# Etkileşimli Öğrenme Algoritması Anatomisi

<div class="mlv-demo-links">
  <a class="mlv-demo-link" href="hundred_page_ml.html">Genel Harita</a>
  <a class="mlv-demo-link" href="book_fundamental_algorithms.html">Temel Algoritmalar</a>
  <a class="mlv-demo-link" href="book_ensemble_learning.html">Ensemble</a>
  <a class="mlv-demo-link active" href="interactive_book_learning_anatomy.html">Öğrenme Anatomisi</a>
  <a class="mlv-demo-link" href="interactive_book_basic_practice.html">Temel Pratik</a>
  <a class="mlv-demo-link secondary" href="../_static/demos/book-learning-anatomy.html">Tam Ekran Demo</a>
</div>

<div class="mlv-demo-hero">
  <div class="mlv-demo-kicker">Kitap / Bölüm 4</div>
  <p class="mlv-demo-lead">Bu demo, veri, model kapasitesi, regularizasyon ve kayıp arasındaki ilişkiyi aynı anda görünür kılar. Kitabın “öğrenme algoritmasının anatomisi” dediği şey tam olarak budur: model yalnızca formül değil, davranış üreten bir mekanizmadır.</p>
</div>

<div class="mlv-demo-grid">
  <div class="mlv-demo-panel">
    <strong>Ne Yap</strong>
    <span>Örnek sayısını, gürültüyü, model karmaşıklığını ve regularizasyonu değiştir. Eğrinin eğitim verisini nasıl yakaladığını izle.</span>
  </div>
  <div class="mlv-demo-panel">
    <strong>Ne Gör</strong>
    <span>Eğitim hatası düşerken doğrulama hatası artıyorsa model ezberlemeye başlamış demektir. Regularizasyon bu eğilimi frenler.</span>
  </div>
  <div class="mlv-demo-panel">
    <strong>Kitaptaki Karşılığı</strong>
    <span>Bu, kapasite, kayıp, regularizasyon ve genelleme arasındaki gerilimin görsel ifadesidir.</span>
  </div>
</div>

<div class="mlv-demo-note">
Buradaki amaç “en iyi görünen eğriyi” seçmek değil, eğitim başarısı ile dış dünyada çalışma başarısının aynı şey olmadığını çıplak biçimde görmek.
</div>

<iframe
  class="mlv-demo-frame"
  src="../_static/demos/book-learning-anatomy.html"
  title="Öğrenme Algoritması Anatomisi Demosu"
  loading="lazy"
  frameborder="0"
></iframe>