NumPy deney raporu yayımlandı

Fashion-MNIST: NumPy ile MLP

Fashion-MNIST üzerinde doğrusal softmax sınıflandırıcı ile 128–64 ReLU MLP'yi veri miktarı ve sentetik piksel gürültüsü altında karşılaştıran deney.

Problem

Eğitim verisi azalınca ve sentetik piksel bozulması eklenince, iki gizli katmanlı bir MLP doğrusal sınıflandırıcıya göre nasıl değişiyor?

Ortaya çıkan proje

Zalando Research Fashion-MNIST'in resmi 10.000 görüntülük test kümesi kullanıldı; resmi veri arşivleri yayımlanmış MD5 değerleriyle doğrulandı.
54.000 eğitim örneğiyle temiz test doğruluğu, softmax lojistik regresyonda %83.56; 128–64 ReLU MLP'de %87.03 oldu.
Aynı testte sentetik Gaussian gürültüsünde (σ=0.20) doğruluk %77.70'e karşı %81.76; %10 salt-and-pepper bozulmasında %78.47'ye karşı %82.91 oldu.
Checkpoint'ler validation macro-F1 ile seçildi; resmi test kümesi model seçimi bittikten sonra bir kez değerlendirildi.

Ne yaptım?

Eşlenmiş veri bütçelerinde lineer softmax baseline ile iki gizli katmanlı MLP karşılaştırmasını kurup sonuçları raporladım.
Veri kaynağı, doğrulama protokolü, metrikler ve sınırlamaları yeniden incelenebilir biçimde yayımladım.

Yapay zekânın katkısı

Uygulama ve dokümantasyonun bazı bölümlerinde AI desteği kullandım. Rapor; deney protokolünü, testleri, kaynak veriyi ve üretilen metrikleri incelemeye açıyor.

Ne öğrendim, sınırlar neler?

Sonuç tek seed ve tek train/validation split üzerindeki tek çalışmadır; anlamlılık veya güven aralığı iddiası taşımaz. Gürültü koşulları sentetik iki piksel bozulmasıdır; gerçek perakende fotoğraflarına ya da dağıtımdaki performansa genellenemez.