control_camera Nasıl Çalışır?
Diyelim ki elinizde sadece 1000 adet kedi fotoğrafı var ve model eğitmek için bu yetersiz. Veri artırma ile her bir kedi fotoğrafını yatay eksende döndürür, %10 kırpar, renklerini karartır, hafif bulanıklaştırır ve %5 yakınlaştırırsınız. 1000 fotoğraf, insan gözü için hala kedi olsa da bilgisayar için pikselleri tamamen değişmiş 10.000 farklı kedi fotoğrafına dönüşür.
Metin Verisi İçin Data Augmentation
find_replace Eşanlamlı Değişimi
Cümledeki kelimeleri rastgele eşanlamlılarıyla değiştirmek (Örn: 'Güzel araba' -> 'Şık otomobil').
translate Geri Çeviri (Back Translation)
Cümleyi önce İngilizceden Fransızcaya, sonra tekrar Fransızcadan İngilizceye çevirerek farklı ama aynı anlamda yeni bir cümle elde etmek.
delete_sweep Rastgele Ekleme/Silme
Cümlenin anlamını bozmayacak şekilde aralara kelimeler serpiştirmek veya önemsiz kelimeleri çıkartmak.
Veri Artırma Teknikleri: Görüntü, Metin ve Ses
- check_circle Görüntü Artırma: Döndürme (rotation), yansıma (flip), kırpma (crop), renk değişimi (brightness, contrast, hue), gaussian gürültü ve elastic deformasyon görüntü veri artırmanın standart teknikleridir. MixUp (iki görüntüyü karıştırma) ve CutMix (bölge takas) daha gelişmiş yaklaşımlardır.
- check_circle Metin Artırma: Eş anlamlı kelime değiştirme (synonym replacement), rastgele kelime ekleme/silme, cümle parafrazing (T5 veya ChatGPT ile yeniden yazma) ve geri-çeviri (kaynak dil → hedef dil → kaynak dil) metin veri artırmanın yaygın tekniklerdir.
- check_circle Ses Artırma: Zaman uzatma/kısaltma (time stretching), perde değişimi (pitch shifting), arka plan gürültüsü ekleme, ses kesme (SpecAugment) gibi teknikler konuşma tanıma modellerinin gürültülü ortamlara dayanıklılığını artırır.
- check_circle Tablo Verisi Artırma: SMOTE (Synthetic Minority Oversampling Technique) sınıf dengesizliğini gidermek için azınlık sınıfından sentetik örnekler üretir. CTGAN ve TVAE gibi derin öğrenme modelleri tablo verisi için gerçekçi sentetik satırlar oluşturur.
Veri Artırmanın Avantajları ve Sınırlamaları
Veri artırma (data augmentation), özellikle az veri bulunduğunda model genelleme kapasitesini artırmanın en pratik yoludur. Eğitim verisini her epoch'ta farklı dönüşümlerle çoğaltarak model gördüğü örneklerin sayısını yapay olarak artırır. Bu özellikle tıbbi görüntüleme, uydu görüntüsü analizi ve az konuşmacılı konuşma tanıma gibi alanlarda kritik öneme sahiptir. Avantajları: overfitting azalır, model gürültü ve varyasyonlara dayanıklı hale gelir, gerçek veri toplama maliyeti olmadan eğitim seti büyütülür. Sınırlamaları: yanlış dönüşüm semantik anlamı bozabilir (tıbbi görüntüde 'sağ akciğer' yansıtılırsa 'sol akciğer' olur). Uygulama alanına göre hangi dönüşümlerin anlam-koruyucu (label-preserving) olduğu dikkatle belirlenmeli; alan bilgisi vazgeçilmezdir.
Sıkça Sorulan Sorular
- check_circle Veri artırma (data augmentation) nedir?: Veri artırma, mevcut eğitim örneklerine anlam bozmayan dönüşümler uygulayarak eğitim setini yapay olarak büyütme tekniğidir. Görüntüde döndürme/kırpma, metinde parafrazing, seste gürültü ekleme bunun pratik örnekleridir. Overfitting'i azaltır ve az veriyle daha iyi genelleme sağlar.
- check_circle Hangi durumlarda veri artırma önerilir?: Az veri olduğunda (tıp, uydu görüntüleme), sınıf dengesizliği varken (SMOTE ile azınlık sınıfını büyütmek), modelin belirli görüntü dönüşümlerine dayanıklı olmasını sağlamak için (döndürme, ölçek değişimi) önerilir. Büyük veri setlerinde artırma daha az kritik olmakla birlikte genellikle yine de performansı artırır.
- check_circle Transfer learning ile data augmentation birlikte kullanılabilir mi?: Evet — ve bu kombinasyon az veri senaryolarında çok güçlüdür. Önceden eğitilmiş model (ImageNet, BERT) genel özellik çıkarmayı sağlar; veri artırma ise ince ayar sırasında overfitting'i azaltır. Bu iki tekniği birleştirmek, sınırlı veriyle yüksek doğruluk elde etmenin en pratik yollarından biridir.