CNN ve görüntü sınıflandırma
Convolutions, pooling, mimariler (VGG, ResNet), transfer learning, data augmentation, fine-tuning
1CNN'de convolution işlemi nedir?
CNN'de convolution işlemi nedir?
Cevap
Convolution, bir filtreyi (kernel) giriş üzerinde kaydırıp her konumda nokta çarpımını hesaplayarak görüntüye uygulayan matematiksel bir işlemdir. Bu, kenarlar, dokular veya desenler gibi yerel feature'ların çıkarılmasını sağlar. Her nöronun tüm girişlere bağlandığı dense network'lerin aksine, convolution filtre ağırlıklarını tüm görüntüde paylaşarak görüntülerin uzamsal yapısını kullanır.
2Convolution katmanında stride'ın rolü nedir?
Convolution katmanında stride'ın rolü nedir?
Cevap
Stride, filtreyi görüntü üzerinde hareket ettirirken adım boyutunu tanımlar. Stride 1 filtreyi her adımda bir piksel hareket ettirirken, stride 2 onu 2 piksel hareket ettirir ve böylece çıkış boyutunu azaltır. Stride'ı artırmak, feature map'in uzamsal boyutunu ve hesaplama maliyetini azaltmaya olanak tanır, ancak stride çok büyükse bilgi kaybına da neden olabilir.
3Convolution katmanında padding'in amacı nedir?
Convolution katmanında padding'in amacı nedir?
Cevap
Padding, convolution uygulanmadan önce giriş görüntüsünün etrafına piksel (genellikle sıfır) eklemekten oluşur. Bu, çıkış boyutunu kontrol etmeye ve görüntü kenarlarındaki bilgileri korumaya olanak tanır. 'Same' padding ile çıkış, girişle aynı boyuta sahipken, 'valid' (padding yok) ile boyut azalır. Padding ayrıca kenar piksellerinin feature map'lerde yetersiz temsil edilmesini önler.
Max Pooling ile Average Pooling arasındaki fark nedir?
CNN'de feature map nedir?
+21 mülakat soruları
Diğer Data Science & ML mülakat konuları
Python Temelleri
Python Nesne Yönelimli Programlama
Python Veri Yapıları
Git Temelleri
SQL Temelleri
NumPy Temelleri
Pandas Temelleri
Jupyter & Google Colab
SQL Joins ve Gelişmiş Sorgular
İleri Pandas
Matplotlib & Seaborn ile Görselleştirme
Plotly ile Etkileşimli Görselleştirmeler
Tanımlayıcı İstatistik
Çıkarımsal İstatistik
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Denetimli ML: Regresyon
Denetimli ML: Sınıflandırma
Karar Ağaçları ve Topluluk Yöntemleri
Denetimsiz ML
ML Pipeline'ları & Doğrulama
Zaman Serileri & Tahminleme
Deep Learning Temelleri
TensorFlow & Keras
RNN ve Diziler
Transformers ve Attention
NLP ve Hugging Face
GenAI ve LangChain
MLOps ve Dağıtım
Bir sonraki mülakatın için Data Science & ML'de uzmanlaş
Tüm sorulara, flashcards'a, teknik testlere, code review alıştırmalarına ve mülakat simülatörlerine eriş.
Ücretsiz başla