon
• çok sınıflı regresyon
• en küçük kareler regresyonu

Genelleştirilmiş doğrusal modelin parametreleri dışbükey optimizasyon ile bulunabilir.

Genelleştirilmiş doğrusal modeller aşağıdaki özelliklere sahiptir:

• En uygun en küçük kareler regresyon modelinin ortalama tahmini, eğitim verilerindeki ortalama etikete eşittir.
• Optimum lojistik regresyon modeli tarafından tahmin edilen ortalama olasılık, eğitim verilerindeki ortalama etikete eşittir.

Genelleştirilmiş doğrusal modelin gücü, özellikleriyle sınırlıdır. Derin modelin aksine, genelleştirilmiş doğrusal model "yeni özellikler öğrenemez".

oluşturulan metin

Genel olarak, bir makine öğrenimi modelinin çıkardığı metin. Büyük dil modellerini değerlendirirken bazı metrikler, oluşturulan metni referans metinle karşılaştırır. Örneğin, bir makine öğrenimi modelinin Fransızcadan Hollandacaya ne kadar etkili bir şekilde çeviri yaptığını belirlemeye çalıştığınızı varsayalım. Bu durumda:

• Üretilen metin, makine öğrenimi modelinin çıkardığı Hollandaca çeviridir.
• Referans metin, bir çevirmen (veya yazılım) tarafından oluşturulan Hollandaca çeviridir.

Bazı değerlendirme stratejilerinde referans metin kullanılmadığını unutmayın.

üretken çekişmeli ağ (GAN)

Üreticinin veri oluşturduğu ve ayırt edicinin oluşturulan verilerin geçerli olup olmadığını belirlediği yeni veriler oluşturma sistemi.

Daha fazla bilgi için Çekişmeli Üretken Ağlar kursuna bakın.

üretken yapay zeka

Resmi bir tanımı olmayan, dönüşüm yaratan yeni bir alan. Bununla birlikte, çoğu uzman üretken yapay zeka modellerinin aşağıdaki özelliklere sahip içerikler oluşturabileceği ("üretebileceği") konusunda hemfikirdir:

• karmaşık
• tutarlı
• orijinal

Üretken yapay zekaya örnek olarak aşağıdakiler verilebilir:

• Büyük dil modelleri: Orijinal metinler oluşturabilir ve soruları yanıtlayabilir.
• Benzersiz görüntüler üretebilen görüntü oluşturma modeli
• Orijinal müzik besteleyebilen veya gerçekçi konuşma üretebilen ses ve müzik üretme modelleri.
• Orijinal videolar oluşturabilen video üretim modelleri

LSTM'ler ve RNN'ler gibi bazı eski teknolojiler de özgün ve tutarlı içerikler oluşturabilir. Bazı uzmanlar bu eski teknolojileri üretken yapay zeka olarak görürken bazıları, gerçek üretken yapay zekanın bu eski teknolojilerin üretebileceğinden daha karmaşık bir çıktı gerektirdiğini düşünüyor.

Tahmine dayalı makine öğrenimi ile karşılaştırın.

üretken model

Pratik olarak, aşağıdakilerden birini yapan bir model:

• Eğitim veri kümesinden yeni örnekler oluşturur (üretir). Örneğin, üretken bir model, şiir veri kümesiyle eğitildikten sonra şiir oluşturabilir. Çekişmeli üretken ağın üretici kısmı bu kategoriye girer.
• Yeni bir örneğin eğitim kümesinden gelme veya eğitim kümesini oluşturan mekanizmayla oluşturulma olasılığını belirler. Örneğin, İngilizce cümlelerden oluşan bir veri kümesi üzerinde eğitildikten sonra üretken bir model, yeni bir girişin geçerli bir İngilizce cümle olma olasılığını belirleyebilir.

Üretken bir model, teorik olarak bir veri kümesindeki örneklerin veya belirli özelliklerin dağılımını ayırt edebilir. Yani:

p(examples)

Denetimsiz öğrenme modelleri üretkendir.

Ayırt edici modellerle karşılaştırın.

oluşturma aracı

Yeni örnekler oluşturan bir üretken karşıt ağ içindeki alt sistem.

Ayırt edici model ile karşılaştırın.

Gini kirliliği

Entropiye benzer bir metrik. Ayırıcılar, sınıflandırma koşullarını oluşturmak için gini kirliliğinden veya entropiden elde edilen değerleri kullanır. Karar ağaçları. Bilgi kazancı, entropiden elde edilir. Gini kirliliğinden elde edilen metrik için evrensel olarak kabul edilen eşdeğer bir terim yoktur. Ancak bu adsız metrik, bilgi kazancı kadar önemlidir.

Gini kirliliğine Gini endeksi veya kısaca Gini de denir.

altın veri kümesi

Kesin referansı yakalayan, manuel olarak düzenlenmiş bir veri grubu. Ekipler, bir modelin kalitesini değerlendirmek için bir veya daha fazla altın veri kümesi kullanabilir.

Bazı kesin referans veri kümeleri, kesin referansın farklı alt alanlarını yakalar. Örneğin, görüntü sınıflandırması için altın veri kümesi, ışık koşullarını ve görüntü çözünürlüğünü yakalayabilir.

altın yanıt

İyi olduğu bilinen bir yanıt. Örneğin, aşağıdaki istem verildiğinde:

2 + 2

İdeal yanıt:

4

Google AI Studio

Google'ın büyük dil modellerini kullanarak uygulamalar oluşturmak ve bu uygulamalarla denemeler yapmak için kullanıcı dostu bir arayüz sağlayan Google aracıdır. Ayrıntılar için Google AI Studio ana sayfasına bakın.

GPT (Generative Pre-trained Transformer)

OpenAI tarafından geliştirilen Transformer tabanlı bir büyük dil modeli ailesidir.

GPT varyantları aşağıdakiler dahil olmak üzere birden fazla modalite için geçerli olabilir:

• görüntü üretme (ör. ImageGPT)
• metinden görüntü oluşturma (örneğin, DALL-E).

gradyan

Tüm bağımsız değişkenlere göre kısmi türevlerin vektörü. Makine öğreniminde gradyan, model fonksiyonunun kısmi türevlerinin vektörüdür. Gradyan, en dik yükseliş yönünü gösterir.

gradyan birikimi

Geriye yayılım tekniği, parametreleri yineleme başına bir kez yerine dönem başına bir kez günceller. Her bir mini grubu işledikten sonra gradyan birikimi, gradyanların çalışan toplamını günceller. Ardından, dönemdeki son mini toplu işleme tamamlandıktan sonra sistem, parametreleri tüm gradyan değişikliklerinin toplamına göre günceller.

Gradyan biriktirme, toplu iş boyutu, eğitim için kullanılabilir bellek miktarına kıyasla çok büyük olduğunda kullanışlıdır. Bellek sorun olduğunda doğal olarak toplu iş boyutu küçültülür. Ancak normal geri yayılımda toplu iş boyutunun azaltılması, parametre güncellemelerinin sayısını artırır. Gradyan biriktirme, modelin bellek sorunlarından kaçınmasını sağlar ancak yine de verimli bir şekilde eğitilmesini mümkün kılar.

gradyan artırılmış (karar) ağaçları (GBT)

Aşağıdaki özelliklere sahip bir karar ormanı türü:

• Eğitim, gradyan artırma yöntemini kullanır.
• Zayıf model bir karar ağacıdır.

Daha fazla bilgi için Karar Ormanları kursundaki Gradient Boosted Decision Trees (Gradyan Artırılmış Karar Ağaçları) bölümüne bakın.

gradyan artırma

Zayıf modellerin, güçlü bir modelin kalitesini (kaybı azaltmak) yinelemeli olarak iyileştirmek için eğitildiği bir eğitim algoritması. Örneğin, zayıf bir model doğrusal veya küçük bir karar ağacı modeli olabilir. Güçlü model, daha önce eğitilmiş tüm zayıf modellerin toplamı haline gelir.

En basit biçimiyle gradyan artırmada, her yinelemede güçlü modelin kayıp gradyanını tahmin etmek için zayıf bir model eğitilir. Ardından, güçlü modelin çıkışı, gradyan inişine benzer şekilde, tahmin edilen gradyan çıkarılarak güncellenir.

Bu örnekte:

• $F_{0}$ başlangıçtaki güçlü modeldir.
• $F_{i+1}$ ise bir sonraki güçlü modeldir.
• $F_{i}$ mevcut güçlü modeldir.
• $\xi$, 0,0 ile 1,0 arasında bir değerdir ve küçültme olarak adlandırılır. Bu değer, gradyan inişindeki öğrenme hızına benzer.
• $f_{i}$, $F_{i}$ değerinin kayıp gradyanını tahmin etmek için eğitilmiş zayıf modeldir.

Gradyan artırmanın modern varyasyonları, hesaplamalarına kaybın ikinci türevini (Hessian) de dahil eder.

Karar ağaçları, gradyan artırmada genellikle zayıf modeller olarak kullanılır. Gradyan artırılmış (karar) ağaçları başlıklı makaleyi inceleyin.

gradyan kırpma

Bir modeli eğitmek için gradyan azalma kullanılırken gradyanların maksimum değerini yapay olarak sınırlayarak (kırparak) patlayan gradyan sorununu azaltmak için yaygın olarak kullanılan bir mekanizma.

gradyan inişi

Kayıpları en aza indirmek için kullanılan matematiksel bir teknik. Gradyan inişi, ağırlıkları ve önyargıları yinelemeli olarak ayarlar ve kaybı en aza indirecek en iyi kombinasyonu yavaş yavaş bulur.

Gradyan inişi, makine öğreniminden çok daha eski bir yöntemdir.

Daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki Doğrusal regresyon: Gradyan inişi bölümüne bakın.

grafik

TensorFlow'da hesaplama spesifikasyonu. Grafikteki düğümler işlemleri temsil eder. Kenarlar yönlüdür ve bir işlemin (Tensor) sonucunu başka bir işleme işlenen olarak geçirmeyi temsil eder. Grafiği görselleştirmek için TensorBoard'u kullanın.

grafik yürütme

Programın önce bir grafik oluşturduğu, ardından bu grafiğin tamamını veya bir kısmını yürüttüğü bir TensorFlow programlama ortamı. Grafik yürütme, TensorFlow 1.x'teki varsayılan yürütme modudur.

İstekli yürütme ile karşılaştırın.

açgözlü politika

Pekiştirici öğrenmede, her zaman en yüksek beklenen getiriye sahip işlemi seçen bir politika.

temellendirme

Temellendirilmiş bir modelin her zaman gerçeklere dayalı bir model olmadığını unutmayın. Örneğin, giriş olarak kullanılan fizik ders kitabında hatalar olabilir.

kesin referans

Gerçeklik.

Gerçekte olan şey.

Örneğin, üniversitenin ilk yılında olan bir öğrencinin altı yıl içinde mezun olup olmayacağını tahmin eden bir ikili sınıflandırma modelini ele alalım. Bu model için kesin referans, öğrencinin altı yıl içinde gerçekten mezun olup olmadığıdır.

gruba atfetme önyargısı

Bir birey için geçerli olanın o gruptaki herkes için de geçerli olduğunu varsayma. Veri toplama için kolaylık örneklemesi kullanılıyorsa grup ilişkilendirme önyargısının etkileri daha da kötüleşebilir. Temsil etmeyen bir örnekte, gerçekliği yansıtmayan ilişkilendirmeler yapılabilir.

Ayrıca grup dışı homojenlik önyargısı ve grup içi önyargısı hakkında bilgi edinin. Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Adalet: Yanlılık Türleri bölümüne de bakın.

H

halüsinasyon

Gerçek dünya hakkında bir iddiada bulunduğunu iddia eden bir üretken yapay zeka modelinin, olası gibi görünen ancak gerçekte yanlış olan bir çıkış üretmesi. Örneğin, Barack Obama'nın 1865'te öldüğünü iddia eden bir üretken yapay zeka modeli halüsinasyon görüyor demektir.

karma oluşturma

Makine öğreniminde, özellikle kategori sayısı fazla ancak veri kümesinde gerçekten görünen kategori sayısı nispeten az olduğunda kategorik verileri gruplandırmaya yönelik bir mekanizma.

Örneğin, Dünya'da yaklaşık 73.000 ağaç türü vardır. 73.000 ağaç türünün her birini 73.000 ayrı kategorik pakette temsil edebilirsiniz. Alternatif olarak, bu ağaç türlerinden yalnızca 200'ü bir veri kümesinde görünüyorsa ağaç türlerini 500 pakete bölmek için karma oluşturma kullanabilirsiniz.

Tek bir kovada birden fazla ağaç türü olabilir. Örneğin, karma oluşturma, genetik olarak farklı iki tür olan baobab ve kızıl akçaağacı aynı pakete yerleştirebilir. Bununla birlikte, karma oluşturma işlemi, büyük kategorik kümeleri seçilen sayıda pakete eşlemek için hâlâ iyi bir yöntemdir. Karma oluşturma, olası değer sayısı fazla olan kategorik bir özelliği, değerleri deterministik bir şekilde gruplandırarak çok daha az sayıda değere dönüştürür.

Daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki Kategorik veriler: Sözcük dağarcığı ve tek sıcak kodlama bölümüne bakın.

buluşsal

Bir soruna yönelik basit ve hızlı bir şekilde uygulanabilen çözüm. Örneğin, "Sezgisel yöntemle% 86 doğruluk elde ettik. Derin sinir ağına geçtiğimizde doğruluk oranı %98'e yükseldi."

gizli katman

Giriş katmanı (özellikler) ile çıkış katmanı (tahmin) arasındaki sinir ağındaki bir katman. Her gizli katman bir veya daha fazla nöron içerir. Örneğin, aşağıdaki sinir ağında iki gizli katman vardır. Birincisinde üç nöron, ikincisinde ise iki nöron bulunur:

Derin nöral ağ, birden fazla gizli katman içerir. Örneğin, önceki resim bir derin sinir ağıdır çünkü model iki gizli katman içerir.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Sinir ağları: Düğümler ve gizli katmanlar başlıklı makaleyi inceleyin.

hiyerarşik kümeleme

Bir küme ağacı oluşturan kümeleme algoritmaları kategorisi. Hiyerarşik kümeleme, botanik sınıflandırmaları gibi hiyerarşik veriler için uygundur. İki tür hiyerarşik kümeleme algoritması vardır:

• Birleştirici kümeleme, önce her örneği kendi kümesine atar ve hiyerarşik bir ağaç oluşturmak için en yakın kümeleri yinelemeli olarak birleştirir.
• Bölücü kümeleme, önce tüm örnekleri tek bir kümede gruplandırır, ardından kümeyi yinelemeli olarak hiyerarşik bir ağaca böler.

Merkez tabanlı kümeleme ile karşılaştırın.

Daha fazla bilgi için Kümeleme kursundaki Kümeleme algoritmaları bölümüne bakın.

tepe tırmanma

Bir makine öğrenimi modelini, iyileşmesi durana ("tepenin zirvesine ulaşana") kadar yinelemeli olarak iyileştirmeye ("yokuş yukarı yürümeye") yönelik bir algoritmadır. Algoritmanın genel biçimi şöyledir:

1. Başlangıç modeli oluşturun.
2. Eğitim veya ince ayar yönteminizde küçük ayarlamalar yaparak yeni aday modeller oluşturun. Bu, biraz farklı bir eğitim kümesi veya farklı hiperparametrelerle çalışmayı gerektirebilir.
3. Yeni aday modelleri değerlendirin ve aşağıdaki işlemlerden birini yapın:
   • Bir aday model, başlangıç modelinden daha iyi performans gösterirse bu aday model yeni başlangıç modeli olur. Bu durumda 1., 2. ve 3. adımları tekrarlayın.
   • Başlangıç modelinden daha iyi performans gösteren bir model yoksa zirveye ulaşmışsınızdır ve yinelemeyi durdurmanız gerekir.

Hiperparametre ayarı ile ilgili rehberlik için Deep Learning Tuning Playbook'a (Derin Öğrenme Ayarı Oyun Kitabı) bakın. Özellik mühendisliği ile ilgili rehberlik için Makine Öğrenimi Hızlandırılmış Kursu'nun veri modüllerine bakın.

menteşe kaybı

Her bir eğitim örneğinden mümkün olduğunca uzak karar sınırını bulmak için tasarlanmış, sınıflandırma için bir kayıp işlevleri ailesi. Bu işlevler, örnekler ile sınır arasındaki marjı en üst düzeye çıkarır. KSVM'ler, menteşe kaybını (veya kare menteşe kaybı gibi ilgili bir işlevi) kullanır. İkili sınıflandırma için menteşe kaybı işlevi aşağıdaki şekilde tanımlanır:

Burada y, -1 veya +1 olan gerçek etikettir ve y', sınıflandırma modelinin ham çıkışıdır:

Sonuç olarak, menteşe kaybının (y * y') ile karşılaştırıldığı bir grafik aşağıdaki gibi görünür:

geçmiş yanlılığı

Dünyada zaten var olan ve bir veri kümesine girmiş olan bir önyargı türü. Bu önyargılar, mevcut kültürel klişeleri, demografik eşitsizlikleri ve belirli sosyal gruplara yönelik önyargıları yansıtma eğilimindedir.

Örneğin, bir kredi başvurusunda bulunan kişinin kredisini ödeyip ödemeyeceğini tahmin eden bir sınıflandırma modelini ele alalım. Bu model, 1980'lerde iki farklı topluluktaki yerel bankalardan alınan geçmiş kredi temerrüt verileriyle eğitilmiştir. A topluluğundan geçmişte kredi başvurusunda bulunanların kredilerini ödememe olasılığı, B topluluğundan başvuranlara kıyasla altı kat daha yüksekse model, geçmişteki bir önyargıyı öğrenebilir. Bu durumda, topluluğun daha yüksek temerrüt oranlarına yol açan geçmiş koşullar artık geçerli olmasa bile modelin A topluluğundaki kredileri onaylama olasılığı daha düşük olur.

Daha fazla bilgi için Adalet: Makine öğrenimi yoğun kursunda önyargı türleri başlıklı makaleyi inceleyin.

ayrılmış veriler

Eğitim sırasında kasıtlı olarak kullanılmayan ("ayrılan") örnekler. Doğrulama veri kümesi ve test veri kümesi, ayrılmış verilere örneklerdir. Ayrılmış veriler, modelinizin eğitildiği veriler dışındaki verileri genelleme yeteneğini değerlendirmenize yardımcı olur. Ayrılmış veri kümesindeki kayıp, eğitim kümesindeki kayıptan daha iyi bir görünmeyen veri kümesindeki kayıp tahminini sağlar.

düzenleyen

Hızlandırıcı çipleri (GPU'lar veya TPU'lar) üzerinde bir makine öğrenimi modeli eğitilirken sistemin aşağıdaki iki öğeyi de kontrol eden kısmı:

• Kodun genel akışı.
• Giriş işlem hattının ayıklanması ve dönüştürülmesi.

Ana makine genellikle hızlandırıcı çipte değil, CPU'da çalışır. Cihaz, hızlandırıcı çiplerdeki tensörleri işler.

insan değerlendirmesi

Kullanıcıların bir makine öğrenimi modelinin çıktısının kalitesini değerlendirdiği süreç. Örneğin, iki dil bilen kişilerin bir makine öğrenimi çeviri modelinin kalitesini değerlendirmesi. İnsan değerlendirmesi, tek bir doğru yanıtı olmayan modelleri değerlendirmek için özellikle yararlıdır.

Otomatik değerlendirme ve değerlendirici değerlendirmesi ile karşılaştırın.

insan etkileşimli yöntem (HITL)

Aşağıdakilerden birini ifade edebilen, net bir tanımı olmayan deyim:

• Üretken yapay zeka çıkışını eleştirel veya şüpheci bir şekilde görüntüleme politikası Örneğin, bu makine öğrenimi sözlüğünü yazan kişiler, büyük dil modellerinin yapabileceklerine hayran kalırken büyük dil modellerinin yaptığı hataların da farkındadır.
• Kullanıcıların bir modelin davranışını şekillendirmesine, değerlendirmesine ve iyileştirmesine yardımcı olmasını sağlayan bir strateji veya sistem. İnsan etkileşimini sürdürmek, yapay zekanın hem makine zekasından hem de insan zekasından yararlanmasını sağlar. Örneğin, yapay zekanın kod oluşturduğu ve yazılım mühendislerinin bu kodu incelediği bir sistem, insan etkileşimli bir sistemdir.

hiperparametre

Sizin veya bir hiperparametre ayarı hizmetinin bir modeli eğitmenin ardışık çalıştırmaları sırasında ayarladığı değişkenler. Örneğin, öğrenme oranı bir hiperparametredir. Bir eğitim oturumundan önce öğrenme hızını 0,01 olarak ayarlayabilirsiniz. 0,01 değerinin çok yüksek olduğuna karar verirseniz bir sonraki eğitim oturumunda öğrenme hızını 0,003 olarak ayarlayabilirsiniz.

Buna karşılık parametreler, modelin eğitim sırasında öğrendiği çeşitli ağırlıklar ve eğilimlerdir.

Daha fazla bilgi için Makine Öğrenimine Hızlı Bakış Kursu'ndaki Doğrusal regresyon: Hiperparametreler bölümüne bakın.

hiperdüzlem

Bir alanı iki alt alana ayıran sınır. Örneğin, iki boyutta bir çizgi, üç boyutta ise bir düzlem hiperdüzlemdir. Makine öğreniminde ise hiper düzlem, genellikle yüksek boyutlu bir alanı ayıran sınırdır. Çekirdek Destek Vektör Makineleri, pozitif sınıfları negatif sınıflardan ayırmak için hiperdüzlemler kullanır. Bu işlem genellikle çok yüksek boyutlu bir alanda yapılır.

I

i.i.d.

Bağımsız ve özdeş dağıtılmış ifadesinin kısaltmasıdır.

resim tanıma

Bir resimdeki nesneleri, desenleri veya kavramları sınıflandıran bir süreç. Görüntü tanıma, görüntü sınıflandırma olarak da bilinir.

Daha fazla bilgi için ML Practicum: Image Classification (ML Uygulamalı Eğitim: Resim Sınıflandırma) başlıklı makaleyi inceleyin.

Daha fazla bilgi için ML Practicum: Image Classification kursuna bakın.

dengesiz veri kümesi

Sınıf dengesizliği olan veri kümesi için eş anlamlıdır.

örtülü önyargı

Zihin modellerine ve anılara dayalı olarak otomatik olarak ilişkilendirme veya varsayımda bulunma. Örtülü önyargı aşağıdakileri etkileyebilir:

• Verilerin nasıl toplandığı ve sınıflandırıldığı.
• Makine öğrenimi sistemlerinin nasıl tasarlandığı ve geliştirildiği.

Örneğin, düğün fotoğraflarını belirlemek için sınıflandırma modeli oluştururken bir mühendis, fotoğrafta beyaz elbise olmasını özellik olarak kullanabilir. Ancak beyaz gelinlikler yalnızca belirli dönemlerde ve belirli kültürlerde geleneksel olmuştur.

Ayrıca doğrulama yanlılığı konusuna da bakın.

imputation

Değer atamanın kısa biçimi.

Adalet metriklerinin uyumsuzluğu

Bazı adalet kavramlarının birbiriyle uyumlu olmadığı ve aynı anda karşılanamayacağı fikri. Sonuç olarak, adalet kavramını ölçmek için tüm makine öğrenimi sorunlarına uygulanabilecek tek bir evrensel metrik yoktur.

Bu durum cesaret kırıcı olsa da adalet metriklerinin uyumsuzluğu, adaletle ilgili çalışmaların boşuna olduğu anlamına gelmez. Bunun yerine, adalet kavramının belirli bir makine öğrenimi sorunu için bağlamsal olarak tanımlanması ve kullanım alanlarına özgü zararların önlenmesi gerektiğini belirtir.

Adalet metriklerinin uyumsuzluğu hakkında daha ayrıntılı bir tartışma için "On the (im)possibility of fairness" başlıklı makaleyi inceleyin.

bağlam içinde öğrenme

Çok görevli istem ile eş anlamlıdır.

bağımsız ve özdeş dağıtılmış (i.i.d)

Değişmeyen bir dağılımdan alınan ve alınan her değerin daha önce alınan değerlere bağlı olmadığı veriler. Bağımsız ve aynı dağılıma sahip (i.i.d.) veriler, makine öğreniminin ideal gazıdır. Bu, faydalı bir matematiksel yapı olsa da gerçek dünyada neredeyse hiçbir zaman tam olarak bulunmaz. Örneğin, bir web sayfasını ziyaret eden kullanıcıların dağılımı kısa bir süre boyunca i.i.d. olabilir. Yani dağılım bu kısa süre boyunca değişmez ve bir kullanıcının ziyareti genellikle diğer kullanıcının ziyaretinden bağımsızdır. Ancak bu zaman aralığını genişletirseniz web sayfasının ziyaretçilerinde mevsimsel farklılıklar görülebilir.

Ayrıca durağan olmama konusuna da bakın.

bireysel adalet

Benzer kişilerin benzer şekilde sınıflandırılıp sınıflandırılmadığını kontrol eden bir adalet metriği. Örneğin, Brobdingnagian Akademisi, aynı notlara ve standart test puanlarına sahip iki öğrencinin kabul edilme olasılığının eşit olmasını sağlayarak bireysel adaleti sağlamak isteyebilir.

Bireysel adalet kavramının tamamen "benzerliği" nasıl tanımladığınıza (bu durumda notlar ve test puanları) bağlı olduğunu ve benzerlik metriğiniz önemli bilgileri (ör. öğrencinin müfredatının zorluğu) kaçırırsa yeni adalet sorunları ortaya çıkarma riskiyle karşılaşabileceğinizi unutmayın.

Bireysel adalet hakkında daha ayrıntılı bilgi için "Farkındalıkla Adalet" başlıklı makaleyi inceleyin.

çıkarım

Geleneksel makine öğreniminde, eğitilmiş bir modeli etiketlenmemiş örneklere uygulayarak tahminlerde bulunma süreci. Daha fazla bilgi edinmek için Makine Öğrenimine Giriş kursundaki Denetimli Öğrenme bölümüne bakın.

Büyük dil modellerinde çıkarım, eğitilmiş bir modeli kullanarak çıkış oluşturma sürecidir. Örneğin, bir giriş istemine verilen metin yanıtı.

İstatistiklerde çıkarım biraz farklı bir anlama sahiptir. Ayrıntılar için istatistiksel çıkarım hakkındaki Wikipedia makalesine bakın.

çıkarım yolu

Karar ağacında, çıkarım sırasında belirli bir örneğin kökten diğer koşullara doğru izlediği yol, yaprakla sonlanır. Örneğin, aşağıdaki karar ağacında daha kalın oklar, aşağıdaki özellik değerlerine sahip bir örnek için çıkarım yolunu gösterir:

• x = 7
• y = 12
• z = -3

Aşağıdaki resimde çıkarım yolu, yaprağa (Zeta) ulaşmadan önce üç koşuldan geçer.

Üç kalın ok, çıkarım yolunu gösterir.

Daha fazla bilgi için Karar Ormanları kursundaki Karar ağaçları bölümüne bakın.

bilgi kazancı

Karar ağaçlarında, bir düğümün entropisi ile alt düğümlerinin entropisinin örnek sayısına göre ağırlıklı toplamı arasındaki fark. Bir düğümün entropisi, o düğümdeki örneklerin entropisidir.

Örneğin, aşağıdaki entropi değerlerini ele alalım:

• üst düğümün entropisi = 0,6
• 16 alakalı örneğe sahip bir alt düğümün entropisi = 0,2
• 24 alakalı örneği olan başka bir alt düğümün entropisi = 0,1

Bu nedenle, örneklerin% 40'ı bir alt düğümde, %60'ı ise diğer alt düğümdedir. Bu nedenle:

• alt düğümlerin ağırlıklı entropi toplamı = (0,4 * 0,2) + (0,6 * 0,1) = 0,14

Bu nedenle, bilgi kazancı şöyledir:

• bilgi kazancı = üst düğümün entropisi - alt düğümlerin ağırlıklı entropi toplamı
• bilgi kazancı = 0,6 - 0,14 = 0,46

Çoğu bölücü, bilgi kazanımını en üst düzeye çıkaran koşullar oluşturmayı amaçlar.

grup içi önyargı

Kendi grubuna veya kendi özelliklerine karşı taraflı davranma Test kullanıcıları veya değerlendiriciler, makine öğrenimi geliştiricisinin arkadaşları, ailesi ya da iş arkadaşlarından oluşuyorsa grup içi önyargı, ürün testini veya veri kümesini geçersiz kılabilir.

Grup içi önyargısı, bir tür gruba atfetme önyargısıdır. Ayrıca grup dışı homojenlik önyargısı başlıklı makaleyi de inceleyin.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Adalet: Önyargı türleri bölümüne bakın.

giriş oluşturucu

Verilerin nöral ağa yüklendiği mekanizma.

Giriş oluşturucu, ham verileri eğitim, değerlendirme ve çıkarım için gruplar oluşturmak üzere üzerinde yineleme yapılan tensörlere dönüştürmekten sorumlu bir bileşen olarak düşünülebilir.

giriş katmanı

Özellik vektörünü barındıran nöral ağın katmanı. Yani giriş katmanı, eğitim veya çıkarım için örnekler sağlar. Örneğin, aşağıdaki sinir ağındaki giriş katmanı iki özellikten oluşur:

küme içi koşul

Karar ağacında, bir öğe grubunda bir öğenin varlığını test eden koşul. Örneğin, aşağıdakiler bir küme içi koşuldur:

  house-style in [tudor, colonial, cape]

Çıkarım sırasında, ev stili özelliğinin değeri tudor, colonial veya cape ise bu koşul Evet olarak değerlendirilir. Eğer ev stili özelliğinin değeri başka bir şeyse (örneğin, ranch), bu koşul Hayır olarak değerlendirilir.

Küme içi koşullar genellikle one-hot kodlu özellikleri test eden koşullara kıyasla daha verimli karar ağaçları oluşturur.

örnek

Örnek kelimesinin eş anlamlısı.

talimat ince ayarı

İnce ayar biçimidir. Üretken yapay zeka modelinin talimatlara uyma becerisini geliştirir. Talimat ince ayarı, genellikle çok çeşitli görevleri kapsayan bir dizi talimat istemi üzerinde model eğitme işlemidir. Talimatlara göre ayarlanmış model, çeşitli görevlerde sıfır görevli istemlere yararlı yanıtlar üretme eğilimindedir.

Şununla karşılaştırın:

• parametreleri verimli şekilde kullanma
• istem ayarlama (prompt tuning)

yorumlanabilirlik

Bir makine öğrenimi modelinin muhakemesini bir insana anlaşılır bir şekilde açıklama veya sunma becerisi.

Örneğin, çoğu doğrusal regresyon modeli yüksek oranda yorumlanabilir. (Her bir özelliğin eğitilmiş ağırlıklarına bakmanız yeterlidir.) Karar ormanları da yüksek oranda yorumlanabilir. Ancak bazı modellerin yorumlanabilmesi için gelişmiş görselleştirmeler gerekir.

ML modellerini yorumlamak için Learning Interpretability Tool'u (LIT) kullanabilirsiniz.

değerlendiriciler arası uyum

İnsan derecelendirme uzmanlarının bir görevi yaparken ne sıklıkta aynı fikirde olduğunun ölçüsü. Değerlendirme uzmanları aynı fikirde değilse görev talimatlarının iyileştirilmesi gerekebilir. Bazen yorumcular arası anlaşma veya değerlendirmeler arası güvenilirlik olarak da adlandırılır. Ayrıca, en popüler gözlemciler arası anlaşma ölçümlerinden biri olan Cohen's kappa'ya bakın.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Kategorik veriler: Yaygın sorunlar bölümüne bakın.

kesişim bölü bileşim (IoU)

İki kümenin kesişiminin birleşimine bölünmesi. Makine öğrenimi görüntü algılama görevlerinde IoU, modelin tahmin edilen sınırlayıcı kutusunun kesin referans sınırlayıcı kutusuna göre doğruluğunu ölçmek için kullanılır. Bu durumda, iki kutunun IoU'su, çakışan alan ile toplam alan arasındaki orandır ve değeri 0 (tahmini sınırlayıcı kutu ile kesin referans sınırlayıcı kutu arasında çakışma yok) ile 1 (tahmini sınırlayıcı kutu ile kesin referans sınırlayıcı kutu tam olarak aynı koordinatlara sahip) arasında değişir.

Örneğin, aşağıdaki resimde:

• Tahmin edilen sınırlayıcı kutu (modelin, resimde komodinin nerede olduğunu tahmin ettiğini sınırlayan koordinatlar) mor renkle belirtilir.
• Kesin referans sınırlayıcı kutusu (tablodaki gece masasının gerçekte bulunduğu yeri sınırlayan koordinatlar) yeşil renkle belirtilmiştir.

Burada, tahmin ve kesin referans için sınırlayıcı kutuların kesişimi (aşağıda solda) 1, tahmin ve kesin referans için sınırlayıcı kutuların birleşimi (aşağıda sağda) 7 olduğundan IoU değeri \(\frac{1}{7}\)'dır.

IoU

Kesişim bölü bileşim kısaltması.

öğe matrisi

Öneri sistemlerinde, her öğe hakkında gizli sinyaller içeren matris çarpanlarına ayırma tarafından oluşturulan yerleştirme vektörleri matrisi. Öğe matrisinin her satırında, tüm öğeler için tek bir gizli özelliğin değeri bulunur. Örneğin, bir film öneri sistemini ele alalım. Öğe matrisindeki her sütun tek bir filmi temsil eder. Gizli sinyaller türleri temsil edebilir veya tür, yıldızlar, filmin yaşı ya da diğer faktörler arasındaki karmaşık etkileşimleri içeren, yorumlanması daha zor sinyaller olabilir.

Öğe matrisi, çarpanlarına ayrılan hedef matrisle aynı sayıda sütuna sahiptir. Örneğin, 10.000 film başlığını değerlendiren bir film öneri sistemi verildiğinde öğe matrisinde 10.000 sütun bulunur.

items

Öneri sisteminde, sistemin önerdiği öğeler. Örneğin, video kiralama mağazasının önerdiği öğeler videolar, kitapçının önerdiği öğeler ise kitaplardır.

iteration

Modelin parametrelerinin (modelin ağırlıkları ve eğilimleri) eğitim sırasında tek bir kez güncellenmesi. Toplu iş boyutu, modelin tek bir yinelemede kaç örnek işlediğini belirler. Örneğin, toplu iş boyutu 20 ise model, parametreleri ayarlamadan önce 20 örnek işler.

Nöral ağ eğitirken tek bir yineleme aşağıdaki iki geçişi içerir:

1. Tek bir toplu işlemdeki kaybı değerlendirmek için iletme.
2. Modelin parametrelerini kayba ve öğrenme hızına göre ayarlamak için geriye doğru geçiş (geri yayılım).

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Gradyen inişi bölümüne bakın.

J

JAX

Yüksek performanslı sayısal bilgi işlem için XLA (Hızlandırılmış Doğrusal Cebir) ve otomatik türevlendirmeyi bir araya getiren bir dizi bilgi işlem kitaplığıdır. JAX, birleştirilebilir dönüşümlerle hızlandırılmış sayısal kod yazmak için basit ve güçlü bir API sağlar. JAX aşağıdaki gibi özellikler sunar:

• grad (otomatik farklılaştırma)
• jit (tam zamanında derleme)
• vmap (otomatik vektörleştirme veya toplu işleme)
• pmap (paralelleştirme)

JAX, sayısal kod dönüşümlerini ifade etme ve oluşturma için kullanılan bir dildir. Python'ın NumPy kitaplığına benzer ancak kapsamı çok daha geniştir. (Aslında, JAX'teki .numpy kitaplığı, Python NumPy kitaplığının işlevsel olarak eşdeğer ancak tamamen yeniden yazılmış bir sürümüdür.)

JAX, modelleri ve verileri GPU ve TPU hızlandırıcı çipleri arasında paralelliğe uygun bir biçime dönüştürerek birçok makine öğrenimi görevini hızlandırmak için özellikle uygundur.

Flax, Optax, Pax ve diğer birçok kitaplık, JAX altyapısı üzerinde oluşturulmuştur.

K

Keras

Popüler bir Python makine öğrenimi API'si. Keras, TensorFlow da dahil olmak üzere çeşitli derin öğrenme çerçevelerinde çalışır. TensorFlow'da tf.keras olarak kullanılabilir.

Çekirdek Destek Vektör Makineleri (KSVM'ler)

Giriş verisi vektörlerini daha yüksek boyutlu bir alana eşleyerek pozitif ve negatif sınıflar arasındaki marjı en üst düzeye çıkarmayı amaçlayan bir sınıflandırma algoritmasıdır. Örneğin, giriş veri kümesinin yüz özelliğe sahip olduğu bir sınıflandırma sorununu ele alalım. Pozitif ve negatif sınıflar arasındaki marjı en üst düzeye çıkarmak için bir KSVM, bu özellikleri dahili olarak bir milyon boyutlu alana eşleyebilir. KSVM'ler, menteşe kaybı adı verilen bir kayıp işlevi kullanır.

keypoints

Bir resimdeki belirli özelliklerin koordinatları. Örneğin, çiçek türlerini ayırt eden bir görüntü tanıma modelinde, önemli noktalar her bir yaprağın merkezi, sap, stamen vb. olabilir.

k katlı çapraz doğrulama

Bir modelin yeni verileri genelleme yeteneğini tahmin etmeye yönelik bir algoritma. K katlı çapraz doğrulama yöntemindeki k, bir veri kümesinin örneklerini böldüğünüz eşit grup sayısını ifade eder. Yani modelinizi k kez eğitir ve test edersiniz. Eğitim ve testin her turunda farklı bir grup test kümesi, kalan tüm gruplar ise eğitim kümesi olur. k eğitim ve test turundan sonra, seçilen test metriklerinin ortalamasını ve standart sapmasını hesaplarsınız.

Örneğin, veri kümenizin 120 örnekten oluştuğunu varsayalım. Ayrıca, k'yi 4 olarak ayarlamaya karar verdiğinizi varsayalım. Bu nedenle, örnekleri karıştırdıktan sonra veri kümesini 30 örnekten oluşan dört eşit gruba ayırır ve dört eğitim ve test turu gerçekleştirirsiniz:

Örneğin, ortalama karesel hata (MSE), doğrusal regresyon modeli için en anlamlı metrik olabilir. Bu nedenle, dört tur boyunca MSE'nin ortalamasını ve standart sapmasını bulursunuz.

k-ortalama

Denetimsiz öğrenmede örnekleri gruplandıran popüler bir kümeleme algoritması. K-ortalama algoritması temel olarak şunları yapar:

• En iyi k merkez noktasını (centroidler olarak bilinir) yinelemeli olarak belirler.
• Her örneği en yakın merkez noktasına atar. Aynı merkez noktasına en yakın olan örnekler aynı gruba aittir.

K-means algoritması, her örnekten en yakın merkez noktasına olan uzaklıkların kümülatif karesini en aza indirmek için merkez noktası konumlarını seçer.

Örneğin, köpek yüksekliğinin köpek genişliğine göre grafiğini inceleyelim:

k=3 ise k-means algoritması üç merkez belirler. Her örnek, en yakın merkez noktasına atanır ve üç grup oluşturulur:

Bir üreticinin, köpekler için küçük, orta ve büyük beden kazakların ideal boyutlarını belirlemek istediğini düşünün. Üç merkez nokta, bu kümedeki her köpeğin ortalama yüksekliğini ve ortalama genişliğini tanımlar. Bu nedenle, üretici muhtemelen kazak bedenlerini bu üç merkez noktasına göre belirlemelidir. Bir kümenin merkez noktasının genellikle kümedeki bir örnek olmadığını unutmayın.

Önceki resimlerde, yalnızca iki özelliğe (yükseklik ve genişlik) sahip örnekler için k-means algoritması gösterilmektedir. K-means algoritmasının, örnekleri birçok özellik genelinde gruplandırabileceğini unutmayın.

Daha fazla bilgi için Kümeleme kursundaki K-means kümeleme nedir? başlıklı makaleyi inceleyin.

k-medyan

K-ortalama ile yakından ilişkili bir kümeleme algoritması. Bu iki veri türü arasındaki pratik fark şöyledir:

• K-means'te, merkezler bir merkez adayı ile örneklerinin her biri arasındaki mesafenin karelerinin toplamı en aza indirilerek belirlenir.
• k-medyanında, merkezler bir merkez adayı ile örneklerinin her biri arasındaki mesafenin toplamını en aza indirerek belirlenir.

Mesafe tanımlarının da farklı olduğunu unutmayın:

• k-ortalama, merkezden bir örneğe olan Öklid uzaklığını temel alır. (İki boyutta Öklid mesafesi, hipotenüsü hesaplamak için Pisagor teoreminin kullanılması anlamına gelir.) Örneğin, (2,2) ile (5,-2) arasındaki k-means mesafesi şu şekilde olur:

• k-medyan, merkezoidden bir örneğe olan Manhattan uzaklığına dayanır. Bu mesafe, her boyuttaki mutlak farkların toplamıdır. Örneğin, (2,2) ile (5,-2) arasındaki k-medyan uzaklığı şu şekilde olur:

L

L₀ normalleştirmesi

Bir modeldeki sıfır olmayan ağırlıkların toplam sayısını cezalandıran bir normalleştirme türü. Örneğin, 11 sıfır olmayan ağırlığa sahip bir model, 10 sıfır olmayan ağırlığa sahip benzer bir modelden daha fazla cezalandırılır.

L₀ normalleştirmesi bazen L0 normlu normalleştirme olarak adlandırılır.

L₁ kaybı

Gerçek etiket değerleri ile modelin tahmin ettiği değerler arasındaki farkın mutlak değerini hesaplayan bir kayıp işlevi. Örneğin, beş örnekten oluşan bir toplu işlem için L₁ kaybının hesaplanması aşağıda verilmiştir:

L₁ kaybı, L₂ kaybına kıyasla aykırı değerlere karşı daha az hassastır.

Ortalama mutlak hata, örnek başına ortalama _L1 kaybıdır.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Doğrusal Regresyon: Kayıp bölümüne bakın.

L₁ normalleştirmesi

Ağırlıkların mutlak değerinin toplamıyla orantılı olarak ağırlıklara ceza uygulayan bir normalleştirme türü. L₁ normalleştirme, alakasız veya neredeyse alakasız özelliklerin ağırlıklarını tam olarak 0'a düşürmeye yardımcı olur. Ağırlığı 0 olan bir özellik, modelden etkili bir şekilde kaldırılır.

L₂ normalleştirmesi ile karşılaştırın.

L₂ kaybı

Gerçek etiket değerleri ile modelin tahmin ettiği değerler arasındaki farkın karesini hesaplayan bir kayıp işlevi. Örneğin, beş örnekten oluşan bir toplu işlem için L₂ kaybının hesaplanması aşağıda verilmiştir:

Kare alma işlemi nedeniyle L₂ kaybı, aykırı değerlerin etkisini artırır. Yani L₂ kaybı, kötü tahminlere L₁ kaybından daha güçlü tepki verir. Örneğin, önceki toplu iş için L₁ kaybı 16 yerine 8 olur. 16 değerin 9'unun tek bir aykırı değerden oluştuğuna dikkat edin.

Regresyon modelleri genellikle kayıp işlevi olarak L₂ kaybını kullanır.

Ortalama Karesel Hata, örnek başına ortalama _L2 kaybıdır. Kare kaybı, L₂ kaybının diğer adıdır.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Lojistik regresyon: Kayıp ve düzenlileştirme bölümüne bakın.

L₂ normalleştirme

Ağırlıkların karelerinin toplamıyla orantılı olarak ağırlıklara oran uygulayan bir normalleştirme türü. L₂ düzenlileştirme, aykırı ağırlıkların (yüksek pozitif veya düşük negatif değerlere sahip olanlar) 0'a daha yakın olmasına yardımcı olur ancak tam olarak 0'a ulaşmaz. Değerleri 0'a çok yakın olan özellikler modelde kalır ancak modelin tahminini çok fazla etkilemez.

L₂ düzenlileştirme, doğrusal modellerde her zaman genelleştirmeyi iyileştirir.

L₁ normalleştirmesi ile karşılaştırın.

Daha fazla bilgi için Makine Öğrenimine Giriş Hızlandırılmış Kursu'ndaki Aşırı Uydurma: L2 düzenlileştirme bölümüne bakın.

etiket

Denetimli makine öğreniminde, bir örneğin "yanıt" veya "sonuç" kısmı.

Her etiketli örnek, bir veya daha fazla özellikten ve bir etiketten oluşur. Örneğin, bir spam algılama veri kümesinde etiket muhtemelen "spam" veya "spam değil" olur. Bir yağış veri kümesinde etiket, belirli bir dönemde düşen yağmur miktarı olabilir.

Daha fazla bilgi için Makine Öğrenimine Giriş bölümündeki Denetimli Öğrenme başlıklı makaleyi inceleyin.

etiketli örnek

Bir veya daha fazla özellik ve bir etiket içeren bir örnek. Örneğin, aşağıdaki tabloda bir ev değerleme modelinden alınmış, her biri üç özelliğe ve bir etikete sahip üç etiketli örnek gösterilmektedir:

Gözetimli makine öğreniminde, modeller etiketli örnekler üzerinde eğitilir ve etiketsiz örnekler üzerinde tahminler yapar.

Etiketli örneği etiketsiz örneklerle karşılaştırın.

Daha fazla bilgi için Makine Öğrenimine Giriş bölümündeki Denetimli Öğrenme başlıklı makaleyi inceleyin.

etiket sızıntısı

Bir özelliğin etiketin yerine kullanıldığı model tasarım hatası. Örneğin, olası bir müşterinin belirli bir ürünü satın alıp almayacağını tahmin eden bir ikili sınıflandırma modelini ele alalım. Modelin özelliklerinden birinin SpokeToCustomerAgent adlı bir Boole olduğunu varsayalım. Ayrıca, müşteri temsilcisinin yalnızca potansiyel müşteri ürünü satın aldıktan sonra atandığını varsayalım. Eğitim sırasında model, SpokeToCustomerAgent ile etiket arasındaki ilişkiyi hızlıca öğrenir.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki İşlem hatlarını izleme bölümüne bakın.

lambda

Normalleştirme oranı ile eş anlamlıdır.

Lambda, aşırı yüklenmiş bir terimdir. Burada, terimin normalleştirme kapsamındaki tanımına odaklanıyoruz.

LaMDA (Language Model for Dialogue Applications)

Google tarafından geliştirilen, Transformer tabanlı bir büyük dil modelidir. Büyük bir diyalog veri kümesi üzerinde eğitilmiş olup gerçekçi sohbet yanıtları üretebilir.

LaMDA: Çığır açan sohbet teknolojimiz hakkında genel bir bakış sunar.

önemli noktalar

keypoints kelimesinin eş anlamlısı.

dil modeli

Daha uzun bir jeton dizisinde bir jetonun veya jeton dizisinin gerçekleşme olasılığını tahmin eden bir modeldir.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Dil modeli nedir? konusuna bakın.

büyük dil modeli

En azından çok sayıda parametreye sahip bir dil modeli. Daha gayri resmi olarak, Gemini veya GPT gibi Transformer tabanlı herhangi bir dil modeli.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Büyük dil modelleri (LLM'ler) başlıklı makaleye göz atın.

gecikme

Bir modelin girişi işlemesi ve yanıt oluşturması için gereken süre. Yüksek gecikme süresine sahip bir yanıtın oluşturulması, düşük gecikme süresine sahip bir yanıttan daha uzun sürer.

Büyük dil modellerinin gecikmesini etkileyen faktörler şunlardır:

• Giriş ve çıkış [jeton] uzunlukları
• Model karmaşıklığı
• Modelin üzerinde çalıştığı altyapı

Gecikmeye göre optimizasyon, duyarlı ve kullanıcı dostu uygulamalar oluşturmak için çok önemlidir.

latent space

Yerleştirme uzayı ile eş anlamlıdır.

katman

Nöral ağdaki bir grup nöron. Sık kullanılan üç katman türü şunlardır:

• Tüm özellikler için değerler sağlayan giriş katmanı.
• Özellikler ile etiket arasındaki doğrusal olmayan ilişkileri bulan bir veya daha fazla gizli katman.
• Tahmini sağlayan çıkış katmanı.

Örneğin, aşağıdaki resimde bir giriş katmanı, iki gizli katman ve bir çıkış katmanı içeren bir sinir ağı gösterilmektedir:

TensorFlow'da katmanlar, Tensor'ları ve yapılandırma seçeneklerini giriş olarak alan, çıkış olarak da başka tensorlar üreten Python işlevleridir.

Layers API (tf.layers)

Katmanların birleşimi olarak derin bir sinir ağı oluşturmak için kullanılan TensorFlow API'si. Layers API, aşağıdakiler gibi farklı türlerde katmanlar oluşturmanıza olanak tanır:

• tf.layers.Dense Tamamıyla bağlı katman için.
• tf.layers.Conv2D, bir evrişimli katman için.

Layers API, Keras katmanları API kurallarına uyar. Yani, farklı bir önek dışında, Layers API'deki tüm işlevler, Keras katmanları API'deki karşılıklarıyla aynı adlara ve imzalara sahiptir.

yaprak

Karar ağacındaki herhangi bir uç nokta. Bir koşulun aksine, yaprak test yapmaz. Daha doğrusu, yaprak olası bir tahmindir. Yaprak, çıkarım yolunun son düğümüdür.

Örneğin, aşağıdaki karar ağacında üç yaprak bulunur:

Daha fazla bilgi için Karar Ormanları kursundaki Karar ağaçları bölümüne bakın.

Learning Interpretability Tool (LIT)

Görsel ve etkileşimli bir model anlama ve veri görselleştirme aracı.

Modelleri yorumlamak veya metin, resim ve tablo verilerini görselleştirmek için açık kaynaklı LIT'i kullanabilirsiniz.

öğrenme hızı

Gradyan inişi algoritmasına her iterasyonda ağırlıkların ve yanlılıkların ne kadar güçlü şekilde ayarlanacağını söyleyen bir kayan noktalı sayıdır. Örneğin, 0,3 öğrenme hızı, ağırlıkları ve yanlılıkları 0,1 öğrenme hızına kıyasla üç kat daha güçlü bir şekilde ayarlar.

Öğrenme hızı önemli bir hiperparametredir. Öğrenme oranını çok düşük ayarlarsanız eğitim çok uzun sürer. Öğrenme oranını çok yüksek ayarlarsanız gradyan inişi genellikle yakınsama noktasına ulaşmakta zorlanır.

Daha fazla bilgi için Makine Öğrenimine Hızlı Bakış Kursu'ndaki Doğrusal regresyon: Hiperparametreler bölümüne bakın.

en küçük kareler regresyonu

L₂ kaybı en aza indirilerek eğitilmiş bir doğrusal regresyon modeli.

Levenshtein Uzaklığı

Bir kelimeyi başka bir kelimeye dönüştürmek için gereken en az silme, ekleme ve değiştirme işlemlerini hesaplayan bir düzenleme mesafesi metriği. Örneğin, "heart" ve "darts" kelimeleri arasındaki Levenshtein mesafesi üçtür. Çünkü bir kelimeyi diğerine dönüştürmek için en az üç düzenleme gerekir:

1. heart → deart ("h" yerine "d" koyma)
2. deart → dart ("e" harfi silinir)
3. dart → darts (insert "s")

Yukarıdaki sıranın, üç düzenlemenin tek yolu olmadığını unutmayın.

doğrusal

Yalnızca toplama ve çarpma işlemleriyle gösterilebilen iki veya daha fazla değişken arasındaki ilişki.

Doğrusal bir ilişkinin grafiği bir doğrudur.

Doğrusal olmayan ile karşılaştırma.

doğrusal model

Tahmin yapmak için her bir özelliğe bir ağırlık atayan bir model. (Doğrusal modellerde yanlılık da bulunur.) Buna karşılık, derin modellerde özelliklerin tahminlerle ilişkisi genellikle doğrusal değildir.

Doğrusal modellerin eğitimi genellikle daha kolaydır ve derin modellere kıyasla daha yorumlanabilir. Ancak derin modeller, özellikler arasındaki karmaşık ilişkileri öğrenebilir.

Doğrusal regresyon ve mantıksal regresyon, iki tür doğrusal modeldir.

y' = 7 + (-2.5)(x1) + (-1.2)(x2) + (1.4)(x3)

y' = 7 + (-2.5)(4) + (-1.2)(-10) + (1.4)(5)
y' = 16

doğrusal regresyon

Aşağıdakilerin her ikisinin de geçerli olduğu bir makine öğrenimi modeli türü:

• Model, doğrusal bir modeldir.
• Tahmin, kayan nokta değeridir. (Bu, doğrusal regresyonun regresyon kısmıdır.)

Doğrusal regresyonu mantıksal regresyonla karşılaştırın. Ayrıca regresyonu sınıflandırma ile karşılaştırın.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Doğrusal regresyon bölümüne bakın.

LIT

Daha önce Language Interpretability Tool olarak bilinen Learning Interpretability Tool (LIT)'in kısaltması.

LLM

Büyük dil modeli kısaltması.

LLM değerlendirmeleri (evals)

Büyük dil modellerinin (LLM'ler) performansını değerlendirmeye yönelik bir dizi metrik ve karşılaştırma. Özetle, LLM değerlendirmeleri:

• Araştırmacıların, LLM'lerin iyileştirilmesi gereken alanları belirlemesine yardımcı olun.
• Farklı büyük dil modellerini karşılaştırmak ve belirli bir görev için en iyi büyük dil modelini belirlemek amacıyla kullanılır.
• Büyük dil modellerinin güvenli ve etik bir şekilde kullanılmasını sağlamaya yardımcı olur.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Büyük dil modelleri (LLM'ler) başlıklı makaleye göz atın.

mantıksal regresyon

Bir olasılığı tahmin eden bir tür regresyon modeli. Lojistik regresyon modelleri aşağıdaki özelliklere sahiptir:

• Etiket kategoriktir. Mantıksal regresyon terimi genellikle ikili mantıksal regresyonu, yani iki olası değere sahip etiketlerin olasılıklarını hesaplayan bir modeli ifade eder. Daha az yaygın bir varyant olan çok terimli lojistik regresyon, ikiden fazla olası değere sahip etiketlerin olasılıklarını hesaplar.
• Eğitim sırasında kullanılan kayıp fonksiyonu Log Loss'tur. (İkiden fazla olası değere sahip etiketler için birden fazla Log Loss birimi paralel olarak yerleştirilebilir.)
• Model, derin sinir ağı değil, doğrusal bir mimariye sahiptir. Ancak bu tanımın geri kalanı, kategorik etiketlerin olasılıklarını tahmin eden derin modeller için de geçerlidir.

Örneğin, bir giriş e-postasının spam veya spam olmama olasılığını hesaplayan bir lojistik regresyon modelini ele alalım. Çıkarım sırasında modelin 0, 72 tahmin ettiğini varsayalım. Bu nedenle, model şunları tahmin etmektedir:

• E-postanın spam olma olasılığı% 72.
• E-postanın spam olmama olasılığı% 28.

Lojistik regresyon modeli, aşağıdaki iki adımlı mimariyi kullanır:

1. Model, giriş özelliklerinin doğrusal bir fonksiyonunu uygulayarak ham bir tahmin (y') oluşturur.
2. Model, bu ham tahmini sigmoid işlevine girdi olarak kullanır. Bu işlev, ham tahmini 0 ile 1 arasında (0 ve 1 hariç) bir değere dönüştürür.

Herhangi bir regresyon modeli gibi, mantıksal regresyon modeli de bir sayı tahmin eder. Ancak bu sayı genellikle aşağıdaki gibi ikili sınıflandırma modelinin bir parçası haline gelir:

• Tahmin edilen sayı sınıflandırma eşiğinden büyükse ikili sınıflandırma modeli pozitif sınıfı tahmin eder.
• Tahmin edilen sayı, sınıflandırma eşiğinden küçükse ikili sınıflandırma modeli negatif sınıfı tahmin eder.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Lojistik regresyon bölümüne bakın.

logits

Bir sınıflandırma modelinin oluşturduğu ham (normalleştirilmemiş) tahmin vektörü. Bu vektör normalde bir normalleştirme işlevine iletilir. Model bir çok sınıflı sınıflandırma sorununu çözüyorsa logitler genellikle softmax işlevinin girdisi olur. Ardından softmax işlevi, her olası sınıf için bir değer içeren (normalleştirilmiş) olasılık vektörü oluşturur.

Günlük Kaybı

İkili mantıksal regresyonda kullanılan kayıp fonksiyonu.

Daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki Lojistik regresyon: Kayıp ve düzenlileştirme bölümüne bakın.

log-odds

Bazı olayların olasılık oranının logaritması.

Uzun kısa süreli bellek (LSTM)

El yazısı tanıma, makine çevirisi ve görüntü açıklaması gibi uygulamalarda veri dizilerini işlemek için kullanılan bir yinelemeli sinir ağı hücresi türü. LSTMLer, RNN'leri eğitirken uzun veri dizileri nedeniyle ortaya çıkan kaybolan gradyan sorununu, RNN'deki önceki hücrelerden gelen yeni giriş ve bağlama dayalı bir dahili bellek durumunda geçmişi koruyarak ele alır.

LoRA

Düşük Sıralı Uyarlanabilirlik'in kısaltmasıdır.

mağlubiyet

Gözetimli bir modelin eğitimi sırasında, modelin tahmininin etiketinden ne kadar uzak olduğunu gösteren bir ölçü.

Kayıp işlevi, kaybı hesaplar.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Doğrusal regresyon: Kayıp bölümüne bakın.

kayıp toplayıcı

Birden fazla modelin tahminlerini birleştirerek ve bu tahminleri tek bir tahmin yapmak için kullanarak modelin performansını artıran bir makine öğrenimi algoritması türü. Sonuç olarak, bir kayıp toplayıcı tahminlerin varyansını azaltabilir ve tahminlerin doğruluğunu artırabilir.

kayıp eğrisi

Eğitim iterasyonlarının sayısının bir fonksiyonu olarak kaybın grafiği. Aşağıdaki grafikte tipik bir kayıp eğrisi gösterilmektedir:

Kayıp eğrileri, modelinizin ne zaman yakınlaştığını veya aşırı uyum sağladığını belirlemenize yardımcı olabilir.

Kayıp eğrileri, aşağıdaki kayıp türlerinin tümünü çizebilir:

• eğitim kaybı
• doğrulama kaybı
• test kaybı

Ayrıca genelleştirme eğrisini de inceleyin.

Daha fazla bilgi için Makine Öğrenimine Hızlı Bakış kursundaki Aşırı Uydurma: Kayıp eğrilerini yorumlama başlıklı makaleye bakın.

kayıp fonksiyonu

Eğitim veya test sırasında, bir örnek grubu üzerindeki kaybı hesaplayan matematiksel bir işlev. Bir kayıp işlevi, iyi tahminler yapan modeller için kötü tahminler yapan modellere göre daha düşük bir kayıp değeri döndürür.

Eğitimin amacı genellikle bir kayıp işlevinin döndürdüğü kaybı en aza indirmektir.

Birçok farklı türde kayıp fonksiyonu vardır. Oluşturduğunuz model türü için uygun kayıp işlevini seçin. Örneğin:

• L₂ kaybı (veya Karesi Alınmış Ortalama Hata), doğrusal regresyon için kayıp işlevidir.
• Log kaybı, lojistik regresyonun kayıp işlevidir.

kayıp yüzeyi

Kilo kaybı grafiği. Gradyan iniş, kayıp yüzeyinin yerel minimumda olduğu ağırlıkları bulmayı amaçlar.

Düşük Dereceli Uyarlanabilirlik (LoRA)

Modelin önceden eğitilmiş ağırlıklarını "dondurarak" (artık değiştirilemezler) ve ardından modele küçük bir eğitilebilir ağırlık grubu ekleyerek ince ayar yapmaya yönelik parametre açısından verimli bir teknik. Bu eğitilebilir ağırlıklar kümesi ("güncelleme matrisleri" olarak da bilinir) temel modelden önemli ölçüde küçüktür ve bu nedenle eğitimi çok daha hızlıdır.

LoRA aşağıdaki avantajları sağlar:

• İnce ayarın uygulandığı alan için modelin tahminlerinin kalitesini artırır.
• Bir modelin tüm parametrelerinin ince ayarını gerektiren tekniklerden daha hızlı ince ayar yapar.
• Aynı temel modeli paylaşan birden fazla uzmanlaşmış modelin eşzamanlı olarak sunulmasını sağlayarak çıkarım hesaplama maliyetini düşürür.

LSTM

Uzun kısa süreli bellek'in kısaltmasıdır.

M

makine öğrenimi

Giriş verilerinden model eğiten bir program veya sistem. Eğitilmiş model, modeli eğitmek için kullanılan dağıtımla aynı dağıtımdan alınan yeni (daha önce hiç görülmemiş) verilerden yararlı tahminler yapabilir.

Makine öğrenimi, bu programlar veya sistemlerle ilgili çalışma alanını da ifade eder.

Daha fazla bilgi için Makine Öğrenimine Giriş kursuna bakın.

makine çevirisi

Metni bir insan dilinden başka bir insan diline (ör. İngilizceden Japoncaya) dönüştürmek için yazılım (genellikle makine öğrenimi modeli) kullanma.

çoğunluk sınıfı

Sınıf dengesizliği olan bir veri kümesinde daha yaygın olan etiket. Örneğin, %99 negatif etiket ve% 1 pozitif etiket içeren bir veri kümesinde negatif etiketler çoğunluk sınıfıdır.

Azınlık sınıfıyla karşılaştırma

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Veri kümeleri: Dengesiz veri kümeleri bölümüne bakın.

Markov karar süreci (MDP)

Markov özelliği geçerli olduğu varsayımıyla bir dizi durumda gezinmek için kararlar (veya işlemler) alınan karar verme modelini temsil eden bir grafik. Pekiştirme öğreniminde durumlar arasındaki bu geçişler sayısal bir ödül döndürür.

Markov özelliği

Durum geçişlerinin tamamen mevcut durumda ve temsilcinin eyleminde örtülü olarak bulunan bilgilerle belirlendiği belirli ortamların bir özelliği.

maskelenmiş dil modeli

Bir dizideki boşlukları dolduracak aday jetonların olasılığını tahmin eden bir dil modeli. Örneğin, maskelenmiş bir dil modeli, aşağıdaki cümlede altı çizili kelimenin yerine geçecek aday kelimelerin olasılıklarını hesaplayabilir:

The ____ in the hat came back.

Literatürde genellikle alt çizgi yerine "MASK" dizesi kullanılır. Örneğin:

Şapka üzerindeki "MASK" yazısı geri geldi.

Çoğu modern maskelenmiş dil modeli çift yönlüdür.

matplotlib

Açık kaynaklı bir Python 2D çizim kitaplığı olan matplotlib, makine öğreniminin farklı yönlerini görselleştirmenize yardımcı olur.

matrisi çarpanlara ayırma

Matematikte, skaler çarpımı hedef matrise yaklaşan matrisleri bulma mekanizması.

Öneri sistemlerinde hedef matris, genellikle kullanıcıların öğelerle ilgili puanlarını içerir. Örneğin, bir film öneri sisteminin hedef matrisi aşağıdaki gibi görünebilir. Burada pozitif tam sayılar kullanıcı derecelendirmelerini, 0 ise kullanıcının filmi derecelendirmediğini gösterir:

Film öneri sistemi, derecelendirilmemiş filmler için kullanıcı derecelendirmelerini tahmin etmeyi amaçlar. Örneğin, 1. Kullanıcı Black Panther filmini beğenir mi?

Öneri sistemlerinde kullanılan bir yaklaşım, aşağıdaki iki matrisi oluşturmak için matris çarpanlarına ayırma yöntemini kullanmaktır:

• Kullanıcı sayısı X yerleştirme boyutu sayısı şeklinde oluşturulan bir kullanıcı matrisi.
• Öğe matrisi, yerleştirme boyutlarının sayısı X öğe sayısı şeklinde oluşturulur.

Örneğin, üç kullanıcımız ve beş öğemiz üzerinde matrisi çarpanlara ayırma yöntemini kullandığımızda aşağıdaki kullanıcı matrisi ve öğe matrisi elde edilebilir:

User Matrix                 Item Matrix

1.1   2.3           0.9   0.2   1.4    2.0   1.2
0.6   2.0           1.7   1.2   1.2   -0.1   2.1
2.5   0.5

Kullanıcı matrisi ile öğe matrisinin nokta çarpımı, yalnızca orijinal kullanıcı puanlarını değil, aynı zamanda her kullanıcının izlemediği filmlerle ilgili tahminleri de içeren bir öneri matrisi oluşturur. Örneğin, Kullanıcı 1'in Casablanca filmine verdiği 5, 0 puanı ele alalım. Öneri matrisinde bu hücreye karşılık gelen skaler çarpım, umarız 5,0 civarındadır ve şöyledir:

(1.1 * 0.9) + (2.3 * 1.7) = 4.9

Daha da önemlisi, 1. Kullanıcı Black Panther'ı beğenir mi? İlk satır ve üçüncü sütuna karşılık gelen nokta çarpımı, 4,3 olarak tahmin edilen bir puanı verir:

(1.1 * 1.4) + (2.3 * 1.2) = 4.3

Matrisi çarpanlara ayırma genellikle hedef matristen çok daha kompakt olan bir kullanıcı matrisi ve öğe matrisi oluşturur.

Ortalama mutlak hata (MAE)

L₁ kaybı kullanıldığında örnek başına ortalama kayıp. Ortalama mutlak hatayı aşağıdaki şekilde hesaplayın:

1. Bir toplu iş için L₁ kaybını hesaplayın.
2. L₁ kaybını toplu işteki örnek sayısına bölün.

Örneğin, aşağıdaki beş örnekten oluşan toplu işlemde L₁ kaybının hesaplanmasını ele alalım:

Bu nedenle, L₁ kaybı 8 ve örnek sayısı 5'tir. Bu nedenle, ortalama mutlak hata şöyledir:

Mean Absolute Error = L1 loss / Number of Examples
Mean Absolute Error = 8/5 = 1.6

Ortalama mutlak hatayı ortalama karesel hata ve kök ortalama karesel hata ile karşılaştırın.

k'da ortalama hassasiyet (mAP@k)

Bir doğrulama veri kümesindeki tüm k değerinde ortalama hassasiyet puanlarının istatistiksel ortalaması. k'da ortalama hassasiyetin bir kullanım alanı, öneri sistemi tarafından oluşturulan önerilerin kalitesini değerlendirmektir.

"Ortalama" ifadesi gereksiz gibi görünse de metriğin adı uygundur. Bu metrik, birden fazla k değerinde ortalama kesinliğin ortalamasını bulur.

Ortalama Karesel Hata (MSE)

L₂ kaybı kullanıldığında örnek başına ortalama kayıp. Ortalama karesel hatayı aşağıdaki şekilde hesaplayın:

1. Bir toplu iş için L₂ kaybını hesaplayın.
2. L₂ kaybını toplu işteki örnek sayısına bölün.

Örneğin, aşağıdaki beş örneklik gruptaki kaybı ele alalım:

Bu nedenle, ortalama karesel hata şöyledir:

Mean Squared Error = L2 loss / Number of Examples
Mean Squared Error = 16/5 = 3.2

Ortalama karesel hata, özellikle doğrusal regresyon için popüler bir eğitim optimizasyon aracıdır.

Karesel ortalama hatayı ortalama mutlak hata ve kök ortalama kare hatası ile karşılaştırın.

TensorFlow Playground, kayıp değerlerini hesaplamak için ortalama kare hatayı kullanır.

örgü

Makine öğrenimi paralel programlamada, verileri ve modeli TPU çiplere atama ve bu değerlerin nasıl parçalanacağını veya kopyalanacağını tanımlama ile ilişkili bir terimdir.

Mesh, aşağıdaki anlamlara gelebilen aşırı yüklenmiş bir terimdir:

• TPU çiplerinin fiziksel düzeni.
• Verileri ve modeli TPU çipleriyle eşlemek için kullanılan soyut bir mantıksal yapı.

Her iki durumda da bir ağ, şekil olarak belirtilir.

meta öğrenme

Bir öğrenme algoritmasını keşfeden veya geliştiren makine öğrenimi alt kümesi. Meta öğrenme sistemi, az miktarda veriden veya önceki görevlerde kazanılan deneyimlerden yeni bir görevi hızlıca öğrenecek bir modeli eğitmek için de kullanılabilir. Meta öğrenme algoritmaları genellikle aşağıdakileri yapmaya çalışır:

• Elle tasarlanmış özellikleri (ör. başlatıcı veya optimize edici) iyileştirin ya da öğrenin.
• Veri ve işlem açısından daha verimli olun.
• Genelleştirmeyi iyileştirin.

Meta öğrenme, az görevli öğrenme ile ilgilidir.

metrik

Önemsediğiniz bir istatistik.

Hedef, makine öğrenimi sisteminin optimize etmeye çalıştığı bir metriktir.

Metrics API (tf.metrics)

Modelleri değerlendirmek için kullanılan bir TensorFlow API'si. Örneğin, tf.metrics.accuracy, bir modelin tahminlerinin etiketlerle ne sıklıkta eşleştiğini belirler.

mini toplu iş

Tek bir iterasyonda işlenen toplu işin küçük ve rastgele seçilmiş bir alt kümesi. Bir mini toplu işin toplu iş boyutu genellikle 10 ile 1.000 örnek arasındadır.

Örneğin, tüm eğitim kümesinin (tam toplu iş) 1.000 örnekten oluştuğunu varsayalım. Ayrıca, her mini toplu işin toplu iş boyutunu 20 olarak ayarladığınızı varsayalım. Bu nedenle, her yinelemede 1.000 örnekten rastgele seçilen 20 örnekteki kayıp belirlenir ve ardından ağırlıklar ve önyargılar buna göre ayarlanır.

Kaybı tam toplu işteki tüm örnekler üzerinden hesaplamak yerine mini toplu iş üzerinden hesaplamak çok daha verimlidir.

Daha fazla bilgi için Makine Öğrenimine Hızlı Bakış Kursu'ndaki Doğrusal regresyon: Hiperparametreler bölümüne bakın.

mini toplu stokastik gradyan inişi

Mini gruplar kullanan bir gradyan azalma algoritması. Diğer bir deyişle, mini toplu stokastik gradyan inişi, gradyanı eğitim verilerinin küçük bir alt kümesine göre tahmin eder. Normal stokastik gradyan inişi, 1 boyutlu bir mini toplu iş kullanır.

minimax kaybı

Üretilen verilerin dağıtımı ile gerçek veriler arasındaki çapraz entropiye dayalı olarak üretken karşıt ağlar için bir kayıp işlevi.

Minimax kaybı, üretken rakip ağları açıklamak için ilk makalede kullanılmıştır.

Daha fazla bilgi için Üretken Çekişmeli Ağlar kursundaki Kayıp İşlevleri bölümüne bakın.

azınlık sınıfı

Sınıf dengesizliği olan bir veri kümesindeki daha az yaygın etiket. Örneğin, %99 negatif etiket ve% 1 pozitif etiket içeren bir veri kümesinde pozitif etiketler azınlık sınıfıdır.

Çoğunluk sınıfıyla karşılaştırın.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Veri kümeleri: Dengesiz veri kümeleri bölümüne bakın.

uzman karışımı

Belirli bir giriş jetonunu veya örneğini işlemek için parametrelerinin yalnızca bir alt kümesini (uzman olarak bilinir) kullanarak sinir ağı verimliliğini artırma planı. Bir giriş kontrolü ağı, her giriş jetonunu veya örneğini uygun uzmanlara yönlendirir.

Ayrıntılar için aşağıdaki makalelerden birine bakın:

• Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer
• Uzman Seçimi Yönlendirmesi ile Uzman Karışımı

ML

Makine öğrenimi kısaltması.

MMIT

Çok formatlı talimatlara göre ayarlanmış ifadesinin kısaltması.

MNIST

LeCun, Cortes ve Burges tarafından derlenen, kamu malı olan bir veri kümesi. Bu veri kümesi, her biri bir insanın 0-9 arasındaki belirli bir rakamı manuel olarak nasıl yazdığını gösteren 60.000 resim içerir. Her resim, 28x28 tamsayı dizisi olarak saklanır. Her tamsayı, 0 ile 255 arasında (0 ve 255 dahil) bir gri tonlama değeridir.

MNIST, makine öğrenimi için kurallı bir veri kümesidir ve genellikle yeni makine öğrenimi yaklaşımlarını test etmek için kullanılır. Ayrıntılar için The MNIST Database of Handwritten Digits başlıklı makaleyi inceleyin.

modalite

Üst düzey bir veri kategorisi. Örneğin, sayılar, metin, resimler, video ve ses beş farklı formatı ifade eder.

model

Genel olarak, giriş verilerini işleyen ve çıkış döndüren tüm matematiksel yapılar. Başka bir deyişle model, bir sistemin tahmin yapması için gereken parametreler ve yapı kümesidir. Gözetimli makine öğreniminde, bir model giriş olarak örnek alır ve çıkış olarak tahmin çıkarır. Gözetimli makine öğreniminde modeller biraz farklılık gösterir. Örneğin:

• Doğrusal regresyon modeli, bir dizi ağırlık ve bir önyargıdan oluşur.
• Nöral ağ modeli şunlardan oluşur:
  • Her biri bir veya daha fazla nöron içeren bir dizi gizli katman.
  • Her bir nöronla ilişkili ağırlıklar ve sapma.
• Karar ağacı modeli şunlardan oluşur:
  • Ağacın şekli; yani koşulların ve yaprakların bağlanma şekli.
  • Koşullar ve izinler

Modelleri kaydedebilir, geri yükleyebilir veya kopyalayabilirsiniz.

Gözetimsiz makine öğrenimi de modeller oluşturur. Bu modeller genellikle bir giriş örneğini en uygun kümeye eşleyebilen bir işlevdir.

  f(x, y) = 3x -5xy + y2 + 17

def half_of_greater(x, y):
  if (x > y):
    return(x / 2)
  else
    return(y / 2)

model kapasitesi

Bir modelin öğrenebileceği sorunların karmaşıklığı. Bir modelin öğrenebileceği sorunlar ne kadar karmaşıksa modelin kapasitesi de o kadar yüksek olur. Bir modelin kapasitesi genellikle model parametrelerinin sayısıyla artar. Sınıflandırma modeli kapasitesinin resmi tanımı için VC boyutu başlıklı makaleye bakın.

model basamaklandırma

Belirli bir çıkarım sorgusu için ideal modeli seçen bir sistem.

Çok büyük (çok sayıda parametre) ile çok daha küçük (çok daha az parametre) arasında değişen bir grup model olduğunu düşünün. Çok büyük modeller, çıkarım sırasında daha küçük modellere kıyasla daha fazla bilişim kaynağı tüketir. Ancak çok büyük modeller genellikle daha küçük modellere kıyasla daha karmaşık istekleri tahmin edebilir. Model basamaklandırma, çıkarım sorgusunun karmaşıklığını belirler ve ardından çıkarımı gerçekleştirmek için uygun modeli seçer. Model basamaklandırmanın temel amacı, genellikle daha küçük modelleri seçerek ve yalnızca daha karmaşık sorgular için daha büyük bir model seçerek çıkarım maliyetlerini düşürmektir.

Küçük bir modelin telefonda, bu modelin daha büyük bir sürümünün ise uzak bir sunucuda çalıştığını düşünün. İyi bir model basamaklandırması, küçük modelin basit istekleri işlemesini sağlayarak ve yalnızca karmaşık istekleri işlemek için uzak modeli çağırarak maliyeti ve gecikmeyi azaltır.

Ayrıca model yönlendirici başlıklı makaleyi de inceleyin.

model paralelliği

Bir modelin farklı bölümlerini farklı cihazlara yerleştirerek eğitimi veya çıkarımı ölçeklendirme yöntemi. Model paralelliği, tek bir cihaza sığamayacak kadar büyük modelleri kullanmanıza olanak tanır.

Model paralelliğini uygulamak için bir sistem genellikle aşağıdakileri yapar:

1. Modeli daha küçük parçalara ayırır.
2. Bu küçük parçaların eğitimini birden fazla işlemciye dağıtır. Her işlemci, modelin kendi bölümünü eğitir.
3. Tek bir model oluşturmak için sonuçları birleştirir.

Model paralelliği eğitimi yavaşlatır.

Ayrıca veri paralelliği başlıklı makaleyi de inceleyin.

model router

Model sıralamada çıkarım için ideal modeli belirleyen algoritma. Model yönlendirici, genellikle belirli bir giriş için en iyi modeli nasıl seçeceğini kademeli olarak öğrenen bir makine öğrenimi modelidir. Ancak model yönlendirici bazen daha basit bir makine öğrenimi dışı algoritma olabilir.

model eğitimi

En iyi modeli belirleme süreci.

MOE

Uzman karışımı ifadesinin kısaltması.

İlgiyi Artırma

Öğrenme adımının yalnızca mevcut adımdaki türeve değil, aynı zamanda hemen önceki adımın türevlerine de bağlı olduğu gelişmiş bir gradyan iniş algoritması. Momentum, zaman içindeki gradyanların üstel olarak ağırlıklandırılmış hareketli ortalamasını hesaplamayı içerir. Bu, fizikteki momentuma benzer. Momentum, öğrenmenin bazen yerel minimumlarda takılmasını önler.

MT

Makine çevirisi kısaltması.

çok sınıflı sınıflandırma

Denetimli öğrenmede, veri kümesinin ikiden fazla sınıf etiket içerdiği bir sınıflandırma problemi. Örneğin, Iris veri kümesindeki etiketler aşağıdaki üç sınıftan biri olmalıdır:

• Iris setosa
• Iris virginica
• Iris versicolor

Yeni örneklerde Iris türünü tahmin etmek için Iris veri kümesi üzerinde eğitilmiş bir model, çok sınıflı sınıflandırma gerçekleştiriyor.

Buna karşılık, tam olarak iki sınıf arasında ayrım yapan sınıflandırma sorunları ikili sınıflandırma modelleridir. Örneğin, spam veya spam değil olarak tahmin yapan bir e-posta modeli, ikili sınıflandırma modelidir.

Kümeleme sorunlarında çok sınıflı sınıflandırma, ikiden fazla kümeyi ifade eder.

Daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki Nöral ağlar: Çok sınıflı sınıflandırma başlıklı makaleyi inceleyin.

çok sınıflı mantıksal regresyon

Çok sınıflı sınıflandırma sorunlarında mantıksal regresyon kullanma.

çok başlı kendi kendine dikkat

Giriş dizisindeki her konum için öz dikkat mekanizmasını birden çok kez uygulayan bir öz dikkat uzantısıdır.

Transformers, çok başlı öz dikkat özelliğini kullanıma sundu.

çok formatlı talimatlara göre ayarlanmış

Metnin yanı sıra resim, video ve ses gibi girişleri işleyebilen talimatlara göre ayarlanmış bir model.

çok formatlı model

Girişleri, çıkışları veya her ikisi de birden fazla modalite içeren model. Örneğin, hem resmi hem de metin açıklamasını (iki format) özellik olarak alan ve metin açıklamasının resim için ne kadar uygun olduğunu gösteren bir puan çıkaran bir modeli ele alalım. Bu nedenle, bu modelin girişleri çok formatlı, çıkışı ise tek formatlıdır.

çok terimli sınıflandırma

Çok sınıflı sınıflandırma ile eş anlamlıdır.

çok terimli regresyon

Çok sınıflı mantıksal regresyon ile eş anlamlıdır.

çoklu görev

Tek bir modelin birden fazla görevi yerine getirmek üzere eğitildiği bir makine öğrenimi tekniği.

Çok görevli modeller, farklı görevlerin her biri için uygun verilerle eğitilerek oluşturulur. Bu sayede model, görevler arasında bilgi paylaşmayı öğrenir ve daha etkili bir şekilde öğrenir.

Birden fazla görev için eğitilmiş bir model genellikle daha iyi genelleme yeteneklerine sahiptir ve farklı veri türlerini işlemekte daha sağlam olabilir.

H

Nano

Cihaz üzerinde kullanım için tasarlanmış, nispeten küçük bir Gemini modeli. Ayrıntılı bilgi için Gemini Nano başlıklı makaleyi inceleyin.

Ayrıca Pro ve Ultra planlarını da inceleyin.

NaN tuzağı

Modelinizdeki bir sayı eğitim sırasında NaN (Sayı Değil) değerine dönüştüğünde, modelinizdeki diğer sayıların çoğu veya tamamı da sonunda NaN değerine dönüşür.

NaN, Not a Number (Sayı Değil) ifadesinin kısaltmasıdır.

doğal dil işleme

doğal dil anlama

Söylenen veya yazılan bir şeyin niyetini belirleyen bir doğal dil işleme alt kümesi. Doğal dil anlama, bağlam, alay ve duygu gibi dilin karmaşık yönlerini dikkate almak için doğal dil işlemenin ötesine geçebilir.

negatif sınıf

İkili sınıflandırmada bir sınıfa pozitif, diğerine ise negatif adı verilir. Pozitif sınıf, modelin test ettiği şey veya etkinliktir. Negatif sınıf ise diğer olasılıktır. Örneğin:

• Bir tıbbi testteki negatif sınıf "tümör yok" olabilir.
• Bir e-posta sınıflandırma modelindeki negatif sınıf "spam değil" olabilir.

Pozitif sınıfla karşılaştırın.

negatif örnekleme

Aday örnekleme ile eş anlamlıdır.

Nöral Mimarili Arama (NAS)

Sinir ağı mimarisini otomatik olarak tasarlama tekniği. NAS algoritmaları, bir nöral ağı eğitmek için gereken süreyi ve kaynak miktarını azaltabilir.

NAS genellikle şunları kullanır:

• Olası mimarilerden oluşan bir arama alanı.
• Belirli bir mimarinin belirli bir görevdeki performansını ölçen bir uygunluk işlevi.

NAS algoritmaları genellikle olası mimarilerin küçük bir grubuyla başlar ve algoritma, hangi mimarilerin etkili olduğu hakkında daha fazla bilgi edindikçe arama alanını kademeli olarak genişletir. Uygunluk işlevi genellikle mimarinin bir eğitim kümesindeki performansına dayanır ve algoritma genellikle bir pekiştirmeli öğrenme tekniği kullanılarak eğitilir.

NAS algoritmalarının, görüntü sınıflandırma, metin sınıflandırma ve makine çevirisi gibi çeşitli görevler için yüksek performanslı mimariler bulmada etkili olduğu kanıtlanmıştır.

nöral ağ

En az bir gizli katman içeren bir model. Derin nöral ağ, birden fazla gizli katman içeren bir nöral ağ türüdür. Örneğin, aşağıdaki şemada iki gizli katman içeren derin bir sinir ağı gösterilmektedir.

Nöral ağdaki her nöron, bir sonraki katmandaki tüm düğümlere bağlanır. Örneğin, önceki şemada ilk gizli katmandaki üç nöronun her birinin ikinci gizli katmandaki iki nöronun her ikisine de ayrı ayrı bağlandığını görebilirsiniz.

Bilgisayarlarda uygulanan nöral ağlar, beyinlerde ve diğer sinir sistemlerinde bulunan nöral ağlardan ayırt etmek için bazen yapay nöral ağlar olarak adlandırılır.

Bazı sinir ağları, farklı özellikler ve etiket arasındaki son derece karmaşık doğrusal olmayan ilişkileri taklit edebilir.

Ayrıca evrişimli nöral ağ ve yinelemeli nöral ağ başlıklı makalelere de bakın.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Nöral ağlar bölümünü inceleyin.

nöron

Makine öğreniminde, nöral ağın gizli katmanındaki ayrı bir birim. Her nöron aşağıdaki iki adımlı işlemi gerçekleştirir:

1. Giriş değerlerinin, karşılık gelen ağırlıklarıyla çarpılmış ağırlıklı toplamını hesaplar.
2. Ağırlıklı toplamı bir etkinleştirme işlevine giriş olarak iletir.

İlk gizli katmandaki bir nöron, giriş katmanındaki özellik değerlerinden girişleri kabul eder. İlk katmanın ötesindeki herhangi bir gizli katmanda bulunan bir nöron, önceki gizli katmandaki nöronlardan girişleri kabul eder. Örneğin, ikinci gizli katmandaki bir nöron, ilk gizli katmandaki nöronlardan giriş kabul eder.

Aşağıdaki resimde iki nöron ve bunların girişleri vurgulanmaktadır.

Nöral ağdaki bir nöron, beyinlerdeki ve sinir sistemlerinin diğer kısımlarındaki nöronların davranışını taklit eder.

N-gram

N kelimeden oluşan sıralı bir dizi. Örneğin, truly madly bir 2 gramdır. Sıra önemli olduğundan madly truly, truly madly'den farklı bir 2 gramdır.

Birçok doğal dil anlama modeli, kullanıcının yazacağı veya söyleyeceği bir sonraki kelimeyi tahmin etmek için N-gram'lardan yararlanır. Örneğin, bir kullanıcının happily ever yazdığını varsayalım. Üçlü gramlara dayalı bir NLU modeli, kullanıcının bir sonraki kelime olarak sonra kelimesini yazacağını tahmin edebilir.

N-gram'ları, sıralanmamış kelime kümeleri olan kelime torbasıyla karşılaştırın.

Daha fazla bilgi için Makine Öğrenimi Hızlandırılmış Kursu'ndaki Büyük dil modelleri bölümüne bakın.

NLP

Doğal dil işleme kısaltması.

NLU

Doğal dil anlama kısaltması.

düğüm (karar ağacı)

Karar ağacında herhangi bir koşul veya yaprak.

Daha fazla bilgi için Karar Ormanları kursundaki Karar Ağaçları bölümüne bakın.

düğüm (nöral ağ)

Gizli katmandaki bir nöron.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Nöral Ağlar bölümünü inceleyin.

düğüm (TensorFlow grafiği)

TensorFlow grafiğindeki bir işlem.

gürültü

Genel olarak, bir veri kümesindeki sinyali gizleyen her şey. Gürültü, verilere çeşitli şekillerde dahil edilebilir. Örneğin:

• İnsan derecelendirmeciler etiketlemede hata yapabilir.
• İnsanlar ve enstrümanlar, özellik değerlerini yanlış kaydeder veya atlar.

ikili olmayan koşul

İkiden fazla olası sonuç içeren bir koşul. Örneğin, aşağıdaki ikili olmayan koşul üç olası sonuç içerir:

Daha fazla bilgi için Karar Ormanları kursundaki Koşul türleri bölümünü inceleyin.

doğrusal olmayan

Yalnızca toplama ve çarpma işlemleriyle gösterilemeyen iki veya daha fazla değişken arasındaki ilişki. Doğrusal bir ilişki çizgi olarak gösterilebilir. Doğrusal olmayan bir ilişki çizgi olarak gösterilemez. Örneğin, her biri tek bir özelliği tek bir etiketle ilişkilendiren iki modeli ele alalım. Soldaki model doğrusal, sağdaki model ise doğrusal değildir:

Farklı türde doğrusal olmayan işlevlerle denemeler yapmak için Makine Öğrenimine Giriş Kursu'ndaki Nöral ağlar: Düğümler ve gizli katmanlar bölümüne bakın.

yanıt vermeme önyargısı

Seçim yanlılığı konusunu inceleyin.

durağan olmama

Değerleri bir veya daha fazla boyutta (genellikle zaman) değişen bir özellik. Örneğin, durağan olmama durumuna ilişkin aşağıdaki örnekleri inceleyin:

• Belirli bir mağazada satılan mayo sayısı mevsime göre değişir.
• Belirli bir bölgede hasat edilen belirli bir meyvenin miktarı yılın büyük bir bölümünde sıfır olsa da kısa bir süre boyunca yüksek olabilir.
• İklim değişikliği nedeniyle yıllık ortalama sıcaklıklar değişiyor.

Durağanlık ile karşılaştırın.

tek doğru yanıt yok (NORA)

Birden fazla uygun yanıtı olan bir istem. Örneğin, aşağıdaki istemin tek bir doğru yanıtı yoktur:

Fillerle ilgili bir fıkra anlat.

Tek bir doğru yanıtı olmayan istemleri değerlendirmek zor olabilir.

NORA

Doğru cevap yok ifadesinin kısaltması.

normalleştirme

Genel olarak, bir değişkenin gerçek değer aralığını standart bir değer aralığına dönüştürme süreci. Örneğin:

• -1 ile +1 arasında
• 0 ile 1 arasında
• Z puanları (kabaca -3 ila +3)

Örneğin, belirli bir özelliğin gerçek değer aralığının 800 ila 2.400 olduğunu varsayalım. Özellik mühendisliği kapsamında, gerçek değerleri -1 ile +1 gibi standart bir aralığa normalleştirebilirsiniz.

Normalleştirme, özellik mühendisliğinde yaygın bir görevdir. Özellik vektöründeki her sayısal özellik yaklaşık olarak aynı aralığa sahip olduğunda modeller genellikle daha hızlı eğitilir (ve daha iyi tahminler üretir).

Ayrıca Z puanı normalleştirme konusuna da bakın.

Daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki Sayısal Veriler: Normalleştirme bölümüne bakın.

Notebook LM

Kullanıcıların doküman yüklemesine ve ardından bu dokümanlarla ilgili soru sormak, özetlemek veya dokümanları düzenlemek için istemler kullanmasına olanak tanıyan Gemini tabanlı bir araç. Örneğin, bir yazar birkaç kısa öykü yükleyip NotebookLM'den ortak temalarını bulmasını veya hangisinin en iyi film olacağını belirlemesini isteyebilir.

yenilik algılama

Yeni bir örneğin eğitim kümesiyle aynı dağılımdan gelip gelmediğini belirleme süreci. Diğer bir deyişle, eğitim kümesi üzerinde eğitimden sonra yenilik algılama, yeni bir örneğin (çıkarım sırasında veya ek eğitim sırasında) aykırı değer olup olmadığını belirler.

Aykırı değer algılama ile karşılaştırma

sayısal veriler

Tam sayılar veya gerçek değerli sayılar olarak gösterilen özellikler. Örneğin, bir ev değerleme modeli, evin büyüklüğünü (metrekare veya fit kare cinsinden) sayısal veri olarak temsil eder. Bir özelliği sayısal veri olarak temsil etmek, özelliğin değerlerinin etiketle matematiksel bir ilişkisi olduğunu gösterir. Yani bir evdeki metrekare sayısı muhtemelen evin değeriyle matematiksel bir ilişkiye sahiptir.

Tüm tam sayı verileri sayısal veri olarak gösterilmemelidir. Örneğin, dünyanın bazı bölgelerindeki posta kodları tam sayıdır ancak tam sayı posta kodları modellerde sayısal veri olarak gösterilmemelidir. Bunun nedeni, 20000 posta kodunun 10000 posta kodundan iki kat (veya yarısı) daha etkili olmamasıdır. Ayrıca, farklı posta kodları farklı emlak değerleriyle ilişkili olsa da 20000 posta kodundaki emlak değerlerinin 10000 posta kodundaki emlak değerlerinden iki kat daha değerli olduğunu varsayamayız. Posta kodları bunun yerine kategorik veri olarak gösterilmelidir.

Sayısal özelliklere bazen sürekli özellikler de denir.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Sayısal verilerle çalışma bölümüne bakın.

NumPy

Python'da verimli dizi işlemleri sağlayan bir açık kaynaklı matematik kitaplığıdır. pandas, NumPy üzerine kurulmuştur.

O

hedef

Algoritmanızın optimize etmeye çalıştığı bir metrik.

amaç işlevi

Bir modelin optimize etmeyi amaçladığı matematiksel formül veya metrik. Örneğin, doğrusal regresyon için amaç işlevi genellikle ortalama kare kaybıdır. Bu nedenle, doğrusal regresyon modeli eğitilirken eğitim, ortalama kare kaybını en aza indirmeyi amaçlar.

Bazı durumlarda amaç, hedef işlevi en üst düzeye çıkarmaktır. Örneğin, amaç işlevi doğruluksa hedef, doğruluğu en üst düzeye çıkarmaktır.

Ayrıca kayıp konusuna da bakın.

eğik koşul

Karar ağacında birden fazla özelliğin yer aldığı bir koşul. Örneğin, yükseklik ve genişlik özellikse aşağıdaki koşul eğik koşuldur:

  height > width

Eksenle hizalanmış koşul ile karşılaştırın.

Daha fazla bilgi için Karar Ormanları kursundaki Koşul türleri bölümünü inceleyin.

çevrimdışı

Statik kelimesinin eş anlamlısı.

çevrimdışı çıkarım

Bir modelin toplu tahminler oluşturup bu tahminleri önbelleğe alma (kaydetme) süreci. Böylece uygulamalar, modeli yeniden çalıştırmak yerine önbellekteki çıkarılmış tahmine erişebilir.

Örneğin, dört saatte bir yerel hava durumu tahminleri (öngörüler) oluşturan bir modeli ele alalım. Sistem, her model çalıştırmasından sonra tüm yerel hava durumu tahminlerini önbelleğe alır. Hava durumu uygulamaları, tahminleri önbellekten alır.

Çevrimdışı çıkarıma statik çıkarım da denir.

Online çıkarım ile karşılaştırın. Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Üretim ML sistemleri: Statik ve dinamik çıkarım bölümüne bakın.

one-hot kodlama

Kategorik verileri şu şekilde vektör olarak temsil etme:

• Bir öğe 1 olarak ayarlanır.
• Diğer tüm öğeler 0 olarak ayarlanır.

Tek sıcak kodlama, olası değerleri sınırlı olan dizeleri veya tanımlayıcıları temsil etmek için yaygın olarak kullanılır. Örneğin, Scandinavia adlı belirli bir kategorik özelliğin beş olası değeri olduğunu varsayalım:

• "Danimarka"
• "İsveç"
• "Norveç"
• "Finland"
• "İzlanda"

Tek sıcak kodlama, beş değerin her birini aşağıdaki gibi temsil edebilir:

Tek sıcaklık kodlaması sayesinde bir model, beş ülkenin her birine göre farklı bağlantılar öğrenebilir.

Bir özelliği sayısal veri olarak temsil etmek, one-hot kodlamaya bir alternatiftir. Maalesef İskandinav ülkelerini sayısal olarak temsil etmek iyi bir seçim değildir. Örneğin, aşağıdaki sayısal gösterimi ele alalım:

• "Denmark" is 0
• "İsveç" 1
• "Norveç" 2
• "Finland" is 3
• "İzlanda" 4

Sayısal kodlamada model, ham sayıları matematiksel olarak yorumlar ve bu sayılar üzerinde eğitim almaya çalışır. Ancak İzlanda, Norveç'in iki katı (veya yarısı) olmadığından model bazı tuhaf sonuçlara varır.

Daha fazla bilgi için Makine Öğrenimine Hızlı Başlangıç Kursu'ndaki Kategorik veriler: Sözcük dağarcığı ve tek sıcak kodlama bölümüne bakın.

tek görevli öğrenme

Genellikle nesne sınıflandırması için kullanılan, tek bir eğitim örneğinden etkili bir sınıflandırma modeli öğrenmek üzere tasarlanmış bir makine öğrenimi yaklaşımı.

Çok görevli öğrenme ve sıfır görevli öğrenme bölümlerini de inceleyin.

tek görevli istem

Büyük dil modelinin nasıl yanıt vermesi gerektiğini gösteren bir örnek içeren istem. Örneğin, aşağıdaki istemde büyük bir dil modeline bir sorguya nasıl yanıt vermesi gerektiğini gösteren bir örnek yer alıyor.

Tek görev istemi ile aşağıdaki terimleri karşılaştırın:

• sıfır örnekli istem
• az örnekli istem (few-shot prompting)

bire karşı tümü

N sınıflı bir sınıflandırma problemi verildiğinde, her olası sonuç için bir ikili sınıflandırıcı olmak üzere N ayrı ikili sınıflandırıcıdan oluşan bir çözüm. Örneğin, örnekleri hayvan, bitki veya mineral olarak sınıflandıran bir model verildiğinde, bire karşı tüm çözüm aşağıdaki üç ayrı ikili sınıflandırıcıyı sağlar:

• hayvan ve hayvan olmayan
• sebze ve sebze olmayan
• mineral ve mineral olmayan

online

Dinamik kelimesinin eş anlamlısı.

online çıkarım

İsteğe bağlı olarak tahminler oluşturma. Örneğin, bir uygulamanın bir modele giriş ilettiğini ve tahmin isteğinde bulunduğunu varsayalım. Online çıkarım kullanan bir sistem, modeli çalıştırarak (ve tahmini uygulamaya döndürerek) isteğe yanıt verir.

Çevrimdışı çıkarım ile karşılaştırın.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Üretim ML sistemleri: Statik ve dinamik çıkarım bölümüne bakın.

işlem (op)

TensorFlow'da Tensor oluşturan, değiştiren veya yok eden tüm işlemler. Örneğin, matris çarpımı, giriş olarak iki tensör alan ve çıkış olarak bir tensör oluşturan bir işlemdir.

Optax

JAX için bir gradyan işleme ve optimizasyon kitaplığı. Optax, derin nöral ağlar gibi parametrik modelleri optimize etmek için özel şekillerde yeniden birleştirilebilen yapı taşları sağlayarak araştırmayı kolaylaştırır. Diğer hedefler şunlardır:

• Temel bileşenlerin okunabilir, iyi test edilmiş ve verimli uygulamalarını sağlama.
• Düşük seviyeli bileşenlerin özel optimize edicilerde (veya diğer gradyan işleme bileşenlerinde) birleştirilmesini sağlayarak üretkenliği artırma.
• Herkesin katkıda bulunmasını kolaylaştırarak yeni fikirlerin benimsenmesini hızlandırın.

optimizer

Gradyan inişi algoritmasının belirli bir uygulaması. Popüler optimizasyon araçları şunlardır:

• AdaGrad, ADAptive GRADient descent (uyarlanabilir gradyan azalma) anlamına gelir.
• Adam, Momentum ile Uyarlanabilir anlamına gelir.

grup dışı homojenlik önyargısı

Tutumları, değerleri, kişilik özelliklerini ve diğer özellikleri karşılaştırırken grup dışı üyeleri grup içi üyelerden daha benzer görme eğilimi. Grup içi, düzenli olarak etkileşimde bulunduğunuz kişileri; grup dışı ise düzenli olarak etkileşimde bulunmadığınız kişileri ifade eder. Kullanıcılardan grup dışındaki kişilerle ilgili özellikler sağlamalarını isteyerek bir veri kümesi oluşturursanız bu özellikler, katılımcıların kendi gruplarındaki kişiler için listelediği özelliklere kıyasla daha az ayrıntılı ve daha çok klişeleşmiş olabilir.

Örneğin, Lilliputlular diğer Lilliputluların evlerini ayrıntılı bir şekilde açıklayabilir, mimari stiller, pencereler, kapılar ve boyutlardaki küçük farklılıklardan bahsedebilir. Ancak aynı Lilliputlular, Brobdingnaglıların hepsinin aynı evde yaşadığını söyleyebilir.

Grup dışı homojenlik önyargısı, bir gruba atfetme önyargısı türüdür.

Ayrıca grup içi önyargı konusuna da bakın.

aykırı değer algılama

Eğitim kümesindeki aykırı değerleri belirleme süreci.

Yenilik tespiti ile karşılaştırın.

düşünün

Diğer değerlerin çoğundan uzak olan değerler. Makine öğreniminde aşağıdakilerin tümü aykırı değerdir:

• Değerleri ortalamadan yaklaşık 3 standart sapmadan fazla olan verileri girin.
• Mutlak değerleri yüksek olan ağırlıklar.
• Tahmin edilen değerler, gerçek değerlerden nispeten uzaktır.

Örneğin, widget-price simgesinin belirli bir modelin özelliği olduğunu varsayalım. Ortalama widget-price değerinin 7 avro, standart sapmanın ise 1 avro olduğunu varsayalım. Bu nedenle, 12 avro veya 2 avro widget-price içeren örnekler aykırı değer olarak kabul edilir. Çünkü bu fiyatların her biri ortalamadan beş standart sapma uzaktadır.

Aykırı değerlere genellikle yazım hataları veya diğer giriş hataları neden olur. Diğer durumlarda ise aykırı değerler hata değildir. Ortalama değerden beş standart sapma uzaklıktaki değerler nadir olsa da imkansız değildir.

Aykırı değerler genellikle model eğitiminde sorunlara neden olur. Kırpma, aykırı değerleri yönetmenin bir yoludur.

Daha fazla bilgi için Makine Öğrenimine Giriş Kursu'ndaki Sayısal verilerle çalışma bölümüne bakın.

out-of-bag evaluation (OOB evaluation)

Her bir karar ağacını, o karar ağacının eğitimi sırasında kullanılmayan örneklerle karşılaştırarak karar ormanının kalitesini değerlendirme mekanizması. Örneğin, aşağıdaki şemada sistemin her karar ağacını örneklerin yaklaşık üçte ikisi üzerinde eğittiğini ve ardından örneklerin kalan üçte biri üzerinde değerlendirdiğini görebilirsiniz.