Denizcilik örneğinden öğrenme problemine
Şeffaf veri üreticisi
Üretilen 240 satırda Q, m ve Tᵢ gösterilen aralıklardan bağımsız ve eşit olasılıklı seçilir. Hedef Tₒ = Tᵢ + Q/(4.18m) + ε biçimindedir; ε, −0.3 ile +0.3 °C arasında düzgün dağılımlıdır. Bu keyfi ek gürültü eğitim tercihidir; kalibre edilmiş sensör belirsizliği değildir. Zaman serisi, gemi kimliği, kirlenme geçmişi veya işletme kısıtı içermez.
Q = 418 kW, m = 20 kg/s ve Tᵢ = 20 °C için gürültüsüz artış 418/(4.18 × 20) = 5 °C; çıkış 25 °C olur. Sabit ısı yükünde daha yüksek debi sıcaklık artışını azaltır. Bölüm ilişkisi düzgün, doğrusal olmayan bir regresyon problemi oluşturur. Soğutucu etkinliği, kontrol vanaları veya ısı transfer alanı modellenmez.
20261008 veri tohumu sabit satırları üretir. 1701 tohumlu ayrı Fisher–Yates karıştırması, ölçeklemeden önce 144 eğitim, 48 doğrulama ve 48 test satırı ayırır. Ağırlık tohumu yalnızca başlangıç ağırlıklarını değiştirir. Rastgele çekimler Mulberry32 üretecini kullanır. Yazılım sürümü ve tohumlar CSV içinde yer alır.
Önce ayırın, yalnızca eğitim verisiyle ölçekleyin
Her girdi ve çıktı için eğitim ortalaması μ ve popülasyon standart sapması σ hesaplanır. Dönüşüm z = (x − μ)/σ şeklindedir. Aynı eğitim değerleri doğrulama, test ve yeni girdiler için kullanılır; sabit eğitim sütununda σ = 1 alınır. Çıktı T̂ = σᵧŷ + μᵧ ile geri dönüştürülür. Tüm satırları önce ölçeklemek ayrılmış veriyi eğitime sızdırır.
Gradyan güncellemelerini yalnızca 144 eğitim satırı belirler. Doğrulama kaybı izlenir; türeve girmez. Bu uygulama en iyi doğrulama turunu seçmez, istenen son turun ağırlıklarını tutar. Ayarları doğrulamayla keşfedebilirsiniz. Test raporunu ayarlar kesinleşince açın. Test eğitimden sonra değerlendirilir; ölçekleme veya güncellemede kullanılmaz. Test puanını gördükten sonra tekrar ayar seçmek, bu kümeyi yeni bir doğrulama kümesine dönüştürür.
Rastgele ayırma yalnızca bağımsız sentetik üretici için uygundur. Gerçek gemi sinyallerinde zamansal ilişki ve ortak gemi koşulları bulunabilir. Zamana, sefere veya gemiye göre ayırma ve bağımsız ileriye dönük kontroller gerekebilir. Rastgele satır ayırmak sahada genelleme başarısını kanıtlamaz.
İleri geçiş, kayıp ve geri yayılım
Standartlaştırılmış zᵢ girdileri için gizli nöron j, sⱼ = Σᵢ wⱼᵢzᵢ + bⱼ ve aⱼ = tanh(sⱼ) hesaplar. Doğrusal çıktı ŷ = Σⱼ vⱼaⱼ + c olur. Toplam 5H + 1 parametre vardır: 3H girdi ağırlığı, H gizli yanlılık, H çıktı ağırlığı ve bir çıktı yanlılığı. Girdi ağırlıkları ±√(6/(3+H)), çıktı ağırlıkları ±√(6/(H+1)) aralığında tohumlu düzgün dağılımdan başlar; yanlılıklar sıfırdır.
Amaç L = (1/N)Σₙ(ŷₙ − yₙ)² değerini azaltmaktır. Bir satırın çıktı türevi dₙ = 2(ŷₙ − yₙ)/N olur. ∂L/∂vⱼ = Σₙdₙaₙⱼ ve ∂L/∂c = Σₙdₙ toplanır. Geri yayılan δₙⱼ = dₙvⱼ(1 − aₙⱼ²) kullanılarak ∂L/∂wⱼᵢ = Σₙδₙⱼzₙᵢ ve ∂L/∂bⱼ = Σₙδₙⱼ bulunur. Tüm türevler güncelleme öncesindeki aynı ağırlıklardan hesaplanır.
Bir tam yığın eğitim turu bütün parametreleri eşzamanlı günceller: θ ← θ − η∂L/∂θ. Momentum, mini yığın, düzenlileştirme, erken durdurma veya otomatik arama yoktur. Büyük öğrenme oranı eğitimi kötüleştirebilir; daha fazla nöron veya tur ayrılmış veride daha iyi sonuç garantilemez. Eğitim en fazla dört turda bir arayüze zaman tanır; uzun çalışmalar iptal edilebilir.
Tek nöronla çözülmüş ileri geçiş ve gradyan
Örnek standartlaştırılmış satır z = (1, 0, −1), hedef y = 0.2 ve H = 1 olsun. w = (0.2, −0.1, 0.3), b = 0, v = 0.5 ve c = 0.1 seçin. Elle seçilen bu ağırlıklar tek adımı anlatır; varsayılan tohumlu başlangıç değildir.
s = 0.2 × 1 − 0.1 × 0 + 0.3 × (−1) = −0.1. Böylece a = tanh(−0.1) = −0.099667995, ŷ = 0.5a + 0.1 = 0.050166003 ve L = (ŷ − 0.2)² = 0.022450227 bulunur.
N = 1 için d = −0.299667995. Çıktı ağırlığı gradyanı da = 0.029867308; gizli delta d × 0.5 × (1 − a²) = −0.148345590 olur. Dolayısıyla ∂L/∂w₁ = −0.148345590, ∂L/∂w₂ = 0 ve ∂L/∂w₃ = +0.148345590. η = 0.1 ile w₁ = 0.214834559, v = 0.497013269 ve c = 0.129966799 olur. Otomatik testler her gradyanı merkezi sonlu fark hesabıyla bağımsız kontrol eder.
Sonucu sınırlarını koruyarak okuyun
RMSE kare hataların ortalamasının kareköküdür, °C cinsindedir ve büyük hataları vurgular. MAE mutlak hataların °C cinsinden ortalamasıdır. R² = 1 − SSE/SST ifadesinde SST test ortalamasını kullanır; R² olasılık veya doğruluk yüzdesi değildir. Test hedefleri değişmiyorsa R² tanımsızdır. Eğitim ortalaması modeli somut bir karşılaştırma sağlar.
Öntanımlı deney H = 6, 350 tur, η = 0.03 ve tohum = 42 kullanır. Son eğitim MSE değeri yaklaşık 0.024146; doğrulama MSE değeri 0.031164 olur; ikisi de standartlaştırılmış birimdedir. Ayrılmış test değerleri yalnızca çalışmayı tamamladığınızda gösterilir. Bunlar gerçek gemi ölçümü değil, ders sonuçlarıdır. JavaScript çalışma ortamları arasında küçük sayısal farklar olabilir.
İşletmede yararlı bir çalışma; izlenebilir ölçüm, sensör kalite kontrolleri, eksik veri kuralları, gerçekçi ayırma, güçlü karşılaştırma modelleri, belirsizlik analizi, dağılım dışı kontroller ve bağımsız doğrulama planı gerektirir. Bu dersten alarm eşiği, motor sınırı, arıza olasılığı veya emniyet tavsiyesi çıkarılamaz.
Yöntem kaynakları
Birincil geri yayılım makalesi ve resmî makine öğrenmesi belgeleri 8 Ekim 2026 tarihinde kontrol edildi. Soğutma üreticisi ve sayısal örnek özgün eğitim kurgularıdır; kaynaklardan alınmış veri setleri değildir. v1.0.0.