# Kitap Rotası: Temel Algoritmalar
Genel Harita Temel Algoritmalar Doğrusal Regresyon Lojistik Regresyon Perceptron Karar Ağacı kNN SVM Ensemble Öğrenme Anatomisi
Kitap / Bölüm 3

Kitabın üçüncü bölümü, makine öğrenmesinin çekirdek algoritma ailelerini tek tek tanıtmaz; aynı zamanda her ailenin hangi düşünceyle çalıştığını da ayırır. Bu sayfa o aileleri mevcut görsel proje haritamıza bağlıyor.

## Çekirdek Aileler ### Doğrusal Regresyon Bir hedef değeri, girdilerin ağırlıklı toplamı ile açıklamaya çalışır. Kitabın burada verdiği en önemli sezgi, `kayıp fonksiyonu + optimizasyon` çiftinin model kadar önemli olduğudur. Görsel rota: - Doğrusal Regresyon ### Lojistik Regresyon Adında regresyon geçmesine rağmen bir sınıflandırma modelidir. Çizgi yine doğrusaldır ama çıktı artık bir olasılık olarak yorumlanır. Burada eşik kavramı devreye girer. Görsel rota: - Lojistik Regresyon ### Perceptron Karar sınırının en çıplak haliyle görülebildiği modeldir. Birçok daha karmaşık modelin önsözü gibi okunmalıdır. Görsel rota: - Perceptron ### Karar Ağaçları, kNN ve SVM Kitap bu aileleri üç ayrı mantık olarak okur: - Karar ağacı: uzayı eksenlere paralel kararlarla parçalara ayırır. - kNN: veriyi özetlemez, hafızada tutar; karar anında en yakın örnekleri yoklar. - SVM: mümkün olduğunca geniş marjlı bir sınır arar. Bu ailelerin tamamı artık bu rota içinde canlı olarak açılıyor:
Doğrusal Regresyon Parametre, kayıp ve optimizasyon üçlüsünü en sade formunda gör. Canlı doğrusal regresyon
Lojistik Regresyon Doğrusal sınırın olasılıksal yoruma nasıl dönüştüğünü izle. Canlı lojistik regresyon
Perceptron Tek bir doğruyla ayrılabilen ve ayrılamayan düzenleri yan yana hisset. Canlı perceptron
Karar Ağacı Eksene paralel bölünmelerin karar yüzeyini nasıl parça parça kurduğunu gör. Canlı ağacı aç
k-En Yakın Komşu Kararın model parametresinden değil, komşuluktan ve yerel örneklerden doğduğunu izle. Canlı kNN'yi aç
Destek Vektör Makinesi Karar sınırının yalnızca ayırmakla kalmayıp marjı da büyütmeye çalıştığını hisset. Canlı SVM'yi aç
### Ensemble Düşüncesine Geçiş Karar ağacı ailesi tek başına güçlüdür ama oynaktır. Kitabın mantığında bunun doğal devamı, tek ağacı büyütmek değil; birçok öğreniciyi birlikte okutmayı anlamaktır. Bagging, random forest ve boosting artık bu rota içinde ayrı bir mini hat olarak açılıyor.
Ensemble Öğrenme Tek modelden topluluk modeline geçişin neden önemli olduğunu ve hangi mantıklarla kurulduğunu oku. Ensemble genel bakış
Bagging Bootstrap örneklerinde yetişen kırıklı ağaçların ortalamasının nasıl sakinleştiğini gör. Canlı bagging
Random Forest ve Boosting Ortak oy veren ağaçlar ile hatayı sıralı düzelten ağaçları yan yana hisset. Random forest · Boosting
## Buradan Sonra Nereye? Temel algoritmaları gördükten sonra kitap iki şeyi netleştirir: önce model topluluklarının neden güçlü olduğunu görürsün, ardından öğrenme algoritmasının iç anatomisine geçersin. Neden bir model ezberler, neden geneller, kapasite ve regularizasyon neyi değiştirir; bütün bunlar bir sonraki omurgada canlı halde açılıyor.
Geri Dön Bu Sayfa Doğrusal Regresyon Lojistik Regresyon Perceptron Karar Ağacı kNN SVM Ensemble Sonraki: Öğrenme Anatomisi