CodeBlanks Logo Icon CodeBlanks
Giriş Yap Kayıt Ol

Özet - Neural network

Bu grupta nöron, katman, aktivasyon ve ileri yayılımı öğrendin.

Özet: sinir ağları

Bu grupta:

  • Nöron: f(w·x + b); tek nöron doğrusal sınır çizer, XOR'u çözemez.
  • Katman: ağırlık matrisi + sapma; parametre sayısı girdi·çıktı + çıktı.
  • Aktivasyonlar: ReLU (gizli), sigmoid/softmax (çıktı); aktivasyonsuz katmanlar tek doğrusal dönüşüme çöker.
  • İleri yayılım: X → doğrusal → ReLU → doğrusal → softmax; kayıp çapraz entropi.

Sonraki gruplarda aynı hesapları PyTorch ile, otomatik türevle ve GPU'da yapacağız.

Uygulama XOR'u elle çöz

İki gizli nöronlu bir ağla XOR'u çöz: gizli katman W1 = [[1, 1], [1, 1]], b1 = [-0.5, -1.5] (OR ve AND), basamak aktivasyonu; çıktı w2 = [1, -1], b2 = -0.5 ve yine basamak. Dört girdi için çıktıları yazdır.

Başlangıç kodu

model.py
import numpy as np

X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
adim = lambda z: (z > 0).astype(int)

# buraya yaz

Örnek çözüm

model.py
import numpy as np

X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
adim = lambda z: (z > 0).astype(int)

W1 = np.array([[1, 1], [1, 1]])
b1 = np.array([-0.5, -1.5])
h = adim(X @ W1 + b1)
print(adim(h @ np.array([1, -1]) - 0.5))

Beklenen çıktı

[0 1 1 0]

Soru ve cevaplar

Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.

1 XOR problemini çözmek için en az ne gerekir?

  • Doğrusal olmayan aktivasyonlu bir gizli katman Doğru cevap
  • Daha çok veri
  • Daha büyük öğrenme oranı
  • Tek bir nöron

Açıklama: Gizli katman girdiyi, sınıfların doğrusal ayrılabildiği yeni bir uzaya taşır.

2 Satır başına olasılık toplamını hesapla.

Soru 
p = e / e.sum(axis=1, ____=True)
Cevap 
p = e / e.sum(axis=1, keepdims=True)

Açıklama: keepdims=True (n, 1) şeklini koruyarak yayınlamayı mümkün kılar.

3 Kavramları eşleştir.

Kavram Anlamı
perceptron Basamaklı tek nöron
gizli katman XOR'u çözer
logit Softmax öncesi skor
çapraz entropi Sınıflandırma kaybı

İleri seviye bölümündeki tüm dersler

1 Neural network temelleri

  1. Neural network nedir?
  2. Nöron
  3. Katmanlar
  4. Aktivasyon
  5. İleri yayılım
  6. Özet - Neural network

2 PyTorch temelleri

  1. PyTorch nedir?
  2. Tensor
  3. Tensor oluşturma
  4. Tensor özellikleri
  5. GPU desteği
  6. Özet - PyTorch

3 Tensor işlemleri

  1. Tensor işlemleri
  2. Shape
  3. Dtype
  4. Reshape
  5. Indexing
  6. Özet - Tensor işlemleri

4 Autograd

  1. Autograd nedir?
  2. requires_grad
  3. backward()
  4. grad
  5. Computational graph
  6. Özet - Autograd

5 Proje: Neural network

  1. Tensor hazırlama
  2. Model tanımı
  3. Loss hesabı
  4. Optimize edici

6 nn.Module

  1. nn.Module nedir?
  2. __init__
  3. forward
  4. nn.Linear
  5. parameters()
  6. Özet - nn.Module

7 Eğitim döngüsü

  1. Eğitim döngüsü
  2. Epoch
  3. Loss
  4. backward()
  5. optimizer.step()
  6. Özet - Eğitim döngüsü

8 CNN

  1. CNN nedir?
  2. Conv2d
  3. MaxPool2d
  4. Feature map
  5. Flatten
  6. Özet - CNN

9 RNN

  1. RNN nedir?
  2. Hidden state
  3. Sequence
  4. Vanishing gradient
  5. Embedding
  6. Özet - RNN

10 LSTM

  1. LSTM nedir?
  2. Gate'ler
  3. Cell state
  4. input_size
  5. hidden_size
  6. Özet - LSTM

11 Proje: CNN

  1. Veri hazırlama
  2. CNN modeli
  3. Loss ve optimizer
  4. Eğitim

12 Transfer öğrenme

  1. Transfer öğrenme nedir?
  2. Pre-trained model
  3. Fine-tuning
  4. Feature extraction
  5. Avantajlar
  6. Özet - Transfer öğrenme

13 Optimizasyon

  1. Optimizer nedir?
  2. SGD
  3. Adam
  4. Learning rate
  5. zero_grad()
  6. Özet - Optimizasyon

14 İleri seviye finali

  1. Meydan okuma 1
  2. Meydan okuma 2
  3. Meydan okuma 3
  4. Meydan okuma 4