Epey basit aslinda.
- K-* algoritmalari ozunde su : Classification'in ne oldugunu bilmiyorum, o halde yakindaki komsumun classificationina bakarim. O neyse ben de oyumdur.
Bir otobusteyim, sagimda oturan kisi Iskandinav, onumdeki Iskandinav, yanimdaki Iskandinav, ortalikta gezen dayi Iskandinav. O halde ben de muhtemelen Iskandinavim. Mantik bu.
1) x,y koordinat duzleminde yakin komsularini inceleyeceksin. K degeri neyse, o degerin "mean" i senin class'ini belirleyecek.
2) KNN icin de ayni mantik sadece mean yok burada. Direkt ne olduguna bakacaksin. Aralarindaki fark enum degerler icin onemsiz, numerik degerler icin onemli.
3) posterior = (prior * likelihood) / evidence cikarimindan train edeceksin tabloyu, sonra da soruda verilen 2 seyi hesaplayacaksin. Cunku train sonucunda prior , evidence ve likelihood biliniyor olacak.
4) x1, x2, error = y1, y2 standart lineer regression. Error katmanini unutma. Error fonksiyonu vermemis soruyu soran. MSE kullanabilirsin. LSE de kullanabilirsin. Yoruma acik bu kisim. Errorsuz regression olmaz.
5) Son soruda cok varsayim var.
Soldan saga dogru Input -> Hidden -> Output layer oldugunu varsayacaksin sanirim. (
@Egoistt hakli, asagidan yukari olacak o) Cok ezberci Turk egitim sisstemi sorusu olmus. Eline hesap makinesi alip sorudaki girdilerden her noronun coefficient'ini bulacaksin, sonra da verilen input icin buldugun coefficient'lara gore hidden layer sonucunu hesaplayacaksin.
Bence hocaniz son 2 soruda cuvallamis, cok varsayim ve ezber var.
Not: Oklarin yonuna bakinca sanki asagidan yukari Input -> Hidden -> Output var gibi duruyor. Boyle yaklasmak en mantiklisi.
