👣Model Oluşturma Adımları

🔰 Önemli Bilgiler

Hızlıca sistemi oluştur ve onu tekrarlı olarak eğit

• dev , test verilerini ve metric oluştur

• Sistemi hızlıca hazırla, eğitime sok

  • Dandik olabilir, çok düşünme hemen yap

  • Her bir model için 50'den fazla seçenek ve işlem vardır, her birini düşünemek vakit kaybıdır

  • Üzerine çok fazla düşünüp vakit kaybetme, çıkmaza girersin

  • Analizler doğrultusunda ilerlemen gerekir

• Bias / Variance ve Error Analyses ile öncelikli olacak işlemleri ve sonraki adımını belirle

• Analiz sonucunda aldığın hata karşısında yapman gerekini uygula

Eğer daha önceden yapılmış bir model eğitimek istiy orsan, makalelere bakıp onların üzerine düşünebilirsin. Özgün bir proje ise direkt olarak modeli oluştur ve test et.

👀 Error Analysis

Yukarıdan aşağı inildikçe hata oranı artar.

Hata Tipi	Açıklama
Bayes optimal error	Yapılabilecek en az hata oranı
Human-level error	İnsanların yapmış olduğu hata oranı
Train Error	Eğitimdeki hata oranı
Dev error	Eğitim kontrolündeki hata oranı
Test error	Etiketlenmemiş veriler üzerinde test edildiğinde hata oranı

⭐ Error Analysis Örneği

Dataset	Contains	Error of the algorithm
Training	940,000 images randomly picked from (900,000 internet images + 60,000 car’s front-facing camera images)	8.8%
Training-Dev	20,000 images randomly picked from (900,000 internet images + 60,000 car’s front-facing camera images)	9.1%
Dev	20,000 images from your car’s front-facing camera	14.3%
Test	20,000 images from the car’s front-facing camera	14.8%

💎 Bias & Avoidable Bias & Variance

Terim	Açıklama
Bias	Train error
Avoidable Bias	Train error - Bayes optimal error
Variance	Train-dev error - Train error
Data missmatch	Dev error - Train-dev error
Degree of overfitting	Test error - Dev error

Train error - Bayes optimal error, train ile bayes optimal error arasındaki hata farkını temsil eder.

🧮 Genel Formül