• Özellik: Regresyon problemleri için standart kayıp fonksiyonudur.
• Örnek: Ev fiyatı tahmini modelinde tahminlerinin gerçek fiyatlarla ne kadar uyumlu olduğunu ölçer.

Çapraz-Entropi (Cross-Entropy):

• Özellik: Sınıflandırma problemleri için temel kayıp fonksiyonudur.
• Örnek: El yazısı rakam sınıflandırması yapmak için bir model oluşturulduğunda, modelin tahminlerinin gerçek değerlerine ne kadar uyumlu olduğunu ölçer.

Ortalama Mutlak Hata (Mean Absolute Error - MAE):

• Özellik: Regresyon problemleri için kullanılır ve outlier'lara karşı daha dayanıklıdır.
• Örnek: Bir hava tahmini modelinde tahminlerinin gerçek sıcaklık değerleriyle ne kadar uyumlu olduğunu ölçer.

Hinge Loss:

• Özellik: Destek vektör makineleri (SVM) gibi algoritmalar için sınıflandırma problemleri için kullanılır.
• Örnek: Bir spam filtre modelinde spam ve spam olmayan e-postaları ayırt etme yeteneğini ölçer.

Log Loss (Binary Cross-Entropy):

• Özellik: İkili sınıflandırma problemleri için kullanılır.
• Örnek: Bir kanser teşhisi modelinde kanserli ve kansersiz durumları doğru bir şekilde sınıflandırma yeteneğini ölçer.

Huber Loss:

• Özellik: Aşırı değerlere (outlier'lara) karşı dirençlidir.
• Örnek: Bir görüntü işleme modelinde görüntülerdeki aşırı parlaklık veya kontrast gibi outlier'ları tolere etmesini sağlar.

Quantile Loss:

• Özellik: Belirli yüzdelik dilimlerdeki tahminlerin doğruluğunu ölçer.
• Örnek: Bir finansal modeli ile hisse senedi fiyatlarını tahmin etmek için oluşturulan modelde fiyatların belirli yüzdelik dilimlerindeki tahminlerini iyileştirmesine yardımcı olur.

Fair Loss:

• Özellik: Fair (adil-adaletli) modelleme için kullanılır.
• Örnek: Bir kredi değerlendirme modelinde kredi başvurularını değerlendirirken gelir adaletsizliğinin azaltmasına yardımcı olur.

Sparse Categorical Cross-Entropy:

• Özellik: Çoklu sınıflandırma problemleri için, sınıfların seyrek olduğu durumlarda kullanılır.
• Örnek: Bir doğal dil işleme (NLP) modelinde haber başlıklarını kategorize etmeye çalışan bir model oluşturulduğunda nadir sınıfların (kategorilerin) daha etkili bir şekilde ele alınmasına yardımcı olabilir.

Triplet Loss:

• Özellik: Benzer örnekleri birbirinden ayırmak için kullanılır.
• Örnek: Bir yüz tanıma modelinde benzer görünümlü yüzleri daha iyi ayırt etmesine yardımcı olur.