Buradasın

Derin Öğrenme ve Yapay Zeka Teknolojileri Eğitim Sunumu

youtube.com/watch?v=K74rzKSsGs8

Yapay zekadan makale özeti

Kısa
Ayrıntılı

Bu video, kamu kurumunda proje görevlisi olarak çalışan Ferhat Kurt tarafından sunulan, derin öğrenme grubu kurucusu Mithat'ın da katıldığı bir eğitim sunumudur. Sunum, derin öğrenme ve yapay zeka teknolojileri hakkında kapsamlı bilgiler içermektedir.
Sunum, derin öğrenmenin ne olduğu, tarihçesi, temel prensipleri ve kullanım alanları hakkında detaylı bilgiler sunmaktadır. İçerikte konvolüsyonel sinir ağları, pooling işlemlerinin nasıl yapıldığı, katmansal mimari ve derin öğrenmenin popüler olduğu nedenleri açıklanmaktadır. Ayrıca, Google, Facebook, Tesla, NVIDIA, IBM Watson ve diğer büyük şirketlerin derin öğrenme alanındaki çalışmaları ve uygulamaları ele alınmaktadır.
Sunumda ayrıca coğrafi analiz, trafik kazaları, sağlık, e-ticaret ve robotik gibi farklı alanlardaki derin öğrenme uygulamaları örneklerle gösterilmektedir. Derin öğrenmeye başlamak için gerekli donanım ve yazılım gereksinimleri, üç ana kütüphane (dc cape, torch ve NVIDIA'nın Digit ürünü) ve pratik uygulamalar da sunumun içeriğinde yer almaktadır. Video, derin öğrenmenin nasıl çalıştığı konusunda teknik detaylarla soru-cevap bölümüyle sonlanmaktadır.

00:02Derin Öğrenme Topluluğu ve Eğitim Programı: Konuşmacı Ferhat Kurt, bir kamu kurumunda proje görevlisi olarak çalışmakta ve derin öğrenme hakkında sunum yapacağını belirtiyor.
Derin öğrenme grubu yaklaşık üç ay önce kurulmuş olup 157 kişiye sahipken, Mithat grubu ise bir ay önce kurulmuş ve şu an 140 kişi takip ediyor.
Derin öğrenme ile ilgili genel giriş bilgisi verilerek, sektörde nasıl kullanılacağına dair bir kanı oluşturma amaçlı toplantı düzenleniyor.
00:55Derin Öğrenme Eğitimi Programı: Toplantıdan sonra internet üzerinden duyurulacak ve iki haftada bir online eğitim veya toplu eğitim programı yapılacak.
Amerika'dan ve Hong Kong'dan uzmanlar davet edilmiş olup, gelecek safhalarda da bu uzmanlar katılacak.
01:40Derin Öğrenme Nedir?: Derin öğrenme, makinelerin dünyayı algılama ve algılamasına yönelik bir yapay zeka yaklaşımıdır.
Şu anda ağırlıklı olarak görüntü, ses ve sinyal işleme konularında kullanılmaktadır.
Büyük bilişim firmaları derin öğrenmeyi kullanmaktadır.
02:26Derin Öğrenme İçin Gerekli Öğeler: Geniş kapsamlı bir tanım yapabilmek için veri ve algoritmaların olması gerekmektedir.
Verinin çeşitliliğinin olması ve gerçek dünyaya yansıtması gerekmektedir.
Algoritmaların verileri işleyebilecek kapasitesi ve veriyi işleyebilecek bir işlemci gücüne ihtiyaç vardır.
03:07Pascal ve ImageNet Yarışmaları: Pascal yarışması 2005-2012 yılları arasında yapılmış olup, 20 nesne sınıfı ve 22.951 resim etiketlenmiştir.
Stanford Üniversitesi yapay zeka laboratuvarının öncülüğünde 2010'dan itibaren ImageNet yarışması başlamıştır.
ImageNet yarışmasında en son yarışmada bir nesne sınıfında bir milyonu aşkın resim etiketlenmiş durumdadır ve toplam 14 milyonu aşkın resim ve sunset indekslenmiş durumdadır.
04:36ImageNet Yarışmasının Kategorileri: ImageNet yarışmasında iki ana kategoride iki alt kategori bulunmaktadır: nesne tespiti ve nesnenin yerini işaretlemek.
Bu sene yeni eklenen bir yarışma olan "tester" (deneme yanılma) yarışmasında video üzerinde nesnelerin işaretlenmesi ve sahne sınıfı anlamında bulma işlemi istenmektedir.
05:32ImageNet Yarışmasının Gelişimi: 2010 yılındaki yarışmada yaklaşık 80 katılım varken, 2013 yılında ciddi bir artış olmuştur.
2012 yılına geçerken resimlerdeki etiketlerin doğruluğu yaklaşık %10'luk bir artış göstermiştir.
2014'te başarı seviyesi %93'e çıkmış, 2015'te ise Google'ın başarı oranı %95,20 iken, insanlar için %94,90 olmuştur.
07:01Derin Öğrenme Yöntemleri: Şu anda kullanılan yöntem konvolüsyonel yapay sinir ağı modelidir.
Bu modelde konvolüsyon ve pooling işlemleri ile katman katman resimdeki resmi anlatan nöronların bir üst katmana taşınması sağlanır.
Bu sayede resimde kedi mi köpek mi olduğu tespit edilebilir.
08:03Yapay Sinir Ağları ve İnsan Beyni: Yapay sinir ağlarında resimden elde edilen verilerin belli ağırlık değerleri ile çarpılıp aktivasyon fonksiyonlarına girmesi ve bir sonuç çıkması sağlanır.
Bilim adamları insan beynini taklit ederek yapay sinir ağlarını oluşturur.
İnsan beyninin bir resmi algılamasıyla konvolüsyonel derin yapısındaki yapı kıyaslandığında, on katlı bir yapı ile insan beynin aynı hızla çalışmaktadır.
09:44Derin Öğrenmenin Tarihsel Gelişimi: Facebook yapay zeka laboratuvarı'nın yöresi BEL'de, öğrencilerin ve çalışanların yazdığı el yazısıyla yazılan karakterleri okutma çalışması yapılmıştır.
1989'da Bell laboratuvarlarında Yandechu, çekirdek üzerindeki karakterlerin tanınması ile alakalı ilk çalışma yapılmıştır.
2012'den sonra büyük bir atılım gerçekleşmiş ve geriye dönük çalışmalar ortaya çıkarmaya başlanmıştır.
10:59Derin Öğrenmenin Gelişimi ve Kullanım Alanları: İlk defa "derin öğrenme" kelimesini kullanan Hinton, 2006'da deep net yapısını tanıtmış ve 2007'de makalede yayınlamıştır.
Microsoft 2011'de ses tanımada, Google ve Baidu 2012'de derin öğrenmeyi kullanmaya başlamıştır.
2013'te Baidu ve Google görsel tanıma motorlarında değer öğrenme kullanmaya başlamış, 2014'te ise yüz tanıma konusunda ciddi başarılar elde edilmiştir.
11:38ImageNet Yarışmalarında Kişiler ve Yapılar: 2012 yılında kurulan yapı ScarVision yapısı, Into ve ekibinin kurduğu yapıdır.
2014'e gelindiğinde Google Net kendi yapısını çıkarmış, bu yapı çok karmaşık olmasına rağmen çok hızlı çalışmaktadır.
2014 yılında sadece bir yarışma grubu derin öğrenme kullanırken, 2014'e gelindiğinde yarışmacıların yaklaşık %35'i değer öğrenme kullanmaya başlamıştır.
12:46Derin Öğrenme ve Klasik Yöntemler: Klasik yöntemlerde resim tanıma için öznitelikler çıkarılıp handcraft yöntemleri kullanılırdı, ancak bu yöntemlerde kupa hariç her şeyi kupa olarak görmeye başlıyordu.
Derin öğrenme, klasik yöntemlerden farklı olarak resimdeki anlam taşıyan nöronları katman katman yukarı çıkararak sınıflandırma yapar.
Derin öğrenme modeli, yüksek miktarda veri ile eğitilir ve geriye dönük güncellemeler yaparak kendi network yapısını oluşturur.
16:44Derin Öğrenme Teknikleri: Multi-model record neural network, sahnede ne var ne yokunu öğrenmeye çalışan en çok çalışılan alan.
Bu tekniklerle bilgisayar sahnede nesneleri ve eylemleri tanımlayabilir.
Stanford Üniversitesi Yapay Zeka Laboratuvarı tarafından duyurulan bu yapı, tüm çalışmaları açık kaynak kodlu olarak GitHub'da bulunan bir alandır.
17:50Derin Öğrenmenin Popülerliği: Derin öğrenmenin popüler olmasının nedenleri: büyük veriye erişim, GPU hızlandırıcılar ve yeni derin öğrenme teknikleri.
Günde 2 milyar yeni fotoğraf internete yükleniyor, bunların 350 milyonu Facebook'a yükleniyor.
NVIDIA, GPU konusunda ciddi çalışmalar yaparak gömülü sistemlerde ve bilgisayar/sunucu sistemlerinde yeni tasarımlar geliştirmiştir.
19:08Derin Öğrenme Uzmanları: LeCun, Facebook'da çalışan ve ilk defa denet yapısı kullanan kişi.
Hinton, 2012 yarışmasında birinci olan ekibin danışmanı ve part-time Google çalışanı.
Andrew Ng, Baidu'da çalışan ve Google'dan transfer edilen kişi.
20:22Derin Öğrenme Performansı: Google'un 16.000 çekirdekli 5 milyon dolarlık data center'ı, 18.432 çekirdekli 30.303 dolarlık 3 tane NVIDIA sunucusu tarafından eşdeğer performans gösterilebiliyor.
NVIDIA'nın Titan işlemcisi, 2012'de 43 günde eğitilen derin öğrenme algoritmasını sadece 3 günde tamamlıyor.
Baidu, 2017 Mart ayında yüz tanıma alanında tüm rakipleri geçerek insan hatası eşiğini aştı.
22:45Konuşma Tanıma: Microsoft 2011 yılında konuşma tanıma alanında ciddi bir çalışma yapmış, son yıllarda Skype üzerine de çalışma yapmış.
Baidu, ses tanıma alanında Google'ı geçtiğini iddia etmiş.
Derin öğrenme kullanılarak gerçek zamanlı ses tanımı yapılabiliyor ve hata oranları %15'in altında yer alıyor.
25:23Ses Tanıma Teknolojisinin Geleceği: Ses tanıma teknolojisinin %99 oranında doğruluk sağlarsa, kullandığımız tüm cihazların yeniden tasarlanması gerekecek.
Okuma yazma bilmeyen çocukların akıllı cihazlarda sesli arama özelliğini kullanması, ileride yetişkinlerin de tüm cihazları sesle kullanmaya başlayacağı bir işaret.
Derin öğrenme teknolojisinin gelişimi, nesnelerin internetinde (IoT) tüm nesnelerle sesli etkileşime geçilebileceğini gösteriyor.
26:35DARPA'nın Derin Öğrenme Çalışmaları: DARPA (Amerikan Savunma Araştırma Geliştirme Dairesi) 2017 yılında ilk kez "derin öğrenme" kelimesini kullanmış ve 2018'de derin öğrenme workshopu düzenlemiştir.
2019'da Amerikan ordusunun insansız hava araçlarından gelen büyük verilerin insan hatasından arındırılması için derin öğrenme kullanılması belirtilmiştir.
2020 yılında DARPA, Stanford Junior Üniversitesi ile dört yıllık anlaşma imzalayarak, uçakların yerdeki hedefleri tanıması için 6 milyon dolarlık bir sözleşme yapmıştır.
28:30Derin Öğrenmenin Coğrafi Analizde Kullanımı: Makinelerin ses, görüntü ve sinyali anlaması, makineler arasında etkileşim sağlayacak ve coğrafi analizde kullanılacak.
Yeni nesil coğrafi analiz yapan sistemler (Dijital Globe, Skybox) hem uydudan hem de insansız hava araçlarından yüksek miktarda veri topluyor.
Sosyal medya üzerinden toplanan yüksek miktarda fotoğraf ve görüntü verisi, Gitart Project gibi sistemlerle anlamlı sonuçlar üretiyor.
30:11Coğrafi İstihbarat Analizi İş Akışı: Coğrafi istihbarat analizinde sayısal ve sayısal olmayan veriler meta veri filtreleri ile insan önüne sunuluyor.
Darboğaz noktası meta verilerin kalitesi ve kısıtlı insan gücü olup, derin öğrenme bu sorunları çözecek.
Derin öğrenme, verilerin içeriğiyle ilgili anlamlı sonuçlar üretip, insanların önüne semantik içerikli filtreler sunacak.
32:01Uzaktan Görüntü Algılamanın Kullanım Alanları: Coğrafi analiz yazılımlarında Google Earth'in web tabanlı motor yazılımı güvenlik açıklarından dolayı destek kaldırılmış, HTML5 teknolojisi ile üç boyutlu nesneler sunuluyor.
Web tabanlı harita uygulamalarında üç boyutlu binaların görünmesi ve line of sight analizleri yapılabiliyor.
Derin öğrenme algoritmaları, hiperspektral resimler, sentetik açıklı radar resimleri ve lidar datalarını işleyebiliyor.
36:19Trafik Kazaları ve Otomotiv Teknolojisi: Her yıl 1,30 milyon insan trafik kazalarında ölüyor, günde 3.287 kişi kaybediliyor ve 20-50 milyon kişi yaralanıyor veya engelli duruma düşüyor.
Trafik kazaları ölüm sebepleri arasında 9. sırada yer alıyor ve 2030 yılında 5. sıraya yükselecek.
Tesla'nın yeni arabası güvenlik değerlendirmelerinden beş yıldızın üzerinde bir değer almış, araç sadece %6 oranında hasar görüyor ve yolda kendine güvenlik alanı oluşturuyor.
41:53NVIDIA'nın Otomotiv Teknolojileri: NVIDIA mobil konsorsiyumunu destekliyor ve konsollardaki işlemleri yapan NVIDIA JAX ve JAS, araç içerisinde dört ayrı dijital platformu destekleyebiliyor.
Drive PX otopilot bilgisayarı, araçların otonom gitmesini sağlayan karttır ve Tesla araçlarında hem JAX hem de Drive PX kullanılıyor.
Gelişmiş kokpit görüntüler bilgisayarı ile araçlarda her koltukta bir ekran ve ön konsolda bir ekran bulunuyor, Drive JAX maksimum 16,60 milyon piksellik çözünürlükte işlem yapıyor.
43:39Otomotiv Sistemlerin Çalışma Prensibi: Gerçek zamanlı 3D render yapabilen sistemler, araçlarda artık 3 boyutlu GPS'ler kullanılıyor.
Drive PX kartı, Tegra işlemci, iki çekirdek ve video processing engine image sinyal işlemcisi üzerine kurulu.
Araç yolda giderken nesneleri, depoları, diğer araçları ve yol çizgilerini algılayabiliyor ve bunları yaparken derin öğrenme modelini kullanıyor.
45:12Derin Öğrenme Modeli ve Performansı: Derin öğrenme modelleri, ilk başta resimdeki köşe hatlarını çıkartan filtreler, sonra parçaların filtreleri ve en nihayetinde resmin kendisini kuracak şekilde katman yapısına sahip.
2012'de kullanılan model Tegra K1 kartında saniyede 10 resim içerisinde 10 nesneyi tanıyabiliyordu.
Şu anki Tegra X1 kartlarında bu sayı 30'a çıkmış, iki işlemcili sistem 60 nesneyi tanıyabilecek güce sahip.
46:51Araştırma ve Uygulamalar: Princeton Üniversitesi ve VG Group, oyunlar üzerinden gerçek ortama dökmeden sistem bir araba nasıl gitmesi gerektiğine karar verebiliyor.
Araç üzerindeki kamera segmentasyon yaptığı zaman sadece yol değil, yolun dışındaki nesneleri de ayıklamaya başlıyor.
Princeton Üniversitesi, bu çalışmayı en son iPhone üzerinde Snapdragon işlemci ile çalıştırmış.
48:51IBM Watson ve Sağlık Alanında Kullanımı: IBM Watson, 1997 yılında Deep Blue bilgisayarıyla IBM'in ilk çalışması olup, 2006 yılında derin öğrenme kabiliyetleri kazanmış.
IBM Watson özellikle sağlık alanında ciddi gelecek vadettiği için bu sene 1 milyar dolarlık bir alım yapıyor.
IBM'de 20 milyarlık MR verisi var ve bu verileri eğiterek doktorların daha düzgün karar vermesini sağlayacak algoritmaları piyasaya sunacak.
50:54Google ve Derin Öğrenme Çalışmaları: Google ve Stanford Üniversitesi, arama motorunda sağlıkla ilgili aramalar için daha doğru veriler sunacak bir yapı üzerinde çalışıyor.
Derin öğrenme, uzun süren ilaç keşif süreçlerini kısaltmaya çalışıyor ve bu süreçler 10-15 yıllık sürlere birkaç yıl kadar azalacak.
Google, 2014 yılında DeepMind firmasını 400 milyon dolara almış, bu firmada 50 tane derin öğrenme uzmanı çalışıyordu.
54:25Google DeepMind ve Oyun Algoritması: Google DeepMind, Atari oyunu oynayan bir algoritma yazmış.
Algoritma için sadece puan hedefi belirtilmiş, yapacağı işlem söylenmemiş.
Algoritma ilk başta kendi kontrolünde olan nesneyi hareket ettirmeye başlayıp, müteakiben topa vurmayı, daha düz vurmayı ve en yüksek puanı almayı öğrenmiş.
55:34Büyük Teknoloji Şirketlerinin Yapay Zeka Çalışmaları: DeepMind, otuz bir oyunda insandan daha iyi oynadığını gösterdi.
Google, Andrew Ng'i 2014'te kendi göğsüne kattı ve görsel arama motoru ile eş zamanlı değer öğrenmeyi kullandı.
Facebook, 2013'te yapay zeka laboratuvarının başına geçen kişi tarafından kuruldu ve ürettiği algoritmaları internetten ücretsiz olarak kullanıma sundu.
57:28Apple ve E-ticaretteki Değişim: Apple, Siri'de derin öğrenme kullanmasına rağmen uzun yıllar bu konuda geri kaldı, ancak son iki ayda ciddi bir atılım yaptı.
E-ticarette büyük bir dönüşüm yaşanıyor; Almanya'da bir üniversite, insanları birebir modelleyen bir sistem üzerinde çalışıyor.
Bu sistem, internete yüklenen model üzerinden kullanıcıya ürün tavsiyeleri yapabilir ve sosyal medya paylaşımlarını değerlendirerek uygun tavsiyelerde bulunabilir.
59:58Microsoft ve Robotik Alanında Gelişmeler: Microsoft, Skype'de gerçek zamanlı İngilizce'den İspanyolcaya çeviri yapabiliyor ve Holo Lens'de derin öğrenme kullanılıyor.
Berkeley Üniversitesi, makinelere nasıl bir şeyi öğretmek yerine, makinelerin nasıl öğreneceğini öğretmeyi amaçlayan bir çalışma yaptı.
Berkeley Üniversitesi'nin PR2 robotu, deneme yanılma yöntemiyle öğrenme yapabiliyor ve en optimum hareketi kendisi bulabiliyor.
1:03:17Robotik ve Sanayi Alanlarındaki İşbirlikleri: Faruk firması, Berkeley Üniversitesi'nin çalışmasını gördükten sonra Prefer Network firmasıyla anlaşma yaparak robot kollarda derin öğrenme üzerine bir çalışma başlattı.
Toyota, Stanford Üniversitesi ve MIT ile beş yıl sürecek, elli milyon dolarlık bütçeyle otonom araçlar ve robot sistemler üzerine ortak bir çalışma yapacak.
NVIDIA, derin öğrenmeyi ana konu olarak aldı ve savunma sanayi dahil birçok firmayla konsorsiyum kurdu.
1:05:39Mobil Cihazlarda Derin Öğrenme: Qualcomm, güvenlik gecikmenin az olduğu, güvenilir ve network bağlantısını etkili kullanan bir sistem üzerinde çalışıyor.
Mobil cihazlar, yoğun hesaplama ve karmaşık sinir ağ modelleri nedeniyle aşırı ısınma sorunu yaşayabiliyor.
Qualcomm, hem cloud sistemleri hem de mobil cihazlar üzerinde çözüm sunuyor ve Snapdragon işlemcisi üzerindeki grafik kartını kullanıyor.
1:08:24Derin Öğrenme Kütüphaneleri ve Uygulamaları: Derin öğrenme üç ana kütüphane ile kullanılıyor: DC Cape, Torch ve Facebook tarafından yönetilen bir kütüphane.
NVIDIA'nın Digit ürünü, derin öğrenme için çok basit bir arayüz sunuyor; veri seti oluşturup modeli seçtikten sonra eğit butonuna basarak derin öğrenme modeli oluşturulabiliyor.
Digit şu anda Torch üzerinde çalışıyor ve muhtemelen bu sene sonuna kadar Torch ile entegre edilmiş olacak.
1:10:02Derin Öğrenme İçin Başlangıç: Derin öğrenmeye başlamak için GPU tercih edilmeli çünkü CPU'larda bu iş daha yavaş yapılıyor.
Derin öğrenme kütüphaneleri Ubuntu'da tam destekle çalışıyor, Windows konusunda çalışan kütüphaneler var ama kullanımı zorlaşıyor.
NVIDIA'nın Digit DevBox adında özel bir kasa çıkarmış, bu kasada dört Titan GPU bulunuyor ve bu makine derin öğrenme için çok uygun.
1:11:27Derin Öğrenme İçin Alternatifler: NVIDIA bağımsız olarak Amazon Web Servisleri üzerinden GPU destekli makine oluşturabiliyor.
NVIDIA'nın 2.5 aylık eğitimi kapsamında Kubik arayüzü kullanıcılar için ücretsiz sunulmuş.
Kubik arayüzü, eğitim materyali sunarak kullanıcıların hem okuyup hem de uygulayabildiği bir platform.
1:12:41Derin Öğrenme Uygulamaları: İnternette dil öğrenmeye odaklanan birçok startup firması var ve API'lerini sunuyorlar.
Prototek ve Play to Demo gibi açık kaynak kodlu sahne tanıma uygulamaları mevcut.
Stanford'ın web tabanlı sahne tanıma uygulaması, arka planda Microsoft'un COCO veritabanını kullanıyor.
1:16:49Derin Öğrenmenin Çalışma Prensibi: Derin öğrenme eğitim sürecinde en iyileme yapmaya çalışırken bir network oluşturuyor.
Sistem, verilen resmi tanımak için bu network yapısını kullanıyor.
Derin öğrenme, klasik yöntemdeki gibi önceden belirlenmiş filtreler kullanmadan, kendisi filtreleri öğrenerek resimleri değerlendiriyor.
1:19:41Derin Öğrenmenin Eğitim Süreci: Derin öğrenme, verilen etiketlerle eşleştirme yaparak kendini eğitir.
Eğitim süreci ileri doğru giderken, back propagation ile geriye yayılıp ağırlıkları sürekli günceller.
ImageNet yarışmasında, farklı kategoriler için yapılan eğitim süreci birkaç hafta sürebiliyor.
1:20:57Transfer Learning ve Derin Öğrenme Temelleri: Transfer learning, başarılı bir model dosyasını alıp kendi veri seti ile eğitme yöntemidir; örneğin GoogleNet 2014 modeli kendi veri seti ile kullanılabilir.
Derin öğrenme ağlarında başlangıçta ağırlıklar rastgele atanır ve back propagation ile geriye doğru değerlendirilerek en ideal değerler bulunur.
Makine öğrenmesinde girdi değerleri ve çıktı değerleri network'e girer, hazır yazılımlar kullanıldığında bu işlem otomatikleştirilir.
1:23:21Derin Öğrenme ve Katmanlar: Derin öğrenme, kat sayısının fazla olması özelliğine sahiptir; eskiden 3 katman vardı, son zamanlarda 22 katmanlı mimariler kullanılmaktadır.
Derin öğrenmede öztelik (feature) öğrenme gerçekleşir, makine kendisi öztelikleri bulur.
Konvolüsyon modelinde katmanlar (layer) belirlenir ve makine kendi kendine çalıştırmaya başlar.
1:24:41Öz Nitelik Öğrenmesi: Son yıllarda "feature learning" kavramı ortaya çıkmış, artık sistem kendisi öznitelikleri çıkartmaktadır.
Derin öğrenmede başlangıçta verilen öz nitelikler yerine, sistem kendi içinde çalışarak en sonunda kendisi ortaya çıkartabilmektedir.
Unsupervised learning'de ilk başta hatları bulması beklenir ve bu katmanlar görselleştirilebilir.
1:27:06Görselleştirme ve Derin Öğrenme Kullanımları: Derin öğrenme modelleri görselleştirilebilir, katmanlar sırayla görülebilir ve düzeltmeler yapılabilmektedir.
GoogleNet gibi modellerde konvolüsyon, pooling ve aktivasyon gibi işlemler görselleştirilebilir.
Derin öğrenme, tıp, e-ticaret gibi alanlarda büyük verilerle çalışarak öngörüler yapabilir.
1:32:56Derin Öğrenmenin Geleceği: 2019 Mart ayında TED konferansında Stanford Yapay Zeka Laboratuvarı başkanı bir konuşma yapmıştır.
Derin öğrenme şu anda üç yaşındaki çocuğun seviyesinde, resimleri tanımlayabilmektedir.
Öğrenen robotlar, kısa sürede uzun yıllar elde edilecek tecrübeleri elde edebilecek robotik sistemler oluşturacaktır.
1:35:07Derin Öğrenme Alanında Gelişmeler: Derin öğrenme ile ilgili her gün birkaç makale internette yayınlanmaktadır.
Google'da "derin öğrenme" (deep learning) ve Facebook'ta Facebook Yapay Zeka Laboratuvarı başındaki sayfalar bulunmaktadır.
Bu platformlar günlük olarak yeni makaleler paylaşmakta ve yakın zamanda yenilikçi, devrimsel nitelikte yeni algoritmalar yayınlanacak.
Derin öğrenme alanında bilgiye üç gün uzak kalmak bile dünyanın değiştiğini görmek anlamına gelmektedir.

Derin Öğrenme ve Yapay Zeka Teknolojileri Eğitim Sunumu

Yapay zekadan makale özeti

Yanıtı değerlendir