Learning rate, yapay sinir ağımızın parametre günceleme oranını manipüle etmemizi sağlar. Türev ile alınan deltalar, Learning Rate ile çarpılarak işlendiği için Learning Rate ile doğru orantılıdır. Bu yüzden düşük bir Learning rate değeri ağırlık değişimini azaltırken, yüksek bir Learning rate değeri ağırlık değişimini arttırır. Yüksek bir Learning Rate değeri modelin optimum değerini es geçmesine sebep olabilirken, düşük bir Learning Rate değeri modelin aşırı yavaş öğrenmesine sebep olabilir. Learning Rate parametresinin probleme ve modelin büyüklüğüne göre ayarlanması önemlidir.
Learning Rate Decay, model eğitilirken Learning Rate parametresinin düzenli olarak düşürülmesi tekniğidir. Bu sayede model hem aşırı yavaş öğrenmeden kurtarılmaya hem de optimum noktayı geçmesini engellemeyi amaçlar.
Sinir ağının eğitileceği örnekleri içeren verilerdir. Datasetin büyüklüğü daha fazla örnek içerir ve modele daha fazla olasılık gösterdiği için modelin performansını arttırır. Veri setinin büyük ve karmaşık olması daha büyük modeller gerektirir.
Veri seti "Train" ve "Test" olarak ikiye ayrılır. Genelde veri setinin büyük bir kısmı train için ayrılır (%80 train, %20 test olacak şekilde). Model train veri seti üzerinde eğitilir ancak test veri setini asla görmez. Bu sayede modelin daha önce görmediği verilerde nasıl performans göstereceği incelenebilir ve overfitting, underfitting gibi sorunlar tespit edilebilir.
Normalizasyon, veri setini ölçeklendirir, bu sayede modelin daha hızlı ve stabil öğrenmesini sağlar. Panelde kullanılan normalizasyon işlemi, "Z-score Normalizason" olarak adlandırılır ve formülü aşağıdaki gibidir.
xNormalize: (xOrijinal - Mean)/ Standart SapmaDropout, modelin eğitimi sırasında bazı nöronların kapatılarak modelin aşırı öğrenmesini engellemeye yönelik bir tekniktir. Her epochta seçili katmanlarda rastgele nöronlar kapatılır ve parametreleri güncellenmez. Paneldeki dropout işlevi her katman için uygulanır.
Problem, yapay sinir ağımıza öğretmek istediğimiz görevdir. Burada problem kelimesi, bir sorun olduğu anlamına gelmez. Sinir ağına öğretilmek istenen her görev problemdir. Panelde farklı görevler içeren 4 problem bulunmaktadır.
Yapay sinir ağları, makine öğrenmesi algoritmalarının aksine, direkt olarak insan beyninin bilgisayar ortamında taklit edilmeye (modellenmeye) çalışıldığı yapay zeka algoritmalarıdır.