Bu video, bir kişinin kişisel değişimini ve takı tasarım mühendisliği konusundaki düşüncelerini paylaştığı bir içeriktir. Videoda konuşmacı, 364 gün boyunca çalıştığı ve arkadaşlarıyla az görüştüğü bir dönemden bahsediyor.. Videoda konuşmacı, bu süre zarfında kilo aldığını ve sivilce çıktığını belirtiyor. Ayrıca takı tasarım mühendisliği konusunda bir karar verdiğini ve bu konuda "inanamiyorum sana iğrençsin" gibi bir tepki aldığını paylaşıyor. Video, konuşmacının bir fotoğraf çekme sürecini göstererek ve CNN'den sıkıldığını ifade ederek sona eriyor.
Deep learning enables machines to automatically learn high-level feature representations. Tutorial is suitable for beginners to intermediate readers. Deep learning is essential for data science and machine learning
AI algorithm increases image size up to 8 times without quality loss. Tool works with images up to 16K resolution. Process takes 10-40 seconds to complete. Maximum file size is 30 MB
CNN, görüntü ve hacimsel verileri işlemek için tasarlanmış yapay sinir ağıdır. Kernel adı verilen eğitilebilir katsayılarla konvolüsyon işlemleri gerçekleştirir. Özellik çıkarma katmanları otomatik olarak veriden girişleri seçer
Bu video, CNN International'in Türkiye'nin COVID-19 salgınla mücadelesindeki hasta takip sistemini övdüğü bir haber sunumudur. CNN muhabirleri ve kameramanları, İstanbul İl Sağlık Müdürlüğü ekiplerinin ev ev dolaşarak sağlık hizmeti verdiği görüntüleri paylaşmaktadır.. Video, CNN'in Türkiye'nin kullandığı hasta takip sistemine odaklanarak, bu sistemin salgınla mücadelede sağladığı başarıları vurgulamaktadır. CNN, Türkiye'nin bu sistemle dünya genelinde bir adım öne çıktığını belirtirken, vakanın ortaya çıktığı ilk andan itibaren sağlık ekiplerinin 48 saat boyunca hastanın temas kurduğu kişiler için tarama yaptığını ve bu sayede önemli verilere ulaşıldığını aktarmaktadır.
Bu video, bir eğitim içeriği olup, konuşmacı TensorFlow 2.0 kütüphanesi kullanarak CNN (Convolutional Neural Network) modellerinin nasıl oluşturulacağını anlatmaktadır.. Video, CIFAR-10 veri setini kullanarak CNN modellerinin uygulamasını göstermektedir. Konuşmacı, veri setini yükleyip, farklı CNN modellerini (manuel olarak oluşturulan model, MobileNet ve ResNet gibi transfer learning modelleri) uygulamakta ve bu modellerin eğitim ve test doğruluk değerlerini karşılaştırmaktadır. Her model için epok sayısı, doğruluk oranı ve loss değerleri gösterilmekte, böylece izleyicilerin CNN modellerinin performansını değerlendirebilmesi sağlanmaktadır.
Bu video, bir kişinin izleyicilerden gelen istek üzerine büyük beden giyim alışverişini paylaştığı bir alışveriş vlogu formatındadır.. Videoda konuşmacı, LC Waikiki, Peros, Hamis, Evans, New Look, CNN ve Devyhams gibi markalardan aldığı giyim parçalarını detaylı olarak göstermektedir. Özellikle elbiseler, tişörtler, kimono, pantolonlar, desenli pantolonlar, etek ve atletler hakkında fiyat bilgileri, tasarım özellikleri ve hangi durumlarda giyilebileceği hakkında yorumlar yapmaktadır.. Konuşmacı özellikle işe giyecek kıyafetlere ihtiyacı olduğunu belirtmekte ve kozmetik ürünleri hakkında da kısa bir bilgi vererek, bunların ayrı videolarda detaylı olarak ele alınacağını ifade etmektedir. Ayrıca Peros ve Hamis gibi mağazaların nerede bulunabileceği hakkında da bilgi vermektedir.
CIFAR10 contains 60,000 color images across 10 classes. Each class has 6,000 images, divided into 50,000 training and 10,000 testing sets. Classes are mutually exclusive with no overlap
Bu video, bir eğitmen tarafından sunulan derin öğrenme ve makine öğrenimi eğitim içeriğidir. Eğitmen, PyTorch kütüphanesi kullanarak göğüs ekstraksiyon görüntülerinde iki sınıflı bir sınıflandırma ağının nasıl oluşturulacağını adım adım göstermektedir.. Video, sınıflandırma kavramının temel açıklamasıyla başlayıp, Google Colab platformunda PyTorch, torchvision, numpy, pandas gibi kütüphanelerin kullanımı, veri setinin hazırlanması, eğitim ve test verilerinin ayrılması, veri dengesizliğinin incelenmesi ve transfer learning ile sınıflandırma ağlarının oluşturulması konularını kapsamaktadır. Ayrıca, AlexNet ve DenseNet gibi farklı sınıflandırma ağlarının karşılaştırılması ve eğitim sürecinin nasıl başlatılacağı da anlatılmaktadır.. Eğitim sürecinde kullanılan metrikler (accuracy, Cohen's kappa skoru, classification report), optimizer'ların seçimi, parametrelerin ayarlanması, veri normalleştirme yöntemleri ve CNN modellerinin kullanımı gibi teknik detaylar da ele alınmaktadır. Video, bir sonraki bölümde performans metrikleri ve karmaşıklık matrisi hakkında daha detaylı bilgi verileceğini belirterek sona ermektedir.
AlexNet was created by Krizhevsky, Sutskever, and Hinton in 2012. Network contained 60 million parameters and 650,000 neurons. Achieved 15.3% top-5 error in ImageNet competition. Used non-saturating ReLU activation function
Antik Dünyanın Yedi Harikası listesi Akdeniz çevresindeki eserlerden derlenmiştir. Yedi sayısı Yunanlar için bereket ve mükemmeliyeti temsil ediyordu. Herodotus ve Callimachus İskenderiye Müzesi'nde bu listeleri hazırlamıştır. Sadece Giza Piramitleri günümüze ulaşmıştır
Bu video, sunucu Buğra'nın çevirmen Barbaros Köprü ile yaptığı bir röportajdır. Barbaros, 1993 yılında Aydın'da doğmuş, Hacettepe Üniversitesi'nde eğitim görmüş ve şu anda İstanbul Üniversitesi Çeviri Bilimi Bölümü'nde yüksek lisans yapmaktadır.. Röportajda öncelikle çevirmenlik mesleği hakkında genel bilgiler verilmekte, ardından Barbaros'un Hitler ve Kan Kırmızı Karlar kitaplarının çevirileri ele alınmaktadır. Video, Hitler'in gençlik yıllarından başlayarak Birinci Dünya Savaşı'ndaki deneyimlerine ve İkinci Dünya Savaşı'na kadar olan süreci detaylı şekilde anlatmaktadır. Son bölümde ise İngilizce öğrenme yöntemleri, teknolojinin sunduğu imkanlar ve dil öğrenmenin püf noktaları paylaşılmaktadır.. Röportajda ayrıca çevirmenliğin zorlukları, özellikle askeri tarih kitaplarının çevirisinde karşılaşılan terminoloji sorunları ve çözüm stratejileri de ele alınmaktadır. Barbaros, yabancı dil öğrenmek isteyen gençlere yönelik tavsiyelerde bulunarak, dinleme becerisini geliştirmek için BBC ve CNN gibi haber kanallarını dinlemeyi, günlük İngilizce diline maruz kalmak için sitcom izlemeyi ve speaking becerisini geliştirmek için pratik yapmanın önemini vurgulamaktadır.
Bu video, bir eğitmen tarafından sunulan derin öğrenme ve görüntü sınıflandırması konusunda kapsamlı bir eğitim içeriğidir. Eğitmen, makine öğrenmesi kavramlarından başlayarak derin öğrenme modellerinin yapısını ve eğitimi detaylı şekilde anlatmaktadır.. Video, makine öğrenmesi temel kavramlarından başlayarak (confusion matrix, precision, recall, F-score) derin öğrenme modellerinin yapısını (CNN, VGG16, ResNet, MobileNet, EfficientNet), eğitimi ve performans değerlendirmesini adım adım göstermektedir. İçerik, modelin kodlanması, optimizasyon teknikleri, veri artırımı yöntemleri ve transfer öğrenme gibi konuları kapsamaktadır.. Eğitim sürecinde kedi-köpek sınıflandırma modeli üzerinden pratik uygulamalar yapılmakta ve model performansını değerlendirme için loss ve accuracy grafikleri, confusion matrix ve classification report gibi araçlar kullanılmaktadır. Ayrıca, veri azlığı sorununa çözüm olarak veri artırımı teknikleri (resim döndürme, zoom yapma, yansıtma) ve ImageNet yarışması sonuçlarında eğitilmiş modellerin transfer öğrenmesi de anlatılmaktadır.
Bu video, Gebze Teknik Üniversitesi Bilgisayar Mühendisliği 4. sınıf öğrencisi Ahmet Selim Dursun'un 2015 bitirme projesi sunumudur.. Sunumda, doğal ortamda çekilmiş bitki fotoğraflarından tür tanıma sistemi geliştirme süreci anlatılmaktadır. Proje, veri kümesi hazırlama, CNN derin öğrenme mimarileriyle eğitim, kaynaştırma yöntemleri uygulama ve web ortamına taşıma aşamalarını içermektedir. Sunumda ayrıca sistemin test sonuçları gösterilmekte ve basit bir web arayüzü tanıtılmaktadır. Video, sistemin çeşitli bitki türlerini tanıma performansını gösteren pratik testlerle sonlanmaktadır.
Bu video, yapay zeka modelleri hakkında bilgi veren eğitici bir içeriktir.. Video, yapay zeka modellerinin farklı kategorilere ayrılabileceğini anlatarak başlıyor. RNN (Recurrent Neural Network) ve CNN (Convolutional Neural Network) gibi modeller ve deep learning kavramı açıklanıyor. Deep learning'in çok sayıda katman içeren ağlar kurduğu ve iş dünyasında yetenekli işler yapabildiği belirtiliyor. Video, Google Translate örneği üzerinden deep learning'in son yıllarda Google Translate'in doğruluğunu ve yeteneklerini nasıl önemli ölçüde artırdığını gösteriyor.
Bu video, bir eğitimci tarafından sunulan ve Fatih İlhan, Furkan, Oğuzhan ve İsmail gibi öğrencilerin de katıldığı bir eğitim içeriğidir.. Video, makine öğrenmesi kullanılarak geleceğe yönelik tahminlerin yapılabilip yapılamayacağı sorusunu ele alarak başlıyor ve zaman serisi tahminindeki temel prensipleri açıklıyor. İçerik, zaman serisi tahminindeki dört temel zorluğu (yeterli bilgiye sahip olunmaması, veri setinin sürekli değişmesi, kör soft dimensionality sorunu ve model seçimi zorluğu) detaylı şekilde ele alıyor ve çeşitli makine öğrenmesi algoritmalarını (LSTM, CNN, DNN, SARMAX, ensemble modeller, klasik algoritmalar) karşılaştırıyor.. Videoda ayrıca veri anomalilerinin incelenmesi, ek bilgi toplama yöntemleri, online tahmin yapma ve eksik veri işleme teknikleri gibi konular da ele alınmaktadır. Elektrik tüketimi gibi zaman serisi verilerinde yapılan testler ve sonuçlar paylaşılırken, makine öğrenmesinin elektrik-elektronik mühendisliği alanındaki önemi de tartışılmaktadır.
Bu video, İzmir Ekonomi Üniversitesi'ndeki kapalı otoparkta kullanılan plaka tanıma sisteminin teknik açıklamasını içeren bir eğitim içeriğidir.. Video, sistemin üç temel aşamasını detaylı olarak anlatmaktadır: plaka tespiti, karakter çıkarımı ve karakter tanınması. Sistem, arabanın geliş açısına göre plaka içinde açı düzeltmesi yaparak diğer sistemlerden farklılaşmaktadır. Plaka tespiti aşamasında plakanın mavi kısmı da çıkarılarak en yakınındaki dikdörtgenle eşleştirilmekte, karakter çıkarımı aşamasında ise açı düzeltmesi yapılarak italik karakterler düzeltilmekte ve son olarak CNN (Convolutional Network) tekniğiyle karakterler tanınmaktadır.
Bu video, İstanbul Üniversitesi Enformatik Bölümü öğretim üyesi Dr. İncizaim Gökbay tarafından sunulan kapsamlı bir eğitim dersidir. Konuşmacı, yapay zeka, makine öğrenmesi ve derin öğrenme konularını detaylı şekilde anlatmaktadır.. Video, yapay zekanın temel kavramlarından başlayarak, makine öğrenmesinin üç temel dalını (gözetimli, gözetimsiz ve pekiştirmeli öğrenme) ve derin öğrenme modellerini (CNN, RNN, RBM) kronolojik olarak ele almaktadır. Her bir kavram ve model detaylı örneklerle açıklanmakta, günlük hayattan uygulamalar sunulmaktadır.. Ders içeriğinde bilgisayar tarihi, nöron modelleri, öğrenme kuramları, algoritma kavramları ve makine öğrenmesinin çeşitli alanlardaki uygulamaları (kredi risk değerlendirmesi, ses tanıma, görüntü sınıflandırması, otonom araçlar, IBM Watson gibi) detaylı şekilde anlatılmaktadır. Video, yapay zekanın gelecekte kuantum kimya, parçacık fiziği ve materyal tasarımı gibi alanlarda nasıl kullanılabileceğine de değinmektedir.
Bu video, bir eğitmen tarafından sunulan konvolüsyonel sinir ağları (CNN) hakkında kapsamlı bir eğitim dersidir.. Video, CNN'lerin temel prensiplerini açıklayarak başlıyor ve ardından CNN ile MLP (Multi-Layer Perceptron) modellerini karşılaştırıyor. İlk bölümde konvolüsyon işleminin avantajları, seyrek bağlantı, paylaşılan parametreler, padding, filtre boyutları ve kanallar gibi temel kavramlar anlatılırken, ikinci bölümde CNN'in MLP'e göre daha hızlı öğrenme yapabildiği ve daha az epokta daha düşük hata oranına ulaşabildiği gösteriliyor.. Videoda ayrıca CNN'in sadece görüntü işlemede değil, 1D verilerde de kullanılabileceği belirtiliyor ve CNN'in mimarisinin correlate olduğu bilgisini zaten içerdiği için daha hızlı öğrenme sağladığı vurgulanıyor.