~10.000 kontrollü görüntü üzerinde eğitilmiş bir model, eğitim setine iyi uyum sağlıyor ancak daha önce görülmemiş test görüntülerinde kötü performans gösteriyor (eğitim hatası epoch'larla azalırken, test hatası yüksek kalıyor). Bu sorunu çözmek için hangi eylemler yardımcı olacaktır? (İki tane seçin.)

Modelin eğitim setine iyi uyum sağlaması ancak test verilerinde kötü performans göstermesi, aşırı öğrenme (overfitting) belirtisidir. Aşırı öğrenmeyi azaltmak için veri büyütme ve düzenlileştirme teknikleri kullanılır. Eğitim görüntülerinde veri büyütme (data augmentation) kullanmak, eğitim setinin çeşitliliğini artırarak modelin genelleme yeteneğini geliştirir ve aşırı öğrenmeyi azaltır. Modele L2 (ağırlık) düzenlileştirmesi (regularization) eklemek, modelin ağırlıklarını küçülterek karmaşıklığını azaltır ve aşırı öğrenmeyi engeller. Vanishing gradient eklemek diye bir kavram yoktur; vanishing gradient bir sorundur, çözüm değildir. Gradient checking, gradyan hesaplamalarının doğruluğunu kontrol etmek için kullanılır, aşırı öğrenmeyi doğrudan çözmez. Sinir ağı mimarisinin karmaşıklığını artırmak, aşırı öğrenmeyi daha da kötüleştirebilir.