derin_ogr_3

MNIST veri setini yükleme

Ne oluyor? MNIST: 0–9 arası el yazısı rakamlar x_train: 60.000 adet 28×28 gri tonlu resim y_train: her resmin etiketi (0–9) Piksel değerleri 0–255 arasında 📌 Bu yüzden min = 0, max = 255 görüyorsun.

Tek bir görüntüyü görselleştirme

Amaç: Modelin neyle beslendiğini gözünle görmek Görüntünün etiketiyle eşleştiğini doğrulamak Bu adım debug + sezgi kazanma içindir.

İlk 25 görüntüyü topluca gösterme

Amaç: Verinin genel yapısını görmek Etiket–görüntü uyumunu kontrol etmek 📌 Bu adım eğitim için şart değil ama çok sağlıklı.

Veriyi modele uygun hale getirme (ÇOK KRİTİK)

Burada 3 şey oluyor: 1️⃣ Flatten 28×28 → 784 Çünkü Dense layer vektör ister 2️⃣ Normalizasyon 0–255 → 0–1 Eğitim çok daha stabil olur 3️⃣ Float32 GPU uyumlu Daha hızlı 📌 Bu adım olmazsa model zor öğrenir.

Modeli oluşturma

Ne demek? Sequential = katmanlar sırayla akar En basit MLP mimarisi

İlk katman: giriş + temel özellikler

Ne oluyor? Model her resmi 784 sayılık bir vektör olarak alıyor (28 × 28 = 784) Bu 784 sayı: 32 farklı “bakış açısından” yorumlanıyor Yani 32 nöron, resmi 32 farklı şekilde özetliyor ReLU: Anlamlı sinyalleri geçiriyor Gereksiz negatifleri bastırıyor Çıktı: 784 → 32 özellik

İkinci katman: daha karmaşık öğrenme

Ne oluyor? Bir önceki katmandan gelen 32 özellik Şimdi 64 yeni özellike dönüştürülüyor Bu katman: Çizgileri Eğrileri Rakamların parçalarını birleştirmeyi öğrenir. Çıktı: 32 → 64 özellik

Üçüncü katman: karar katmanı

Ne oluyor? 64 özellik alınıyor 10 sayı üretiliyor Her sayı: “Bu görüntü şu rakam olma ihtimali” Softmax sayesinde: Hepsi 0–1 arasında Toplamları 1 Çıktı: 10 sınıf için 10 olasılık Bu zincir: Öğren → derinleştir → karar ver mantığıyla çalışır. 6️⃣ Neden ReLU → ReLU → Softmax? ReLU: Hızlı öğrenme Vanishing gradient yok Ara katmanlar için ideal Softmax: Olasılık üretir Sınıflar arasında seçim yapar Sadece çıkışta kullanılır Tek cümlelik net özet Bu üç katman, bir MNIST görüntüsünü önce basit özelliklere, sonra daha karmaşık temsillere dönüştürür ve en sonunda hangi rakam olduğuna dair olasılıksal bir karar üretir.

bu satır, eğitim başlamadan önce yapılan son ve en kritik ayardır.

Bu satırın anlamı şudur: “Modeli nasıl öğreneceğim, neyi yanlış sayacağım, ve başarıyı nasıl ölçeceğim?” 1️⃣ compile ne demek? (büyük resim) compile, modelin artık eğitime hazır hale getirilmesi demektir. Bundan önce: Katmanları tanımladık (beynin yapısı) Burada: Nasıl öğreneceğini söylüyoruz 2️⃣ optimizer='adam' → model nasıl öğrenecek? Sezgisel anlatım Optimizer şunu yapar: “Hata büyükse ağırlıkları hangi yönde, ne kadar değiştireyim?” Adam, bu işi: Akıllı Otomatik Hızlı şekilde yapan bir yöntemdir. Neden Adam? Öğrenme hızını kendisi ayarlar Gürültülü gradyanlarla iyi çalışır Yeni başlayanlar için çok güvenlidir Kısaca: “Ağırlıkları güncellerken akıllı davran.” 3️⃣ loss='sparse_categorical_crossentropy' → model neyi yanlış sayacak? Loss neydi? Loss: “Tahminim ne kadar yanlış?” Bunu sayısal bir değer olarak ölçer. Neden categorical crossentropy? Çünkü: Bu bir çok sınıflı problem 10 rakam var (0–9) Çıkışta softmax var Yani: “Bir sınıf doğru, diğerleri yanlış.” Neden sparse? Çünkü etiketlerimiz şöyle: y_train = [5, 0, 4, 1, 9, ...] Yani: Tek bir sayı One-hot değil Eğer etiketler şöyle olsaydı: [0,0,0,0,0,1,0,0,0,0] o zaman categorical_crossentropy kullanırdık. 4️⃣ metrics=['accuracy'] → biz sonucu nasıl yorumlayacağız? Accuracy neyi ölçer? “Model doğru mu bildi, yanlış mı?” En yüksek olasılığı verdiği sınıf doğruysa → 1 Yanlışsa → 0 Epoch sonunda: Doğru tahminlerin oranını gösterir ⚠️ Önemli: Accuracy öğrenmeyi sağlamaz Sadece raporlama içindir 5️⃣ Hepsini tek cümlede toparlayalım Bu satır şunu söylüyor: “Model, hatasını cross-entropy ile ölçecek, ağırlıklarını Adam optimizer ile güncelleyecek, ve bize başarısını accuracy olarak raporlayacak.” 6️⃣ Bu ayarlar neden birbirine uyumlu? Parça Neden doğru? Softmax Çok sınıflı çıktı Cross-Entropy Olasılık tabanlı hata Adam Hızlı ve stabil öğrenme Accuracy İnsan için anlaşılır ölçüm 7️⃣ Küçük ama kritik not Softmax + Cross-Entropy birlikte kullanılır çünkü: Gradient daha stabil olur Öğrenme hızlanır Sayısal problemler azalır

Modeli eğitme

Ne anlama geliyor? Epoch = tüm veri setini 10 kez gör Batch size = 128 Mini-batch gradient descent 📌 128: GPU dostu Dengeli gürültü Hızlı eğitim

Test setinde değerlendirme

Çok önemli: Test verisi eğitimde görülmedi Gerçek performans burada ölçülür

Tahmin ve Confusion Matrix

Ne yapıyor? Softmax çıktılarından En yüksek olasılığı seçiyor

Confusion Matrix

Ne gösterir? Hangi rakamlar birbiriyle karışıyor Modelin zayıf noktaları 📌 Örn: 4 → 9 5 → 3

Sınıf bazlı doğruluklar

Anlamı: “Model 7’leri ne kadar iyi biliyor?” “Hangi sınıfta zorlanıyor?” Bu çok profesyonel bir analiz adımıdır.

Genel akış (bunu kafana yaz) Veri yükle Görselleştir Normalize + reshape Model kur Compile Train Test Analiz 14️⃣ Özet (tek cümle) Bu kod, MNIST rakamlarını sınıflandırmak için veriyi hazırlayan, çok katmanlı bir sinir ağı eğiten ve sonuçları hem genel hem sınıf bazlı olarak analiz eden tam bir eğitim hattıdır.

✅️