deep learning convnet projesi

Kaggle dan sınıflandırma üzerine bir dataset seçilecek. 1. Size tahsis edilmiş veri setini, tanımlanmış sınıflandırma problemini çözmek için Training, Validation ve Test olmak üzere üçe ayırın. 2. İlk olarak “common sense baseline” denilen ve tasarladığınız modelin yenmesi gereken ve basit bir mantıkla üretilen minimum başarı oranını belirleyin ve açıklayın. 3. Keras ortamında kendinize ait bir Convolutional Neural Network (CNN) modeli tasarlayın. 4. [login to view URL] komutuyla modelinizdeki katmanların çıktısını görüntüleyin. 5. Modeli eğitin ve eğitim sırasında Training Loss ve Validation Loss grafiğini ve Training Accuracy ve Validation Accuracy grafiğini çizdirin. Bu grafikten overfitting durumunun kaç epochta başladığını tespit edin. 6. Validation verisini de Training verisine katarak overfitting tespitiyle belirlediğiniz optimum epoch sayısında modelinizi eğitin. 7. Modelinizin test verisi üzerindeki performansını görünüz. 8. Modelinize dropout ve veriniz azsa augmentation ekleyerek yukarıda açıklanan grafikleri çizdirerek overfitting’in ortadan kalktığını gösterin. Aynı şekilde modelinizin test verisi üzerindeki performansını görünüz. 9. Modelinizdeki katman ve nöron sayılarını değiştirerek ve yukarıdaki adımları uygulayarak optimum başarı gösteren bir model elde ediniz. 10. Önceden eğitilmiş bir ağı probleminizde kullanmak amacıyla Imagenet üzerinde eğitilmiş VGG16 ağının konvolüsyonel tabanını (Convbase) alınız ve üzerine kendi fully connected classifier’ınızı ekleyiniz. Convbase’i dondurun ve sadece kendi eklediğiniz classifier kısmını kendi veri setiniz üzerinde eğitiniz. Yukarıda açıklanan grafikleri çizdirip overfitting var mı yok mu görünüz. Test verisi üzerindeki performansını görünüz. Tüm problem çözüm sürecini yorumlayınız.