Epok

Makine öğreniminde (ML), bir epok, tüm eğitim veri kümesinin öğrenme algoritması aracılığıyla bir kez tamamen geçirilmesini temsil eder. Modellerin verilerden örnekler görerek tekrar tekrar öğrendiği sinir ağlarını (NN) eğitme sürecinde temel bir kavramdır. Epok sayısı, modelin eğitim bilgilerinin tamamından kaç kez öğreneceğini belirleyen ve modelin nihai performansını ve kalitesini doğrudan etkileyen önemli bir parametredir.

Model Eğitiminde Epokların Rolü

Model eğitiminin temel amacı, bir modelin verilerden kalıplar öğrenmesini sağlamaktır. Bu, modelin tahminleri ile gerçek zemin gerçeği arasındaki hatayı ölçen bir kayıp fonksiyonunu en aza indirmek için model ağırlıkları olarak bilinen modelin iç parametrelerini ayarlayarak elde edilir. Tek bir epoch sırasında, model her veri örneğini işler ve Stokastik Gradyan İnişi (SGD) gibi bir optimizasyon algoritması bu ağırlıkları günceller.

Bir modeli birden çok epoch için eğitmek, parametrelerini yinelemeli olarak iyileştirmesini sağlar. Her geçişte, model teoride görüntü sınıflandırması veya nesne tespiti olsun, görevinde daha iyi hale gelmelidir. Bu süreç, PyTorch veya TensorFlow gibi popüler derin öğrenme çerçeveleri kullanılarak yönetilir.

Epoklar - İterasyonlar - Batch'ler

İlgili olmakla birlikte, bu terimler eğitim sürecinin farklı yönlerini tanımlar ve genellikle karıştırılır.

• Epok (Epoch): Modelin tüm eğitim veri kümesini gördüğü bir tam döngü.
• Yığın Boyutu (Batch Size): Tek bir yinelemede kullanılan eğitim örneklerinin sayısı. Bellek kısıtlamaları nedeniyle, tüm veri kümesini aynı anda işlemek genellikle pratik değildir.
• İterasyon: Modelin ağırlıklarının tek bir güncellemesi. Bir iterasyon, bir veri grubunu işlemeyi ve bir ileri ve geri geçiş gerçekleştirmeyi içerir (geri yayılım (backpropagation)).

Örneğin, bir veri kümesinde 10.000 resim varsa ve yığın boyutu 100 ise, bir epoch 100 yinelemeden oluşacaktır (10.000 resim / yığın başına 100 resim).

Doğru Epok Sayısını Belirleme

Doğru epoch sayısını seçmek, hiperparametre ayarlamanın kritik bir parçasıdır. İki yaygın sorundan kaçınmak için bir denge bulmayı içerir:

• Eksik Uyum (Underfitting): Bu, model yeterli sayıda epoch için eğitilmediğinde meydana gelir. Verilerdeki temel kalıpları öğrenemez ve hem eğitim hem de test verilerinde kötü performans gösterir.
• Aşırı Uyum (Overfitting): Bu, model çok fazla epoch için eğitildiğinde meydana gelir. Gürültüsü de dahil olmak üzere eğitim verilerini "ezberlemeye" başlar ve yeni, görülmemiş verilere genelleme yeteneğini kaybeder. Eğitim setinde mükemmel doğruluğa sahip olsa da, doğrulama verileri üzerindeki performansı düşük olacaktır.

Aşırı öğrenmeyle mücadele etmek için yaygın bir teknik, modelin bir doğrulama kümesindeki performansı iyileşmeyi bıraktığında eğitimin durdurulduğu erken durdurmadır. İlerleme, TensorBoard gibi araçlar veya Ultralytics HUB gibi platformlar kullanılarak izlenebilir; bu da dönemler boyunca eğitim metriklerini görselleştirmeye yardımcı olur.

Gerçek Dünya Örnekleri

Epok kavramı, derin öğrenme uygulamalarında evrenseldir.

1. Otonom Sürüş: Bir otonom araç için bir nesne algılama modeli, Argoverse gibi büyük bir veri kümesi üzerinde eğitilir. Ultralytics YOLO11 gibi model, 50-100 dönem için eğitilebilir. Her dönemden sonra, bir doğrulama kümesi üzerindeki performansı ortalama Ortalama Hassasiyet (mAP) gibi metrikler kullanılarak ölçülür. Mühendisler, dağıtımdan önce hız ve doğruluğun en iyi dengesini sunan dönemin modelini seçeceklerdir.

2. Tıbbi Görüntü Analizi: Beyin taramalarında tümör tespiti için bir model, özel bir tıbbi görüntüleme veri kümesi üzerinde eğitilir. Bu tür veri kümelerinin küçük olabileceği göz önüne alındığında, model birkaç yüz epoch için eğitilebilir. Aşırı öğrenmeyi önlemek için veri artırma gibi teknikler kullanılır ve her epoch'tan sonra doğrulama kaybı yakından izlenir. Bu, nihai modelin yeni hastalardan alınan taramalara iyi genelleme yapmasını sağlar. Bu tür kritik uygulamalarda başarı için yerleşik model eğitim ipuçlarını izlemek çok önemlidir.