Derin Öğrenme Temasına Dön
Kodlama • Yapay Zeka ve Makine Öğrenmesi

CNN - GÖRÜNTÜ TANIMA

Kodlama Yapay Zeka ve Makine Öğrenmesi – Derin Öğrenme ünitesi kapsamında CNN - GÖRÜNTÜ TANIMA konusunun konu anlatımı, anlama, kavrama ve pekiştirme testleri ile ücretsiz PDF çalışma kağıtlarına bu sayfadan ulaşabilirsiniz.

TESTLER

Öğrencilerimiz için hazırladığımız seviye odaklı test sistemimiz:

  • Anlama Testleri: Temel kavramları ve tanımları ölçen başlangıç seviyesi testlerdir.
  • Kavrama Testleri: Bilgilerin uygulamasını ve konunun mantığını ölçen orta seviye testlerdir.
  • Pekiştirme Testleri: Analiz ve karmaşık problem çözmeyi hedefleyen ileri seviye testlerdir.

ALIŞTIRMA SORULARI

Konuyu pekiştirmek için hazırladığımız alıştırma soru setleri:

  • Alıştırma Soruları: Konuyu öğrendikten sonra bilgilerinizi test etmeniz için hazırlanmış pratik soru setleridir.
  • Ücretsiz PDF: Tüm alıştırma soruları ücretsiz olarak indirilebilir ve yazdırılabilir formattadır.
Bu konu için alıştırmalar hazırlanıyor...

KONU ANLATIMI

MEB müfredatına uygun hazırlanan konu anlatımlarımız:

  • Konu Anlatımı PDF: Konunun tüm önemli noktalarını kapsayan, sade ve anlaşılır dille hazırlanmış ders notlarıdır.
  • Web İçeriği: Konuyu adım adım anlatan, görsel destekli dijital konu anlatımına aşağıdan ulaşabilirsiniz.
BENİM OKULUM

Evrişimli Sinir Ağları (CNN)


CNN'ler görüntü işleme için özel olarak tasarlanmış sinir ağlarıdır.



CNN'nin Çalışma Prensibi



  1. Konvolüsyon Katmanı: Filtrelerle özellik haritaları çıkarır

  2. Havuzlama (Pooling): Boyutu küçültür, hesabı hızlandırır

  3. Tam Bağlantılı Katman: Sınıflandırma yapar



Uygulama Alanları



  • 🔍 Nesne tespiti (yüz, araç, hayvan)

  • 🏥 Tıbbi görüntü analizi

  • 📸 Otomatik etiketleme

  • 🚗 Otonom araç görüşü

  • 🔐 Yüz tanıma sistemi



Ünlü CNN Mimarileri











ModelYılÖzellik
LeNet-51998İlk modern CNN
AlexNet2012ImageNet'i kazandı
VGG162014Derin, sade mimari
ResNet2015Artık bağlantılar
EfficientNet2019Verimli ölçekleme


MNIST ile El Yazısı Tanıma


from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# Veri yükle
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.reshape(-1, 28, 28, 1) / 255.0

model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    MaxPooling2D(2,2),
    Conv2D(64, (3,3), activation='relu'),
    MaxPooling2D(2,2),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
1