Yapay zekâ / Makine öğrenmesi / Veri bilimi / Bilgisayarlı görü / Akademik araştırma / Deneyler & Arşiv
Makine Öğrenmesi Notebook Arşivi
Görüntü, metin, ses ve tablo verileri üzerinde farklı makine öğrenmesi fikirlerini araştıran, kaynaklarına göre sınıflandırılmış 33 bağımsız notebook arşivi.
Kategori için özgün kod tabanlı illüstrasyon; ürün ekran görüntüsü değildir.
Genel bakış
32 numaralı deney klasörü ve kökteki ek notebook; temel sinir ağı alıştırmalarını, görüntü sınıflandırmayı, nesne algılamayı, duygu analizini ve yarışma modellemesini bir araya getirir. Kaynak tabanlı katalog, eski klasör adlarının yanıltıcı olduğu yerleri düzeltir. Notebooklar farklı veri, model ve çalışma ortamlarına bağlı bağımsız eğitim/araştırma kayıtlarıdır.
Çalışmadaki rolüm: Depoda korunan öğrenme ve deney çalışmaları. Her notebook için katkı veya ekip sorumluluğu ayrıntısı belgelenmiyor.
Temel bileşenler
- 33 notebooku kapsayan kaynak tabanlı konu kataloğu.
- CNN ve transfer öğrenme içeren görüntü çalışmaları.
- LSTM, duygu analizi ve küçük çeviri deneyleri.
- Ses duygusu, açıklanabilirlik ve tablo verisi alıştırmaları.
Doğrulama ve mevcut durum
- Notebook JSON ve kaynak hücreleri incelendi; eğitim veya API çağrısı yapılmadı.
- Notebook 31’de eksik ifade ve yanlış sınıflandırıcı importu belgelendi.
- Katalog PR’si açık; ortak otomatik test paketi veya yeni benchmark yok.
- Eksik veri/model dosyaları nedeniyle temiz kopyadan tüm notebooklar çalıştırılamaz.
- Sağlık araştırması çıktıları ve notebook metadatası için gizlilik incelemesi tamamlanmış değil.
- Portföyde gerçek sağlık çıktıları, kişisel kayıtlar veya başarı oranları yayımlanmıyor.
Ek teknik ayrıntıları göster
Problem ve amaç
Farklı dönemlerde yazılmış notebooklarda klasör adları her zaman gerçek görevi anlatmaz. Ortam, veri ve model gereksinimleri de değişir. Bu çeşitlilik, koleksiyonun gezilmesini ve bir deneyi çalıştırmak için gereken girdilerin anlaşılmasını zorlaştırır.
Çözüm yaklaşımı
Kaynak hücreleri üzerinden hazırlanan katalog; her notebookun konusunu, gözlenen kütüphaneleri ve dış dosya gereksinimlerini açıklar. Görüntü, NLP, ses ve tablo çalışmaları bağımsız deneyler olarak sunulur. Tarihsel çıktılar korunurken eğitim başarısı veya güncel karşılaştırılabilir performans iddiası kurulmaz.
Mimari akış
- Birbirinden bağımsız 33 Jupyter notebook.
- Deneye özel veri yükleme ve ön işleme hücreleri.
- Göreve göre klasik ML, Keras/PyTorch veya bilgisayarlı görü akışı.
- Notebook içindeki değerlendirme, görselleştirme ve dosya çıktıları.
Teknik zorluklar
- Farklı veri/model dosyaları ve Colab yollarına bağımlılık.
- Birbiriyle uyumlu olduğu doğrulanmamış ortak gereksinim listesi.
- Eksik kod ile eski çıktıları çalışır deneylerden ayırma ihtiyacı.
Mühendislik tercihleri
- Kaynak yolları ve tarihsel klasörler yeniden adlandırılmadan korunur.
- Katalog, klasör adına dayalı otomatik görev/model varsayımlarının önüne geçer.
- Her deneye ayrı ortam ve yetkili veri gereksinimi uygulanır.
Çıktılar
- Konuları ve dış bağımlılıkları daha anlaşılır hale getiren çok alanlı öğrenme arşivi.
- Kaydedilmiş grafik ve metrikler tarihsel çıktılardır; yeniden doğrulanmış sonuç sayılmaz.
Teknik anlatım açık iyileştirme PR’sindeki belgeleri de esas alır. PR’nin ana dala birleştirildiği veya ürünün yayımlandığı anlamına gelmez.