Bu video, bir eğitmen tarafından sunulan derin öğrenme ve neural network konulu eğitim içeriğidir.. Video, multi-layer perceptron'un neden gerekli olduğunu XOR problemi üzerinden açıklamaktadır. İlk bölümde lojistik regresyon ile çözülen XOR problemi ve multi-layer perceptron'un iki katmanlı modeli grafiklerle gösterilirken, ikinci bölümde aktivasyon fonksiyonları, nöronların beslenmesi, katsayıların kullanımı ve katmanların nasıl eklendiği anlatılmaktadır.. Videoda ayrıca tek katmanlı ve çok katmanlı neural network'lerin farkları, hyperplane kavramı ve derin öğrenme'nin nasıl çalıştığı detaylı olarak ele alınmaktadır. Neural network'lerin nasıl görselleştirilebileceği ve farklı verileri nasıl anlamlandırabileceği de gösterilmektedir.
Ramon Llull 1308'de yapay zekanın ilk kavramsallaştırmasını yaptı. Leibniz 1666'da düşüncelerin basit kavram kombinasyonlarından oluştuğunu öne sürdü. Thomas Bayes 1763'te olayların olma ihtimalini bulma yapısını geliştirdi
Born in 1928 in New Rochelle, New York to Jewish parents. Graduated from Cornell University with A.B. in 1950 and Ph.D. in 1956. Built custom computer EPAC for psychometric analysis in 1951-1953
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
Bu video, bir eğitmen tarafından sunulan plaka tanıma sisteminin dördüncü eğitim videosudur. Eğitmen, önceki videolarda plaka tespit ve konum tespiti yapmış olduğunu belirtmektedir.. Video, plaka tanıma sisteminin karakter sınıflandırma algoritmasını ele almaktadır. İçerikte ayrıştırma (segmentation), sınıflandırma (classification), eşikleme (threshold) ve morfolojik işlemler (özellikle açma işlemi) gibi temel adımlar adım adım gösterilmektedir. Eğitmen, Python programlama dilini ve OpenCV kütüphanesini kullanarak plakanın konumunu tespit etme, plakaları kesme, boyutlandırma ve gürültü azaltma işlemlerini detaylı şekilde anlatmaktadır.. Videoda ayrıca evrişimsel sinir ağı kullanarak sınıflandırma yapma, adaptif threshold fonksiyonunun kullanımı, ortalama algoritmasının ayarlanması ve filtre boyutunun önemi gibi teknik konular da ele alınmaktadır. Bir sonraki derste fight counter'ları bulma adımının yapılacağı belirtilmektedir.
Bu video, bir eğitmen tarafından sunulan yapay zeka dersinin bir bölümüdür. Eğitmen, error algoritmasına göre back propagation algoritmasını tamamladıktan sonra test kısmına geçiş yapmaktadır.. Videoda, back propagation algoritmasının test edilmesi için grafik oluşturma, aktivasyon fonksiyonu seçimi ve nöron sayısının etkisi gösterilmektedir. Eğitmen, lineer aktivasyon fonksiyonu yerine sigmoidal aktivasyon fonksiyonunun daha iyi sonuçlar verdiğini göstermekte ve nöron sayısının değiştirilmesinin algoritmanın performansını nasıl etkilediğini açıklamaktadır. Video, bir sonraki derste adaptif learning retini ve momentum uygulamalarının gösterileceği bilgisiyle sonlanmaktadır.
LSTM is a recurrent neural network designed to overcome the vanishing gradient problem. It consists of a cell and three gates: input, output, and forget gates. The forget gate determines what information to discard from the previous state. The input gate controls which new information to store. The output gate determines which information to output
ResNet is a 50-layer deep convolutional neural network introduced in 2015. ResNet won ILSVRC 2015 classification competition with 3.57% training error. Deeper neural networks face challenges with training and accuracy degradation
Deep learning uses interconnected layers of nodes to process numeric data. Deep neural networks consist of multiple hidden layers for complex data processing. Training involves saving numeric state (weights) in network nodes
Bu video, bir eğitim içeriği olup, konuşmacı önceki videolarda teorileri ve Numpy kütüphanesini anlattığını belirtiyor.. Video, Numpy ile neural network uygulaması yapma sürecini adım adım gösteriyor. Öncelikle MNIST veritabanının nasıl yükleneceği, pickle kütüphanesi ile seri yerleştirme işlemi, verilerin training, validation ve test olarak nasıl ayrılacağı anlatılıyor. Ardından verilerin 28x28 piksellik resimlerden oluştuğu ve bu resimlerin nasıl vektörelleştirileceği açıklanıyor. Video, sınıflandırma yöntemlerine geçiş yaparak sona eriyor ve bir sonraki videoda devam edeceğini belirtiyor.
Bu video, radial basis function (RBF) neural network hakkında teknik bir eğitim içeriğidir. Konuşmacı, RBF neural network'in yapısını ve çalışma prensiplerini anlatmaktadır.. Video, RBF neural network'in temel yapısını açıklayarak başlıyor ve üç katmanlı (giriş, gizli ve çıkış) yapısını detaylandırıyor. Ardından, RBF network'in öğrenme algoritmaları, özellikle K-means ve LMS algoritmaları ele alınıyor. Son bölümde, farklı sayıda nöron kullanılarak bir fonksiyonun nasıl yaklaşımda olduğu gösteriliyor ve nöron sayısının model performansına etkisi inceleniyor. Video, görsel örnekler ve matematiksel formüllerle desteklenerek, RBF neural network'in nasıl eğitildiğini ve performansını nasıl optimize edilebileceğini gösteriyor.
Bu video, bir eğitim dersi formatında olup, bir eğitmen tarafından neural network'lerin öğrenme algoritmaları hakkında bilgi verilmektedir.. Ders, önceki derste verilen kos fonksiyonu ve model tanımlamalarının devamı niteliğindedir. Eğitmen, sigmoid ve lineer aktivasyon fonksiyonlarının kullanımını açıklayarak, learning algoritmasının nasıl oluşturulacağını matematiksel olarak göstermektedir. Özellikle back propagation algoritmasının 1960'lı-1970'li yıllarda Rumelhart tarafından geliştirildiği ve bu algoritmanın neural network'lerin gelişimindeki önemi vurgulanmaktadır. Dersin sonunda, bir sonraki derste bu algoritmanın bir dataset üzerinde nasıl uygulanacağı gösterileceği belirtilmektedir.
Bu video, bir eğitim içeriği olup, konuşmacı mide anatomisini detaylı olarak anlatmaktadır.. Video, midenin bölümlerini (kardiya, corpus, pars floricus, pars antricus, kanal floricus, pilor) tanıtarak başlıyor. Ardından mide üzerindeki sinir ağı (pleksus gastriks), damarlar (arteria gastrica, arteria gastro omentalis, arteria gastroepiploica) ve kas lifleri (oblik, sirküler, longitudinal) hakkında bilgi veriliyor. Son olarak midenin tabakaları (tunica mukoza, tunica muscularis, tunica serosa) ve özel yapılar (valdere caddesi, ostium kardiyaka, ostium floricum) gösteriliyor.
Bu video, Stanford Üniversitesi Elektrik Bölümü'nde doktora yapan Berivan'ın, Deep Learning for Information Geometry workshop'ında sunduğu teknik bir sunumudur. Sunumda neural network sıkıştırma ve gürültü dayanıklılığı konuları ele alınmaktadır.. Sunum, büyük boyutlu neural network'lerin yaygın kullanımındaki sorunları ve bunları çözmek için kullanılan sıkıştırma tekniklerini detaylı olarak incelemektedir. Pruning, quantization ve bilgi distillation gibi sıkıştırma yöntemleri açıklanırken, analog depolama cihazlarının avantajları ve zorlukları da ele alınmaktadır. Ayrıca, neural networklerin gürültüye karşı dayanıklılığını artırmak için geliştirilen sparsity, sign protection, adaptive mapping ve adaptive redundancy gibi stratejiler sunulmaktadır.. Sunum sonrası soru-cevap bölümünde, PCM (Phase Change Memory) cihazlarının avantajları ve noise karakteristikleri hakkında sorular yanıtlanmakta, bu cihazların dijital modda kullanılışına göre daha az güç tüketimi sağladığı belirtilmektedir.
Bu video, bir eğitmen tarafından sunulan SPSS Modeller (IBM'in daha önce Clementin olarak bilinen ürünü) hakkında kapsamlı bir eğitim serisidir.. Video, SPSS Modeller'in temel özelliklerini, arayüzünü ve kullanımını adım adım göstermektedir. İçerikte Excel'den veri yükleme, veri türlerini tanıma, KNN algoritması, confusion matrix, decision tree, neural network, logistic regression gibi sınıflandırma yöntemleri ve partition (veri bölme) gibi özellikler anlatılmaktadır.. Eğitim, başlangıç seviyesindeki kullanıcıların SPSS'i kullanabilmeleri için tasarlanmış olup, ileri düzey özelliklerin de bulunduğu belirtilmektedir. Video, Windows ortamında kaydedildiği için kayıt kalitesi hakkında özür dilemektedir.
Bu video, Trendys Academy kanalında yayınlanan bir eğitim içeriğidir. Eğitmen, derin öğrenme konusunu ve Keras kütüphanesi kullanarak sinir ağı modeli oluşturma sürecini anlatmaktadır.. Video, derin öğrenmenin ne olduğunu, makine öğrenmesiyle arasındaki farkları ve sinir ağlarının yapısını açıklayarak başlamakta, ardından TensorFlow ve Keras kütüphanelerinin nasıl yükleneceğini göstermektedir. Daha sonra model yapılandırılması, veri ön işleme işlemleri ve modelin eğitilmesi adımları adım adım anlatılmaktadır.. Eğitim içeriğinde el yazısı rakamlarını sınıflandırma problemi üzerinden örnekler verilmekte ve modelin test verisindeki %98 doğruluk oranıyla aşırı uydurma (overfitting) sorunu olduğu belirtilmektedir.
Bu video, Kaan adlı bir eğitmen tarafından sunulan plaka tanıma sistemi serisinin beşinci bölümüdür. Eğitmen, yapay zeka kullanarak plaka tanıma algoritmasının nasıl geliştirileceğini adım adım anlatmaktadır.. Videoda, plaka tanıma algoritmasının ikinci ve üçüncü basamaklarının nasıl gerçekleştirileceği detaylı olarak gösterilmektedir. İçerik, plakanın kameradaki konumunu bulma, counter'ları bulma, sıralama, boyut kontrolü, plaka karakterlerini kesme ve kaydetme, resimleri ikiye katlama, gri format alma, eşikleme yapma ve gluten'i yok etme gibi adımları kapsamaktadır.. Eğitim, OpenCV, CV2 ve Numpy kütüphaneleri kullanılarak kod örnekleriyle desteklenmekte ve bir sonraki bölümde veri seti oluşturma ve sinir ağını eğitme konularının işleneceği belirtilmektedir. Video, plaka tanıma algoritmasının farklı plakaları yakalama performansını test etme ile sona ermektedir.
Bu video, bir sağlık uzmanının kuyruk sokumu tedavisinde kullanılan sinir ağına yönelik blokaj ve radyofrekans tedavisini anlattığı bir eğitim içeriğidir.. Video, tedavi öncesi ultrason kontrolünün önemi ile başlayıp, skopi röntgen cihazının kullanımı, enjeksiyon bölgesinin tespiti ve tedavi sürecini adım adım göstermektedir. Tedavi sırasında koksiks eklemi üzerinden sinir ağına ulaşma, radyofrekans iğnesinin yerleştirilmesi, kontrast madde ile kontrol ve yaklaşık iki dakika süren radyofrekans tedavisi uygulaması detaylı olarak anlatılmaktadır.
Bu video, Gebe Üniversitesi Bilgisayar Mühendisliği öğrencisi Muzaffer Metehan Nalan'ın 2019 bitirme projesi kapsamında hazırladığı bir sunumdur.. Video, meme kanserinde mitoz sayımının otomatikleştirilmesi için geliştirilen bir sinir ağı sisteminin tanıtımını içermektedir. Proje, ICPR 2012 veri setinden alınan histopatolojik görüntüleri kullanarak, bölükleme, veri artırımı ve AlexNet, VGG16 gibi modellerle eğitim aşamalarını kapsamaktadır. Sunumda sistemin çalışma prensibi, eğitim süreci ve test sonuçları gösterilmekte, ayrıca programın gerçek bir test görüntüsünde nasıl çalıştığı ve sonuçları gösterilmektedir.
Bu video, Salih Fırat tarafından sunulan "Skit Learn ile Acemiler İçin Makine Öğrenme Dersleri" serisinin sekizinci bölümüdür.. Videoda neural network (sinir ağı) ile regresyon konusu ele alınmaktadır. İlk bölümde neural network'in ne olduğu ve çalışma prensibi açıklanırken, ikinci bölümde grid search teknikleri kullanılarak en iyi parametrelerin nasıl bulunacağı gösterilmektedir. Balık veri seti üzerinde MLP Regrester modeli kullanılarak regresyon uygulaması adım adım anlatılmakta ve %97,60 hata oranına ulaşılmıştır.. Eğitim içeriğinde learning rate'in önemi, veri normalizasyonu (standart sapma) ve eğitilen modelin nasıl kaydedileceği gibi konular da ele alınmaktadır. Ayrıca, nöronların nasıl etkileşime girdiği ve aktivasyon fonksiyonlarının nasıl kullanıldığı görsel olarak açıklanmaktadır.