Derin Öğrenme Günlüğüm

 Vektörler satır ya da sütun şeklinde (tek boyutlu) oluyor. Yani bunlara "tek boyutlu" dersek, matrisler hem satır hem de sütunlardan oluşuyor. Matrislere de "2 boyutlu" diyebiliriz. Tensörlerde ise bir çeşit 3. boyut var. Yani satır, sütun bir de "kanal" dediğimiz boyut var. Bunlarla işlem yapmak için önce numpy kütüphanesini import ediyoruz.   Numpy kullanarak bir skaler (0 boyut) tanımlamak istediğimizde örneğin: x=np.array( 5 ) yazıyoruz. Şimdi x, içinde sadece 5 olan bir array. Boyutunu görmek istediğimizde ise x.ndim yazıyoruz ve boyutun 0 olduğunu görüyoruz. Vektör tanımlamak için ise: x=np.array([1,4,-3,2,5]) yazıyoruz. Bunun boyutunu sorduğumuzda da 1 cevabını alıyoruz. Matris tanımlamak için de örneğin: A=np.array([[1,2,3],[5,10,0],[1,3,-4]]) yazıyoruz. Bunun boyutunu da 2 olarak veriyor. Şimdi bir de tensör tanımlayalım: B=np.array([[[ 1 , 2 , 3 ],[ 1 , 2 , 3 ],[ 1 , 2 , 3 ]],[[ 4 , 5 , 6 ],[ 4 , 5 , 6 ],[ 4 , 5 , 6 ]],[[ 7 , 8 , 9 ],[ 7 , 8 , ...

 Hiç kolay olmadı. Açmak istediğimiz Python dosyasını drive'da, Colab çalışma belgemizin bulunduğu klasöre indiriyoruz. Normalde Python çalıştırırken,  açmak istediğimiz dosya, resim, text vs.örneğin Spyder kurulu olan klasörde ise doğrudan açılıyordu. Ama burada öyle olmadı. Aynı klasörde olmalarına rağmen açmadı. Çünkü Python dosyasını drive'a indirdikten sonra sıfırlayıp  ! kill - 16  - 1 yazınca ilgili aralıktaki tüm hücreleri yok sayıp bir nevi resetlemiş oluyor. Daha sonra tekrar Colab üzerinden drive logini yapmak gerekti. Hatırlarsak from  google.colab  import  drive drive.mount( '/gdrive' ) %cd  /gdrive satırlarını çalıştırarak drive'a giriş yapıp şifre kopyalayıp girmiştik. Daha sonra import  os os.chdir( "/gdrive/My Drive/DeepLearn" ) ile Python dosyası ve Colab belgesinin bulunduğu (bendeki adı DeepLearn) klasöre girdik. Şimdi !ls yazınca bu klasördeki dosyaları gördük: Burada Deneme benim Colab belgem, Euroka5Kasım.py i...

 Meğer online Python çalıştırmak ne güzelmiş... Keras kurmak hiç bu kadar kolay olmamıştı. Tek yaptığım kod satırına  !  pip install -q keras yazarak çalıştırmak oldu. Böylece Keras bir kaç saniye içinde kuruldu. Daha sonra import  keras yazıp çalıştırarak Keras'ı çağırdık. Bu kurulum dikkat ederseniz pip kulanarak gerçekleştirildi. Kütüphane kurmanın bir diğer yolu da get apt kullanmak. Örneğin Graphviz kütüphanesini bu yolla kurmak için: ! apt-get install graphviz -y yazarak çalıştırıyoruz.

 Aslında Colab, zaten drive üzerinde çalışıyor. O yüzden şu aşamada tam olarak ne işe yarayacağını bilemesem de, Python kodları ile drive belgelerine ulaşmak hoşuma gitti. Bir kod satırı açtıktan sonra from  google.colab  import  drive drive.mount( '/gdrive' ) %cd  /gdrive yazdım. Çalıştırınca bir bağlantı adresi ve authorization code girebileceğim bir pencere açıldı. Bağlantı adresine tıklayınca, ilgili Gmail hesabına giriş istedi ve bir şifre verdi. Bu şifreyi kopyalayıp Colab ortamındaki pencereye yapıştırdım. Böylece Colab üzerinden Google Drive erişimi gerçekleşmiş oldu. Örneğin; !ls yazdığımda, Drive içinde hangi klasörlerin olduğunu görebiliyorum. Belli bir klasörün içindeki başka bir klasöre gitmek istediğimde, ! ls  "/gdrive/MyDrive/DeepLearn" gibi bir kod yazabiliyorum. Burada "gdrive", Google Drive'ı simgeliyor. "MyDrive", zaten onun içinde hep var. DeepLearn ise, benin önceden oluşturduğum bir klasör. Command Prompt'ta olduğu g...

       Her yapmak istediğimiz işin kodunu kendimiz mi yazacağız? Böyle olması zor, üstelik de vakit alıcı. Colab'in en güzel taraflarından biri, kod parçacıkları (snippets) barındırıyor olması. Bunlar o kadar çok ki, arama ya da filtreleme yapılarak istenilen kod parçacığına ulaşılabiliyor. Üzerinde değişiklik yaparak kendi programımızda kullanabiliyoruz. Yani, hazır küçük parçaları birleştirerek bütüne ulaşabiliyoruz. Burada veri görselleştime ile ilgili kod parçacıklarının çokluğu dikkatimi çekti.      Örnek olarak Visualization: Bar Plot in Altair snippet'ını aldım: Çalıştırdığımda: grafiğini verdi. Koda baktığımda, öncelikle bir veri kütüphanesi getiriliyor. Bunların arasından da "cars" isimli veri paketi çekiliyor. Anladığım kadarı ile, sütun grafik çizimini altair yapıyor. Verileri görebilmek için print(cars) yazarak tekrar çalıştırdım:  Görülüyor ki bu veriler Amerika, Avrupa ve Japonya orijinli 406 arabayı 8 kritere göre karşılaştırıyor. G...

Daha önce, matris işlemleri için Numpy ve veri görselleştirmesi, grafik çizimi vb. amaçlarla Matplotlib kütüphanelerini kullanmıştım. Bu ikisiyle burada da karşılaştım. Sanırım Derin Öğrenme çalışırken bunları çok kullanıyoruz.  Üstteki resimde görüldüğü gibi, bilgisayara yükleme yapmadan online olarak bu kütüphaneleri getirmek (import) mümkün olabiliyor. Ve ilk programım şu oldu: Aslında listeleri Numpy kullanarak oluşturmak istedim ama olmadı...

 Derin öğrenme çalışmalarını Google Drive üzerinden yürüteceğiz. Bunun için mümkünse yeni oluşturulmuş bir Gmail hesabı gerekiyor (15 GB Drive alanı için). Drive girişi yaptıktan sonra: Yeni (+sembolü) Diğer Daha fazla uygulama bağla  Google Colaboratory seçerek Google Colaboratory uygulamasını çalışır hale getirdim. Uygulama sembolü aşağıda: Bu uygulama, Drive üzerinde çalışıyor. Peki ne işe yarayacak? Bununla hem derin öğrenme ortamı sağlıyoruz, hem de Python kodlarımızı çalıştırıyoruz. Yeni bir form, belge ya da tablo oluşturur gibi yeni bir CO notebook oluşturuyoruz (oluşan notebook bir Jupyter notebook belgesi oluyor-ipynb uzantılı). Yani Anaconda vs. bilgisayara bir yazılım kurmadan Python çalıştırabiliyoruz. Açık kaynak kod ne kadar güzel... Burada ilk dikkatimi çeken, kod satırı ile metin satırını ayrı ayrı oluşturma imkanı. GPU ve TPU ücretsiz kullanılabiliyor.  Buraya kadar her şey güzel. Bakalım devamında neler öğreneceğim?

       "Derin öğrenme nedir, ne işe yarar?" gibi soruları (ve cevaplarını) bir kenara bırakıyorum. Çünkü bu satırları okuyan, o aşamayı geçmiştir sanırım. Bu akşam veri biliminde ve yapay zekada en çok kullanılan programlama dillerinin hangileri olduğunu öğrendim. İlk sırada tabii ki Python var ki, zaten sürekli gündemimde. Diğerleri de sırasıyla C/C++, Java, R ve Javascript (diğerleri ile az ya da çok tanışmış vaziyetteyim ama, bakalım R ile ilk karşılaşmamız ne zaman olacak?). Günlük konuşma diline (İngilizce) yakın olması, açık kaynak kodlu olması Python dilini bu alanda da en üste taşımış durumda. Python ile tanışmam yaklaşık 6 sene önce oldu. O gün bugündür diğer dillere soğuk bakmaktayım. Ancak Processing yazılımı sayesinde Javascript'e biraz ısınmıştım ki, onun da Python versiyonu oldukça ilerledi ve ben bugünlerde orada da Javascript'le vedalaşmak üzereyim.   Anladığım kadarıyla, Derin Öğrenme süreci de kütüphanelerle gerçekleşiyor. TensorFlow, Caffe, Py...