Ana içeriğe atla

Derin Öğrenme ve Programlama Dilleri

 

    "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, PyTorch, Keras ve başka da kütüphaneler var. Listeye baktığımızda, çoğunun Python kütüphanesi olduğunu net bir şekilde görüyoruz. Bir tanesi de Türkiye'de (Koç Üniversitesi'nde) Deniz Yüret tarafından geliştirilen KNet kütüphanesi. Julia ile programlanmış (notumu alıyorum, yerliden yanayız, buna bir el atacağız elbette...). Kütüphanelerin her birinin farklı açılardan avantajları var. Sanırım Keras kütüphanesi bu işe başlamak için elverişli. 

    Bu arada, bu işin veri kümeleri ile çalışma üzerinden yürüdüğü de açık. Bu nedenle, ücretsiz veri sağlanabilecek kaynakları bilmek önemli. Şimdilik şunları not edeyim:

UCI Machine Learning Repository: Data Sets

Kaggle Datasets

Google DataSets Tool

Bu kaynakların aynı zamanda makine öğrenmesi ve derin öğrenme açısından birer başvuru kaynağı olduğunu da görebiliyorum. İçerisinde öğreticiler (tutorials), kodlar, yarışmalar (gerçek hayat problemleri ile ilgili ve sanırım $para$ ödüllü:)) ve daha pek çok materyal barındırıyorlar. Bunları öğrendiğim  çok iyi oldu...

    Ya Derin Öğrenme uygulama ortamları? Ben Anaconda'dan vazgeçmeyi düşünmüyorum. Zaten yeni bir çok şey öğrenme durumundayım, bir de platforma alışma zorluğu çekmek istemiyorum. Anaconda iyidir, Jupyter de hoştur diye düşünüyorum.

15 GB drive alanı lazımmış, bu da yeni bir gmail hesabı demek. Zaten bu blog için yeni bir hesap açmıştım. O iş te tamam, bir sonraki yayında görüşmek üzere...

Yorumlar

Bu blogdaki popüler yayınlar

Veri Bilimi İçin Python Kütüphaneleri: Colab'da İlk Programım

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...

Colab ile Python Dosyası Açma

 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...

Colab Üzerinden Kütüphane Kurma ve Çalıştırma

 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.