📉Logistic Regression
🧱 Temel Hiyerarşi
Train, test verileri alınır
Veriler 1D (flatten) yapılır
Normalize edilir (0-1 arasına alma işlemi)
Aktivasyon fonksiyonu tanımlanır (sigmoid, relu vs ...)
w
(weight) veb
(bias) değerleri oluşturulurw
Vektör (wx + wx ... )b
Sabit değer
Propagation ve optimazson fonksiyonları tanımlanır
Tün fonksiyonlar model içerisinde birleştirilir
Detayalar için notebook'a bakabilirsin.
💎 Kavramlar
Learning Rate
Eğitimdeki ilerleme oranını belirtir (adım uzunluğu)
Çok fazla olursa ileriye atlayabilir (overshoot)
Çok küçük olursa çok fazla adımda doğru sonuca ulaşabiliriz
Doğru boyutu bulmak gerekir
📈 Grafik Çizdirme

# Plot learning curve (with costs)
def show_graph(data, y_label, x_label, title):
costs = np.squeeze()
plt.plot(costs, label=label)
plt.ylabel(y_label)
plt.xlabel(x_label)
plt.title(title)
plt.show()
# Örnek kullanım
show_graph( \
d['costs'], \ # d, tahmin sonucu gelen dict verisi
'cost', \
'iterations (per hundreds)', \
"Learning rate =" + str(d["learning_rate"]) \
)
📦 Deeplearning Frameworks
Tensorflow
Paddlepaddle
Keras
Caffe
Last updated
Was this helpful?