✨Model Eğitim Süreci

✨ Verileri Hazırlama

🏠 Veriler Aynı Dağıtımdan Geliyorsa

• train, dev ve test şeklinde 3 parçaya ayır

• Çok fazla veri varsa dev ve test'e belli bir sınırdan fazla resim konulmaz

  • Örn: 1M resim için %98 %2 %2 (max 20K resim)

• Veri miktarı az ise %60 %20 %20 şeklinde olur

💒 Veriler Farklı Dağıtımdan Geliyorsa

• Asıl odaklanan resimlerin %80'i train aşamasına aktarılmalı

• Geri kalanı dev ve test alanına paylaştırılmalıdır

• Ardından veriler karıştırılmalıdır

⚠ Tüm verileri karıştırırsak odaklı olan verileri kaybederiz, hazır resimlerin gelme oranı artarü bu sebeple karıştırmayı en sonda yapıyoruz.

👨‍🏫 Eğitim

• Basit bir model oluştur ve hemen eğit

  • ML yapısı çokça tekrarlı eğitimlerle ilerleyen bir yapıdır

• Eğer veri sayısı az ise transfer learning yöntemi kullanılır

🚙 Transfer Learning

• Daha önceden benzer bir model eğitimi var ise (pre-trained-model) eğitilmiş modelin weight ve bias değerleri kullanılır

  • Model feature mapi etkili bir şekilde ortaya çıkarmıştır, baştan ortaya çıkarmaya gerek yoktur

• pre-trained-model ile yeni modelin ortak özellikleri tanıma amacı olması lazım

  • Örn: 2'si de resim algılayacak. 1'i resim 1'i ses ise bilgi aktarımı yapılamaz.

• low-level feature'lar olduğu gibi kullanılır

• Sadece; son katman ve x, y değerleri güncellenir

👁‍🗨 Hata Analizleri

• Error analysis uygulanır

  • Çok fazla veriye bakmak yerine makul miktarda bakılır

  • Hatalı olan kümeye uygulanır

❌ Yanlış Etiketlenmiş Veriler

1. Az ise üzerlerinde uğraşmaya deymez

   • Sinir ağları, rastgele hatalara karşı dayanıklıdır

2. Çok fazla var ise düzeltme işlemi yapılmalıdır

👨‍🔧 Yanlış Etiketleri Düzeltme

• dev ve test kümelerinin her ikisi de güncellenir

  • Şans eseri, yanlış olanlar doğru etiketlenmiş olabilir. Yeni eğitimde yanlış etiketlenirler

  • dev ve test verisi aynı veri dağıtımdan gelmelidir

• train içerisindeki verilerin tamamını kontrol etmemize gerek yoktur

  • Geçen vakte yazık 😢