# Kitap Rotası: Dağılım Kayması ve Robustluk
Genel Harita Veri ve Nedensellik Shift ve Robustluk Covariate Shift OOD Robustluk Eğrileri Üretim Döngüsü Gözetimsiz ve Ötesi
Kitap / Aynı Dünya Sonsuza Kadar Sürmez

Modeli doğru veride eğitmiş olman, onu yarın da doğru dünyada çalıştıracağın anlamına gelmez. Özellik dağılımı kayabilir, hiç görmediğin örnekler gelebilir ve ufak bozulmalar bile performansı sertçe aşındırabilir. Bu rota, tam bu üretim gerçeğini görünür yapar.

## Neden Bu Bölüm Gerekli? - Eğitim ve kullanım dağılımı çoğu zaman birebir aynı kalmaz. - Bazı modeller kaymış veride yavaş düşer, bazıları çok hızlı kırılır. - OOD örnekleri yüksek güvenle kabul etmek sessiz ama pahalı hatalar üretir. - Robustluk, yalnızca ortalama doğruluk değil; stres altında ne kadar kaldığını da sormaktır. ## Bu Projedeki Görsel Karşılıklar
Covariate Shift Özellik dağılımı kaydıkça eğitim performansının neden sahte bir güven verebildiğini ve yeniden ağırlıklandırmanın ne kadar topladığını gör. Canlı shift demosu
OOD Algısı Hiç görmediğin örnekleri güven eşiğiyle nasıl ayırdığını ve overconfidence yüzünden nelerin içeri sızdığını izle. Canlı OOD demosu
Robustluk Eğrileri Bozulma şiddeti arttıkça sıradan model ile daha dayanıklı modelin performans eğrilerinin nasıl ayrıştığını gör. Canlı robustluk demosu
## Neden Veri ve Nedensellikten Sonra Geliyor? Çünkü veri kalitesini ve nedensel hikayeyi düşünmek yetmez; modelin yarın aynı veri rejiminde kalmayacağını da kabul etmek gerekir. Bu rota, “veri düzeldi ama dünya değişirse ne olur?” sorusunu sorar.
Bu Sayfa Covariate Shift OOD Robustluk Eğrileri Üretim Döngüsü Sonraki: Üretim Döngüsü