Bir ML uzmanı, 10 trafik işareti kategorisini sınıflandırmak için bir bilgisayar görüşü modeli geliştiriyor. Ekibin Amazon S3'te sınıf başına etiketlenmiş 100 görüntüsü ve ek olarak 10.000 etiketsiz görüntüsü var. Tüm görüntüler araç kameralarından alınmış 224x224 boyutundadır. Birkaç eğitim çalıştırmasından sonra model, eğitim verilerine aşırı uyum sağlıyor (overfitting). Uzman, aşırı uyumu azaltmak için hangi eylemleri yapmalıdır? (İki tane seçin.)

Modelin aşırı uyumunu azaltmak için daha fazla eğitim verisi sağlamak ve mevcut veriyi çeşitlendirmek önemlidir. Amazon SageMaker Ground Truth kullanarak 10.000 etiketsiz görüntüyü etiketlemek, modelin genelleme yeteneğini artıracak ve aşırı uyumu azaltacaktır. Veri büyütme (data augmentation) teknikleri (döndürme, öteleme gibi) uygulamak, mevcut 100 etiketli görüntüden yeni, sentetik eğitim örnekleri oluşturarak eğitim veri setinin boyutunu ve çeşitliliğini artırır, bu da aşırı uyumu önlemeye yardımcı olur. Görüntüleri gri tonlamaya dönüştürmek bilgi kaybına yol açabilir ve aşırı uyumu doğrudan çözmez. Son katman aktivasyon fonksiyonunu sigmoid olarak değiştirmek, çok sınıflı sınıflandırma için uygun değildir (genellikle ikili sınıflandırma için kullanılır); bu durumda softmax daha uygundur. Etiketsiz görüntüleri etiketlemek için Amazon SageMaker k-NN algoritmasını kullanmak, Ground Truth'a kıyasla daha az doğru ve otomatik bir etiketleme yöntemi olabilir.