<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Eren Bozarık on Medium]]></title>
        <description><![CDATA[Stories by Eren Bozarık on Medium]]></description>
        <link>https://medium.com/@erenbozarik?source=rss-6491df61fce3------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*cmRJ2_Sz7Ug7WtA4UrR_7g.jpeg</url>
            <title>Stories by Eren Bozarık on Medium</title>
            <link>https://medium.com/@erenbozarik?source=rss-6491df61fce3------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 09:30:20 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@erenbozarik/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Otonom Agentic AI: Yapay Zeka Asistanlıktan İcraata Geçiyor]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@erenbozarik/otonom-agentic-ai-yapay-zeka-asistanl%C4%B1ktan-i%CC%87craata-ge%C3%A7iyor-c99381f00aee?source=rss-6491df61fce3------2"><img src="https://cdn-images-1.medium.com/max/1235/0*zpI69CUbellBNYYz" width="1235"></a></p><p class="medium-feed-snippet">Son y&#x131;llarda yapay zeka (AI) asistanlar&#x131; ve &#x201C;co-pilot&#x201D; olarak an&#x131;lan yard&#x131;mc&#x131;lar b&#xFC;y&#xFC;k ses getirdi. ChatGPT gibi sohbet botlar&#x131; ve yaz&#x131;l&#x131;m&#x2026;</p><p class="medium-feed-link"><a href="https://medium.com/@erenbozarik/otonom-agentic-ai-yapay-zeka-asistanl%C4%B1ktan-i%CC%87craata-ge%C3%A7iyor-c99381f00aee?source=rss-6491df61fce3------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@erenbozarik/otonom-agentic-ai-yapay-zeka-asistanl%C4%B1ktan-i%CC%87craata-ge%C3%A7iyor-c99381f00aee?source=rss-6491df61fce3------2</link>
            <guid isPermaLink="false">https://medium.com/p/c99381f00aee</guid>
            <category><![CDATA[genai]]></category>
            <category><![CDATA[autonomous-agent]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[agentic-ai]]></category>
            <dc:creator><![CDATA[Eren Bozarık]]></dc:creator>
            <pubDate>Thu, 01 Jan 2026 22:09:59 GMT</pubDate>
            <atom:updated>2026-01-01T22:09:59.194Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Explainable AI (XAI): Yapay Zekayı Anlaşılır Kılma Sanatı]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@erenbozarik/explainable-ai-xai-yapay-zekay%C4%B1-anla%C5%9F%C4%B1l%C4%B1r-k%C4%B1lma-sanat%C4%B1-332263d9cec1?source=rss-6491df61fce3------2"><img src="https://cdn-images-1.medium.com/max/1024/0*E3fAm48SifNzSXi3" width="1024"></a></p><p class="medium-feed-snippet">Yapay zek&#xE2;n&#x131;n kararlar&#x131;n&#x131; ger&#xE7;ekten anlayabilir miyiz? XAI bunu m&#xFC;mk&#xFC;n k&#x131;l&#x131;yor.</p><p class="medium-feed-link"><a href="https://medium.com/@erenbozarik/explainable-ai-xai-yapay-zekay%C4%B1-anla%C5%9F%C4%B1l%C4%B1r-k%C4%B1lma-sanat%C4%B1-332263d9cec1?source=rss-6491df61fce3------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@erenbozarik/explainable-ai-xai-yapay-zekay%C4%B1-anla%C5%9F%C4%B1l%C4%B1r-k%C4%B1lma-sanat%C4%B1-332263d9cec1?source=rss-6491df61fce3------2</link>
            <guid isPermaLink="false">https://medium.com/p/332263d9cec1</guid>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[explainable-ai]]></category>
            <category><![CDATA[xai]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[genai]]></category>
            <dc:creator><![CDATA[Eren Bozarık]]></dc:creator>
            <pubDate>Fri, 28 Nov 2025 07:22:45 GMT</pubDate>
            <atom:updated>2025-11-28T07:22:45.054Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Locomation’ın Serüveni]]></title>
            <link>https://medium.com/smlr-center/locomation%C4%B1n-ser%C3%BCveni-9ae6e25c6bcb?source=rss-6491df61fce3------2</link>
            <guid isPermaLink="false">https://medium.com/p/9ae6e25c6bcb</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[self-driving]]></category>
            <category><![CDATA[startup]]></category>
            <category><![CDATA[autonomous-vehicles]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Eren Bozarık]]></dc:creator>
            <pubDate>Sat, 26 Sep 2020 07:18:15 GMT</pubDate>
            <atom:updated>2020-09-26T07:18:15.220Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-WqW9OSbpt7-72z-b5lc4g.png" /></figure><p>Merhabalar,</p><p>Bu yazımda, son zamanlarda adını sıklıkla duymaya başladığımız Çetin ve Tekin Meriçli kardeşlerin ABD’de konumlandırdıkları girişimleri <a href="https://locomation.ai/">Locomation</a>’u mercek altına almak istedim.</p><p>Kendileriyle 2013 senesinde tanışma fırsatı buldum. Meriçli kardeşler bilgisayar bilimleri ile alakalı sorularımı usanmadan cevaplamalarıyla benim bu mesleğe tutkuyla bağlanmama sebep olmuş, mentör edindiğim, birbirinden değerli bilim insanlarıdır.</p><h3></h3><p>1990 - 2010 - 2020 pic.twitter.com/yuZYTZSuYD</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*C2kXdTWThcsPZXxeRT3XGw.png" /></figure><p>Meriçli kardeşlerin girişimi <a href="https://locomation.ai/">Locomation</a>, konvoy halindeki kamyonlar için otonom sürüş deneyimi sunuyor.</p><p>Konvoy halindeki kamyonlardan önde giden kamyon, sürücü ile idare edilirken, hemen arkasındaki kamyon ise sürücüsüz bir şekilde öndeki kamyonu takip edebiliyor. Sanki aralarında görünmez bir ip varmışçasına! <br>Bu sayede sürücüler vardiyalı bir şekilde, hem dinlenip hemde görevlerini güvenli bir şekilde tamamlayabiliyorlar.</p><p>🎥 <strong>Locomation Tanıtım Filmi</strong></p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FRGJEymZ2dww%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DRGJEymZ2dww&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FRGJEymZ2dww%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/19564537caacce831aca8a518a5f5191/href">https://medium.com/media/19564537caacce831aca8a518a5f5191/href</a></iframe><p>Yakın zaman içinde şirket, 2022&#39;de kullanıma başlanması için Wilson Lojistik isimli bir taşımacılık firması ile 1120 araç için Locomation’un otonom sistem entegrasyonu için anlaştılar.</p><h3></h3><p>Locomation achieves an AV industry first by securing a commercial contract to equip 1,120 Wilson Logistics trucks with its proprietary Autonomous Relay Convoy (ARCᵀᴹ) technology starting in 2022. @WilsonDriven #AutonomousVehicles #Trucking #startup https://t.co/dxUlWMI2A0</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*Hb0BWdylLL5UcJ5lnUF_7w.jpeg" /><figcaption>Çetin Meriçli — CEO &amp; Co-Founder at Locomation, Inc.</figcaption></figure><p>Aklıma takılan soruları şirketin kurucu ortağı ve CEO’su Çetin Meriçli’ye yönelttim. Kendisi beni kırmayıp sorularımı cevapladı.</p><p>📌 <strong>Hedeflerinizde/hayallerinizde bir şirket kurmak var mıydı?</strong></p><p>💬<em>Tekin ile hep bir startup aktivitemiz oldu hem öğrencilik dönemlerinde, hem de sonraları Carnegie Mellon’da öğretim görevlisi olduğumuz zamanlarda. Locomation ilk startup tecrübemiz değil yani. Dolayısı ile, cevap evet :)</em></p><p>📌<strong>Neden otonom araçlar?</strong></p><blockquote><em>💬</em> Birden çok sebebi var. Öncelikle doğru uygulanırsa otonom araçların gerçekten yaşama tarzımızı temelden ve iyi yönde değiştirme potansiyeli var. Onun ötesinde otonom araçlar bizim uzmanlık alanımız dolayısı ile gerçekten bildiğimiz ve şiddetle fikir sahibi olduğumuz bir konuda çalışmak bizi çok tatmin ediyor.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*JRMWpRsNLoHHrmc6RUhUoA.jpeg" /></figure><p>📌<strong>Locomation Sektöründe hangi alana öncülük ediyor? Neyi farklı yapıyorsunuz?</strong></p><blockquote><em>💬</em> Otonom sürüş problemine “first principles” açısından daha farklı bakıyoruz rakiplerimize göre. Hem donanım hem yazılım alanındaki fikri mülkiyetimizi (patentler ve ticari sırlar) kullanarak gerçek anlamda bir Minimum Viable Product tanımı ile işe başlayıp, ilerleyen zamanlarda daha karmaşık ortamlarda daha kabiliyetli bir şekilde çalışabilecek “versiyonlar” geliştirme üzerinde çalışıyoruz.</blockquote><p>📌<strong>Türkiye’de daha önce bu tip girişimleri gerçekleştirmeye çalıştınız mı?</strong></p><p>💬 <em>Evet. Tekin ve çok yakın arkadaşımız Gürer Özen (ex-Pardus) ile iBilişim adında bir robotik startupı kurmuştuk 2007 yılında. Döneminin çok ilerisinde işler yaptık, 3–4 değişik robot platformu prototipledik vs. ama nihayetinde büyük bir ticari çıkış yakalayamadık.</em></p><p>📌<strong>Size engel olan şey ne idi?</strong></p><blockquote><em>💬 </em>Herhalde en ilk sırada girişimcilik konusundaki tecrübe eksikliğimiz geliyor. Teknik tarafta son derece yetkindik ancak şimdi dönüp baktığımızda özellikle iş modeli, pazara gidiş stratejileri (go-to-market) vesair konularında çok naifmişiz.</blockquote><p>📌<strong>Şirketiniz için ABD’de gördüğünüz en büyük avantajlar neler?</strong></p><blockquote><em>💬 </em>ABD yüzölçümü olarak çok büyük bir ülke olduğu için özellikle uzun yol nakliyat ciddi bir problem. Zorlu çalışma koşulları ve düşük maaş nedeni ile kalifiye uzun yol şoförü bulmakta zorlanıyor şirketler. Bu ve bizim burada otonomi ve robotik konusunda yetkin, kıdemli kişilere ve bu vizyonu gerçekleştirmek için gereken risk sermayesine erişimimizin olması ABD’de sayabileceğim önde gelen avantajlar.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*j1rE79E9pIxegQP7HjOuMQ.jpeg" /></figure><p>📌<strong>Teknolojiniz ABD’de kullanılmaya başlandı mı?</strong></p><blockquote><em>💬 </em>Test sürücülerinin gözetiminde otoyollarda gerçek yük taşımaya başladık. Tam anlamı ile faaliyete geçmemiz 2022’nin ilk yarısında olacak.</blockquote><p>📌<strong>Kullanımına başlamanız için mühendislik problemlerinin dışında ne gibi zorlukları aşmanız gerekti?</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*9johyjlMoBIy1CUj9WWajQ.jpeg" /></figure><p>💬<em> Teknolojinin geliştirilmesinden sonraki en önemli problem bu işin güvenli olduğunu üçüncü parti denetçilerine sayısal bir şekilde ispatlayabilmek. Bu ispat teknolojinin ticari kullanımının önünü açacak. Tabi bununla birlikte hem genel kamuyu hem de bu teknolojiden etkilenecek kamyon sürücüleri gibi diğer paydaşları bilgilendirmek ve onların desteğini almak da çok önemli olacak.</em></p><p>📌<strong>Yüksek teknolojide şirketleşmenin en sancılı süreci olarak tanım yapacak olsanız hangi kısmı ele alırdınız?</strong></p><blockquote><em>💬</em> Sancılı süreç demeyelim de yapılan en yaygın hata yüksek teknoloji işlerinde işin teknoloji kısmı halledilirse mutlak başarının geleceği izlenimine kapılmak. Teknoloji önemli ve gerekli, ancak iş modeli, market analizi, pazarlama stratejileri vesair de en az teknoloji kadar önemli. Bunun farkına varmak gerekiyor.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*R8EaqETNSUX-MfqQp0u3uw.jpeg" /></figure><p>📌<strong>Locomation’ı nerede görüyorsunuz? Gelecek 5 yıl içindeki projeksiyonu nedir?</strong></p><blockquote><em>💬</em> 5 yıl içerisinde en az 15,000 kamyonda Locomation teknolojisinin kullanılacağını öngörüyoruz. Bu hedefi tutturabilirsek hem başarılı olmuş olacağız, hem de market potansiyelinin hala %3’ü gibi bir seviyede çok başlarında olmuş olacağız.</blockquote><p>📌<strong>Otonomi ve yapay zeka üzerine çalışma yapan araştırmacılara tavsiyeleriniz neler?</strong></p><blockquote><em>💬</em> Olabildiğiniz kadar meraklı ve kuşkucu olun. Her şeyi okuyup öğrenin, hiçbir şeyi mutlak böyledir diye direkt kabul etmeyin, sorgulayın, “first principles” açısından bakın. Bu, söylemesi kolay, yapması çok zor bir şey.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bbaiDsCalRJIAUPEtOOGLA.jpeg" /></figure><p>📣Şirket büyüme safhasında ve kariyer anlamında fırsatlara açık. Bu denli dinamik bir şirkette çalışmanın çok önemli bir deneyim olacağını düşünüyorum. <a href="https://locomation.ai/careers/">Buradan</a> şirket bünyesinde ki açık pozisyonlara başvurabilir ve bu deneyimin bir parçası olabilirsiniz.</p><p>Yazımda daha çok Meriçli kardeşlerin yaptıkları işin girişimcilik boyutuna değinmek istedim. Umarım yazımı beğenmişsinizdir. Sağlıcakla ve inovasyonla kalmanız dileğiyle! :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9ae6e25c6bcb" width="1" height="1" alt=""><hr><p><a href="https://medium.com/smlr-center/locomation%C4%B1n-ser%C3%BCveni-9ae6e25c6bcb">Locomation’ın Serüveni</a> was originally published in <a href="https://medium.com/smlr-center">SMLR CENTER</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Tıbbi Teşhiste Yapay Zeka — I]]></title>
            <link>https://medium.com/smlr-center/t%C4%B1bbi-te%C5%9Fhiste-yapay-zeka-i-51c826fa6951?source=rss-6491df61fce3------2</link>
            <guid isPermaLink="false">https://medium.com/p/51c826fa6951</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[medicine]]></category>
            <category><![CDATA[cancer]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Eren Bozarık]]></dc:creator>
            <pubDate>Wed, 27 May 2020 11:21:20 GMT</pubDate>
            <atom:updated>2020-05-27T13:34:34.626Z</atom:updated>
            <content:encoded><![CDATA[<h3>Tıbbi Teşhiste Yapay Zeka — I</h3><p>Merhabalar,</p><p>Bu yazıda tıbbi teşhiste yapay zekanın kullanımından bahsedeceğim. Bu yazı dizisi 2 yazıdan oluşacak. Bu yazımda akciğer görüntülerinden hastalık teşhisine odaklanacağız. Diğer yazımızda ise beyin MR görüntülerinin segmentastonu ile ilgili bir yazı yayınlayacağım.</p><p>Tıpta yapay zeka bir çok alanda kullanılmaktadır. Bunlardan bazılarını sıralayacak olursak. Bunlardan görüntü işleme üzerine olanlarını ele alalım.</p><p><strong>Dermatoloji</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/997/1*gfJoT_z_opWDsl21nt29Xg.png" /></figure><p><strong>Diyabetik Retinopati</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sk4JPxCyJSLbh8Ad9pcP-w.png" /></figure><p><strong>Histopatoloji</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/997/1*j_ii2GKfyfWqJ29xtZv27Q.png" /></figure><p><strong>Peki bu algoritma nedir?</strong></p><p>Burada teşhis koymak için <strong>Evrişimli Sinir Ağlar</strong>ından faydalanacağız. Temel hedefimiz X-Ray görüntülerinden hastalık teşhisi yapmak olduğu için X-Ray görüntülerinden oluşan bir veri setine ihtiyacımız var.</p><p>Bu projede ChestXray-NIHCC veri setini kullanacağız. <a href="https://nihcc.app.box.com/v/ChestXray-NIHCC/folder/37178474737">Buradan</a> veri setine erişim sağlayabilirsiniz. Veri setinde aşağıdaki görseldeki gibi görüntüler mevcut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/628/1*_ezAw_LByfP-9lnlfQnNWw.jpeg" /></figure><p>Bu X-Ray görüntüleri çeşitli sınıflara ayrılmaktadırlar. Bu sınıfların her biri bir hastalık çeşidine karşılık gelmektedir. Bunlar;</p><p><em>Atelectasis, Cardiomegaly, Consolidation, Edema, Effusion, Emphysema, Fibrosis, Hernia, Infiltration, Mass, Nodule</em></p><p>Bu sınıflar veri setimizde (1,0) şeklinde etiketli halde bulunmaktadır.</p><p><strong>Veri setini inceleyelim.</strong></p><pre># Egitim verisini iceren csv dosyasi okunuyor<br>train_df = pd.read_csv(“veriseti/train-small.csv”)</pre><pre># Ilk 5 satir yazdiriliyor<br>print(f’{Bu veri kumesinde train_df.shape[0]} satir ve {train_df.shape[1]} kolon bulunmakta’)<br>train_df.head()</pre><p><strong>Çıktı : </strong>Bu veri kumesinde 1000 satir ve 16 kolon bulunmakta</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kRp77Ookxklr9zRXoUf5VA.jpeg" /></figure><p>Algoritmamızdan yapmasını istediğimiz temel şey, bu görüntülerin piksel değerlerini araştırıp, etiket değerlerini de baz alarak öğrenmesi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/663/1*7Qw34hYvj-0-1aoJR5rP_w.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/790/1*5sp4N9oHp2HWjjWHYBycrw.jpeg" /></figure><p>Sinir ağımız kitle tespit edilmiş ve etiketlenmiş X-Ray görüntüsünüde normal X-Ray taramalarını da inceleyip bunlardan öz nitelik çıkarımı yaparak öğrenme işlemini gerçekleştirecek.</p><p><strong>Kaybın Hesaplanması</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/859/1*j_USUauBIRprYORCZOqQSg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/879/1*OxqTV6M_eQw67fZs76_2vA.png" /></figure><p>Eğitim esnasında kaybı hesaplarken kullandığımız bu fonksiyon literatürde “binary cross entropy loss function” adıyla geçer. Fakat sınıflar arasında dengesizlik olması halinde bu fonksiyon çok kullanışlı değildir. Bu yüzden bu fonksiyona ağırlıklar dahil edilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/978/1*AptK2Tjhxv8gXPF_lVU1pw.png" /></figure><p>Bu fonksiyondaki ağırlıkları pozitif ve negatif etiketlerin toplam etiket sayısına oranı ile hesaplanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/898/1*RFg6ickfr9M-X1ET9IgPqQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/880/1*wLgszEFLKcl7b5H_Jw1K6g.png" /></figure><p><strong>Python’da Ağırlıklandırılmış Kayıp Fonksiyonu</strong></p><pre><strong>def</strong> get_weighted_loss(pos_weights, neg_weights, epsilon=1e-7):<br><br>    <strong>def</strong> weighted_loss(y_true, y_pred):<br><br>        loss = 0.0<br>        <strong>for</strong> i <strong>in</strong> range(len(pos_weights)):<br>           <br>            loss += -(K.mean( pos_weights[i] * y_true[:,i] * K.log(y_pred[:,i] + epsilon) + \<br>                                neg_weights[i] * (1 - y_true[:,i]) * K.log(1 - y_pred[:,i] + epsilon), axis = 0))<br>        <strong>return</strong> loss<br>    <strong>return</strong> weighted_loss</pre><p><strong>Python’da Ağırlıkların Hesaplanması</strong></p><pre><strong>def</strong> compute_class_freqs(labels):<br><br>    N = labels.shape[0]<br>    <br>    positive_frequencies = np.sum(labels, axis=0) / labels.shape[0]<br>    negative_frequencies = 1 - positive_frequencies<br><br>    <strong>return</strong> positive_frequencies, negative_frequencies</pre><pre>freq_pos, freq_neg = compute_class_freqs(train_generator.labels)</pre><p>Pozitif ve negatif etiketlerin katkısını dengeliyoruz.</p><pre>pos_weights = freq_neg<br>neg_weights = freq_pos<br>pos_contribution = freq_pos * pos_weights <br>neg_contribution = freq_neg * neg_weights</pre><p><strong>Değerlendirme Metrikleri</strong></p><p>Özellikle tıp alanında yapılan projelerde en önemli kısım değerlendirmelerinizin doğruluk payıdır. Bu sebeple karmaşıklık matrisi oluştururken daha dikkatli olunması ve hesapların çok titizlikle yapılması gerekmektedir.</p><p><strong>Kurduğunuz model ne kadar iyi?</strong></p><p>Bu sorunun cevabını bize<strong> <em>Doğruluk</em></strong> (<em>Accuracy</em>) metriği verebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/922/1*GZMsWTj5pzoBS6G1qwhYig.png" /></figure><p>Yani doğruluk değerimiz, toplam örnek sayımızın, doğru sınıflandırılmış örneklerimizin birbirine oranı ile tanımlayabiliriz. Bu doğruluk değeri başka metriklerle daha detaylı bir şekilde tanımlanabilir. Burada karşımıza <strong><em>Duyarlılık</em></strong><em> (Sensitivity)</em> ve <strong><em>Belirginlik</em></strong><em> (Specificity)</em> kavramları çıkıyor. Tabi bu metriklerin hesaplanma yöntemleri var.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hxgkyLJDPch1u4-_TsPYTA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/285/1*yirkWHyk7d3vJIng6hcl3Q.png" /></figure><p><strong><em>Duyarlılık</em></strong><em> (Sensitivity) : </em>Modelimizin doğru bir şekilde tahmin ettiği hastalar ile gerçekten hasta olanların birbirine oranı şeklinde hesaplanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/895/1*0X1dWHNlUq43Z5x0Hb1VRw.png" /></figure><p><strong><em>Belirginlik</em></strong><em> (Specificity) : </em>Modelimizin doğru bir şekilde tahmin ettiği normal vakalar ile gerçekten normal olanların birbirine oranı şeklinde hesaplanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/896/1*8AFwJaNddxnklbrk8s5wtQ.png" /></figure><p><strong>Hasta Vakaların Olasılığı : </strong><em>P(Disease)</em></p><p><strong>Normal Vakaların Olasılığı :</strong><em> P(Normal) </em>= <em>1 - P(Disease) (Kolmogorov Olasılık Aksiyomlarının bir kuralıdır.)</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/751/1*hoOoRmVD5-33sGnlShxZDA.png" /></figure><p><strong>Sonuç Olarak: </strong>Modelimizin netliği aşağıdaki gibi hesaplanmış olur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/873/1*1Y6-FQlWij2xGlgPZT9Avg.png" /></figure><p><strong>Karmaşıklık Matrisi (Confusion Matrix)</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/702/1*RaabS-9hZye2brj-pVS1nA.jpeg" /></figure><p><strong>PREDICTED LABELS </strong>(<em>Etiketlerin Tahmin Edilen Değerleri</em>):<br><strong>ACTUAL LABELS</strong> (<em>Etiketlerin Gerçek Değerleri</em>):</p><p><strong>TP</strong> <em>(TRUE — POSITIVE)</em>: Olumlu tahmin edilen etiket değeri ile olması gereken değeri uyuşması durumudur. <br><strong>FP</strong> <em>(FALSE — POSITIVE)</em>: Olumlu tahmin edilen bir etiketin asıl değerinin olumsuz olması durumu. <br><strong>FN</strong> <em>(FALSE — NEGATIVE) Type — II Error</em>: Olumsuz tahmin edilen bir etiketin asıl değerinin olumlu olması durumu.<br><strong>TN</strong> <em>(TRUE — NEGATIVE) Type — I Error</em>: Olumsuz tahmin edilen etiket değeri ile olması gereken değeri uyuşması durumudur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*q3tK2MGqvtptf35z.jpeg" /><figcaption>False Negative ve True Negative değerlerini anlamak için bir meme :)</figcaption></figure><p><strong>Kendi modelimiz için karmaşıklık matrisi oluşturalım</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/967/1*zW91HME21r2RjZV03PVFHw.png" /></figure><p>Karmaşıklık Matrisi ile <strong>PPV </strong>(<em>Positive Predicted Values</em>),<em> </em><strong>NPV</strong> (<em>Negative Predicted Values</em>), <strong><em>Duyarlılık</em></strong><em> (Sensitivity) </em>ve <strong><em>Belirginlik</em></strong><em> (Specificity) </em>değerlerini hesaplayabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/964/1*Zsm9R5LH_toxbleZHSm4Wg.png" /></figure><p>Buraya kadar tıbbi teşhiste yapay zekanın daha çok istatistik boyutuna değinmeye çalıştım. Python üzerinde dikkat etmemiz gereken bazı önemli noktalar var bunlardan birisi ise veri sızıntısı (<strong>Leakage</strong>). Benzersiz hasta kimlik numaraları toplam kayit sayisindan fazla ise burada bir çakışma söz konusudur. Birden fazla kaydı olan hastalar için, veri sızıntısını önlemek amacıyla hem eğitim hem de test setlerinde görünmediğinden emin olmalısınız. Bu sorunu giderdiğimiz python fonksiyonu aşağıdaki gibidir.</p><pre><strong>def</strong> check_for_leakage(df1, df2, patient_col):<br><br>    df1_patients_unique = set(df1[patient_col].unique().tolist())<br>    df2_patients_unique = set(df2[patient_col].unique().tolist())<br><br>    patients_in_both_groups = df1_patients_unique.intersection(df2_patients_unique)<br><br>    leakage = len(patient_col)&gt;0<br>    <br>    <strong>return</strong> leakage</pre><pre>print(&quot;Egitim ve Test seti arasindaki sizintinin giderilme durumu: <strong>{}</strong>&quot;.format(check_for_leakage(train_df, test_df, &#39;PatientId&#39;)))<br>print(&quot;Dogrulama ve Test seti arasindaki sizintinin giderilme durumu: <strong>{}</strong>&quot;.format(check_for_leakage(valid_df, test_df, &#39;PatientId&#39;)))</pre><p><strong>Veri Artırma Yöntemi</strong></p><p>Veri setimizin bazı sınıflarında örnek sayısı çok az olabilir. Örneğin bu veri seti için “mass” kitle barındıran X-Ray görüntü sayısı az miktardadır. Bunun için veri artırma yöntemi kullanılması uygun olacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/384/1*xT06Z4vcrrb2SzbwXGSS5w.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/836/1*c_lPmos6uguaujHhoC6B-g.png" /></figure><p>Resim üzerinde bu şekillerde oynama yapılması herhangi bir sorun teşkil etmez. Fakat anatomik şekli bozacak şekilde bir yatay döndürme hareketi yapmak yanlış bir artırma yöntemi olacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/809/1*xfMlrRqDg2v9Hl0wzq1vSw.png" /></figure><p>Bu şekilde resimleri değiştirmek doğru sonuçlar almamıza engel teşkil edecektir. Bu işlemler için Python tarafında<strong> ImageDataGenerator</strong> kütüphanesini kullanacağız. Bu sınıf görüntülerin rastgele çevrilmesi gibi temel veri artırımı için destek sağlar. Ayrıca görüntüdeki değerleri tüm kanallarda tekrarlayarak tek kanallı X-ray görüntülerimizi (gri tonlamalı) üç kanallı bir formata dönüştürür.</p><p>Eğitim tarafı için Python’da bu fonksiyonun aşağıdaki gibidir.</p><pre><strong>def</strong> get_train_generator(df, image_dir, x_col, y_cols, shuffle=<strong>True</strong>, batch_size=8, seed=1, target_w = 320, target_h = 320):<br>    print(&quot;getting train generator...&quot;) <br><br>    image_generator = ImageDataGenerator(<br>        samplewise_center=<strong>True</strong>,<br>        samplewise_std_normalization= <strong>True</strong>)<br><br>    generator = image_generator.flow_from_dataframe(<br>            dataframe=df,<br>            directory=image_dir,<br>            x_col=x_col,<br>            y_col=y_cols,<br>            class_mode=&quot;raw&quot;,<br>            batch_size=batch_size,<br>            shuffle=shuffle,<br>            seed=seed,<br>            target_size=(target_w,target_h))<br>    <br>    <strong>return</strong> generator</pre><p><strong>DenseNet</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/869/1*BAB95UV3RJLztPkF6xsOHQ.png" /></figure><p>En nihayetinde bu bir resim sınıflandırma projesi bunun için Python tarafında önceden eğitilmiş bir DenseNet modeli kullanacağız. DenseNet modelinin detaylarını incelemek için <a href="https://arxiv.org/pdf/1608.06993.pdf">buradaki</a> makaleyi okuyabilirsiniz.</p><p><strong>Modelin Entegrasyonu</strong></p><pre>from keras.applications.densenet import DenseNet121</pre><pre>base_model = DenseNet121(weights=’./nih/densenet.hdf5&#39;, include_top=False);</pre><p><strong>GradCAM ile Öğrenmeyi Görselleştirme</strong></p><p>Bu bölümde, patolojik durumu tahmin etmek için görüntüdeki önemli bölgeleri vurgulayan bir ısı haritası üretmek için <a href="https://arxiv.org/pdf/1610.02391.pdf">GradCAM</a>’in tekniğini kullanacağız.</p><p>İlk olarak, en yüksek performans gösteren AUC değerlerine sahip 4sınıfa bakmak için eğitim setini yükleyeceğiz.</p><pre>df = pd.read_csv(root+&quot;data_chest/train-small.csv&quot;)<br>IMAGE_DIR = root+&quot;data_chest/images-small/&quot;<br><br>labels_to_show = np.take(labels, np.argsort(auc_rocs)[::-1])[:4]</pre><pre>util.compute_gradcam(model, &#39;00011355_002.png&#39;, IMAGE_DIR, df, labels, labels_to_show)</pre><p><strong>Sonuç:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/835/1*GeH11HZF_zFuDSZgf3a8sg.jpeg" /></figure><p>Tıbbi teşhiste yapay zeka yazımın birincisinin burada sonuna geldik. Benzer bir çalışmayı beyin tümörünü MR görüntülerinden saptamak için segmentasyon çalışması yapacağız. Bu çalışmaya <a href="https://github.com/erenbozarik/X-Ray-Goruntulerinden-Akciger-Hastaliklari-Teshisi/blob/master/chest_notebook.ipynb">github</a> üzerinden erişebilirsiniz. İyi çalışmalar dileklerimle :)</p><p><em>Bu makalede deeplearning.ai tarafından yayınlanan Tıbbi Teşhiste Yapay Zeka dersinden sıklıkla faydalanılmıştır.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=51c826fa6951" width="1" height="1" alt=""><hr><p><a href="https://medium.com/smlr-center/t%C4%B1bbi-te%C5%9Fhiste-yapay-zeka-i-51c826fa6951">Tıbbi Teşhiste Yapay Zeka — I</a> was originally published in <a href="https://medium.com/smlr-center">SMLR CENTER</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[SMLR CENTER Nedir?]]></title>
            <link>https://medium.com/smlr-center/smlr-center-nedir-70d7dd853b89?source=rss-6491df61fce3------2</link>
            <guid isPermaLink="false">https://medium.com/p/70d7dd853b89</guid>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[smlr]]></category>
            <category><![CDATA[research]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Eren Bozarık]]></dc:creator>
            <pubDate>Sun, 22 Mar 2020 15:36:05 GMT</pubDate>
            <atom:updated>2024-07-20T16:50:36.139Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GXfu3miFxmVU0blCMJ9G0A.jpeg" /></figure><p>Açılımı (Statistics and Machine Learning Research Center) olan SMLR, yapay zeka araştırmalarını esas alan ve bu konu üzerine makale yazmayı, projeler geliştirmeyi hedefleyen bir girişimdir. Yazar olarak bu makalelere katkıda bulunabilir projelerinizi burada paylaşabilirsiniz.</p><p>Blog bünyesinde söyleşiler, python çalışma notları ve derin öğrenmeye yönelik bir yazı dizisi bulunmaktadır. Bizi sosyal medya hesaplarımızdan takip edebilirsiniz.</p><p>Yetenek topluluğumuza katılın : <a href="https://discord.gg/sayh5hkX">https://discord.gg/sayh5hkX</a> (SwipeBee)</p><p>📚<strong>Derin Öğrenme Yazı Dizisi</strong></p><p>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-i-bf85f3965d8f">Sinir Ağları ve Derin Öğrenme — I<br></a>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-ii-i%CC%87kili-s%C4%B1n%C4%B1fland%C4%B1rma-d1f0f6fd0f95">Sinir Ağları ve Derin Öğrenme — II : İkili Sınıflandırma<br></a>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-iii-lojistik-regresyon-cc9686981c6b">Sinir Ağları ve Derin Öğrenme — III : Lojistik Regresyon<br></a>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-iv-lojistik-regresyon-maliyet-hesab%C4%B1-5ac761c43085">Sinir Ağları ve Derin Öğrenme — IV : Lojistik Regresyon : Maliyet Hesabı</a><br>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-v-grandyan-d%C3%BC%C5%9F%C3%BC%C5%9F%C3%BC-8c6d15a3d965">Sinir Ağları ve Derin Öğrenme — V : Gradyan İnişi</a><br>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-vi-hesaplama-grafi%C4%9Fi-1caf57ec03f9">Sinir Ağları ve Derin Öğrenme — VI : İleri-Geri Yayılım</a><br>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-vii-geri-yay%C4%B1l%C4%B1m-ve-gradyan-i%CC%87ni%C5%9Fi-272849e37f51">Sinir Ağları ve Derin Öğrenme — VII : Geri Yayılım ve Gradyan İnişi<br></a>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-viii-vekt%C3%B6rizasyon-ff97b5411013">Sinir Ağları ve Derin Öğrenme — VIII : Vektörizasyon</a><br>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-ix-lojistik-regresyonda-vekt%C3%B6rizasyon-48324e15fee4">Sinir Ağları ve Derin Öğrenme — IX : Lojistik Regresyonda Vektörizasyon</a><br>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-x-python-numpy-ile-vekt%C3%B6r-i%CC%87%C5%9Flemleri-1e52a826fa6d">Sinir Ağları ve Derin Öğrenme — X : Python-Numpy ile Vektör İşlemleri</a><br>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xi-python-numpy-ile-al%C4%B1%C5%9Ft%C4%B1rmalar-11568059b6a6">Sinir Ağları ve Derin Öğrenme — XI : Python-Numpy ile Alıştırmalar</a><br>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xii-genel-bak%C4%B1%C5%9F-8d1bd7ee185c">Sinir Ağları ve Derin Öğrenme — XII : Genel Bakış</a><br>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xiii-sinir-a%C4%9F%C4%B1-g%C3%B6sterimi-3580d6a1e598">Sinir Ağları ve Derin Öğrenme — XIII : Sinir Ağı Gösterimi</a><br>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xiv-aktivasyon-fonksiyonlar%C4%B1-c125885ee5f7">Sinir Ağları ve Derin Öğrenme — XIV : Aktivasyon Fonksiyonları</a><br>◼️<a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xv-derin-sinir-a%C4%9Flar%C4%B1-acbfd6a85de2">Sinir Ağları ve Derin Öğrenme — XV : Derin Sinir Ağları</a></p><p><strong>⚕️Tıpta Yapay Zeka</strong></p><p>◼️<a href="https://medium.com/smlr-center/t%C4%B1bbi-te%C5%9Fhiste-yapay-zeka-i-51c826fa6951">Tıbbi Teşhiste Yapay Zeka — I</a></p><p>💻<strong>Python Notebooks</strong></p><p>◼️<a href="https://github.com/erenbozarik/Statistical-Scripts/blob/master/Lineer%20Regresyon.ipynb">Lineer Regresyon Uygulaması<br></a>◼️<a href="https://github.com/erenbozarik/Statistical-Scripts/blob/master/Lojistik%20Regresyon.ipynb">Lojistik Regresyon Uygulaması<br></a>◼️<a href="https://colab.research.google.com/github/erenbozarik/Python-Calisma-Rehberi/blob/master/PYTHON_EXERCISES.ipynb">Python Çalışma ve Egzersiz Rehberi</a><br>◼️<a href="https://github.com/erenbozarik/DCGAN-MNIST/blob/master/dcgan-MNIST.ipynb">Derin Evrişimli Çekişmeli Üretici Ağlar ile MNIST Veri Seti Uygulaması<br></a>◼️<a href="https://github.com/erenbozarik/X-Ray-Goruntulerinden-Akciger-Hastaliklari-Teshisi/blob/master/chest_notebook.ipynb">X-Ray Taramalarından Akciğer Hastalıkları Teşhisi</a></p><p>🎤<strong>Söyleşi ve Röportajlar</strong></p><p>◼️<a href="https://medium.com/smlr-center/prof-dr-cem-say-ile-yapay-zeka-konu%C5%9Ftuk-e4e702ac793c">Prof. Dr. Cem Say ile Yapay Zeka</a><br>◼️<a href="https://medium.com/smlr-center/prof-levent-akin-ile-robotbilim-hakk%C4%B1nda-konu%C5%9Ftuk-3ddb096ac617">Prof. Dr. Levent AKIN ile Robotbilim</a><br>◼️<a href="https://medium.com/smlr-center/prof-dr-ethem-alpayd%C4%B1n-ile-yapay-%C3%B6%C4%9Frenme-hakk%C4%B1nda-konu%C5%9Ftuk-72fd38ff759e">Prof. Dr. Ethem Alpaydın ile Yapay Öğrenme</a><br>◼️<a href="https://medium.com/smlr-center/locomation%C4%B1n-ser%C3%BCveni-9ae6e25c6bcb">Locomation’ın Serüveni!</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=70d7dd853b89" width="1" height="1" alt=""><hr><p><a href="https://medium.com/smlr-center/smlr-center-nedir-70d7dd853b89">SMLR CENTER Nedir?</a> was originally published in <a href="https://medium.com/smlr-center">SMLR CENTER</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sinir Ağları ve Derin Öğrenme — XV : Derin Sinir Ağları]]></title>
            <link>https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xv-derin-sinir-a%C4%9Flar%C4%B1-acbfd6a85de2?source=rss-6491df61fce3------2</link>
            <guid isPermaLink="false">https://medium.com/p/acbfd6a85de2</guid>
            <category><![CDATA[artificial-neural-network]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Eren Bozarık]]></dc:creator>
            <pubDate>Sun, 22 Mar 2020 12:12:37 GMT</pubDate>
            <atom:updated>2020-03-22T12:12:37.598Z</atom:updated>
            <content:encoded><![CDATA[<h3>Sinir Ağları ve Derin Öğrenme — XV : Derin Sinir Ağları</h3><p><strong>Derin Sinir Ağı Nedir?</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/216/1*5vR7Xwz058QUqyqrbTZIVQ.png" /><figcaption><em>Lojistik Regresyon</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/330/1*DC0OdDy4HCPZ9G6kHIvonA.png" /><figcaption><em>1 gizli katmana sahip sinir ağı</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/430/1*KsMlMppqFg2Y1BBArejZ_w.png" /><figcaption><em>2 gizli katmana sahip sinir ağı</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/747/1*Tr25QW5_-43nEqWdUTWQmg.png" /><figcaption><em>5 gizli katmana sahip “derin” sinir ağı</em></figcaption></figure><p><strong>Derin Sinir Ağı Notasyonu </strong>(<em>l</em>-layer)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/610/1*nRaaMGn0Zn_osXBAqaXKpw.png" /></figure><p>Katman sayısı:<strong> <em>l</em>=4</strong></p><p><strong>Örnek:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/969/1*HIYAIGmO2OJ8CvxhhObAeg.png" /></figure><p>Katmanda ki aktivasyon: <strong>a^<em>l</em></strong></p><p><strong>Örnek:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/335/1*nf-KwzjkNOf32BZcW8UVRA.jpeg" /></figure><p>Bu notasyonlardan yararlanarak ileri-yayılım algoritmasını m tane girdi için şu şekilde yazabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/585/1*duvk68EymAi2QXNeWM6tUw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QG91yofHrrugzB8H1KZU9A.jpeg" /></figure><p><strong>Neden derin sinir ağları?</strong><br>Derin sinir ağları, veri ile daha basitten komplekse doğru ilişkiler kurar. Her katmanda bir önceki katman arasında bir ilişki kurmaya çalışır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/751/1*SeZXg_NmypIRIyiJR9RenQ.png" /></figure><p>Bu örnek resimde görüyoruz ki gizli katmanlarımızda ki verilerimiz çok özel detaylardan genel detaylara doğru bilgiler saklıyor. Bu da girdi hakkında bir karara varmamızda ki doğruluk ihtimalimizi arttırıyor. 1. gizli katmanımızda yüzümüzde ki çukurluklar gibi küçük detaylar sergilenirken 2. gizli katmanda göz, burun ve kulak gibi biraz daha geniş bir veri setimiz var. 3. gizli katmanımızda ise çeşitli yüzlere dair veri setimiz var. Bu katmanların sayısını arttırmanız çok daha düzgün tahmin yapmanıza olanak tanır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=acbfd6a85de2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xv-derin-sinir-a%C4%9Flar%C4%B1-acbfd6a85de2">Sinir Ağları ve Derin Öğrenme — XV : Derin Sinir Ağları</a> was originally published in <a href="https://medium.com/smlr-center">SMLR CENTER</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sinir Ağları ve Derin Öğrenme — XIV : Aktivasyon Fonksiyonları]]></title>
            <link>https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xiv-aktivasyon-fonksiyonlar%C4%B1-c125885ee5f7?source=rss-6491df61fce3------2</link>
            <guid isPermaLink="false">https://medium.com/p/c125885ee5f7</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[activation-functions]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[artificial-neural-network]]></category>
            <dc:creator><![CDATA[Eren Bozarık]]></dc:creator>
            <pubDate>Sun, 22 Mar 2020 12:05:11 GMT</pubDate>
            <atom:updated>2020-03-22T12:05:11.532Z</atom:updated>
            <content:encoded><![CDATA[<h3>Sinir Ağları ve Derin Öğrenme — XIV : Aktivasyon Fonksiyonları</h3><p>Hücreye gelen net bilgiyi analiz ederek, hücrenin giriş bilgisine göre karşılık üreteceği çıkış bilgisinin belirlenmesini sağlar. Ağ modelini geliştiren kişiye göre değişkenlik gösterir. Yani ara katmanda Tanh aktivasyon fonksiyonu kullanılırken çıkış katmanında sigmoid fonksiyonu kullanılabilir. Şimdi aktivasyon fonksiyonlarını ve verdikleri çıktıları inceleyelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/415/1*zJ5uWzhf_zkDbShvmiKZlg.jpeg" /><figcaption>Sigmoid Fonksiyonu</figcaption></figure><p>Yukarıda da gösterildiği üzere fonksiyon 0 ve 1 arasındaki y değerleri için tanımlı olup x=0 ekseninden önce 0’a sonrasında ise 1’e yakınsamaktadır.Sigmoid aktivasyon fonksiyonu sürekli ve türevi alınabilir bir fonksiyondur. Doğrusal olmayışı dolayısıyla yapay sinir ağı uygulamalarında en sık kullanılan fonksiyondur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/427/1*5LhCcLqbORL4tSL7rR0sZw.jpeg" /><figcaption>Tanh Fonksiyonu</figcaption></figure><p>Tanh fonksiyonu sigmoid fonksiyonuna çok benzer. Aslında sadece sigmoid işlevinin ölçeklendirilmiş bir versiyonudur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/413/1*m5I7KgOBkC29u_kVbSPnIQ.jpeg" /><figcaption>ReLU Fonksiyonu</figcaption></figure><p>ReLU fonksiyonu, en çok kullanılan aktivasyon fonksiyonudur. İlk önce, ReLU işlevi doğrusal değildir; bu, hatalara kolayca geri-yayılım algoritmasını uygulamamıza olanak tanır ve ReLU işlevi birden fazla nöron katmanına sahip sinir ağlarında kullanılabilir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c125885ee5f7" width="1" height="1" alt=""><hr><p><a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xiv-aktivasyon-fonksiyonlar%C4%B1-c125885ee5f7">Sinir Ağları ve Derin Öğrenme — XIV : Aktivasyon Fonksiyonları</a> was originally published in <a href="https://medium.com/smlr-center">SMLR CENTER</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sinir Ağları ve Derin Öğrenme — XIII : Sinir Ağı Gösterimi]]></title>
            <link>https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xiii-sinir-a%C4%9F%C4%B1-g%C3%B6sterimi-3580d6a1e598?source=rss-6491df61fce3------2</link>
            <guid isPermaLink="false">https://medium.com/p/3580d6a1e598</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[artificial-neural-network]]></category>
            <category><![CDATA[linear-algebra]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Eren Bozarık]]></dc:creator>
            <pubDate>Sun, 22 Mar 2020 11:54:50 GMT</pubDate>
            <atom:updated>2020-03-22T11:54:50.113Z</atom:updated>
            <content:encoded><![CDATA[<h3>Sinir Ağları ve Derin Öğrenme — XIII : Sinir Ağı Gösterimi</h3><p>Şimdiye kadar ki kısımda girdiler, girdilerin dahil olduğu optimizasyon işlemleri, eşik değeri ve ağırlıklardan söz ettik. Şimdi bu ifadelerin “sinir ağı” modellerinde gösterimini inceleyeceğiz.</p><p>Öncelikle sinir ağında bir node’un nasıl bir işlev gördüğünü inceleyelim</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*41m-RxlI9G1JzCA3hi-0Xg.png" /></figure><p>Bir düğümde (node) aşağıdaki 2 işlem yapılmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/312/1*76-xoDticGvbDQRa5iSJlw.png" /></figure><p>Şimdi bir sinir ağını inceleyelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/479/1*uMeJeeBT1D_nRqKDYT7Rvw.png" /></figure><p>Burada a^[0] giriş katmanı, a^[1] gizli katman, a^[2] ise çıkış katmanı. Gizli katmanda ki işlemler şöyledir;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/479/1*ZawMfSgnxzKKi1cFDWYoEg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/862/1*eMWH5FMcqO3zbDjcKAgWxA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/479/1*2gN9v8ZNsdq6NsNXbfya0g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/862/1*iQm6_gc196NnPsea3LCtmg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/479/1*o2wxdcVi5yuGsisOMsV29g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/862/1*muNUXcyPbdbB4yH3INX6tw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/479/1*RflQTsLKSlWn28FWjvUyzg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/862/1*HqHqwjL3jtyGfNmpccWsfg.png" /></figure><p>Sonuç olarak bu gösterimlerin matris karşılığı aşağıdaki gibidir. Node’lar arası işlemler açıkça bu şekilde yapılmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yBP9-i-a6UP3FPr64RW9KQ.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3580d6a1e598" width="1" height="1" alt=""><hr><p><a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xiii-sinir-a%C4%9F%C4%B1-g%C3%B6sterimi-3580d6a1e598">Sinir Ağları ve Derin Öğrenme — XIII : Sinir Ağı Gösterimi</a> was originally published in <a href="https://medium.com/smlr-center">SMLR CENTER</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sinir Ağları ve Derin Öğrenme — XII : Genel Bakış]]></title>
            <link>https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xii-genel-bak%C4%B1%C5%9F-8d1bd7ee185c?source=rss-6491df61fce3------2</link>
            <guid isPermaLink="false">https://medium.com/p/8d1bd7ee185c</guid>
            <category><![CDATA[graph]]></category>
            <category><![CDATA[computation]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[math]]></category>
            <dc:creator><![CDATA[Eren Bozarık]]></dc:creator>
            <pubDate>Fri, 20 Mar 2020 17:19:45 GMT</pubDate>
            <atom:updated>2020-03-22T17:17:34.424Z</atom:updated>
            <content:encoded><![CDATA[<h3>Sinir Ağları ve Derin Öğrenme — XII : Genel Bakış</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/747/1*Tr25QW5_-43nEqWdUTWQmg.png" /></figure><p><strong>Sinir Ağı kurmanın ana adımları şunlardır:</strong></p><ol><li>Model yapısını tanımlayın (girdi özellikleri ve çıktıların sayısı gibi)</li><li>Modelin parametrelerini başlatın.</li><li>Döngüler</li></ol><ul><li>Hatayı hesapla (İleri yayılım)</li><li>Gradyanını hesapla (Geri yayılım)</li><li>Parametreleri güncelle (Dereceli Alçalma)</li></ul><p>Lojistik Regresyon denildiği zaman aklınıza aşağıda ki şema gelsin.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*89vQZJ8aEGTGd2r2nk5sYQ.png" /><figcaption><em>Sinir ağındaki bir node</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*MK9nD6Ro4HiTC40nQ08Cbg.png" /></figure><p>Bir gizli katmanlı bir sinir ağında ise işlemler aşağıda ki şekildedir. Bu temel bir gösterimdir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*ZKDcQ_okUT3qU0lV7SxWZw.png" /><figcaption><em>1 giriş 1 gizli ve 1 çıkış katmanı bulunan bir sinir ağı. Giriş katmanı sayılmaz. Çünkü bu katmanda aktivasyon yok. Bu yüzden bu sinir ağı 2 katmanlıdır.</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*hCf9uWcXeztNQrXIUHNOqw.png" /></figure><p>Bir sinir ağı lojistik regresyonlar yığınıdır. Baştan sona doğru gidip hatayı bulma işlemine ileri yayılım denir. Sondan başlayıp ileri doğru W ve b ifadelerinin türevini bulma işlemine geri yayılım denir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8d1bd7ee185c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xii-genel-bak%C4%B1%C5%9F-8d1bd7ee185c">Sinir Ağları ve Derin Öğrenme — XII : Genel Bakış</a> was originally published in <a href="https://medium.com/smlr-center">SMLR CENTER</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sinir Ağları ve Derin Öğrenme — XI : Python-Numpy ile Alıştırmalar]]></title>
            <link>https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xi-python-numpy-ile-al%C4%B1%C5%9Ft%C4%B1rmalar-11568059b6a6?source=rss-6491df61fce3------2</link>
            <guid isPermaLink="false">https://medium.com/p/11568059b6a6</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[numpy]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Eren Bozarık]]></dc:creator>
            <pubDate>Fri, 20 Mar 2020 17:16:04 GMT</pubDate>
            <atom:updated>2020-03-20T17:16:04.118Z</atom:updated>
            <content:encoded><![CDATA[<h3>Sinir Ağları ve Derin Öğrenme — XI : Python-Numpy ile Alıştırmalar</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/275/1*kCo-scDIvPYZYMibC8c4Uw.png" /><figcaption><em>Sigmoid Fonksiyonu</em></figcaption></figure><p>Python Numpy ile sigmoid fonksiyonunu yazalım.</p><pre>import numpy as np<br>def sigmoid(x):<br>    s =  1/(1+np.exp(-x))<br>    return s</pre><p>Bir dizi oluşturup sigmoid fonksiyonuna gönderip sonuçları inceleyelim.</p><pre>x = np.array([1, 2, 3])<br>sigmoid(x)</pre><p><strong>Sonuçlar :</strong> array([ 0.73105858, 0.88079708, 0.95257413])Burada dikkat ederseniz sonuçlar 1 ve 0 arasında.</p><p><strong>Sigmoid Gradyanı</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/560/1*eUF00Vuv6VUSBiowwq7JJg.jpeg" /></figure><p>Sigmoid fonksiyonunun türevini alıp, python fonksiyonunu yazalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/753/1*ZxqLCE3vQfvEsCKJNHPWcg.jpeg" /></figure><pre>def sigmoid_turev(x):<br>    s =sigmoid(x)<br>    ds = s*(1-s)<br>    return ds</pre><p>Yine bir diziyi bu fonksiyona yönlendirip sonuçları gözetelim.</p><pre>x = np.array([1, 2, 3])<br>print (&quot;sigmoid_turev(x) = &quot; + str(sigmoid_turev(x)))</pre><p><strong>Sonuç: </strong>sigmoid_turev(x) = [ 0.19661193 0.10499359 0.04517666]<br><strong>Dizilerin Yeniden Şekillendirilmesi</strong></p><p>Burada np.shape() ve np.reshape() fonksiyonlarının kullanımını inceleyeceğiz</p><ul><li>X.shape() fonksiyonu X matrisinin boyutları hakkında size bilgi verir.</li><li>X.reshape(…) fonksiyonu X matrisinizin boyutlarında değişiklik yapmanıza olanak tanır.</li></ul><p><strong>Resmin Vektöre Dönüştürülmesi (Image2Vector)</strong><br>Resim : uzunluk, yükseklik, derinlik şeklinde bir numpy dizisi.<br>Return değerimiz ise bu verilerin 1 kolon olacak şekilde “reshape” edilmiş hali.</p><pre>def image2vector(image):<br> v = image.reshape((image.shape[0]*image.shape[1]*image.shape[2]), 1)<br>    return v</pre><pre>image = np.array([[[ 0.67826139,  0.29380381],<br>        [ 0.90714982,  0.52835647],<br>        [ 0.4215251 ,  0.45017551]],<br><br>       [[ 0.92814219,  0.96677647],<br>        [ 0.85304703,  0.52351845],<br>        [ 0.19981397,  0.27417313]],<br><br>       [[ 0.60659855,  0.00533165],<br>        [ 0.10820313,  0.49978937],<br>        [ 0.34144279,  0.94630077]]])</pre><p>Bu, 3 x 3 boyutlu bir dizidir, genellikle resimler (num_px_x, num_px_y, 3) şeklinde olacak; Burada ki 3 RGB değerlerini temsil ediyor</p><pre>print (&quot;image2vector(image) = &quot; + str(image2vector(image)))</pre><p><strong>Sonuç :</strong><br>[[ 0.67826139] [ 0.29380381] [ 0.90714982] [ 0.52835647] [ 0.4215251 ] [ 0.45017551] [ 0.92814219] [ 0.96677647] [ 0.85304703] [ 0.52351845] [ 0.19981397] [ 0.27417313] [ 0.60659855] [ 0.00533165] [ 0.10820313] [ 0.49978937] [ 0.34144279] [ 0.94630077]]</p><p><strong>Satırları Normalleştirme</strong></p><p>Makine Öğrenmesi ve Derin Öğrenme’de kullanılan diğer bir yaygın teknik, verilerimizi normalleştirmektir. Dereceli alçalma normalleştirme sonrasında daha hızlı yakınsama işlemi yaptığı için genellikle daha iyi bir performans alınıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/656/1*e4LBYeivXflfIzYeYU--kw.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vBJibsuCJaUdMprudpaCqg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/560/1*5JXJza2o-f99ubWFL8aItg.jpeg" /></figure><p>Burada yaptığımız şey x’in her satır vektörünü normuna bölmek. Şimdi bu işlemin python fonksiyonunu yazalım.</p><pre>def normalizeRows(x):<br>x_norm = np.linalg.norm(x, ord = 2, axis = 1, keepdims = True)<br>     x = x/ x_norm<br>return x</pre><p>Bu fonksiyonu bir matris üzerinde deneyelim.</p><pre>x = np.array([<br>    [0, 3, 4],<br>    [1, 6, 4]])<br>print(&quot;normalizeRows(x) = &quot; + str(normalizeRows(x)))</pre><p><strong>Sonuç :</strong><br>normalizeRows(x) = [[ 0. 0.6 0.8 ] [ 0.13736056 0.82416338 0.54944226]]<br><strong>L1 ve L2 Hata (Loss) Fonksiyonlarının uygulanması</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UyH6CrinjgqiyGIqJGvQVg.png" /></figure><pre>def L1(yhat, y):<br>loss = np.sum(abs(y - yhat))<br>return loss</pre><pre>yhat = np.array([.9, 0.2, 0.1, .4, .9])<br>y = np.array([1, 0, 0, 1, 1])<br>print(&quot;L1 = &quot; + str(L1(yhat,y)))</pre><p><strong>Sonuç : </strong>L1 = 1.1</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oueAUv5msRP3D-3aDFkgBA.png" /></figure><pre>def L2(yhat, y):<br>       loss = np.dot((y-yhat),(y-yhat))<br>return loss</pre><pre>yhat = np.array([.9, 0.2, 0.1, .4, .9])<br>y = np.array([1, 0, 0, 1, 1])<br>print(&quot;L2 = &quot; + str(L2(yhat,y)))</pre><p><strong>Sonuç : </strong>L2 = 0.43</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=11568059b6a6" width="1" height="1" alt=""><hr><p><a href="https://medium.com/smlr-center/sinir-a%C4%9Flar%C4%B1-ve-derin-%C3%B6%C4%9Frenme-xi-python-numpy-ile-al%C4%B1%C5%9Ft%C4%B1rmalar-11568059b6a6">Sinir Ağları ve Derin Öğrenme — XI : Python-Numpy ile Alıştırmalar</a> was originally published in <a href="https://medium.com/smlr-center">SMLR CENTER</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>