Google Colab Üzerinde Keras ile Veri Çoğaltma (Data Augmentation) | Keras

Derin öğrenme yaklaşımlarında genel görüş ne kadar çok veri mevcutsa modelin o kadar iyi öğreneceğidir. Mevcut veri setinden veri üretme işlemine  “Data Augmentation” nedir.  Nesne tanıma problemlerinde genellikle orjinal resmi döndürme (rotation), öteleme (translation), ölçekleme (scaling), resme gürültü (Gauss vb.) ekleme (add noise), resmi belirli bölgeden kırpma (cropping) gibi farklı teknikler uygulanmaktadır.

Yazı da Google Colab üzerinde içinde verileriniz (bu örnekte resimlerin) sırayla alınıp çoğaltılıp klasöre eklenme örneğidir.

Orjinal resimler :

Çoğaltılan resimler:

Bu slayt gösterisi için JavaScript gerekir.

Kodlar: https://gist.github.com/bulentsiyah/5147fc9f090e5f1bad93f400ebd54b36

Google Colab Üzerinde Generative Adversarial Networks (GAN) ile MNIST Data Setinden Veri Üretme | Keras

Generative Adversarial Networks, 2014 yılında Ian Goodfellow ve çalışma grubu tarafından NIPS konferansında tanıtılmıştır. Facebook’un Yapay Zeka Direktörü Yann LeCun’a göre Machine Learning alanında son 10 yılda yapılmış en ilgi çekici fikirdir.

 

 

Keras ile yapılmış basit GAN örneği:

Cpu ile test edildiğinden epoch 1 verilmiştir. Epoch 1 iken yaratılan 49 resim:

Google Colab ile üretilirken epoch 5 verilmesine rağmen dakikalar sürmüştür.

Kodlar : https://github.com/bulentsiyah/Google-Colab-Generative-Adversarial-Networks-GAN-ile-MNIST-Data-Setinden-Uretme-

 

MNIST Data Setiyle Kaggle Yarışması – Google Colab | Kaggle

Kaggle, machine learning denilince akla gelen ilk sitelerden birisi. Sebebi de, birçok kurumsal şirketin, Kaggle üzerinden açmış olduğu yarışmalar. Bu yarışmalar da çoğu zaman genel machine learning problemleri(classification, regression, clustering vb.) üzerine kuruluyken, kimi zaman optimizasyon problemleri de karşınıza çıkabiliyor. Bu yarışmalara ücretsiz bir şekilde katılmanız için de yapmanız gereken tek şey Kaggle’a üye olmak.

Girmiş olduğum yarışma da MNIST data setiyle en yüksek oranda el yazısyla yazılmış rakam sınıflandırmaydı. Yarışma detayı https://www.kaggle.com/c/digit-recognizer

Çözüm başlangıç düzeyinde derin öğrenme bilgisi olanların anlayacağı şekildedir. Öncelikle Tensorflow Dense Layer adı verilen çok katmanlı düzleştirilmiş sinir ağlarıyla (düşük başarı oranı yüzde 91 ler) gözlemlenmiştir. Ardından CNN(Konvolüsyonel sinir ağları) ile başarı oranı yüzde 99 küsürlere erişilmiştir. Çözüm içerisinde hem Tensorflow hem de Keras ile ilgili CNN kodları mevcut olup Kerasın inanılmaz kolaylığı gözlenebilmektedir. Kerasla Dropout, Batch Normalization  yapılmıştır.

Çözüm Kaggle kerneli : https://www.kaggle.com/bulentsiyah/mnist-for-beginners-tensorflow-dnn-cnn-keras

Kodlar Google Colab: https://github.com/bulentsiyah/MNIST-Data-Setiyle-Kaggle-Yarismasi—Google-Colab

Bu slayt gösterisi için JavaScript gerekir.

Machine Learning Egzersizleri | Kaggle

Merhaba, makine öğrenmesi alanında methodlarla ilgili kodlar bulunmaktadır. Kodların orjinali ve anlık çıktıları Kaggle sayfamda bulunmaktadır.

Kaggle linki: https://www.kaggle.com/bulentsiyah/machine-learning-exercise

İçindekiler:

  • Linear Regression
  • Multiple Linear Regression
  • Polynomial Linear Regression
  • Support Vector Regression
  • Decision Tree Regression
  • Random Forest Regression
  • K-Nearest Neighbour (KNN) Classification
  • Support Vector Machine (SVM) Classification
  • Naive Bayes Classification
  • Decision Tree Classification
  • Random Forest Classification
  • K-Means Clustering
  • Hierarchical Clustering
  • Natural Language Process (NLP)
  • Principal Component Analysis (PCA)
  • Model Selection
  • Recommendation Systems

Bu slayt gösterisi için JavaScript gerekir.

Data Science ve Data Visualization Egzersizleri | Kaggle

Merhaba veri bilimi ve veri görselleştirme alanları için popüler olan Python diliyle ilgili kodlar bulunmaktadır. Kodların orjinali ve anlık çıktıları Kaggle sayfamda bulunmaktadır.

Bu slayt gösterisi için JavaScript gerekir.

Kaggle linki: https://www.kaggle.com/bulentsiyah/data-science-and-visualization-exercise

İçindekiler:

Cleaning Data

Manipulating Data Frames with Pandas

Seaborn

Plotly

Visualization Tools

 

 

 

Python Egzersizleri | Kaggle

Merhaba veri bilimi ve makine öğrenmesi alanları için popüler olan Python diliyle ilgili kodlar bulunmaktadır. Kodların orjinali ve anlık çıktıları Kaggle sayfamda bulunmaktadır.

Bu slayt gösterisi için JavaScript gerekir.

Kaggle linki: https://www.kaggle.com/bulentsiyah/python-exercise

Okumaya devam et “Python Egzersizleri | Kaggle”

Firebase ML Kit ile Görüntü Üzerindeki Metinlerin Tanınması | iOS

Uygulama ile Google I/O Mayıs 2018 etkinliğinde duyurulan Firebase ML Kit içesinde hazır olarak kullanılabilen (Model eklenmeden) metin tanıma işlemi gerçekleştirilmiştir. Kameradan çekilen görüntü üzerinde varsa metinlerin, cihaz üzerinde ve Cloud tarafında sorgulanarak tanınması sağlanmıştır.

Bu slayt gösterisi için JavaScript gerekir.

Okumaya devam et “Firebase ML Kit ile Görüntü Üzerindeki Metinlerin Tanınması | iOS”

Gelişmiş Metin Algılama Teknikleri (Vision + TesserAct OCR) | iOS

Merhaba, uygulama ile seçilen bir resim içerisindeki metinlerin Vision Framework ve TesserAct (Tesseract, çeşitli işletim sistemleri için geliştirilen özgür bir optik karakter tanıma motorudur) OCR (Optical Character Recognition – Optik Karakter Tanıma) ile metin tanıma örneği yapılmıştır.

Bu slayt gösterisi için JavaScript gerekir.

Okumaya devam et “Gelişmiş Metin Algılama Teknikleri (Vision + TesserAct OCR) | iOS”

Gelişmiş Yüz Özellikleri Algılama (Advanced Face Features Detection) | iOS

Merhaba, uygulama ile seçilen bir resim içerisindeki yüzlerin sayısını, çevresini ve bulunan yüzlerin özellikleri nasıl tespit edileceğini gösteren basit bir uygulamadır. Yüz özelliklerinden kasıt sol göz, sağ göz, burun çevresi, burun üstü, yüz hattı, dudağın dış çevresi, dudağın iç hatları, sol kaş, sağ kaş, sol ve sağ göz bebeğidir. Ekran görüntülerinde uzak yüzleri bile başarıyla tespit edildiği gözlemlenebilmektedir.

Bu slayt gösterisi için JavaScript gerekir.

Okumaya devam et “Gelişmiş Yüz Özellikleri Algılama (Advanced Face Features Detection) | iOS”

IBM Watson Eğitilmiş Model (Core ML) ile Trafik İşaretleri Tanımlama | iOS

Model üretme aşamaları için IBM Watson Servis ile CoreML için Custom Model Üretme linkinden detaylı inceleyebilirsiniz.
Eğitilmiş Model: Trafikisaretleri.mlmodel

Ekran Görüntüleri:

Bu slayt gösterisi için JavaScript gerekir.

Okumaya devam et “IBM Watson Eğitilmiş Model (Core ML) ile Trafik İşaretleri Tanımlama | iOS”