{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Evrişimli Sinir Ağı (CNN) — 4. Hafta",
    "",
    "**Yapay Zeka Uygulamaları · Öğr. Gör. Erdi YALÇIN**",
    "",
    "OpenCV notebook'unda filtreleri **biz** yazdık. Burada filtreyi **ağ öğrenecek**.",
    "",
    "## Başlamadan üç ayar",
    "",
    "1. `kaggle.com/c/digit-recognizer` → **Join Competition** → kuralları kabul et",
    "2. Sağ üst → **Add Input** → `Digit Recognizer` yarışmasını ekle",
    "   (ya da yarışma sayfasından **Code → New Notebook** derseniz otomatik eklenir)",
    "3. Sağ panel → **Settings → Accelerator → GPU T4 x2**",
    "   — eğitimi 8 dakikadan 40 saniyeye indirir",
    "",
    "**İnternet gerekmez** (son bölümdeki transfer öğrenme hariç).",
    "",
    "---"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 1 · Veriyi okuyun ve görüntüye çevirin"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np",
    "import pandas as pd",
    "import matplotlib.pyplot as plt",
    "import cv2",
    "from tensorflow import keras",
    "from tensorflow.keras import layers",
    "",
    "print(\"Keras:\", keras.__version__)",
    "",
    "train = pd.read_csv(\"/kaggle/input/digit-recognizer/train.csv\")",
    "test  = pd.read_csv(\"/kaggle/input/digit-recognizer/test.csv\")",
    "print(\"Egitim:\", train.shape)       # (42000, 785)  -> 1 etiket + 784 piksel",
    "print(\"Test  :\", test.shape)        # (28000, 784)  -> etiket YOK",
    "",
    "y = train[\"label\"].values",
    "X = train.drop(columns=\"label\").values",
    "",
    "# DUZ SATIRI GORUNTUYE CEVIR: bu satir dersin en onemli satiri",
    "X      = X.reshape(-1, 28, 28, 1)",
    "X_test = test.values.reshape(-1, 28, 28, 1)",
    "print(\"Goruntu hali:\", X.shape)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**`reshape(-1, 28, 28, 1)` neden can alıcı?** 784 sayı düz bir liste olarak kalırsa",
    "komşuluk bilgisi kaybolur — 1. piksel ile 29. piksel listede uzak dururken görüntüde",
    "tam üst üstedir. Evrişim komşuluk üzerine kurulu olduğundan, bu `reshape` olmadan",
    "CNN'in hiçbir anlamı kalmaz. Sondaki **1** kanal sayısıdır (gri). Renkli olsaydı 3."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 2 · Veriye bakın: taban çizgisi ve sınıf dengesi"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "print(pd.Series(y).value_counts().sort_index())",
    "taban = pd.Series(y).value_counts(normalize=True).max()",
    "print(f\"\\nTABAN CIZGISI: {taban:.4f}  ({taban*100:.2f}%)\")",
    "print(\"Modelimizin GECMESI GEREKEN cizgi bu.\")",
    "",
    "# Ornekleri GOZLE gorelim - her zaman yapin",
    "plt.figure(figsize=(11, 4.5))",
    "for i in range(30):",
    "    plt.subplot(3, 10, i + 1)",
    "    plt.imshow(X[i, :, :, 0], cmap=\"gray\")",
    "    plt.title(str(y[i]), fontsize=9)",
    "    plt.axis(\"off\")",
    "plt.suptitle(\"Egitim verisinden ilk 30 ornek\", y=1.02)",
    "plt.tight_layout(); plt.show()",
    "",
    "print(\"\\nPiksel araligi:\", X.min(), \"-\", X.max())",
    "print(\"Ortalama:\", X.mean().round(2))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Taban çizgisi %11,15.** 10 sınıf olduğu için düşük; modelden gerçek bir sıçrama bekliyoruz.",
    "Sınıflar dengeli (her rakamdan 3.800–4.700 arası). Ortalama 33,41 — pikselerin çoğu siyah,",
    "beklenen bir sonuç."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 3 · Normalleştirin ve eğitim/doğrulama olarak bölün"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "from sklearn.model_selection import train_test_split",
    "",
    "# 1) NORMALLESTIRME: 0-255 -> 0-1.  Bu TEK SATIR egitimin kaderini belirler.",
    "X      = X.astype(\"float32\") / 255.0",
    "X_test = X_test.astype(\"float32\") / 255.0",
    "",
    "# 2) Egitim / dogrulama ayrimi.  stratify -> her parcada rakam oranlari ayni kalsin",
    "X_tr, X_val, y_tr, y_val = train_test_split(",
    "    X, y, test_size=0.1, random_state=42, stratify=y)",
    "",
    "print(\"Egitim    :\", X_tr.shape)",
    "print(\"Dogrulama :\", X_val.shape)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 4 · CNN'i kurun"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "def cnn_kur():",
    "    return keras.Sequential([",
    "        keras.Input(shape=(28, 28, 1)),",
    "",
    "        # --- 1. evrisim blogu: 32 filtre, her biri 3x3 ---",
    "        layers.Conv2D(32, 3, activation=\"relu\", padding=\"same\", name=\"conv1\"),",
    "        layers.MaxPooling2D(2, name=\"pool1\"),          # 28x28 -> 14x14",
    "",
    "        # --- 2. evrisim blogu: 64 filtre ---",
    "        layers.Conv2D(64, 3, activation=\"relu\", padding=\"same\", name=\"conv2\"),",
    "        layers.MaxPooling2D(2, name=\"pool2\"),          # 14x14 -> 7x7",
    "",
    "        # --- siniflandirici ---",
    "        layers.Flatten(name=\"flatten\"),                # 7*7*64 = 3136",
    "        layers.Dropout(0.3, name=\"dropout\"),",
    "        layers.Dense(128, activation=\"relu\", name=\"dense1\"),",
    "        layers.Dense(10, activation=\"softmax\", name=\"cikti\"),",
    "    ], name=\"rakam_cnn\")",
    "",
    "model = cnn_kur()",
    "model.compile(",
    "    optimizer=keras.optimizers.Adam(learning_rate=1e-3),",
    "    loss=\"sparse_categorical_crossentropy\",   # etiketler 0..9 TAM SAYI -> \"sparse\"",
    "    metrics=[\"accuracy\"],",
    ")",
    "model.summary()"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Parametreleri kendiniz hesaplayın:**",
    "- `conv1`: 32 × (3×3×**1**) + 32 = **320**",
    "- `conv2`: 64 × (3×3×**32**) + 64 = **18.496** — her filtre 32 haritanın hepsine birlikte bakıyor",
    "- `dense1`: 3.136 × 128 + 128 = **401.536**",
    "- `cikti`: 128 × 10 + 10 = **1.290**",
    "",
    "**Toplam 421.642 parametrenin %95'i tek bir katmanda (`dense1`).** Bütün görsel işi yapan",
    "iki evrişim katmanı sadece 18.816 parametre harcıyor — çünkü aynı 3×3 çekirdek görüntünün",
    "her yerinde yeniden kullanılıyor (**parametre paylaşımı**).",
    "",
    "**Kayıp fonksiyonu uyarısı:** etiketler tam sayıysa `sparse_categorical_crossentropy`;",
    "one-hot'a çevirdiyseniz `categorical_crossentropy`. Karıştırırsanız doğruluk %10'da takılır."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 5 · Eğitin"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "geri_cagrilar = [",
    "    keras.callbacks.EarlyStopping(monitor=\"val_accuracy\", patience=3,",
    "                                  restore_best_weights=True, verbose=1),",
    "    keras.callbacks.ReduceLROnPlateau(monitor=\"val_loss\", factor=0.5,",
    "                                      patience=2, min_lr=1e-5, verbose=1),",
    "]",
    "",
    "gecmis = model.fit(",
    "    X_tr, y_tr,",
    "    validation_data=(X_val, y_val),",
    "    epochs=15,",
    "    batch_size=128,",
    "    callbacks=geri_cagrilar,",
    "    verbose=2,",
    ")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Dört sayıyı okumayı öğrenin:**",
    "- `loss` — eğitim verisindeki hata",
    "- `accuracy` — eğitim doğruluğu (**tek başına anlamsız**)",
    "- `val_loss` — görmediği veride hata (**en önemli sayı**)",
    "- `val_accuracy` — raporda yazacağınız sayı",
    "",
    "**Ezberlemenin işareti:** `loss` düşmeye devam ederken `val_loss` yükselmeye başlar.",
    "`EarlyStopping(restore_best_weights=True)` o ana kadarki en iyi hâle geri döner.",
    "",
    "`batch_size=128` → 37.800 ÷ 128 ≈ **296 adım** = bir epoch."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 6 · Eğitim grafiklerini çizin"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "g = gecmis.history",
    "tur = range(1, len(g[\"loss\"]) + 1)",
    "",
    "plt.figure(figsize=(11, 3.8))",
    "",
    "plt.subplot(1, 2, 1)",
    "plt.plot(tur, g[\"loss\"],     \"o-\", label=\"egitim\")",
    "plt.plot(tur, g[\"val_loss\"], \"s-\", label=\"dogrulama\")",
    "plt.title(\"Kayip (loss) - DUSMESI gerekir\"); plt.xlabel(\"epoch\")",
    "plt.legend(); plt.grid(alpha=.3)",
    "",
    "plt.subplot(1, 2, 2)",
    "plt.plot(tur, g[\"accuracy\"],     \"o-\", label=\"egitim\")",
    "plt.plot(tur, g[\"val_accuracy\"], \"s-\", label=\"dogrulama\")",
    "plt.axhline(taban, color=\"#98585d\", ls=\"--\", label=f\"taban cizgisi ({taban:.3f})\")",
    "plt.title(\"Dogruluk (accuracy) - YUKSELMESI gerekir\"); plt.xlabel(\"epoch\")",
    "plt.legend(); plt.grid(alpha=.3)",
    "",
    "plt.tight_layout(); plt.show()",
    "",
    "fark = g[\"accuracy\"][-1] - g[\"val_accuracy\"][-1]",
    "print(f\"Egitim - dogrulama farki: {fark:+.4f}\")",
    "print(\"Fark 0.02'den buyukse ezberleme basliyor demektir.\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Aradığınız üç şekil:**",
    "- İki eğri birlikte düşüyor, aralık küçük → **sağlıklı**",
    "- Eğitim düşüyor, doğrulama yükseliyor → **ezberleme** (dropout artır, veri artır, modeli küçült)",
    "- İkisi de yüksekte takılı → **yetersiz model** (katman/filtre ekle, uzun eğit)",
    "",
    "Taban çizgisini grafiğe çizmeyi alışkanlık edinin."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 7 · Değerlendirme: karmaşıklık matrisi ve yanlışların resmi"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "from sklearn.metrics import confusion_matrix, classification_report, ConfusionMatrixDisplay",
    "",
    "olasilik = model.predict(X_val, verbose=0)",
    "tahmin   = olasilik.argmax(axis=1)",
    "",
    "print(classification_report(y_val, tahmin, digits=4))",
    "",
    "km = confusion_matrix(y_val, tahmin)",
    "fig, ax = plt.subplots(figsize=(6.5, 5.5))",
    "ConfusionMatrixDisplay(km, display_labels=range(10)).plot(ax=ax, cmap=\"Blues\", colorbar=False)",
    "plt.title(\"Karmasiklik matrisi (dogrulama verisi)\"); plt.tight_layout(); plt.show()",
    "",
    "# EN COK KARISTIRILAN IKILILER - raporunuza bu tabloyu koyun",
    "kopya = km.copy(); np.fill_diagonal(kopya, 0)",
    "print(\"\\nEn cok karistirilan ikililer:\")",
    "for _ in range(5):",
    "    i, j = np.unravel_index(kopya.argmax(), kopya.shape)",
    "    if kopya[i, j] == 0:",
    "        break",
    "    print(f\"  Gercek {i} -> tahmin {j} : {kopya[i, j]} kez\")",
    "    kopya[i, j] = 0",
    "",
    "# --- YANLIS TAHMINLERI RESIM OLARAK GOR: en ogretici adim ---",
    "yanlis = np.where(tahmin != y_val)[0]",
    "print(f\"\\nToplam {len(yanlis)} hata / {len(y_val)} ornek\")",
    "",
    "guven = olasilik.max(axis=1)",
    "en_kotu = yanlis[np.argsort(-guven[yanlis])][:16]",
    "",
    "plt.figure(figsize=(12, 3))",
    "for k, i in enumerate(en_kotu):",
    "    plt.subplot(2, 8, k + 1)",
    "    plt.imshow(X_val[i, :, :, 0], cmap=\"gray\")",
    "    plt.title(f\"{y_val[i]}->{tahmin[i]}\\n%{guven[i]*100:.0f} emin\", fontsize=8)",
    "    plt.axis(\"off\")",
    "plt.suptitle(\"Modelin emin olup yanildigi ornekler\", y=1.06)",
    "plt.tight_layout(); plt.show()"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Hataların kendisi size problemi anlatır.** En çok karıştırılan ikili genelde **4 → 9**:",
    "el yazısında 4'ün üstü kapanırsa 9'a dönüşür. Aynı şekilde 3 ↔ 5 ve 7 ↔ 2 insanların da",
    "karıştırdığı çiftler.",
    "",
    "**Sınıf içi tartışma:** hataların resmine bakıp \"kaçını bir insan doğru bilebilirdi?\" diye",
    "oylayın. Genelde yarısına yakını gerçekten okunamaz çıkar — bir problemin ulaşılabilir en",
    "yüksek doğruluğunun %100 olmadığının kanıtı."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 8 · Ağın öğrendiği çekirdekleri ve öznitelik haritalarını görün"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# --- 1) Ilk katmanin OGRENDIGI 32 cekirdek ---",
    "agirlik = model.get_layer(\"conv1\").get_weights()[0]    # (3, 3, 1, 32)",
    "print(\"Cekirdek tensoru:\", agirlik.shape)",
    "",
    "plt.figure(figsize=(10, 2.6))",
    "for i in range(32):",
    "    plt.subplot(3, 11, i + 1)",
    "    plt.imshow(agirlik[:, :, 0, i], cmap=\"RdBu_r\")      # kirmizi=arti, mavi=eksi",
    "    plt.axis(\"off\")",
    "plt.suptitle(\"conv1'in ogrendigi 32 cekirdek (3x3) - kimse bunlari yazmadi\", y=1.08)",
    "plt.tight_layout(); plt.show()",
    "",
    "# Birkac cekirdegi SAYILARLA gorelim: OpenCV notebook'undaki tezgahla ayni sey",
    "for i in (0, 6, 17):",
    "    print(f\"\\n{i}. filtrenin 9 sayisi:\")",
    "    print(np.round(agirlik[:, :, 0, i], 3))",
    "",
    "# --- 2) Ara katman aktivasyonlari (oznitelik haritalari) ---",
    "ara_model = keras.Model(model.inputs, [model.get_layer(\"conv1\").output,",
    "                                       model.get_layer(\"conv2\").output])",
    "ornek = X_val[0:1]",
    "h1, h2 = ara_model.predict(ornek, verbose=0)",
    "print(\"\\nconv1 cikti:\", h1.shape, \" conv2 cikti:\", h2.shape)",
    "",
    "plt.figure(figsize=(3, 3))",
    "plt.imshow(ornek[0, :, :, 0], cmap=\"gray\")",
    "plt.title(f\"girdi (etiket: {y_val[0]})\"); plt.axis(\"off\"); plt.show()",
    "",
    "for ad, h in [(\"conv1 (28x28, 32 harita)\", h1), (\"conv2 (14x14, 64 harita)\", h2)]:",
    "    plt.figure(figsize=(10, 2.6))",
    "    for i in range(min(32, h.shape[-1])):",
    "        plt.subplot(3, 11, i + 1)",
    "        plt.imshow(h[0, :, :, i], cmap=\"viridis\")",
    "        plt.axis(\"off\")",
    "    plt.suptitle(ad, y=1.08); plt.tight_layout(); plt.show()"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Haftanın en önemli anı burası.** Yazdırdığınız çekirdeklerden bazılarının sol sütunu eksi,",
    "sağ sütunu artı olacak — yani ağ, kimse söylemeden bir **dikey kenar bulucu** üretmiş.",
    "OpenCV notebook'unda elle yazdığımız `[-1,0,1 / -1,0,1 / -1,0,1]` çekirdeğinin tıpatıp aynı mantığı.",
    "",
    "**CNN yeni bir matematik değil; aynı matematiğin otomatikleştirilmiş hâli.**",
    "",
    "Diğer çekirdeklere de bakın: bazıları yatay, bazıları çapraz kenar, bir ikisi de neredeyse",
    "boş çıkar (işe yaramayan filtreler — bu normaldir)."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 9 · Veri artırma: ezberlemeyi kırmak"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Artirmayi MODELIN ICINE katman olarak koyuyoruz:",
    "# sadece egitimde calisir, tahminde kendiliginden kapanir.",
    "artirma = keras.Sequential([",
    "    layers.RandomRotation(0.06),                  # yaklasik +-22 derece",
    "    layers.RandomTranslation(0.10, 0.10),",
    "    layers.RandomZoom(0.10),",
    "    # layers.RandomFlip(\"horizontal\")  <- RAKAMLARDA ASLA! Aynalanan 7 artik 7 degil.",
    "], name=\"artirma\")",
    "",
    "# Artirmanin ne yaptigini GORELIM",
    "ornek9 = X_tr[:1]",
    "plt.figure(figsize=(10, 1.6))",
    "plt.subplot(1, 9, 1); plt.imshow(ornek9[0, :, :, 0], cmap=\"gray\")",
    "plt.title(\"orijinal\", fontsize=8); plt.axis(\"off\")",
    "for i in range(2, 10):",
    "    plt.subplot(1, 9, i)",
    "    plt.imshow(artirma(ornek9, training=True)[0, :, :, 0], cmap=\"gray\")",
    "    plt.title(f\"varyasyon {i-1}\", fontsize=8); plt.axis(\"off\")",
    "plt.suptitle(\"Ag bunlarin HEPSINE ayni cevabi vermeyi ogrenmek zorunda\", y=1.15)",
    "plt.tight_layout(); plt.show()",
    "",
    "model2 = keras.Sequential([",
    "    keras.Input(shape=(28, 28, 1)),",
    "    artirma,",
    "    layers.Conv2D(32, 3, activation=\"relu\", padding=\"same\", name=\"conv1\"),",
    "    layers.BatchNormalization(),",
    "    layers.MaxPooling2D(2),",
    "    layers.Conv2D(64, 3, activation=\"relu\", padding=\"same\", name=\"conv2\"),",
    "    layers.BatchNormalization(),",
    "    layers.MaxPooling2D(2),",
    "    layers.Conv2D(64, 3, activation=\"relu\", padding=\"same\", name=\"conv3\"),",
    "    layers.GlobalAveragePooling2D(),      # Flatten yerine: parametreyi 100 kat azaltir",
    "    layers.Dropout(0.3),",
    "    layers.Dense(10, activation=\"softmax\"),",
    "], name=\"rakam_cnn_artirmali\")",
    "",
    "model2.compile(optimizer=keras.optimizers.Adam(1e-3),",
    "               loss=\"sparse_categorical_crossentropy\", metrics=[\"accuracy\"])",
    "model2.summary()",
    "",
    "gecmis2 = model2.fit(X_tr, y_tr, validation_data=(X_val, y_val),",
    "                     epochs=25, batch_size=128, callbacks=geri_cagrilar, verbose=2)",
    "",
    "print(f\"\\nModel 1 (artirmasiz) : {max(gecmis.history['val_accuracy']):.4f}\")",
    "print(f\"Model 2 (artirmali)  : {max(gecmis2.history['val_accuracy']):.4f}\")",
    "print(f\"Parametre: {model.count_params():,} -> {model2.count_params():,}\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Veri artırmanın altın kuralı:** *\"Bu dönüşümden geçmiş bir görüntü gerçek hayatta",
    "karşıma çıkabilir mi ve cevabı hâlâ aynı mı?\"*",
    "",
    "- El yazısı eğik olabilir → **döndürme serbest**",
    "- Rakam kâğıdın ortasında olmayabilir → **kaydırma serbest**",
    "- Aynaya tutulmuş bir \"7\" yoktur → **yatay çevirme YASAK**",
    "- Ters duran rakam → yasak (6 ile 9 birbirine dönüşür)",
    "",
    "Uygunsuz artırma modeli **iyileştirmez, bozar**. Kedi/köpekte yatay çevirme serbesttir,",
    "rakamda değildir — karar her zaman probleme aittir.",
    "",
    "`GlobalAveragePooling2D`, `Flatten + Dense(128)` yerine her haritanın ortalamasını alır:",
    "parametre 421.642'den 48.586'ya düşer ve sonuç **daha iyi** olur."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 10 · Tahmin edin ve yarışmaya gönderin"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "olasilik_test = model2.predict(X_test, batch_size=256, verbose=1)",
    "tahmin_test   = olasilik_test.argmax(axis=1)",
    "",
    "teslim = pd.DataFrame({",
    "    \"ImageId\": np.arange(1, len(tahmin_test) + 1),   # 1'den baslar!",
    "    \"Label\":   tahmin_test,",
    "})",
    "teslim.to_csv(\"/kaggle/working/submission.csv\", index=False)",
    "print(teslim.head())",
    "print(\"Satir sayisi:\", len(teslim), \"(28000 olmali)\")",
    "",
    "# Tahmin dagilimi dengeli mi? Degilse bir sey ters gitti.",
    "print(\"\\nTahmin dagilimi:\")",
    "print(pd.Series(tahmin_test).value_counts().sort_index())",
    "",
    "plt.figure(figsize=(12, 1.8))",
    "for k in range(10):",
    "    plt.subplot(1, 10, k + 1)",
    "    plt.imshow(X_test[k, :, :, 0], cmap=\"gray\")",
    "    plt.title(f\"{tahmin_test[k]}\\n%{olasilik_test[k].max()*100:.0f}\", fontsize=9)",
    "    plt.axis(\"off\")",
    "plt.tight_layout(); plt.show()"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Göndermek için:** Save Version → **Save & Run All**, tamamlanınca notebook'un",
    "**Output** sekmesinden `submission.csv` → **Submit**.",
    "",
    "**Üç kontrol:** 28.000 satır mı? Sütun adları `ImageId` ve `Label` mı (büyük/küçük harf duyarlı)?",
    "`ImageId` 1'den mi başlıyor?",
    "",
    "Lider tabloda %100 skorlar göreceksiniz — onlar test cevaplarını başka kaynaktan almış",
    "çözümlerdir, gerçek bir model başarısı değildir. Kendi skorunuzu onlarla kıyaslamayın."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 11 · CNN gerçekten gerekli miydi? Dört modeli karşılaştıralım"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# --- A) Sadece Dense katmanlari (komsulugu HIC kullanmaz) ---",
    "mlp = keras.Sequential([",
    "    keras.Input(shape=(28, 28, 1)),",
    "    layers.Flatten(),",
    "    layers.Dense(128, activation=\"relu\"),",
    "    layers.Dropout(0.3),",
    "    layers.Dense(10, activation=\"softmax\"),",
    "])",
    "mlp.compile(optimizer=\"adam\", loss=\"sparse_categorical_crossentropy\", metrics=[\"accuracy\"])",
    "g_mlp = mlp.fit(X_tr, y_tr, validation_data=(X_val, y_val),",
    "                epochs=15, batch_size=128, verbose=0)",
    "",
    "# --- B) Karar agaci (3. haftanin modeli, duz 784 sutunla) ---",
    "from sklearn.tree import DecisionTreeClassifier",
    "agac = DecisionTreeClassifier(max_depth=12, random_state=42)",
    "agac.fit(X_tr.reshape(len(X_tr), -1), y_tr)",
    "agac_skor = agac.score(X_val.reshape(len(X_val), -1), y_val)",
    "",
    "print(f\"{'Taban cizgisi (en kalabalik sinif)':38s} {taban:.4f}\")",
    "print(f\"{'Karar agaci (max_depth=12)':38s} {agac_skor:.4f}\")",
    "print(f\"{'Dense sinir agi (MLP)':38s} {max(g_mlp.history['val_accuracy']):.4f}   {mlp.count_params():>9,} parametre\")",
    "print(f\"{'CNN':38s} {max(gecmis.history['val_accuracy']):.4f}   {model.count_params():>9,} parametre\")",
    "print(f\"{'CNN + veri artirma':38s} {max(gecmis2.history['val_accuracy']):.4f}   {model2.count_params():>9,} parametre\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Bu tablo haftanın özeti:**",
    "",
    "1. **Karar ağacı ~%85** — her pikseli bağımsız bir sütun sanıyor, komşuluğu hiç kullanmıyor.",
    "2. **MLP ~%97,8 → CNN ~%99,1.** Arada 1,3 puan var ama **hata sayısı yarıya düşüyor**.",
    "   Üstelik MLP'nin daha az parametresi var: fark model büyüklüğünden değil,",
    "   **komşuluk bilgisini kullanmaktan** geliyor.",
    "3. **En iyi model en küçüğü** — CNN + artırma, sekiz kat az parametreyle en iyi sonucu veriyor.",
    "",
    "**Not:** MNIST kolay bir problemdir. CIFAR-10 gibi karmaşık veride MLP %45'lerde kalırken",
    "CNN %90'ı geçer; fark orada uçurum hâline gelir."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 12 · Transfer öğrenme (Settings → Internet → **On** gerekir)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "from tensorflow.keras.applications import MobileNetV2",
    "from tensorflow.keras.applications.mobilenet_v2 import preprocess_input",
    "",
    "# 1) Hazir govdeyi indir, SON katmanini al",
    "govde = MobileNetV2(input_shape=(160, 160, 3), include_top=False, weights=\"imagenet\")",
    "govde.trainable = False          # ONEMLI: govdeyi DONDUR",
    "print(f\"Govde: {govde.count_params():,} parametre (hepsi DONMUS)\")",
    "",
    "# 2) Ustune kendi kucuk siniflandiricini tak",
    "model3 = keras.Sequential([",
    "    keras.Input(shape=(160, 160, 3)),",
    "    layers.RandomFlip(\"horizontal\"),       # fotograflarda serbest (rakamda degil!)",
    "    layers.RandomRotation(0.1),",
    "    layers.Lambda(preprocess_input),       # MobileNet'in bekledigi olceklemeye cevir",
    "    govde,",
    "    layers.GlobalAveragePooling2D(),",
    "    layers.Dropout(0.25),",
    "    layers.Dense(1, activation=\"sigmoid\"), # iki sinif",
    "])",
    "model3.compile(optimizer=keras.optimizers.Adam(1e-3),",
    "               loss=\"binary_crossentropy\", metrics=[\"accuracy\"])",
    "model3.summary()",
    "",
    "# 3) Egitim: sadece son katman ogreniliyor -> 500 goruntuyle bile calisir",
    "# model3.fit(egitim_akisi, validation_data=dogrulama_akisi, epochs=10)",
    "",
    "# 4) INCE AYAR: govdenin UST katmanlarini ac, AMA 100 KAT kucuk ogrenme hiziyla",
    "govde.trainable = True",
    "for katman in govde.layers[:-30]:",
    "    katman.trainable = False",
    "model3.compile(optimizer=keras.optimizers.Adam(1e-5),",
    "               loss=\"binary_crossentropy\", metrics=[\"accuracy\"])",
    "print(\"Ince ayara hazir. Egitilebilir parametre:\", f\"{model3.count_params():,}\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Transfer öğrenmenin üç kuralı:**",
    "1. Önce gövdeyi **dondur**, sadece yeni başı eğit.",
    "2. İnce ayara geçerken öğrenme hızını **10–100 kat küçült** (1e-3 → 1e-5).",
    "3. Girdiyi hazır modelin beklediği biçime çevirin (`preprocess_input`) ve boyutunu tutturun.",
    "",
    "**Ne zaman?** Veriniz **birkaç bin örnekten azsa** transfer öğrenme neredeyse her zaman",
    "sıfırdan eğitmekten iyidir.",
    "",
    "---",
    "",
    "## Ödev için kontrol listesi (B bölümü)",
    "",
    "- [ ] Kendi veri setiniz: 2–10 sınıf, sınıf başına ≥150 görüntü, lisansı yazılı, <2 GB",
    "- [ ] **Taban çizgisi** hesaplanmış ve grafiğe çizilmiş",
    "- [ ] `/255` normalleştirme + `stratify` ile eğitim/doğrulama ayrımı",
    "- [ ] Her sınıftan en az 3 örnek görüntü ekrana basılmış",
    "- [ ] **Model 1:** sıfırdan CNN, en az 2 evrişim bloğu, `summary()` çıktısı var",
    "- [ ] **Model 2:** veri artırmalı hâli **ya da** transfer öğrenme",
    "- [ ] Eğitim grafikleri (loss + accuracy, eğitim + doğrulama, taban çizgisi çizili)",
    "- [ ] Karmaşıklık matrisi + en çok karıştırılan iki sınıf",
    "- [ ] **En az 8 yanlış tahmin resim olarak** + bir cümle yorum",
    "- [ ] **Save & Run All** ile baştan sona hatasız çalışıyor ve notebook **Public**",
    "",
    "**Yasak veri setleri:** MNIST, Fashion-MNIST, CIFAR-10, Digit Recognizer, kedi/köpek."
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "name": "python",
   "version": "3.11.0"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}