Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, Bahçeşehir Üniversitesi mezunu ve Google Cloud'da eğitim alanında çalışan Mehmet adlı bir mühendisin yapay zeka ve derin öğrenme öğrenmek isteyenlere yönelik hazırladığı kapsamlı bir eğitim içeriğidir.
- Video, yapay zeka öğrenmeye başlarken izlenmesi gereken temel adımları, gerekli becerileri ve kaynakları adım adım anlatmaktadır. İçerikte İngilizce öğrenmenin, Python programlama dilini öğrenmenin, Jupyter Notebook ve Google Colab kullanımını öğrenmenin önemi vurgulanmakta, ayrıca Google Machine Learning Crash Course, Udemy kursları ve çeşitli YouTube kanalları gibi eğitim kaynakları önerilmektedir.
- Videoda ayrıca yapay zeka alanının farklı alanları (NLP, computer vision, ses analizi, robotik) ve bu alanlarda kullanılan algoritmalar (CNN, RSTM, Transformers, Bert, GPT) hakkında bilgiler verilmektedir. Konuşmacı, izleyicilere önce küçük projeler yapmalarını, ardından ilgi duydukları alana odaklanmalarını ve bu alana özgü gelişmeleri takip etmelerini tavsiye etmektedir.
- Video Konusu ve Motivasyon
- Video, yapay zeka öğrenmeye en baştan başlasaydım nasıl bir yol izlerdim konusunu ele alacak.
- Videonun motivasyonu, bir takipçiden gelen mail ve bu mailin sahibi Ahmet Cerit'in hobi olarak yazılım, machine learning ve deep learning ile ilgilenmesi.
- Konuşmacı, YouTube kanalını takipçi kazanmak veya para kazanmak için değil, hobi olarak projeler yapmayı seven biri olarak edindiği tecrübeleri paylaşabileceği bir yer olarak açtığını belirtiyor.
- 01:10Konuşmacının Kişisel Geçmişi
- Konuşmacı Mehmet, 2022 yılında Bahçeşehir Üniversitesi Elektrik-Elektronik Mühendisliği'nden mezun olmuş, 2023 yılında çift anadal olarak Bilgisayar Mühendisliği ve yan dal olarak Yazılım Mühendisliği'nden mezun olmuş.
- Zorlu stajını yapay zeka alanında yapmış ve ilk şirketinde enerji alanında doğal dil işleme alanında yapay zeka uygulamaları geliştirmiş.
- Daha sonra objektif, tektion, o siyah gibi farklı görüntü işleme projelerinde çalışmış ve şu anda eğitim bir şirkette Google Cloud üzerinde emellerini yürüttüğü bir iş hayatında bulunuyor.
- 02:25Yapay Zeka Öğrenmeye Başlangıç Adımları
- İlk adım olarak İngilizce öğrenmenin önemli olduğu vurgulanıyor, çünkü bu sadece yapay zeka alanında değil, bilgisayar mühendisliği ve diğer mühendislik alanlarında da global bir dil.
- İngilizce bilmek, açık kaynaklara ve dökümana erişim sağlar, kod hatalarını internet üzerinden araştırırken İngilizce cevaplar almak gerekir.
- İngilizce öğreniminde C2 seviyesinde konuşmak değil, soru sorarken veya internet üzerinden arama yaparken soru yazabilecek ve yazılanları anlayabilecek bir seviye yeterli olacaktır.
- 04:32Python Öğrenmenin Önemi
- İkinci adım olarak Python öğrenmenin önemli olduğu belirtiliyor, çünkü yapay zeka işleriyle alakalı en çok kullanılan programlama dili Python'dur.
- Python üzerinde birçok kütüphane geliştiriliyor, kullanımı kolay olduğu için yapay zeka kodlarına kolay entegre edilebiliyor.
- Python öğrenirken derinlemesine her şeyi öğrenmek yerine, temel sign textble ve giriş seviyesinde kodlar yazabilme, veri yapılarını anlama yeterli olacaktır.
- 06:12Jupyter Notebook Kullanımı
- Üçüncü adım olarak Jupyter Notebook kullanımının önemli olduğu belirtiliyor, bu Python kodlarını blokları halinde çalıştırabileceğiniz bir araçtır.
- Jupyter Notebook, kodları adım adım çalıştırarak değişkenlerin sonuçlarını görebilmenizi sağlar.
- Bu araç sayesinde veriyi çekme, veri ön işlemden geçirme, model eğitimi ve değerlendirmesi gibi işlemleri daha kontrollü bir şekilde yapabilirsiniz.
- 07:57Yapay Zeka ve Machine Learning Kaynakları
- YouTube üzerinde yapay zeka, deep learning ve machine learning konusunda inanılmaz fazla kaynak bulunmaktadır.
- Google Machine Learning Crash Course ücretsiz olarak sunulmaktadır ve temel kurslar (machine learning'e giriş, problem framing, ml projects) ile ileri seviye kurslar (karar ağaçları, öneri sistemleri, kümeleme) içerir.
- Kurslarda linear regression, logistic regression, classification gibi modeller, sayısal ve kategori verileri ile çalışma konuları ele alınmaktadır.
- 10:04Öğrenme Stratejileri
- Kurslarda çok takılmak yerine kavramları öğrenip temel collab dosyalarını çalıştırmak daha faydalıdır.
- Medium'da bulunan makaleler ve kodlarla beraber açıklanan projeler, kursun yanında projeyi yöneterek daha fazla bilgi sahibi olmayı sağlar.
- Veri analizi ve görselleştirme, ML modelinin performansını belirleyen temel kaynaktır; veri, ML modelinin benzinidir.
- 11:35Veri Bulma ve Çekme Yöntemleri
- Kaggle ve Packing Face gibi sitelerde public veri setleri bulunmaktadır ve bu veriler üzerinde modeller geliştirilebilir.
- Özel veri setleri oluşturmak için web scraping yöntemi kullanılabilir; bu, internet sitelerinin HTML kodlarını Python kütüphaneleri (BeautifulSoup, Selenium) ile çekerek verileri almayı sağlar.
- Public API'lar da veri elde etmek için kullanılabilir; API, bir URL'in endpointini çağırdığınızda size mesaj döndüren bir sistemdir.
- 14:24Veri Görselleştirme
- Veriler arasındaki analizi iyi yapabilmek için görsel tablolar ve grafikler çıkarmak önemlidir.
- Grafiklerle veri setindeki etiketlerin dağılımı kontrol edilebilir; örneğin, pozitif ve negatif etiketlerin eşit sayıda olması modelin daha iyi ayırt etmesini sağlar.
- Sayısal verilerle çalışırken, sayıların dağılımı ve ortalamalarının gösterildiği grafikler veriler hakkında fikir sahibi olmayı sağlar.
- 15:54Deep Learning Kaynakları
- Deep learning alanında yapay sinir ağları ve katmanlar kullanılır, bu katmanlar arasında farklı fonksiyonlar uygulanır.
- Deep learning öğrenmek için Google Crash Kursu kullanılabilir.
- Üç Blue One Brown adlı YouTube kanalı, matematiksel işlemleri animasyonlarla görselleştirerek soyut kavramları somutlaştırır.
- 16:37Derin Öğrenme Öğrenme Kaynakları
- Kanalda derin öğrenme ile ilgili bir oynatma listesi bulunmakta ve bu liste derin öğrenme mimarisini görsel olarak anlamanıza yardımcı olacaktır.
- Derin öğrenme kurslarında yeni kavramlar karşınıza çıkacak, bu kavramları araştırıp "medium" yazarak giriş seviyesi derin öğrenme modelleri için kod ve açıklamalar bulabilirsiniz.
- 17:28Google Colab Kullanımı
- Derin öğrenme, klasik makine öğrenme algoritmalarına göre daha fazla matematiksel işlem ve hesaplama gücü gerektiren algoritmalar kullanır.
- Derin öğrenme modellerini kendi bilgisayarınızda çalıştırmak için ekran kartı (GPU) veya Google'ın özel TPU'ları kullanmanız gerekiyor.
- Google Colab, ücretsiz GPU kullanımı sunan bir bulut sistemi üzerinde Jupyter Notebook kullanım platformudur ve giriş seviyesi projeler geliştirmek için yeterlidir.
- 19:27Yapay Zeka Kütüphaneleri ve Dökümanlar
- Yapay zeka ve derin öğrenme alanında çok kullanılan kütüphaneler arasında Scikit-learn, PyTorch ve Keras bulunmaktadır.
- Projeleri yaparken kütüphanelerin resmi dökümantasyonlarını inceleyerek ilerlemeniz faydalı olacaktır.
- Eski sürümlerle yazılmış kodları çalıştırırken hata alırsanız, kütüphanelerin kendi sitelerindeki dökümanları okuyarak en son kod kullanımına ulaşabilirsiniz.
- 21:17Yapay Zeka Alan Seçimi
- Yapay zeka çok fazla alana değiniyor ve farklı alanlarda çözüm bulabiliyor; NLP (insan dilini anlamaya çalışan alan), computer vision (görselleri analiz etmeye çalışan alan) gibi.
- Zaman serisi verileri için (örneğin hisse senedi tahminleri) farklı bir alan seçimi yapmanız gerekebilir.
- NLP ile computer vision'ın kesiştiği alanlar da bulunmaktadır (örneğin text to image modelleri).
- 23:16Derin Öğrenme Mimarileri ve Alan Seçimi
- Her alana ait farklı derin öğrenme mimarileri bulunmaktadır; örneğin computer vision alanında CNN (Convolutional Neural Network) mimarileri kullanılırken, NLP alanında RSTM, transformer mimarisi, Bert ve GPT gibi farklı mimariler tercih edilir.
- Önerilen yaklaşım, önce bu alanlarla ilgili küçük projeler yapmaktır; örneğin computer vision'da resim sınıflandırması veya NLP'de Name Entity Recognition (NER) modeli geliştirmek.
- NER, cümleler içerisindeki belirli kelimelerin hangi türe ait olduğunu tespit etmeye çalışan bir NLP alanıdır.
- 24:38NLP Alanları ve LM'ler
- NLP'nin uygulama alanları arasında NER, metin sınıflandırma, sentiment analizi ve chatbot gibi text generation bulunmaktadır.
- LM'ler (Large Language Models) ile diğer NLP alanları için model geliştirmeye gerek kalmıyor; örneğin NER için veri seti toplayıp model eğitmeye gerek kalmadan, prompt girerek isim, şehir, tarih gibi grupları tespit edebilirsiniz.
- LM'lerin büyük dosya boyutları bir dezavantaj olabilir; örneğin NER için LM kullanmak mantıksız olabilir çünkü dosya boyutu çok büyük olurken, daha küçük dosya boyutlarıyla da aynı işi yapabilirsiniz.