Makine öğrenimi kavramlarına dair temel bir anlayış oluştuğunda, her şeyi sistematize etmek isteriz: hangi tür görevler vardır, bunlar için hangi modeller kullanılır ve bunlar birbiriyle nasıl ilişkilidir.
🔹 Başlangıçta temel görev türlerini anlamak gerekir:
- Sınıflandırma - bir kategori belirlemek gerektiğinde (örneğin, spam / spam değil).
- Regresyon - sayısal bir değer tahmin ettiğimizde (örneğin, bir dairenin fiyatı).
- Kümeleme - çok fazla veri olduğunda ancak etiket yoksa ve verileri bir şekilde gruplandırmak gerektiğinde.
🔹 Ardından anahtar modellere geçmek mantıklıdır: doğrusal modeller, ağaçlar, topluluklar. Burada sadece "isimleri bilmek" değil, her birinin hangi durumlarda en iyi çalıştığını, nasıl öğrendiğini, hangi verileri girdi olarak aldığını ve güçlü ve zayıf yönlerini anlamak önemlidir.
📈 Bu aşama tamamlandığında, rahatça sinir ağlarına geçilebilir.
İşte en ilginç kısım burada başlar: ağ nasıl oluşturulur, nasıl öğrenir, hangi mimariler vardır ve neden transformatörler bu kadar popüler hale gelmiştir.
💡 Aslında sinir ağları "ayrı bir şey" değil, temel makine öğrenimi algoritmalarının mantıklı bir devamıdır.
Klasikten modern mimarilere bu kademeli geçiş, kaybolmamaya ve bir sonraki konuya bilinçli bir şekilde yaklaşmaya yardımcı olur: LLM (Büyük Dil Modelleri).
İçindekilere dön
👩💻 Data Flow
Yorumlar
0Henüz yorum yok.