Keras İle Görüntü İşleme kitabı, derin öğrenme teknolojilerini kullanarak resimlerin işlenmesiyle ilgilidir Kitap, Keras kütüphanesi ve Python programlama dili kullanılarak elde edilen uygulamalara odaklanır Görüntü işleme alanında kendinizi geliştirmek istiyorsanız, bu kitap tam aradığınız kaynak olabilir

Görüntü işleme uygulamaları, günümüzde birçok alanda kullanılmaktadır. Bu alanda yapılacak işlemler kullanılan araçlara göre değişiklik göstermektedir. Keras, görüntü işleme uygulamalarında kullanılan bir kütüphanedir. Bu kütüphane aracılığıyla görüntü işleme uygulamaları yapmak oldukça kolaylaşmaktadır.

Bu rehberde, Keras kullanılarak görüntü işleme uygulamalarının nasıl yapılacağı hakkında detaylı bilgiler yer almaktadır. Ayrıca kullanılan yöntemler, teknikler ve oluşturulan modeller hakkında örnekler de yer almaktadır. Böylece Keras ile görüntü işleme uygulamaları yapmak isteyenler için bir rehber niteliği taşıdığı düşünülmektedir.

Keras Nedir?

Keras, Python programlama dilinde kullanılan açık kaynaklı bir sinir ağı kütüphanesidir. Derin öğrenme uygulamalarında kullanılan bu kütüphane kolay kullanımı ve hızlı sonuçları ile tercih edilmektedir. Keras, TensorFlow, Theano ve CNTK gibi popüler derin öğrenme kütüphaneleri ile uyumlu çalışır.

Keras’ın bir diğer özelliği, derin öğrenme modelleri oluşturmak için gerekli olan araçları sağlamasıdır. Kullanıcılar, modelleri oluşturmak için gerekli olan katmanları yapılandırabilir, eğitim verilerini oluşturabilir ve modelleri eğitebilirler. Ayrıca Keras, çok sayıda önceden eğitilmiş model sunar. Model seçiminde kullanıcıların işini kolaylaştıran bu özellik sayesinde, zaman ve emek tasarrufu sağlanır.

Bunun yanı sıra Keras, hata ayıklama ve görselleştirme araçlarının yanı sıra model performansını değerlendirmek için kullanılabilen çeşitli metrikleri de içerir. Kolay kullanımlı arayüzü ile geliştiriciler, hızlı bir şekilde derin öğrenme modelleri oluşturabilir ve uygulama geliştirme sürecini hızlandırabilirler.

Görüntü Verilerinin Hazırlanması

Görüntü işleme uygulamalarında en önemli adımlardan biri, verilerin hazırlanmasıdır. Görüntü verileri, görüntü formatında alınıp, geçerli formata dönüştürülmelidir. Bu aşamada, veri ön işleme adımları uygulanarak, veriler daha iyi şekilde işlenebilir hale getirilir.

Veri ön işleme adımları; boyutlandırma, normalizasyon, dönüştürme ve benzeri işlemlerdir. Bu adımlar sayesinde, görüntülerdeki nesneleri daha doğru şekilde tanımak ve sınıflandırmak mümkündür.

Boyutlandırma adımında, görüntülerin boyutları belirli bir düzeye getirilir. Bu adım sayesinde, görüntülerin yüksek çözünürlük sorunları ortadan kaldırılır ve daha küçük boyutta işleme tabi tutulurlar.

Normalizasyon adımı, görüntü verilerinin standart bir ölçeğe dönüştürülmesidir. Bu sayede, farklı görüntüler arasında karşılaştırma yapmak daha kolay hale gelir.

Dönüştürme adımı ise, görüntü verilerinin işlenebilir hale getirilmesidir. Bu adımda, görüntülerdeki özellikler ve şekiller belirli bir formata getirilir. Ayrıca, resimler keskinleştirilerek, detaylar daha iyi görülebilir hale getirilir.

Görüntü verilerinin hazırlanmasında kullanılan diğer bir yöntem ise data augmentation'dir. Bu yöntem sayesinde, verilerin sayısı ve çeşitliliği artırılabilir. Örneğin, görüntüler yatay veya dikey olarak döndürülerek, aynalandırılarak veya farklı renklendirme teknikleri uygulanarak, yeni veriler üretilebilir.

Tüm bu yöntemler, görüntü verilerinin hazırlanması sürecinde kullanılır. Bu sayede, daha doğru ve güçlü modeller oluşturulabilir ve görüntü işleme uygulamalarında daha iyi sonuçlar elde edilebilir.

Veri Ön İşleme Adımları

Görüntü işleme uygulamaları için kullanılan verilerin, veri ön işleme adımlarından geçirilmesi gerekiyor. Verilerin hazırlanması için birkaç adım izlenebilir:

Verilerin boyutlandırılması ve dönüştürülmesi işlemi; görüntülerin farklı çözünürlüklerde alınması sebebiyle önemlidir. Bu adımda veriler, öncelikle aynı boyuta getirilir. Farklı boyutlardaki görüntüler, sıfırlar veya piksel değerleri eklenerek veya eksiltilerek hedef boyuta getirilir. Verilerin dönüştürülmesi ise görüntülerin farklı formatlarda olması sebebiyle yapılır. Böylece tüm veriler aynı format ve boyuta getirilir.

Normalizasyon adımları, verilerin etkileşimini arttırarak daha iyi sonuçlar elde edilmesine yardımcı olur. Bu adımda, veriler belirli bir aralıkta olacak şekilde standart birleştirme işlemi yapılır. Bu şekilde, verilerinıkları gözlenen farklılıkların önüne geçilir. Normalizasyon işlemi için farklı yöntemlere başvurulabilir. Örneğin, bir yöntem olarak, veriler, görüntülerin piksel değerlerinin 0 ila 1 arasında olacak şekilde ölçeklendirilebilir. Bu, verilerin daha tutarlı olmasını ve yanlış sınıflandırmaların önlenmesini sağlar.

Dönüştürme teknikleri, verilerin daha iyi anlaşılır hale gelmesini sağlar. Örneğin, görüntülerin aynalama, döndürme veya kesme gibi işlemlerden geçirilerek doğru perspektif elde edilebilir. Bu işlemler, verilerin daha iyi anlaşılması ve doğru sınıflandırma sonuçları elde edilmesine yardımcı olur.

Boyutlandırma ve Dönüştürme Adımları

Görüntüler farklı boyutlarda ve oranlarda gelir. Bu nedenle, boyutlandırma adımı bir görüntüyü modelin kullanabileceği boyuta ayarlar. Ayrıca bazı modeller belirli bir şekil gerektirir, bu nedenle görüntülerin şekli değiştirilir. Boyutlandırma işleminin kayıp olmadan yapılması çok önemlidir. Yeni boyut, içerdiği nesnelerin özelliklerini belirleyebilir. Görüntü boyutlandırma yöntemleri arasında yeniden boyutlandırma, kırpma ve zoomlama yer almaktadır.

Dönüştürme adımı, görüntüyü modelin işlemesi için uygun veriye dönüştürür. Bu adım sırasında, genellikle renk kanalları ayarlanır, gri tonlama, birlikte kaydırma gibi değişiklikler yapılır. Ayrıca, bazen görüntüler ters çevrilebilir veya döndürülebilir. Bu adımdan sonra görüntü daha kolay ele alınır hale gelir ve daha iyi sonuçlar elde edilir.

Bu adımların uygulanması, görüntü verilerinin benzer boyutlara sahip olmasını sağlar ve modelin eğitim verilerine daha doğru bir şekilde uygulanmasına yardımcı olur. Bu adımların uygulanması, modelin doğruluğunu artırır ve eğitim zamanını azaltır.

Normalizasyon Adımları

Görüntü işleme uygulamalarında en önemli adımlardan birisi veri ön işlemedir. Veri ön işleme adımlarından bir diğeri ise normalizasyondur. Normalizasyon, görüntü verilerinin değerlerinin standartlaştırılması için kullanılır. Bu adım, verilerin işlenmesi ve öğrenme aşamasında daha iyi sonuçlar elde etmenizi sağlar.

Normalizasyon adımı, verileri 0 ila 1 arasında skalalamak için kullanılır. Bunun için kullanılan formül, görüntü verilerinin her bir piksel değerini minimum piksel değeriyle çıkarıp, ardından maksimum piksel değerine bölerek hesaplanır. Bu işlem sonucunda, tüm piksel değerleri 0 ila 1 arasında bir değere sahip olur.

Bunun yanı sıra, normalizasyon işlemi için Z-Skorlama (Standardizasyon) yöntemi de kullanılabilir. Bu yöntem, verilerin ortalama değeri 0 ve standart sapması 1 olacak şekilde yeniden ölçeklemesini yapar. Bu yöntem diğer birçok alanda olduğu gibi görüntü işleme uygulamalarında da oldukça sık kullanılmaktadır.

Normalizasyon adımı, verilerin birbirleriyle karşılaştırılabilir olmasını sağlayarak modelin daha doğru sonuçlar vermesine yardımcı olur. Bu adımların doğru bir şekilde uygulanması, sonuçların daha iyi ve güvenilir olmasını sağlar.

Eğitim Verilerinin Oluşturulması

Keras ile görüntü işleme uygulamaları yapmak için öncelikle eğitim verilerinin oluşturulması gerekiyor. Eğitim verileri, modelin öğrenmesi için kullanılacak veri setleridir. Bu veri setleri hazırlanırken verilerin doğru şekilde ayrılması önemlidir. Bunun için verilerin belirli bir oranda eğitim ve doğrulama verisi olarak ayrılması gerekiyor.

Eğitim verileri; görüntüler, etiketler ve izlemlerden oluşur. Görüntüler, öğrenme işleminde kullanılacak olan görüntü verileridir. Etiketler, görüntülerin sınıflandırılması için kullanılır. İzlemler ise, öğrenme işlemi sırasında modelin performansını ölçmek için kullanılacak olan verilerdir. Bu verilerin hazırlanması için genellikle veri ön işleme adımları kullanılır.

Verilerin ayırma işlemi için Keras kütüphanesinde yer alan train_test_split() fonksiyonu kullanılır. Bu fonksiyon sayesinde veriler belirli bir oranda eğitim ve doğrulama olarak ayrılır. Verileri oluşturmadan önce eğitim verilerinin oranı belirlenmelidir. Bu oran problem tipine ve veri setine göre değişkenlik gösterebilir.

Verilerin hazırlanması sırasında ayrıca veri ön işleme adımları da uygulanmalıdır. Bu adımlar görüntülerin boyutlandırılması, normalizasyonu ve dönüştürülmesini içerir. Verilerin hazırlanması işlemi sonrasında artık eğitim verileri hazır hale gelmiş olur ve model eğitimine başlanabilir.

Eğitim verilerinin hazırlanması aşamasında daha detaylı bilgiye ihtiyaç duyulması durumunda Keras kütüphanesi içerisinde yer alan dokümantasyon sayfasına başvurulabilir.

Keras İle Derin Öğrenme Modelleri

Keras, görüntü işleme alanında kullanılan en popüler derin öğrenme kütüphanelerinin başında gelir. Keras, özellikle sınıflandırma ve nesne tespiti gibi görevlerde başarılı sonuçlar veren birçok derin öğrenme modelini destekler. Keras ile oluşturulan modeller, başka veri kümeleriyle de kullanılabilen genelleştirilebilir modellerdir.

Keras ile derin öğrenme modelleri oluşturmak için, öncelikle veri hazırlık işlemlerinin tamamlanmış olması gerekmektedir. Veriler, belirli bir formata dönüştürüldükten sonra eğitim verileri ve test verileri olarak ayrılır. Ardından, Keras kütüphanesi ile model oluşturma işlemine başlanabilir.

Keras ile kullanılabilecek sınıflandırma modelleri arasında en popüler olanları ResNet ve Sonlu Katman Makineleridir. ResNet modelleri, çok katmanlı sinir ağı yapısı kullanarak yüksek doğruluk oranlarına ulaşır ve genellikle görüntü sınıflandırma işlemlerinde kullanılır. Sonlu Katman Makineleri, daha az yapıda sinir ağı kullanarak daha hızlı sonuçlar elde edilmesine olanak sağlar ve küçük veri kümeleri ile çalışırken tercih edilir.

Keras ile nesne tespiti modelleri de oluşturulabilir. Nesne tespiti modelleri için öncelikle objelerin tespiti ve sınıflandırılması için etiketlenmiş görüntü verileri hazırlanmalıdır. Ardından, Keras kütüphanesi ile sınıflandırma modellerine benzer şekilde eğitim verileri hazırlanır ve modele entegre edilir. Nesne tespiti modellerinin oluşturulması için örnekler ve kod örnekleri internet üzerinde bulunabilir.

Keras ile derin öğrenme modelleri oluşturmak ve eğitmek oldukça kolaydır. Ancak, doğru hiperparametrelerin belirlenmesi ve eğitim verilerinin doğru hazırlanması çok önemlidir. Eğitim süreci sonrasında, sonuçların analizi ile modelin başarısı değerlendirilir ve iyileştirme adımları atılır. Keras, başarılı sonuçlar veren modeller oluşturmada oldukça etkili bir araçtır.

Sınıflandırma Modelleri

Keras, sınıflandırma modellerinin oluşturulması için birçok yöntem sunar. Özellikle, çok sınıflı sınıflandırma modelleri oluşturmak için kullanışlıdır.

Bunun için keras.utils.to_categorical() işlevi kullanılır. Bu işlev, sayısal verileri sınıflar haline getirir ve kategorik matrisleri oluşturur.

from keras.utils import to_categoricaltrain_labels = to_categorical(train_labels)test_labels = to_categorical(test_labels)

Kategorik matrislerin oluşturulmasının ardından, Convolutional Neural Network (CNN) gibi birçok modelle sınıflandırma modelleri oluşturulabilir.

from keras.models import Sequentialfrom keras.layers import Dense, Dropout, Flattenfrom keras.layers.convolutional import Conv2D, MaxPooling2Dmodel = Sequential()model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Flatten())model.add(Dense(128, activation='relu'))model.add(Dropout(0.5))model.add(Dense(num_classes, activation='softmax'))

Yukarıdaki örnekte, Convolutional Neural Network (CNN) modeli kullanılarak sınıflandırma modeli oluşturulmuştur. Model, bir başlangıç katmanı olarak 32 özniteliğini (feature) tanımlayan Conv2D katmanı ile başlar. Bu katmandan sonra, MaxPooling2D () işlevini kullanarak boyutunu küçültür. Ardından, 0.25'lik bir bırakma (dropout) oranı ile Dropout() katmanı eklenir. Bu, aşırı öğrenmeyi önlemek için kullanılan bir tekniktir. Sonra, Flatten() katmanı, matrisleri vektöre dönüştürür. 128 öznitelikli bir hidden layer katmanı eklenir ve ardından tekrar bir bırakma oranı kullanılır. En son olarak, son sınıflandırıcı katmanı eklenir ve softmax aktivasyon fonksiyonu kullanılır.

Keras aracılığıyla sınıflandırma modelleri oluşturmak oldukça kolay ve kullanışlıdır. Model oluşturma ve örnekler için başvurulacak kaynaklar, Keras'ın resmi web sitesinde bulunabilir.

ResNet Modelleri

ResNet (Residual Network), derin öğrenme modellerinde kullanılan bir tür sinir ağıdır. ResNet, bir nesnenin sınıflandırmasını ya da nesne tespitini yapmak için kullanılabilir. Birçok katmanlı sinir ağlarının eğitiminde karşılaşılan en büyük sorun, ağın derinleştikçe, öğrenme kapasitesindeki azalmadır. Bu sorun, gradientlerin geri yayılımıyla azalmasından kaynaklanır. ResNet, bu sorunu aşmak için öğrenme sürecini özelleştirir.

ResNet, blok tabanlı bir mimari kullanır ve blokların her biri sekmelerden (layers) oluşur. Bu sekmeler, sinir ağına eklenen bir blokta bir veya daha fazla convolution layer ve sonra activation function ve pooling layer içerir. Blokların içerisindeki sekmelerin bir çıktısı, blok içerisindeki bir sonraki sekmeye veya çıktı olarak kullanılabilir.

• ResNet modeli birçok kullanım alanı bulunmaktadır, özellikle görüntü sınıflandırma ve nesne tespiti gibi.
• ResNet modelleri, derin öğrenme algoritmaları içinde oldukça popülerdir ve ileri seviye sinir ağı mimarilerinden biridir.
• ResNet modeli, uzun vadeli olaylar için de kullanılabilir.

Sonlu Katman Makineleri (Dense Layer Machines)

Sonlu katman makineleri (Dense Layer Machines), sınıflandırma ve regresyon problemleri için oldukça etkili bir derin öğrenme modelidir. Keras aracılığıyla bu modele kolayca erişilebilir ve kullanılabilir. Sonlu katman makineleri, girdi verilerinin ardışık katmanlarda işlenmesi ve çıktı verilerinin oluşması ile çalışır.

Bu model, önceden belirlenmiş sayıda nöron ve katmanlar içerir. Her katman, önceki katmanın çıktılarına dayalı olarak girdi verilerine ağırlıklar uygular. Bu ağırlıklar, eğitim verileri üzerinde ayarlanır ve sonunda çıktılar üretilir. Sonlu katman makineleri, tüm veri tipleri için uygulanabilir ve verimli sonuçlar üretir.

Bir örnek olarak, bir görüntü sınıflandırma problemi ele alalım. İlk olarak, girdi katmanında görüntünün boyutlarına uygun sayıda nöron belirlenir. Daha sonra, bu katmandaki nörondan çıkan sonuçlar, gizli katmanlarda işlenir. Her katmanda farklı sayıda nöronlar olabilir ve bunların sayısı, modelin doğruluğunu etkiler.

Son olarak, modelin çıktısı, sınıflandırma etiketlerine benzer olarak ayarlanmış çıktı katmanından elde edilir. Bu etiketlerden her biri, sınıflandırılmış nesneleri temsil eder. Bu örnek, el yazısı rakamlarının tanınması için de kullanılabilir.

Özetle, sonlu katman makineleri başarılı bir derin öğrenme modelidir. Kullanıcının ihtiyacına bağlı olarak kolayca uyarlanabilir ve uygulanabilir. Keras kütüphanesi, bu modelin etkili bir şekilde kullanılmasını sağlar ve öğrenme sürecini kolaylaştırır.

Nesne Tespiti Modelleri

Keras ile nesne tespiti modelleri, yapay sinir ağı teknolojilerini kullanarak görüntülerde bulunan nesneleri tespit eder ve sınıflandırır. Bu modeller, birçok farklı uygulama alanında kullanılmaktadır. Özellikle, insansız hava araçları (İHA) ve robotik görme gibi ileri teknoloji uygulamalarında yaygın bir şekilde kullanılır.

Keras'ın nesne tespiti modelleri oluşturma arayüzü oldukça kolaydır. Bu modelleri oluşturmak için, öncelikle nesnelerin etrafındaki sınırlayıcı kutuların (bounding boxes) tespit edilmesi gerekir. Bu kutular, görüntülerdeki nesnelerin konumunu ve boyutunu gösterir.

Nesne tespiti modelleri, öncelikle iki aşamalı bir yöntem kullanır: özellik çıkarımı ve sınıflandırma. Özellik çıkarımı, görüntülerdeki her piksel için bir vektör oluşturur ve bu vektörler, modelin öğrenmesine yardımcı olmak için kullanılır. Sınıflandırma aşaması ise, özellikleri kullanarak nesnelerin sınıflandırılmasını sağlar.

Keras'ın sunduğu nesne tespiti modelleri arasında en popüler olanları Faster R-CNN, YOLO (You Only Look Once) ve SSD (Single Shot MultiBox Detector) modelleridir. Bu modeller, özellikle gerçek zamanlı nesne tespiti uygulamalarında son derece başarılı sonuçlar üretirler.

Örnek olarak, aşağıdaki Kod parçası, YOLOv3 nesne tespiti modeli kullanılarak bir görüntüdeki insanların tespit edilmesini göstermektedir:

# YOLOv3 modelini yüklememodel = yolo.load_model('yolov3.h5')
# Görüntüyü yükleme ve boyutlandırmaimage = cv2.imread('image.jpg')resized_image = yolo.resize_image(image)
# YOLOv3 ile nesne tespitiboxes, scores, classes = yolo.detect_objects(resized_image, model)
# Nesneleri sınıflandırmayolo.draw_boxes(image, boxes, scores, classes, yolo.get_object_names())
# Sonuçları görüntülemecv2.imshow('Image', image)cv2.waitKey(0)cv2.destroyAllWindows()

Yukarıdaki kod parçası, YOLOv3 modelini yükler, bir görüntüyü boyutlandırır, nesne tespiti yapar ve sonuçları görüntülemek için nesneleri sınıflandırır. Bu örnek, nesne tespiti modellerinin kullanımı ve kod örnekleri hakkında bilgi vermektedir.

Model Eğitimi ve Sonuçların İyileştirilmesi

Derin öğrenme modellerinin eğitimi, sonuçlarının iyileştirilmesi ve hiperparametre ayarları, Keras kullanıcıların sıkça karşılaştığı konulardan birkaçıdır. Derin öğrenme modelinin eğitimi, modelin doğru sonuçlar vermesi için oldukça önemlidir. Ancak, farklı birçok parametrenin de ayarlanması gerekir. Bu aşamalarda hiperparametreler devreye girer.

Eğitim aşamasında, birçok hiperparametre ayarlanmalıdır. Örneğin, öğrenme hızı, çıkış sınıf sayısı, epoch sayısı, aktivasyon fonksiyonları, ağ yapısı ve diğer hiperparametreler farklı şekillerde ayarlanabilir. Ancak, her veri seti için en uygun hiperparametre değerleri farklı olabilir. Bu nedenle, hiperparametrelerin ayarlanması deneme yanılma yöntemiyle yapılabilir ve sonuçların karşılaştırılması ile en uygun hiperparametreler bulunabilir.

İyileştirme aşamasında, modelin doğru sonuçlar vermesi için değişiklikler ve iyileştirmeler yapılabilir. Bu aşamada, özellikle verinin overfitting veya underfitting'e uğradığı yerleri kontrol etmek önemlidir. Veri seti üzerinde doğruluk oranları karşılaştırılarak, modelin performansı analiz edilir ve gerekli düzeltmeler yapılır. Modelin kalitesi arttırılabilir, en iyi sonuçlar elde edilebilir ve hata oranları azaltılabilir.

Bu aşamalar sırasında, geriye dönük yayılım (backpropagation) teknikleri kullanılabilir. Bu teknik kullanılarak, modelin yanlış sonuçlar oluşturduğu durumlar tespit edilir ve veri setindeki öğeler, bunların doğru yorumlanmasını destekleyecek şekilde düzenlenir. Bu yöntemle, modelin verimliliği arttırılır ve daha doğru tahminler yapması sağlanır.

Modelin doğru öğrenmesi, veri setinin kalitesine, model yapısına ve hiperparametrelerin doğru belirlenmesine bağlıdır. Bu nedenle, bu aşamalarda dikkatle çalışmak ve farklı yöntemleri kullanarak sonuçları karşılaştırmak büyük önem taşır. Derin öğrenme modelleri için en uygun sonuçları almak için, bu aşamaların doğru şekilde işlenmesi gereklidir.

Sonuçların Analizi

Keras ile eğitilmiş model sonuçları, eğitim sürecinin anahtarıdır. Bu nedenle sonuçların analizi, eğitim sürecinin doğru yönetilmesi için hayati önem taşır. Analiz süreci, modelin başarısı hakkında ayrıntılı bilgi sağlar.

Eğitim sonrasında modelin performansını anlamak için farklı metrikler kullanılır. Bu metrikler arasında en yaygın olanları doğruluk (accuracy), hatırlama (recall), hassasiyet (precision) ve F1 puanıdır. Her biri modelin başarısını farklı açılardan değerlendirir. Doğruluk, modelin doğru tahminlerinin yüzdesini verirken, hatırlama hedef sınıfın algılama oranını verir ve hassasiyet doğru sınıflandırılmış etiketlerin yüzdesidir.

Bu metriklerin yanı sıra, modele daha ayrıntılı bakmak için belirli örneklerin de incelenmesi gerekir. Örnekler, modelin hangi sınıflar için doğru tahminler yaptığını ve hangi sınıflar için yanlış tahminler yaptığını gösterir. Bu örneklerin analizi, modelin güçlü ve zayıf yanlarını belirlemek için kullanılabilir.

Bir diğer önemli analiz aracı, hiperparametre optimizasyonudur. Hiperparametreler, modelin performansını etkileyen farklı ayarların toplamıdır. Bu ayarlar, modelin başka bir eğitim geçirdiğinde performansını nasıl etkileyeceğini belirler. Bu nedenle, hiperparametrelerin doğru ayarlanması sonuçların iyileştirilmesini sağlar.

Sonuçların analizi, modelin güvenilirliğini ve doğruluğunu belirlemek için önemlidir. Bu analizi yaparken, modelin performansını belirleyen farklı faktörleri açıklayarak, gelecekteki geliştirmeler için bir yön göstermek gerekir.