TensorFlow ile İlk Sinir Ağınızı Oluşturma

Bu derste TensorFlow kullanarak basit bir ileri beslemeli sinir ağı oluşturacağız. TensorFlow, makine öğrenimi modelleri oluşturmak ve eğitmek için kullanılan popüler bir çerçevedir.

1. Adım: TensorFlow'u Kurma

Öncelikle TensorFlow'un yüklü olduğundan emin olun. Değilse şu komutu kullanarak yükleyebilirsiniz:

pip install tensorflow

Bu ders için gereken kitaplıkları da içe aktaracağız.

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

2. Adım: Veri Kümesini Hazırlama

Bu örnekte, girdinin tek bir özellik, çıktının ise bu özelliğin iki katı olduğu basit bir veri kümesi kullanacağız:

# Generate sample data
X = np.array([[1], [2], [3], [4], [5]], dtype=float)
y = np.array([[2], [4], [6], [8], [10]], dtype=float)

3. Adım: Modeli Oluşturma

Bir girdi katmanı, bir gizli katman ve bir çıktı katmanından oluşan basit bir model oluşturacağız. Gizli katman, ReLU etkinleştirme işlevini kullanacak.

# Create the model
model = Sequential([
    Dense(10, activation='relu', input_shape=(1,)),  # Hidden layer with 10 neurons
    Dense(1)  # Output layer with 1 neuron
])

4. Adım: Modeli Derleme

Modeli şu bileşenlerle derleriz:

• Kayıp İşlevi: Regresyon görevleri için Ortalama Kare Hatası.
• Eniyileyici: Stokastik Gradyan İnişi (SGD).

# Compile the model
model.compile(optimizer='sgd', loss='mean_squared_error')

5. Adım: Modeli Eğitme

Modeli, eğitim verilerini kullanarak 500 eğitim döngüsü boyunca eğitiriz. Eğitim sırasında model, kaybı en aza indirmeyi öğrenir.

# Train the model
model.fit(X, y, epochs=500, verbose=1)

6. Adım: Tahminlerde Bulunma

Eğitimden sonra modeli yeni veriler üzerinde tahminlerde bulunmak için kullanabiliriz:

# Predict on new data
print(model.predict([6]))

7. Adım: Modeli Değerlendirme

Örüntüyü doğru öğrendiğinden emin olmak için modelin eğitim verileri üzerindeki performansını değerlendiririz:

# Evaluate the model
loss = model.evaluate(X, y)
print(f"Loss: {loss}")

Gerçek Dünya Uygulamaları

TensorFlow kullanılarak oluşturulan ileri beslemeli sinir ağları şu alanlarda uygulanabilir:

• Tahmine Dayalı Analiz: Satışları ve eğilimleri öngörme.
• Sınıflandırma: İstenmeyen iletileri ve dolandırıcılığı tespit etme.
• Regresyon: Fiyat tahmini ve talep öngörüsü.

Özet ve Sonraki Adımlar

Bu derste:

• TensorFlow kullanarak basit bir sinir ağı oluşturduk ve eğittik.
• Veri kümesi hazırlama, model oluşturma, derleme ve eğitim gibi temel adımları öğrendik.
• Tahminlerde bulunduk ve modelin performansını değerlendirdik.

Sonraki adımda, görüntü işleme görevleri için evrişimli sinir ağları (CNN'ler) gibi daha gelişmiş mimarilere sinir ağlarının nasıl genişletildiğini inceleyeceğiz.