Veri artırımı, makine öğreniminde yeni veri toplamadan eğitim verilerinin çeşitliliğini artırmak için kullanılan bir tekniktir. Mevcut veri noktalarının değiştirilmiş versiyonlarını oluşturmayı içerir, bu da aşırı uyumu azaltarak ve genellemeyi geliştirerek model performansını artırmaya yardımcı olur. Bu modifikasyonlar, görüntülere, metinlere veya diğer veri biçimlerine uygulanabilen döndürme, ölçekleme, öteleme, çevirme ve renk değiştirme gibi dönüşümleri içerebilir.
Önemi ve Faydaları
Veri artırımı, sağlam makine öğrenimi modellerinin geliştirilmesinde çok önemli bir rol oynar. Bu konuda yardımcı olur:
- Model Genelleştirmesinin Geliştirilmesi: Veri artırımı, modelleri eğitim verilerinin çeşitli versiyonlarına maruz bırakarak daha genel özellikler öğrenmelerine yardımcı olur ve görünmeyen veriler üzerindeki performanslarını artırır.
- Aşırı Uyumu Azaltma: Ek çeşitli veriler, modellerin eğitim verilerini ezberleme eğilimini azaltır, böylece aşırı uyumu en aza indirir.
- Sınırlı Verilerin Genişletilmesi: Sınırlı orijinal veriye sahip uygulamalar için artırma, ek veri toplama çabaları olmadan veri kümesi boyutunu genişletmenin etkili bir yoludur.
Veri Artırma Teknikleri
Veri artırımı için aşağıdakiler de dahil olmak üzere çeşitli teknikler kullanılabilir:
- Geometrik Dönüşümler: Döndürme, çevirme, kırpma ve ölçekleme gibi ayarlamalar, içeriklerini korurken görüntülerin yönünü veya boyutunu değiştirir.
- Renk Uzayı Dönüşümleri: Parlaklık, kontrast, doygunluk ve renk tonunun değiştirilmesi, modellerin aydınlatma koşullarına göre değişmez hale gelmesine yardımcı olabilir.
- Rastgele Silme: Bölümleri rastgele maskeleyerek görüntüleri kısmen gizlemek, modelleri tüm görüntü bağlamına odaklanmaya teşvik etmek.
- MixUp: Veri kümesindeki iki görüntüyü ve etiketlerini birleştirerek, modeli görüntü büyütme tekniklerini keşfederek birleştirilmiş özelliklerden öğrenmeye teşvik eder.
Gerçek Dünya YZ/ML Uygulamaları
Veri artırımı, aşağıdakiler de dahil olmak üzere çeşitli alanlarda yaygın olarak kullanılmaktadır:
- Sağlık Hizmetleri: MRI taramalarından hastalık teşhisi gibi tıbbi görüntüleme uygulamaları, etiketli verilerin sınırlı kullanılabilirliği ile başa çıkarak veri artırımından önemli ölçüde yararlanır Sağlık Hizmetlerinde Yapay Zeka.
- Kendi Kendine Giden Arabalar: Otonom araçlar, yolda karşılaşılan sayısız koşulla başa çıkmak için çeşitli eğitim verilerine ihtiyaç duyar. Veri artırımı, farklı aydınlatma koşullarının simüle edilmesine ve Otonom Sürüşte Yapay Zeka perspektiflerine yardımcı olur.
Veri Artırımını İlgili Kavramlardan Ayırt Etme
- Veri Artırma ve Sentetik Veri Üretimi: Veri büyütme, mevcut verilere dönüşümler uygulayarak yeni veri örnekleri oluştururken, sentetik veri üretimi, GAN'lar (Generative Adversarial Networks) gibi modeller kullanarak yapay zekada GAN'ları keşfederek tamamen yeni veri örnekleri oluşturur.
- Veri Artırımı ve Transfer Öğrenimi: Transfer öğrenimi, yeni görevler için önceki bilgilerden yararlanmak üzere önceden eğitilmiş modellerin kullanılmasına odaklanırken, veri artırımı, eğitim verilerinin çeşitliliğini zenginleştirir Transfer Öğrenimi hakkında bilgi edinin.
Araçlar ve Teknoloji
Popüler kütüphaneler ve çerçeveler, AI/ML projelerinde veri artırımını destekler, örneğin:
Veri Artırımının Uygulanması
Veri zenginleştirmenin uygulanması, Ultralytics HUB gibi platformlar kullanılarak yapılabilir ve yoğun manuel kodlama çabaları olmadan zenginleştirilmiş veri kümeleri oluşturmak için sezgisel araçlar aracılığıyla süreci basitleştirir.
Sonuç olarak, veri artırımı modern YZ/ML iş akışlarında önemli bir tekniktir ve daha doğru ve etkili modellere katkıda bulunur. Verilerin az olduğu veya toplanmasının pahalı olduğu senaryolarda özellikle hayati önem taşır ve farklı sektörlerde YZ çözümlerinin geliştirilmesini sağlayarak güvenilirliklerini ve performanslarını artırır.
