Derin Öğrenme Modeli Uygulaması: Yapay Zeka ile Çizgi Yüzler Üretin!

Projenin Amacı

Bu yazıda sizlere bir makine öğrenmesi projesini aşama aşama, kodları ile birlikte açıklamaya çalışacağız. Projenin sonunda, tamamen rastgele üretilen ("random") sayıları kullanarak, farklı çizgi yüzleri (İng: "cartoon faces") üreten bir derin öğrenme modeline sahip olacaksınız. Bu modelin ürettiği sonuçları aşağıdaki görselde görebilirsiniz.

Temel Bilgi Gereksinimleri

Özellikle belirtmek isteriz ki bu yazıda yer alan kodlar başlangıç seviye yazılımcılar ve Makine Öğrenmesi hakkında en azından temel seviye bilgisi olmayanlar için uygun olmayabilir. Bunun için sizlere Stanford Üniversitesi Profesörü Andrew Ng tarafından hazırlanmış, tamamen ücretsiz bir şekilde alınabilen bu Coursera dersini tavsiye ederiz. Ayrıca kurs, Türkçe alt yazılı olduğu için İngilizce bilmiyorsanız bile takip edebilirsiniz.

Projenin Temelleri

Projenin GitHub sayfasına buradan ulaşabilirsiniz. Ayrıca projede kullanacağımız yazılım ve kütüphaneler şu şekilde olacak:

• TensorFlow 2.0.0b1
• Python 3.6
• numpy
• pandas

Projenin Basamakları

1. Veri Seti İhtiyacı

İlk problemimiz, bir veri seti bulmak. Amacımız çizgi karakterler oluşturan bir derin öğrenme modeli yapmak olduğu için, ihtiyacımız olan şey de binlerce çizgi yüz. Bunun için küçük bir arama yaparsanız, Google tarafından yayınlanmış bu veris setini bulabilirsiniz. Bu veri setinde "etiketlenmiş" (yani saç rengi, göz rengi, ten rengi vs. açısından kategorize edilmiş) yüzler bulunmaktadır. Eğer ilgili olanlar varsa, bir üst seviye olan StyleGAN algoritmasını kullanarak daha keskin ve başarılı sonuçlar elde edebilirler.

Veri seti yaklaşık olarak 4.45 GB, ayrıca etiketlenen özellikleri indirme sayfasının en altında da bulabilirsiniz.

Eğer veri setini indirip incelediyseniz, göreceksiniz ki her bir yüz için bir ".png" bir de ".csv" dosyası var. .png dosyasında yüz resmi, .csv dosyasında ise etiketlenmiş veriler bulunuyor.

2. Veri Setini İşlemek ve Veri Hattı ("Input Pipeline") Oluşturmak

Bu basamakta TensorFlow'un kendi "tf.data" özelliğini kullanacağız. Bu özellik sayesinde verilerimiz bilgisayardan (HDD'den veya SDD'den) okunurken, aynı zamanda GPU (Graphics Processing Unit) modelin eğitimi için gerekli olan matematiksel işlemleri yapacak. Bu da, zaman kaybı olmayacağı anlamına geliyor.

Python ve TensorFlow 2.0 ile bunu uygulamak için, gerekli kütüphaneleri "import" ediyoruz:

import tensorflow as tf
  import pandas as pd
  import numpy as np
  import matplotlib.pyplot as plt
  
  from glob import glob
  from tqdm import tqdm
  

Daha sonra veri işleme konusunda işlemleri yapacak bir sınıf oluşturuyoruz. Burada "sınıf temelli" bir programlama yapmayı daha çok tercih ediyoruz; siz eğer isterseniz daha farklı da yazabilirsiniz. Ayrıca sınıfımızın adını "Marshall" koyacağız. Bunun tek sebebi var: Programlama yaparken sınıflarımıza sevdiğimiz dizi karakterlerinin adını vermekten hoşlanıyor olmamız. Siz istediğiniz ismi seçebilirsiniz.

class Marshall:
      def load_image(self, x):
          img = tf.io.read_file(x)
          img = tf.image.decode_png(img, channels=3)
          if self.central_crop:
              img = tf.image.central_crop(img, 0.825)
          img = tf.image.resize(img, (self.xs, self.ys), method="nearest")
  
          if self.random_flip:
              img = tf.image.random_flip_left_right(img)
  
          return tf.cast(img, tf.float32) / 255.
  
      def __init__(self, main_path: str, image_shape: tuple, random_flip: bool = True, central_crop: bool = False):
          self.main_path = main_path
          self.xs, self.ys, self.channels = image_shape
          self.random_flip = random_flip
          self.central_crop = central_crop
  
          self.x_data = self.read_all_path()
          self.x_data = tf.convert_to_tensor(self.x_data)
  
          self.dataset = tf.data.Dataset.from_tensor_slices(self.x_data).shuffle(len(self.x_data))
          self.dataset = self.dataset.map(self.load_image)
          self.dataset = self.dataset.prefetch(buffer_size=tf.data.experimental.AUTOTUNE)
  
      def read_all_path(self):
          paths = []
  
          for path in tqdm(glob(f"{self.main_path.rstrip('/')}/*/*.png")):
              paths.append(path)
  
          paths = np.array(paths)
  
          return paths
  

Küçük bir not: "__init__", sınıf çağrıldığında ilk çalışan fonksiyondur.

Bu sınıf ne yapıyor dersiniz? İlk başta, bazı değerleri "self" değişkenine atıyor, daha sonra "read_all_path" fonksiyonu ile bütün png dosyalarının adresleri bir listeye kaydediliyor. En son olarak bu liste bir tf.data objesine dönüştürülüyor ve ".map(self.load_image)" ifadesi ile listedeki her bir elemanın eğitilmeden önce bu fonksiyondan geçirilmesini sağlıyoruz. Çünkü biz listeye verileri resmin adresi şeklinde kaydettik, ihtiyacımız olan şey ise resmin kendisi... Bu fonksiyon da bunu yapıyor: Resmi okuyup, sayılara dönüştürüyor.

Evrim Ağacı'ndan Mesaj

Neden Desteğe İhtiyacımız Var?

Aslında maddi destek istememizin nedeni çok basit: Çünkü Evrim Ağacı, bizim tek mesleğimiz, tek gelir kaynağımız. Birçoklarının aksine bizler, sosyal medyada gördüğünüz makale ve videolarımızı hobi olarak, mesleğimizden arta kalan zamanlarda yapmıyoruz. Dolayısıyla bu işi sürdürebilmek için gelir elde etmemiz gerekiyor.

Bunda elbette ki hiçbir sakınca yok; kimin, ne şartlar altında yayın yapmayı seçtiği büyük oranda bir tercih meselesi. Ne var ki biz, eğer ana mesleklerimizi icra edecek olursak (yani kendi mesleğimiz doğrultusunda bir iş sahibi olursak) Evrim Ağacı'na zaman ayıramayacağımızı, ayakta tutamayacağımızı biliyoruz. Çünkü az sonra detaylarını vereceğimiz üzere, Evrim Ağacı sosyal medyada denk geldiğiniz makale ve videolardan çok daha büyük, kapsamlı ve aşırı zaman alan bir bilim platformu projesi. Bu nedenle bizler, meslek olarak Evrim Ağacı'nı seçtik.

Eğer hem Evrim Ağacı'ndan hayatımızı idame ettirecek, mesleklerimizi bırakmayı en azından kısmen meşrulaştıracak ve mantıklı kılacak kadar bir gelir kaynağı elde edemezsek, mecburen Evrim Ağacı'nı bırakıp, kendi mesleklerimize döneceğiz. Ama bunu istemiyoruz ve bu nedenle didiniyoruz.

Destek Ol

Kod yazma tarzımız, okuyucuya farklı gelmiş olabilir. Kafanızın karıştığı yerler olabilir. Bu, kodu yazandan yazana çok değişecektir. Ama kısaca şöyle düşünün: Bu sınıf, tüm resim adreslerini alıyor, bu resimleri okuyor ve model eğitimi için kullanılabilir bir hale getiriyor.

Aranızda neden resim adresi okumak yerine en başta sadece resmi okumadık diye düşünenler olabilir, onu da şöyle açıklayalım: Eğer bütün resimleri okuyup bir listeye atasaydık, RAM'imiz bunların hepsini depolayamazdı. Tabii eğer bilgisayarınızın RAM'i çok yüksek ise bu bir sorun olmayabilir. Bu sorunla karşılaşmamak için, yazdığımız kod sadece belli sayıda resmi okuyor, onları işliyor, RAM'den siliyor ve daha sonra yeni resimler ile döngüyü tekrar ediyor. Böylece parça parça ve "RAM'imizi kasmadan" veriyi işleyebiliyoruz.

3. Derin Öğrenme Modeli Oluşturmak

Sıfırdan görüntü üretimi ile ilgili birçok farklı algoritma var; dolayısıyla yapmak istediğiniz işe göre tercihler değişiklik gösterebilir. Biz bu iş için "variational autoencoders" tekniğini kullanacağız.

Bu tekniğin detaylarını açıklamak için işin matematiğine inmek gerekiyor ve bu yazının amacını fazlasıyla aşar; belki ileride bu detaylara da girebiliriz. Eğer yapay zeka uygulamalarının temel matematiğini biliyorsanız, bu konuda bolca ve çok öğretici kaynaklar bulabilirsiniz. Eğer yeni başlayan bir kişiyseniz, işin matematiğine girip kafanızı allak bullak etmek istemeyiz; çünkü bunun için daha temel örnekler üzerinden anlatım yapılması daha doğru olur. Bu yöntemin ileri düzeyde teknik kısmı hem yazının başında önerdiğimiz Coursera dersinde, hem de TensorFlow'un buradaki yazısında anlatılıyor.

Şimdi bu modeli barındıran sınıfı tanımlayacağız. Bu defa sınıf ismimiz "Barney". Nedenini biliyorsunuz. Başlayalım:

class Barney(tf.keras.Model):
      def compute_output_signature(self, input_signature):
          pass
  
      def encoder_model(self, activation_function: tf.nn = tf.nn.elu, last_layer_activation: tf.nn = None):
          input_layer = tf.keras.layers.Input(shape=(self.xs, self.ys, self.channels), name="input_1")
  
          x = tf.keras.layers.Conv2D(32, (3, 3), strides=1, activation=activation_function,
                                     kernel_regularizer=tf.keras.regularizers.l2())(input_layer)
          x = tf.keras.layers.Dropout(0.25)(x)
          x = tf.keras.layers.Conv2D(64, (3, 3), strides=2, activation=activation_function,
                                     kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.Conv2D(64, (3, 3), strides=1, activation=activation_function,
                                     kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.MaxPooling2D((3, 3), strides=2)(x)
  
          x = tf.keras.layers.Conv2D(128, (3, 3), strides=1, activation=activation_function,
                                     kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.Dropout(0.25)(x)
          x = tf.keras.layers.Conv2D(256, (3, 3), strides=2, activation=activation_function,
                                     kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.Conv2D(256, (3, 3), strides=1, activation=activation_function,
                                     kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.MaxPooling2D((3, 3), strides=2)(x)
  
          x = tf.keras.layers.Conv2D(256, (3, 3), strides=1, activation=activation_function,
                                     kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.Dropout(0.25)(x)
          x = tf.keras.layers.Conv2D(512, (3, 3), strides=1, activation=activation_function,
                                     kernel_regularizer=tf.keras.regularizers.l2())(x)
  
          x = tf.keras.layers.Flatten()(x)
          x = tf.keras.layers.Dense(self.last_layer_units*2, activation=last_layer_activation,
                                    kernel_regularizer=tf.keras.regularizers.l2())(x)
  
          model = tf.keras.models.Model(input_layer, x)
          model.summary()
  
          return model
  
      def decoder_model(self, activation_function: tf.nn = tf.nn.elu, last_layer_activation: tf.nn = None):
          input_layer = tf.keras.layers.Input(
              shape=(self.last_layer_units, ), name="input_2"
          )
  
          x = tf.keras.layers.Dense(512, activation=activation_function,
                                    kernel_regularizer=tf.keras.regularizers.l2())(input_layer)
          x = tf.keras.layers.Reshape((1, 1, 512))(x)
  
          x = tf.keras.layers.Conv2DTranspose(512, (3, 3), strides=2, activation=activation_function,
                                              kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.UpSampling2D()(x)
          x = tf.keras.layers.Conv2DTranspose(256, (3, 3), strides=1, activation=activation_function,
                                              kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.Conv2DTranspose(256, (3, 3), strides=2, activation=activation_function, padding="same",
                                              kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.Dropout(0.25)(x)
          x = tf.keras.layers.Conv2DTranspose(128, (3, 3), strides=2, activation=activation_function, padding="same",
                                              kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.UpSampling2D()(x)
          x = tf.keras.layers.Conv2DTranspose(64, (3, 3), strides=1, activation=activation_function, padding="same",
                                              kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.Conv2DTranspose(64, (3, 3), strides=1, activation=activation_function, padding="same",
                                              kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.Dropout(0.25)(x)
          x = tf.keras.layers.Conv2DTranspose(32, (3, 3), strides=2, activation=activation_function, padding="same",
                                              kernel_regularizer=tf.keras.regularizers.l2())(x)
          x = tf.keras.layers.Conv2DTranspose(self.channels, (3, 3), strides=1, activation=last_layer_activation,
                                              padding="same")(x)
  
          model = tf.keras.models.Model(input_layer, x)
          model.summary()
  
          return model
  
      def save_models(self):
          self.encoder.save(self.file_path.replace(".h5", "_encoder.h5"))
          self.decoder.save(self.file_path.replace(".h5", "_decoder.h5"))
  
      def __init__(self, image_shape: tuple, file_path: str, last_layer_units: int = 1024, lr: float = 0.001):
          super(Barney, self).__init__()
          self.xs, self.ys, self.channels = image_shape
          self.file_path = file_path
  
          self.last_layer_units, self.lr = last_layer_units, lr
  
          tf.compat.v1.gfile.MakeDirs("".join(self.file_path.split("/")[:-1]))
  
          try:
              self.encoder = tf.keras.models.load_model(self.file_path.replace(".h5", "_encoder.h5"),
                                                        custom_objects={"leaky_relu": tf.nn.leaky_relu})
          except OSError:
              self.encoder = self.encoder_model(
                  activation_function=tf.nn.leaky_relu,
                  last_layer_activation=None
              )
  
          try:
              self.decoder = tf.keras.models.load_model(self.file_path.replace(".h5", "_decoder.h5"),
                                                        custom_objects={"leaky_relu": tf.nn.leaky_relu})
          except OSError:
              self.decoder = self.decoder_model(
                  activation_function=tf.nn.leaky_relu,
                  last_layer_activation=None
              )
  
          self.optimizer = tf.keras.optimizers.Adam(self.lr, beta_1=0.5)
  
      def encode(self, x: tf.Tensor):
          mean, logvar = tf.split(self.encoder(x, training=True), num_or_size_splits=2, axis=1)
          return mean, logvar
  
      def decode(self, z: tf.Tensor, apply_sigmoid: bool = False):
          logits = self.decoder(z, training=True)
          if apply_sigmoid:
              logits = tf.sigmoid(logits)
  
          return logits
  
      @staticmethod
      def reparameterize(mean: tf.Tensor, logvar: float):
          return tf.random.normal(shape=mean.shape) * tf.exp(logvar * .5) + mean
  
      def generate_sample(self, eps: tf.Tensor):
          return self.decode(eps, apply_sigmoid=True)
  
      @staticmethod
      def log_normal_pdf(sample: float, mean: float, logvar: float, raxis: float = 1):
          return tf.reduce_sum(-.5 * ((sample - mean) ** 2. * tf.exp(-logvar) + logvar + 1.837877), axis=raxis)
  
      @tf.function
      def compute_loss(self, x: tf.Tensor):
          mean, logvar = self.encode(x)
          z = self.reparameterize(mean, logvar)
          x_logit = self.decode(z)
  
          cross_ent = tf.nn.sigmoid_cross_entropy_with_logits(logits=x_logit, labels=x)
          logpx_z = -tf.reduce_sum(cross_ent, axis=[1, 2, 3])
          logpz = self.log_normal_pdf(z, 0., 0.)
          logqz_x = self.log_normal_pdf(z, mean, logvar)
  
          return -tf.reduce_mean(logpx_z + logpz - logqz_x), x_logit
  
      @tf.function
      def train_step(self, x: tf.Tensor):
          with tf.GradientTape() as tape:
              loss, outputs = self.compute_loss(x)
  
          gradients = tape.gradient(loss, self.trainable_variables)
          self.optimizer.apply_gradients(zip(gradients, self.trainable_variables))
  
          return loss, outputs
  

Bu sınıfta epey bir fonksiyon olduğunu görebilirsiniz. Örnek olması açısından sadece "train_step" fonksiyonunu açıklayacağız, çünkü diğer fonksiyonların arkasında çok büyük ve büyüleyici bir matematik yatıyor. Yukarıda sözünü ettiğimiz nedenlerle bunun detaylarını tek bir makaleye sığdırmak imkansız ve çok yorucu olurdu.

"train_step" fonksiyonu, "loss" dediğimiz ve ne anlama geldiğini birazdan açıklayacağımız değeri hesaplıyor ve tüm modeldeki sayısal değerleri bu loss (kayıp) değerine göre yeniden düzenliyor ve optimize ediyor. Bu işin arka planında da yine büyüleyici bir matematik var. Coursera dersini alarak bunu öğrenebilirsiniz.

Peki nedir bu "loss" değeri? Çok basitleştirilmiş bir şekilde anlatacak olursak: Diyelim ki bir resmin kedi veya köpek olduğunu söyleyen bir makine öğrenmesi projesi yapıyorsunuz. Modeli oluşturdunuz ve bu model 0-1 arasında bir sayı değeri veriyor ("output ediyor"). 0 kedi, 1 de köpek demek. Senaryomuzda, model "0.2" tahmin ediyor, yani kedi. Doğrusu da kedi, yani 0. Loss burada 0.2 oluyor, çünkü gerçek değer ile tahmin edilen değer arasında 0.2'lik bir fark var. Tabii bu loss fonksiyonları çok daha ileri matematikle yapılıyor ve çok fazla türü var: Merak edenler MSE, MAE, Binary, Sparse Categorical Crossentropy vb. algoritmalara göz atabilirler.

İlgilisine ek not düşecek olursak: Model, sonuç değerini 0 ve 1 arasına sıkıştırmak için sigmoid fonksiyonu denen bir fonksiyon kullanıyor ve aktivasyon fonksiyonları kullanıyor. Bu fonksiyonlar modeldeki sayısal değerleri girdi ("input") alarak bir çıktı ("output") üretiyor ve eski sayısal değerler bu yeni çıktılar ile döngüye devam ediyor. Fonksiyonlar ve grafikleri:

Ve yine ilgilisine ek bir diğer not düşersek: Sonucu resim olarak almak istediğimizde de "sigmoid" aktivasyon fonksiyonu kullanıyoruz. Çünkü resimler 0-255 arasındaki sayı değerleridir ve makine öğrenmesinde resimler işlenirken genelde 255'e bölünür, bu da onları 0-1 arasına sıkıştırır.

4. Model Eğitimi

İşte bu son aşama. Burada, 3. aşamada oluşturduğumuz derin öğrenme modelini, 2. aşamada oluşturduğumuz veri hattından alacağımız verilerle eğiteceğiz.

Bunun için veriyi alacak, modele gönderecek, loss değerindeki değişimi ve üretilen resimleri kaydedecek/grafikleyecek bir sınıfa ihtiyacımız var. İsmi "Robin":

class Robin:
      def __init__(self, marshall_pipeline: Marshall, barney_model: Barney, epochs: int = 10, batch_size: int = 32):
          self.marshall_data = marshall_pipeline
          self.barney_model = barney_model
          self.batch_size, self.epochs = batch_size, epochs
  
          self.file_writer = tf.summary.create_file_writer("graphs/")
          self.marshall_data.dataset = self.marshall_data.dataset.batch(self.batch_size)
  
      def save_images_to_tensorboard(self, epoch: int, real_ex: tf.Tensor, regenerated_ex: tf.Tensor):
          samples_from_random = self.barney_model.generate_sample(tf.random.normal(
                  shape=(self.batch_size, self.barney_model.last_layer_units,)
              ))
  
          with tf.device("/cpu:0"):
              with self.file_writer.as_default():
                  tf.summary.image("real images", real_ex.numpy(), step=epoch, max_outputs=self.batch_size,
                                   description="real images, no effect from Barney!")
  
                  tf.summary.image("regenerated images", regenerated_ex.numpy(), step=epoch, max_outputs=self.batch_size,
                                   description="regenerated images, encoded and decoded by Barney!")
  
                  tf.summary.image("decoded images", samples_from_random.numpy(), step=epoch, max_outputs=self.batch_size,
                                   description="decoded images, generated from random bottleneck, decoded by Barney!")
  
      def train_model(self):
          x = regenerated_images = None
          q = int(tf.data.experimental.cardinality(self.marshall_data.dataset))
  
          for epoch in range(self.epochs):
              bar = tf.keras.utils.Progbar(target=q)
  
              for i, x in enumerate(self.marshall_data.dataset):
                  loss_value, regenerated_images = self.barney_model.train_step(x=x)
  
                  with self.file_writer.as_default():
                      tf.summary.scalar("loss", loss_value, step=(q*epoch)+i, description="Barney's Loss")
  
                  bar.update(current=int(i+1), values=[["loss", loss_value]])
  
              self.save_images_to_tensorboard(
                  epoch=epoch,
                  real_ex=x,
                  regenerated_ex=regenerated_images
              )
  
              self.barney_model.save_models()
  
      def generate_random_images(self, number_of_images: int = 100):
          samples_from_random = self.barney_model.generate_sample(tf.random.normal(
              shape=(number_of_images, self.barney_model.last_layer_units,)
          ))
  
          c = r = int(tf.sqrt(float(number_of_images)).numpy())
          fig = plt.figure(figsize=(64, 64))
  
          for i in range(int(c*r)):
              fig.add_subplot(r, c, i+1)
              plt.axis("off")
              plt.imshow(samples_from_random[i])
  
          plt.savefig("results.png")
          plt.show()
  

Burada olan biteni kısaca açıklayacak olursak: Eğitimi, tahmin edildiği üzere "train_model" fonksiyonu yapıyor. Veri hattından ("Marshall" sınıfı ile tanımladığımızı hatırlayın) veriyi alıyor, daha sonra bunu modele veriyor, loss fonksiyonunu hesaplayıp sayısal değerleri düzenliyor (bunu da Barney sınıfı ile tanımladık).

Agora Bilim Pazarı

Temel Matematik Kavramların Künyesi

• Boyut: 16*24
• Sayfa Sayısı: 649
• Basım: 2
• ISBN No: 9786052823859

Devamını Göster

₺774.00

Satın Al Tüm Ürünler

Belki bu iki satır dikkatinizi çekmiş olabilir:

with self.file_writer.as_default():
      tf.summary.scalar("loss", loss_value, step=(q*epoch)+i, description="Barney's Loss")
  

Burada yaptığımız, loss değerindeki değişimi bir grafiğe çizmek, bunu da yine TensorFlow ile gelen TensorBoard kütüphanesi ile yapıyoruz.

"save_images_to_tensorboard" fonksiyonu da gerçek resimleri ve random sayılarla üretilen resimleri TensorBoard'a kaydediyor.

Şimdi Sıra Eğitimde!

Başlayalım:

marshall = Marshall(
      main_path="cartoonset100k",
      image_shape=(128, 128, 3),
      random_flip=False,
      central_crop=True
  )
  
  barney = Barney(
      image_shape=(128, 128, 3),
      file_path="models/my_model.h5",
      last_layer_units=1024,
      lr=0.0001
  )
  
  robin = Robin(
      marshall_pipeline=marshall,
      barney_model=barney,
      epochs=10,
      batch_size=32,
  )
  
  robin.train_model()
  

Bu kod bloğunda, sırayla tüm sınıfları oluşuyor, en sonunda eğitici sınıfta birleşip eğitimi yapıyorlar.

Sonuç

Eğer makine öğrenmesi alanında tecrübeniz yoksa bu anlatımda boş kalan çok fazla yer olmuştur. Daha fazla temel bilgi için başta verdiğimiz kursa göz atmanızı önemle öneriyoruz.

Dünya değişiyor, biz değişiyoruz, makineler değişiyor. Bunun bir parçası olmak çok heyecan verici, herkesin tatması gereken bir şey bu. Ayrıca bu alan her yere yayılmakta. Canlıyı, DNA yapısını ve onunla ilgili her şeyi Yapay Zeka yardımı ile anlayıp, insan-bilgisayar arayüzleri üretmek isteyen çok sayıda start-up var. Fiziği, hatta tarihi bile AI ile anlamlandırmaya çalışan projeler mevcut!