pdf_path stringclasses 2
values | page_num int64 0 127 | marker stringclasses 35
values |
|---|---|---|
/content/drive/MyDrive/pdf_folder/511459.pdf | 0 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 1 | _page_1_Picture_0.jpeg)
| JÜRİ ÜYESİ | IMZA | KANAATİ<br>(KABUL / RED / DÜZELTME) |
|---------------------------------------------|---------|-------------------------------------|
| PROF DR.ERGÜN EROĞLU | | a 4 U |
| DOC.D... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 2 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 3 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 4 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 5 | _page_5_Picture_2.jpeg)
### **ÖNSÖZ**
<span id="page-6-0"></span>Öncelikle bu tezin hazırlanmasındaki desteği, anlayışı ve bana olan güveni dolayısıyla danışman hocam Doç. Dr. Nihat TAŞ' a teşekkür ederim. Ayrıca önceki danışman hocam Prof. Dr. Erhan ÖZDEMİR' e kendi fikirlerimin peşinden koşmam konusunda verdiği ces... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 6 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 7 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 8 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 9 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 10 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 11 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 12 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 13 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 14 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 15 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 16 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 17 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 18 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 19 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 20 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 21 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 22 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 23 | _page_23_Figure_1.jpeg)
**Kaynak:** Buduma, **a.g.e**, p.15.
Temsili olarak, girdi verisi , hedef değerleri , parametre değerleri vektörleri ve kullanılan tüm aktivasyon fonksiyonları ile temsil edilsin. Hata fonksiyonu;
#### (; ; )
şeklindedir. Hata fonksiyonu kareli hata, negatif olabilirlik fonksiyonu vb. olabil... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 24 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 25 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 26 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 27 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 28 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 29 | _page_29_Figure_3.jpeg)
**Kaynak:** The Theano Development Team: Theano, " Convolutional Neural Networks (LeNet) -- DeepLearning 0.1 documentation", (Çevrimiçi) [http://deeplearning.net/tutorial/lenet.html,](http://deeplearning.net/tutorial/lenet.html) 25.2.2016.
Şimdi matematiksel olarak tüm bu söylenenlerin ne anla... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 30 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 31 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 32 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 33 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 34 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 35 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 36 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 37 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 38 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 39 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 40 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 41 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 42 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 43 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 44 | _page_44_Figure_1.jpeg)
<span id="page-44-0"></span>**2.2 de Düzleminin Geometrik Analizi**
Bu bölümde üretilen spesifik hiper düzlemin 3 te ne anlam ifade ettiği gösterilecektir.
<sup>3</sup> de a<sup>3</sup> ≠ b<sup>3</sup> olmak üzere birbirinden ve sıfır noktasından farklı olan = (a1, a2, a<sup>3</sup> ) ve = (... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 45 | _page_45_Figure_1.jpeg)
vektörünün düzlemine göre izdüşümü ise = (b<sup>1</sup> − a<sup>1</sup> )̂+ (b<sup>2</sup> − a<sup>2</sup> )̂ şeklindedir. Bu aşamadan sonra yapılacak olan oluşturulacak ve noktalarından geçen düzlem için bir normal elde etmektir. Ancak bu noktalardan sonsuz sayıda düzlem geçer. Dolayısıyla bu... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 46 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 47 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 48 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 49 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 50 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 51 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 52 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 53 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 54 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 55 | _page_55_Figure_5.jpeg)
[Şekil 3.1](#page-55-1) de grafiği verilen fonksiyon () = 6 − ( −5 2+4 + sin 2) 2 fonksiyonudur. Burada ∈ [−5, 5] şeklindedir. Şekilde yer alan ⃗⃗ , , , vektörlerinin eğimleri sırasıyla , , , olarak verilsin.
Bu fonksiyonun minimizasyonu ile uğraşırken başlangıç değeri ile işe başlanıldığı düş... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 56 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 57 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 58 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 59 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 60 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 61 | _page_61_Figure_8.jpeg)
<sup>33</sup> Jason D. Lee, Max Simchowitz, Michael I. Jordan, and Benjamin Recht, "Gradient Descent Converges to Minimizers", **arXiv preprint**, arXiv:1602.04915v2, 2016.
Gradyan iniş yönteminin yerel minimuma yakınsaması durumu ise <sup>1</sup> () test fonksiyonu ile kolaylıkla görülebilir.... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 62 | _page_62_Figure_2.jpeg)
Aşağıd[a Şekil 4.3](#page-63-0) ile siyah, yeşil ve kırmızı ile belirtilen ve yukarıda ne anlama geldiği ifade edilen noktaların türev fonksiyonundaki yerleri kritik noktalar açısından incelenmiştir.
**Şekil 4.3.** <sup>1</sup> (x) fonksiyonunun türevinin geometrik gösterimi
<span id="page-63... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 63 | _page_63_Figure_1.jpeg)
Girdi uzayları iki olan fonksiyonların <sup>3</sup> de gösterimi aşağıda [Şekil](#page-64-0) 4.4 ile verilmiştir. Bu fonksiyonlara ait türev fonksiyonlarının geometrik gösterimi ise [Şekil](#page-65-0) [4.5-](#page-65-0)[Şekil 4.10](#page-66-2) arasında verilmiştir. Aynı fonksiyonlara ait sevi... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 64 | _page_64_Figure_0.jpeg)
#### **Şekil 4.4.** Sırasıyla 2, 4, 5, 6, <sup>7</sup> ve <sup>8</sup> fonksiyonlarının de gösterimi
<span id="page-65-0"></span>**Şekil 4.5.** fonksiyonunun sırasıyla birinci ve ikinci bileşene göre türevlerinin de gösterimi
<span id="page-66-0"></span>**Şekil 4.8.** fonksiyonunun sırasıyla birinci ve ikinci bileşene göre türevlerinin de gösterimi
<span id="page-67-1"></span>
<span id="page-67-0"></span>**Şekil 4.11.** Sırasıyla , , , , ve fonksiyonları için seviye eğrileri
<span id="page-68-1"></span>**Şekil 4.12.** Sırasıyla ve fonksiyonları için EVGO algoritmasının döngü boyunca ürettiği noktaların de gösterimi
Unimodal fonksiyonların aksine, multimodal fonksiyonlar girdi boyutu ile birlikte üstel olarak sürekli artan sayıda yerel optimuma sahiplerdir. Bu durum algoritmaları karşılaştırma açısından multimodal fonksiyonları uygun yapar. EVGO algoritmasının gradyan iniş yöntemiyle hesaplama performansı ... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 70 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 71 | _page_71_Figure_1.jpeg)
### <span id="page-71-0"></span>**4.2.2. Lojistik Regresyon Yapısı ve Analiz Sonuçları**
Her iki veri için girdi kümesinin . elemanının . değeri ile gösterilecek olunursa kurulan regresyon için hata fonksiyonu,
$$f(\mathbf{x}, \mathbf{y}, \mathbf{w}) = \sum\_{l=1}^{N} \left[ \left( \mathbf{y}... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 72 | _page_72_Figure_4.jpeg)
Ek 1 de yapılan her iki analize ait Python programlama diline ait kodlar verilmiştir. Ek 1 de Veri 2 için yapılan analizin kodu Python programlama dilinde bir kütüphane olan theano kullanılarak yazılmıştır<sup>34</sup> .
<sup>34</sup> The Theano Development Team: Theano, "A Python framework fo... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 73 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 74 | _page_74_Figure_1.jpeg)
### <span id="page-74-0"></span>**4.3.2. Softmax Regresyon Analizi**
Çalışmanın bu kısmında, veriyi işlemek amacıyla küçük-parti (mini-batch) yaklaşımı ele alınmıştır. Hata fonksiyonunu tanımlarken, sadece bir örneği kullanmak yerine eğitim setinin küçük-partisi kullanılmıştır. Böylelikle grad... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 75 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 76 | _page_76_Figure_1.jpeg)
Uygulanan analiz için keyfi başlangıç parametreleri ve hiper parametreler için bazı bilgiler [Tablo 4.7](#page-76-0) ile sunulmuştur. Burada ile gösterilen hiper parametrelerin iki algoritma için birbirinden farklı olduğuna dikkat edilmelidir.
<span id="page-76-0"></span>
| İterasyon Sayısı ... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 77 | _page_77_Figure_5.jpeg)
<span id="page-78-1"></span>
### <span id="page-78-0"></span>**4.3.3. Derin Evrişimli Sinir Ağı (DESA) Analizi**
Çalışmanın bu bölümünde derin evrişimli sinir ağları (convolutional neural network - CNN) kullanılarak MNIST veri seti üzerinde bir analiz gerçekleştirilecektir. DESA nın özellikle imge verisini işleme konusund... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 79 | _page_79_Figure_1.jpeg)
Uygulanan analiz için keyfi başlangıç parametreleri ve hiper parametreler için bazı bilgiler [Tablo 4.9](#page-79-1) ile sunulmuştur. Uygulanan analizde her katmanda yer alan ağırlıkların boyutları ise [Tablo 4.10](#page-80-0) de yer almaktadır. Analiz için eğitilebilir ağırlık değeri sayısı 43... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 80 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 81 | _page_81_Figure_5.jpeg)
Yapılan DESA analizinin eğitim, doğrulama ve test seti için iterasyon boyunca aldıkları hata değerleri, EVGO ve gradyan iniş optimizasyon yöntemleri için grafiksel olarak [Şekil 4.17](#page-81-0) ile verilmiştir. Sırasıyla doğrulama ve test seti için EVGO ve gradyan iniş yöntemleri ile iterasyo... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 82 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 83 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 84 | _page_84_Picture_1.jpeg)
### **KAYNAKÇA**
<span id="page-85-0"></span>
| Arfken, | George, | B., | Mathematical | Methods | for | Physicists, | Boston, |
|-----------------|---------|-------------------------------------|--------------|---------|-----|-------------|---------|
... |
/content/drive/MyDrive/pdf_folder/511459.pdf | 85 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 86 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 87 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 88 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 89 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 90 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 91 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 92 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 93 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 94 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 95 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 96 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 97 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 98 | null |
/content/drive/MyDrive/pdf_folder/511459.pdf | 99 | null |
End of preview. Expand in Data Studio
README.md exists but content is empty.
- Downloads last month
- 3