Makine Öğreniminde Dönemleri Anlamak

Makine öğrenimi bağlamında dönem, eğitim verileri üzerinde tam bir yinelemeyi ifade eder. Her dönemde, model veri kümesinin tamamı üzerinde eğitilir ve ağırlıklar, tahmin edilen çıktı ile gerçek çıktı arasındaki hataya göre ayarlanır.

Örneğin, 1000 örnek içeren bir veri kümeniz varsa ve modelinizde 1000 parametre varsa, bu durumda bir dönem, kayıp fonksiyonunu en aza indirmek için 1000 parametrenin tamamını kullanarak 1000 örneğin tümü üzerinde modelin eğitilmesini içerecektir.

Dönem sayısı, eğitim sürecinde ayarlanabilecek bir hiperparametredir. Optimum dönem sayısı problemin karmaşıklığına, veri kümesinin boyutuna ve modelin performansına bağlıdır. Genel olarak, daha fazla dönem, modelin eğitim verilerine fazla özelleştiği ve yeni örneklere iyi bir şekilde genelleştirilemediği aşırı uyuma yol açabilir. Öte yandan, dönemlerin daha az olması, modelin eğitim verilerinden yeterince öğrenmesine izin vermeyebilir.

Derin öğrenmede dönemler genellikle gruplarla birlikte kullanılır. Toplu iş, modelin ağırlıkları güncellenmeden önce birlikte işlenen eğitim verilerinin bir alt kümesidir. Örneğin, 1000 örnek içeren bir veri kümeniz varsa ve 32'lik bir toplu iş boyutu kullanıyorsanız, bir dönem, modelin 1000 örneğin tümü üzerinde eğitilmesini, ancak bunların bir seferde 32'lik gruplar halinde işlenmesini içerir. Bu, eğitimin hesaplamalı maliyetini azaltmaya yardımcı olurken, modelin tüm veri kümesinden öğrenmesine de olanak tanır.