Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, robotik mühendisi olan bir eğitimcinin sunduğu yapay zeka ve veri bilimi konularında interaktif bir eğitim içeriğidir. Eğitmen, kendi deneyimlerini paylaşarak izleyicilere bilgi aktarmaktadır.
- Video, makine öğrenmesinde supervist ve unsupervised öğretim kavramlarını açıklayarak başlıyor ve veri etiketleme işleminin önemi vurgulanıyor. Eğitmen, Instagram'dan indirilen fotoğraflardaki insan kafalarının nasıl etiketleneceğini adım adım gösteriyor, kafa etiketleme, nokta işaretleme ve poligon çizme gibi farklı etiketleme yöntemlerini uygulamalı olarak anlatıyor. Ayrıca, TensorFlow CS kullanarak AI yardımcı özelliğini kullanarak veri etiketleme sürecini de gösteriyor.
- Videoda ayrıca veri etiketleme için internetten veri satın alma, veri haklarına dikkat etme ve etiketlenen verilerin XML formatında nasıl dışa aktarılacağı gibi konular da ele alınıyor. Eğitmen, veri etiketleme sürecinin sıkıcı olduğunu ancak yapay zeka eğitimi için zorunlu olduğunu vurgulamaktadır.
- 00:03Yapay Zeka ve Veri Etiketleme
- Yapay zeka dünyayı ele geçirecek değil, insanlar yapay zekayı kontrol edebilir.
- Veri etiketleme (data labeling) yapay zeka mühendisliğinin önemli bir parçasıdır.
- Veri etiketleme yapmak veya etiketleme sistemi kurmak veri bilimcilerin görevidir.
- 01:08Makine Öğrenmesi Türleri
- Makine öğrenmesinde iki temel kavram vardır: supervist (eğitmenli) ve unsupervist (eğitmensiz) öğretim.
- Eğitmenli öğretimde algoritma verilen etiketlerle öğrenirken, eğitmensiz öğretimde algoritma veriyi kendisi analiz eder.
- Kümeleme algoritmaları eğitmensiz öğretim örneğidir ve satın alma davranışları gibi farklı alanlarda kullanılır.
- 03:04Veri Etiketleme ve Object Detection
- Veri etiketleme, algoritmanın veriyi anlayabilmesi için yapılan bir işlemdir.
- Object detection, resimdeki nesneleri tespit etmek ve bunları dikdörtgen içine almak için yapılan bir etiketleme türüdür.
- Image recognition ile object detection arasındaki fark, sadece nesnenin tespit edilmesi ile nesnenin konumunun da belirlenmesidir.
- 03:40Etiketleme Aracı ve Yöntemler
- Make Sense adlı etiketleme aracı kullanımı kolay ve gelişmiş bir kurulum gerektirmez.
- Etiketleme farklı şekillerde yapılabilir: dikdörtgen, nokta, çizgi veya poligon (maske) şeklinde.
- Etiketleme işlemi zaman alabilir, bu nedenle bazı mühendisler algoritmayı geliştirme konusuna odaklanır.
- 09:28Etiketleme Örneği ve Dikkat Edilmesi Gerekenler
- Kullanılan verilerin kalitesi önemlidir, aksi takdirde algoritma aşırı uyumlanabilir (overfitting).
- Gerçekçi olmayan veriler (karton yüzler, animasyon) etiketlenmemelidir.
- Etiketleme işlemi tekrarlanabilir ve hatalı etiketler düzeltilebilir.
- 12:26Veri Etiketleme İşlemi
- Bir kişi 1000 resim etiketlerken, başka bir kişi de 1000 resim etiketleyebilir ve toplamda 2000 resim etiketlenmiş olur.
- Veri etiketleme işlemi zamanla alıştırma ile daha hızlı ve kolay hale gelir.
- İnternet üzerinden binlerce kişiye resim göstererek etiketleme yapılabilir ve böylece kısa sürede on binlerce, yüz binlerce veri elde edilebilir.
- 13:37Veri Etiketleme Hizmetleri
- Amazon Mechanical Turk gibi platformlarda veri etiketleme işleri verilebilir ve etiketleyen kişi resim başına para alabilir.
- Etiketleme işlerini yapan kişilerin profesyonel olup olmadığına dikkat edilmeli, çünkü öğrenciler gibi özensiz yapanlar da olabilir.
- Algoritma, etiketleme işlemindeki hataları hesaba katmalı ve aynı veriyi farklı kişilerden etiketlemelerini isteyerek ortalama alabilir veya güven endeksi oluşturabilir.
- 15:21Veri Hakları ve Etik
- Veri indirirken veri haklarına dikkat edilmeli, özellikle Instagram'dan veri indirirken kullanıcı sözleşmesi okunmalı.
- Veri kişisel bir şey olduğu için yolda bulunan telefon gibi, internette bulunan veriler de alınıp kullanılmamalıdır.
- İnsanlar veriye farklı bakıyor, ancak yasal düzenlemelerle bu konuda ilerleme sağlanabilir.
- 17:01Etiketleme Örnekleri ve Tavsiyeler
- Etiketleme sırasında farklı kriterler kullanılabilir, örneğin hafif kafa gibi detayları alıp almayacağınız karar vermeniz gerekir.
- Kendiniz veri etiketleme aracı kullanarak farklı projelerde deneyim kazanabilirsiniz.
- Maske takmış mı takmamış mı gibi konular için veri seti oluşturabilirsiniz.
- 19:24Veri Kalitesi ve Eğitim
- Mükemmel veri ile eğitilmiş algoritma iyi olmaz, mükemmel veriyi bozabilirsiniz.
- Veri etiketleme işi öğrenme aşamasında yapıldığında, veri nasıl etkilendiğini anlayabilirsiniz.
- Veri etiketleme yaparak, etiketleme sürecindeki potansiyel hataları ve sorunları önceden bilirsiniz.
- 23:11Etiketlenen Verilerin Kullanımı
- Tüm resimler etiketlendikten sonra "Hexbot Label" butonuna basarak verileri istediğiniz formatlarda (YOLO, XML, CSV) dışa aktarabilirsiniz.
- Dışa aktarılan her resim için ayrı bir XML dosyası oluşturulur.
- Proje adı değiştirilebilir ve dışa aktarılan dosyaların yolunda proje adı yer alır.
- 24:51Veri Etiketleme Formatı
- Veri etiketlemede objenin genişlik, uzunluk ve kanal sayısı gibi bilgiler önemlidir.
- Etiketleme sırasında objenin adı (örneğin "kafa") ve bounding box (objeyi çevreleyen kare veya dikdörtgen) koordinatları belirtilir.
- Algoritma eğitimi için veriyi bu formatlara getirmek gerekir, aksi takdirde algoritma anlayamaz.
- 25:52AI Yardımlı Etiketleme
- AI yardımcı özelliği kullanılarak otomatik etiketleme yapılabilir, bunun için TensorFlow.js modeli kullanılır.
- Sistem insan gibi objeleri otomatik olarak tespit edebilir ve etiketleyebilir.
- Kullanıcı, AI tarafından tespit edilen etiketleri düzenleyebilir veya yeni etiketler ekleyebilir.
- 28:14Video Kapanışı
- Veri etiketleme süreci sıkıcı olabilir ancak yapmak zorundadır.
- Bu video serisinin devamında etiketlenmiş verilerle model eğitimi ve webcam ile obje tespiti yapılacaktır.
- Konuşmacı, izleyicilerin veri etiketleme serüvenine katılmalarını ve eğitici bulacaklarını umuyor.