• Buradasın

    Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme Eğitim Dersi

    youtube.com/watch?v=siI9ccflRsQ

    Yapay zekadan makale özeti

    • Bu video, Sakarya Uygulamalı Bilimler Üniversitesi'nde elektrik-elektronik mühendisliği doktora öğretim üyesi olan Ali Furkan Kamanlı tarafından sunulan bir eğitim dersidir.
    • Ders, yapay zeka kavramının temel kavramlarını (yapay zeka, makine öğrenmesi, yapay sinir ağları ve derin öğrenme) açıklamakta ve bu kavramları birbirinden ayırt etmektedir. Video, makine öğrenmesi ve derin öğrenme arasındaki farkları günlük hayattan örneklerle (Google arama sonuçları, gri seviye görüntüyü renklendirme, trafik sayımı, forklift tespiti, optik karakter tanıma) açıklamakta, ayrıca denetimli (supervised) ve denetimsiz (unsupervised) öğrenme kavramlarını da ele almaktadır.
    • Ders yaklaşık 45 dakika sürmekte ve toplam 7-9 ders planlandığı belirtilmektedir. Eğitmen, yapay zeka kavramının altında bulunan NLP, makine öğrenmesi, temsil, otomatize edilmiş sonuç, bilgisayarlı görme ve robotik gibi alt kavramları da kitap koleksiyonu örneği üzerinden anlatmaktadır.
    00:07Yapay Zeka Dersinin Tanıtımı
    • İkinci derste yapay zeka kavramının neler yapabileceğimizi, hangi kavramlarla program yazabileceğimizi ve neden bu kavramları seçtiğimizi anlatacağız.
    • Konuşmacı Ali Furkan Kamanlı, Sakarya Uygulamalı Bilimler Üniversitesi'nde elektrik-elektronik mühendisliği doktora öğretim üyesi olarak görev yapmaktadır.
    • Çalışma alanları genellikle gömülü sistem ve yapay zeka üzerine olup, kendi tecrübelerini aktararak bu konseptin sıfırdan nasıl anlaşılabileceğini anlatacaktır.
    01:05Yapay Zeka Kavramlarının Tanıtımı
    • Yapay zeka kavramı geniş bir kavram olup, yapay zeka, makine öğrenmesi, yapay sinir ağları ve derin yapay sinir ağları veya derin öğrenme dört temel kavram içerir.
    • Bu kavramlar bazen kafa karıştırabilen olabilir, bu derste bu yapıları birbirinden ayırıp nasıl kullanabileceğimizi öğreneceğiz.
    • Yapay zeka, makine öğrenmesi ve derin öğrenme üzerine odaklanacağız çünkü yapay sinir ağları kavramı derin öğrenme kavramının içerisine girer.
    03:03Makine Öğrenmesi Örneği
    • Makine öğrenmesinde Google gibi sistemler kullanıcı davranışlarını analiz ederek arama sonuçlarını optimize eder.
    • Kullanıcı ilk linke tıklarsa sonuç başarılı kabul edilir, tıklamazsa sistem yeterince optimize edemediğini anlar.
    • Makine öğrenmesi kullanan yapılar eski dataları toplar ve bu dataların kalitesini belirleyen geri bildirimlere ihtiyaç duyar.
    04:49Derin Öğrenme Örneği
    • Derin öğrenme örneğinde gri seviye bir görüntü, convolutional neural network (derin öğrenme katmanı) üzerinden geçirildiğinde renklendirilmiş görüntü elde edilir.
    • Sistem, web veya database üzerinden benzer yapıların özelliklerini analiz ederek objeleri haritalandırır.
    • Grilik seviyesine göre hangi renklerin olabileceğini tahmin ederek tamamen renklendirilmiş görüntü ortaya çıkar.
    06:37Dersin İçeriği
    • Derste insan ve yapay zeka arasındaki kavram farklılıkları, makine öğrenmesi ve derin öğrenmenin ne olduğu ve aralarındaki farklar incelenecektir.
    • Gerçek hayat örnekleri, yapay zeka ve makine öğrenmesi çeşitleri, makine öğrenmesi ve derin öğrenme karşılaştırması konuları ele alınacaktır.
    • Yapay zeka, insanlarla doğal dillerinde etkileşime giren, hatalardan öğrenme yaparak yeni ortamlara adapte olan, datalardan öğrenen ve optimize eden bir yapıdır.
    08:24Makine Öğrenmesi ve Görüntü İşleme
    • Makine öğrenmesinde girdi dataları (örneğin fotoğraflar) üzerinde birbirinden ayırt edici özellikleri (tekerlek, tampon, ışık, pedal, oturma kısmı, direksiyon) belirlenir.
    • Görüntü işleme kavramı ile ortalama değer alma, varyans, standart sapma gibi yüzlerce farklı özellik çıkarılabilir.
    • Makine öğrenmesinde etiketlenmiş, özellikleri çıkarılmış datalar model özelliklerine göre eğitime sokulur, özellikleri karşılaştırılarak öğrenir ve yeni dataları bu özelliklere göre sınıflandırır.
    12:59Derin Öğrenme ve Etiketlenmemiş Veri
    • Derin öğrenmede etiketlenmemiş çok sayıda veri kullanılabilir, örneğin sadece bisiklet, motosiklet veya otobüs olan yüzlerce görüntü.
    • Yapay sinir ağları (nöral network) etiketlenmemiş bolca veriyi eğiterek, benzer nesneleri bir sınıfa ayırabilir.
    • Derin öğrenmede özellikleri kendi çıkartabilir, makine öğrenmesinde ise her görsel, sinyal veya ses için özellik çıkarmak gerekir.
    15:43Makine Öğrenmesi ve Derin Öğrenme Arasındaki Farklar
    • Makine öğrenmesi eski dataları temel alarak karar verebilir, ancak kendisine ait bir karar mekanizması ortaya çıkaramaz.
    • Derin öğrenme, normal sistemlere göre daha iyi karar ve tahmin yapabilir, hızlı ve doğru sonuç çıkarabilir.
    • Derin öğrenme binlerce, yüzbinlerce fotoğrafı aynı anda işleyebilir ve büyük boyutlu datayı analiz edebilir.
    17:16Derin Öğrenmenin Uygulamaları
    • Derin öğrenme sadece görsel veriler için değil, kredi kartı dataları, müşteri verileri, endüstriyel üretim verileri ve sağlık verileri için de kullanılabilir.
    • Hastanelerde çekilen emar görüntüleri gibi büyük veri kümelerini analiz etmek için derin öğrenme sistemleri kullanılabilir.
    • Derin öğrenme sistemleri, doktorların uzun yıllar içinde toplayabileceği veri seviyesini çok daha hızlı ve uygun maliyetle sağlayabilir.
    19:49Derin Öğrenmenin Avantajları
    • Derin öğrenme sistemleri, doktorların işini tamamen ele geçirmeyecek, ancak karar destek sistemi olarak kullanılabilir.
    • Endüstriyel sistemlerde yüzbinlerce ürünün kontrol edilmesi gibi zorlu görevlerde insan yorulduğunda bilgisayar destek olabilir.
    • Derin öğrenme, yapay sinir ağı yapısı sayesinde insan gibi düşünüp öğrenme yetisine sahip olabilir.
    23:03Derin Öğrenmede Veri Kalitesi
    • Derin öğrenmedeki en önemli yapılardan biri datanın arttırılması ve kalitesinin korunmasıdır.
    • Veri toplarken bulanık olmaması, ses cızırtısının olmaması, titreşim datasının kalitesi gibi detaylara dikkat edilmelidir.
    • Bazı algoritmalar geliştirilebilir ve hatalı veriler otomatik olarak elenebilir, ancak hala insan gözüne çokça güvenilmektedir.
    25:10Derin Öğrenmenin Ölçeklenebilirlik Özelliği
    • Derin öğrenmenin önemli bir özelliği ölçeklenebilirlik (skala alabilme) özelliğidir.
    • İnsanlar için yakın veya uzak bir nesneyi algılamak zor olsa da, bilgisayarlar için bu fark çok az bir görüntü değişikliği olarak algılanabilir.
    • Bilgisayarlar uzaysal derinliği algılayamazken, insanlar iki gözle bakarak derinliği algılayabilir.
    27:00Derin Öğrenmenin Kullanım Alanları
    • Derin öğrenme, nesneleri birbirinden ayırma, ortamı belirleme ve yapıyı tespit etme gibi görevleri üstlenebilir.
    • Optik karakter tespiti (OCR) gibi uygulamalar, etiketler, barkodlar veya kazınmış yazıları tespit etmeyi sağlar.
    • Derin öğrenme, titreşim sensörleri gibi farklı kaynaklardan alınan verileri görsel veya sinyal formatına çevirebilir.
    28:04Derin Öğrenmenin Avantajları
    • Derin öğrenme, problemi baştan sona (end-to-end) çözebilir.
    • Makine öğrenmesinde ön işleme adımları (preprocessing) bolca yapılması gerekirken, derin öğrenme bu adımları otomatik olarak yapar.
    • Görüntü işleme kavramı, matrissel bakış açısıyla özellikleri çıkartabilme yapısını içerir.
    29:19Derin Öğrenmenin Özellikleri
    • Derin öğrenme, en iyi özelliklerin sistem tarafından seçilmesini sağlar.
    • Derin öğrenme, yüzlerce, binlerce farklı özellik çıkarabilir ve matematiksel katsayılarla çarpabilir.
    • Derin öğrenme, nöral network yapısında her girdi-çıkışın birbiriyle işlem yapabildiği için "kara kutu" olarak adlandırılır.
    31:02Derin Öğrenmenin Test Süreci
    • Derin öğrenme, makine öğrenmesinin bir alt dalıdır ve daha hızlı test zamanı sunar.
    • Derin öğrenme, ağırlık dosyası (nwt, wav gibi) oluşturarak test edilebilir.
    • Sistem, bir nesnenin belirli bir özelliğe ne kadar benzediğini olasılıksal olarak belirler, ancak bu benzerlik oranı ile toplam test sayısındaki doğru sonuç oranı farklı olabilir.
    33:17Yapay Zeka Kavramının Alt Kavramları
    • Yapay zeka kavramının altında NLP (Natural Language Processing), makine öğrenmesi (machine learning), bilgi gösterimi (representation), otomatize edilmiş sonuç (automated reasoning) ve bilgisayarlı görme (computer vision) gibi kavramlar bulunur.
    • Bilgi gösterimi, Excel'de tutulan yüzlerce, binlerce veriyi analiz ederek sistem, örneğin bakım verilerini kullanarak bakıma ihtiyaç olacak durumları önceden haber verebilir.
    • Bilgisayarlı görme, derin öğrenmeye ulaşmak için kullanılan bir konsept olup, fotoğraf ve video çekme kavramına sağlam girdiğinden dolayı derin öğrenme kavramında kullanılır.
    35:00Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme İlişkisi
    • Yapay zeka, makine öğrenmesi ve derin öğrenme kavramları birbirleriyle entegre olup, birbiri içerisinde geçmiş kavramlardır.
    • Yapay zeka makine öğrenmesini, makine öğrenmesi derin öğrenmesini kapsar ve dolaylı yoldan yapay zeka hem makine öğrenmesi hem de derin öğrenmeyi kapsamış olur.
    • Yapay zeka kavramı, akıllı makineler, insan gibi düşünen ve hareket eden makineler şeklinde tanımlanabilir.
    39:02Makine Öğrenmesi ve Derin Öğrenme Kavramları
    • Makine öğrenmesi, sistemin programlanmadan yapması gereken görevi öğrenme kabiliyetine sahip olmasıdır; sistem özelliklerini çıkarıp çıkarımı yapmasını bekleriz.
    • Derin öğrenmede, sistemin insan beyni gibi düşünmesi yapay sinir ağları sayesinde sağlanır ve daha önce hiç görmediği, hatta ummadığımız çıkarımlar yapabilir.
    • Derin öğrenmede denetimli (supervised) ve denetimsiz (unsupervised) öğrenme çeşitleri vardır; denetimsiz öğrenmede etiketlenmemiş veriler kullanılırken, denetimli öğrenmede verilerin etiketlenmesi gerekir.
    42:35Derin Öğrenme Uygulamaları
    • Denetimsiz öğrenme, görselin içerisinde başka bir şey giremediği yerlerde etiketlenmeyen veri kullanılarak yapılabilir.
    • Denetimli öğrenme, otonom araçlar, endüstriyel hatlar veya araba üretim hatları gibi karmaşık görsel ortamlarda kullanılır.
    • Derin öğrenme ve yapay zekada yapılan uygulamalara ve kavramlara ilerleyen derslerde daha detaylı girilecektir.

    Yanıtı değerlendir

  • Yazeka sinir ağı makaleleri veya videoları özetliyor