• Buradasın

    Sinir Ağları

    Özetteki ilgi çekici içerikler

    • Aile Dizimi ve Sinir Ağları Üzerine Bilgilendirici Röportaj

      "Yaşamın Dengesi" adlı programda sunucu ve aile dizimi terapisti arasında geçen bu röportajda, sinir ağları ve aile dizimi konuları ele alınmaktadır. Video, insan beynindeki sinir ağlarının trafik ağı gibi çalıştığını ve bu ağlarda oluşan sıkışmaların hayatımızı nasıl etkilediğini açıklamaktadır. Ayrıca, atasal aktarımlar, arketipler ve aile yapısının bireyler üzerindeki etkileri, Türk toplumunda eleştirel aile yapısının benlik parçalarına nasıl yansıdığı incelenmektedir. Röportajda amigdala (duygusal ağ) ve neokorteks arasındaki ilişki, anksiyete gibi psikolojik rahatsızlıklarda amigdalayı yönetme yöntemleri ve ayna nöron teorisi üzerinden karşıdaki duyguları algılama konuları da ele alınmaktadır. Program, aile diziminin benlik parçalarını nasıl ortaya çıkardığı ve duygusal kayıtlarla nasıl yüzleşebileceğimiz konusunda pratik öneriler sunmaktadır.

      • youtube.com

    • Konuşma Tanıma ve Yapay Öğrenme Akademik Dersi

      Bu video, Boğaziçi Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü'nden Murat Saraçlar tarafından sunulan, konuşma tanıma ve yapay öğrenme konularını içeren teknik bir akademik ders formatındadır. Saraçlar, Bilkent Üniversitesi ve Johns Hopkins Üniversitesi mezunu olup, Google ve IBM TJ Watson Research Center'da da çalışmış bir akademisyendir. Ders, konuşma tanıma teknolojisinin tarihçesinden başlayarak istatistiksel modeller (dil modeli, kanal modeli, saklı Markov modelleri), kestirim yöntemleri ve modern derin öğrenme tekniklerine (yinelemeli sinir ağları, LSTM, evrişimsel sinir ağları) kadar uzanan kapsamlı bir anlatım sunmaktadır. Video, matematiksel formüller ve teorik açıklamalar içermekte ve son bölümde soru-cevap oturumu ile tamamlanmaktadır. Ders içeriğinde konuşmaların yazıya dökülmesi, ses içeriğine erişim, akıllı asistanlar ve sesli çeviri gibi uygulamalar ele alınırken, akustik modelleme, dil modelleme ve farklı kestirim yöntemleri detaylı olarak açıklanmaktadır. Ayrıca, kelime altı modeller, karakter bazlı modeller ve modern teknolojilerin geliştirilmesinde kullanılan veri miktarı hakkında bilgiler de sunulmaktadır.

      • youtube.com

    • Makine Öğrenmesi Eğitim Serisi Tanıtımı

      Bu video, Mert Çobanoğlu tarafından sunulan bir makine öğrenmesi eğitim serisinin tanıtım bölümüdür. Mert, uzun süredir makine öğrenmesi ve derin öğrenmeyle ilgili çalışmalar yapan, açık kaynak kodlu içerikler paylaşan ve üniversitelerde eğitim veren bir eğitimcidir. Videoda, serinin yapısı ve içeriği detaylı olarak anlatılmaktadır. Seri, veri işleme (data processing) ile başlayıp, makine öğrenmesi modellerinin geliştirilmesi, model optimizasyonu, regresyon modelleri, sinir ağları ve görüntü işleme gibi konuları kapsamaktadır. İlk projede Iris veri seti kullanılarak sınıflandırma problemi ele alınacak, daha sonra model optimizasyonu, karmaşık sınıflandırma ve regresyon modelleri, sinir ağları ve görüntü işleme projeleri yapılacaktır.

      • youtube.com

    • Derin Öğrenme ve Sınıflandırma Eğitimi

      Bu video, Bilgisayar Programcılığı 2017-543 numaralı İlay Dönder tarafından sunulan bir eğitim içeriğidir. Eğitmen, derin öğrenme ve sınıflandırma konularını anlatmaktadır. Video, iki ana bölümden oluşmaktadır. İlk bölümde derin öğrenme ve sınıflandırma uygulamaları, Google Net gibi eğitilmiş ağların kullanımı, resimlerin sınıflandırılması ve sinir ağlarının çalışma prensipleri adım adım gösterilmektedir. İkinci bölümde ise kategori isimlerini bulma işlemi, "laps" ve "kap" komutları kullanılarak pratik uygulamalar yapılmaktadır. Videoda ayrıca katmanların nasıl erişileceği, skorların nasıl hesaplanacağı ve grafiklerin nasıl çizileceği gibi teknik detaylar da gösterilmekte, pratik uygulamalar ve kod örnekleriyle desteklenmektedir.

      • youtube.com

    • Yapay Sinir Ağlarında İleri ve Geriye Doğru Hesaplama

      Bu video, bir eğitim içeriği olup, konuşmacı yapay sinir ağlarında ileriye ve geriye doğru hesaplama yöntemlerini anlatmaktadır. Video, iki girdi, bir ara katman ve bir çıktıdan oluşan yapay sinir ağ modelini ele alarak başlıyor. Önce ileriye doğru hesaplama adımları (ağırlıkların belirlenmesi, ara katman hücrelerinin toplamlarının hesaplanması, çıktı değerlerinin bulunması) gösteriliyor, ardından geriye doğru hesaplama adımları (hata hesabı, dağıtılacak hataların hesaplanması, ağırlıkların değişim miktarı hesaplanması, yeni ağırlıkların hesaplanması) detaylı olarak açıklanıyor. Video, bir örnek üzerinden bu hesaplamaları adım adım göstererek sonlanıyor.

      • youtube.com

    • Derin Öğrenme ve Yapay Zeka Teknolojileri Eğitim Sunumu

      Bu video, kamu kurumunda proje görevlisi olarak çalışan Ferhat Kurt tarafından sunulan, derin öğrenme grubu kurucusu Mithat'ın da katıldığı bir eğitim sunumudur. Sunum, derin öğrenme ve yapay zeka teknolojileri hakkında kapsamlı bilgiler içermektedir. Sunum, derin öğrenmenin ne olduğu, tarihçesi, temel prensipleri ve kullanım alanları hakkında detaylı bilgiler sunmaktadır. İçerikte konvolüsyonel sinir ağları, pooling işlemlerinin nasıl yapıldığı, katmansal mimari ve derin öğrenmenin popüler olduğu nedenleri açıklanmaktadır. Ayrıca, Google, Facebook, Tesla, NVIDIA, IBM Watson ve diğer büyük şirketlerin derin öğrenme alanındaki çalışmaları ve uygulamaları ele alınmaktadır. Sunumda ayrıca coğrafi analiz, trafik kazaları, sağlık, e-ticaret ve robotik gibi farklı alanlardaki derin öğrenme uygulamaları örneklerle gösterilmektedir. Derin öğrenmeye başlamak için gerekli donanım ve yazılım gereksinimleri, üç ana kütüphane (dc cape, torch ve NVIDIA'nın Digit ürünü) ve pratik uygulamalar da sunumun içeriğinde yer almaktadır. Video, derin öğrenmenin nasıl çalıştığı konusunda teknik detaylarla soru-cevap bölümüyle sonlanmaktadır.

      • youtube.com

    • Back Propagation Algoritması ve Sinir Ağları Eğitim Videosu

      Bu video, bir eğitmen tarafından sunulan yapay sinir ağları konulu eğitim serisinin bir parçasıdır. Eğitmen, back propagation algoritması ve sinir ağlarının öğrenme sürecini anlatmaktadır. Video, back propagation algoritmasının temel prensiplerini, hata kavramını ve hesaplama yöntemlerini (özellikle mean squared error) açıklamaktadır. Eğitmen, kedi-köpek resmi örneği üzerinden hata kavramını anlatıp, neural network'ün eğitilmesinin hatayı sıfıra indirme süreci olduğunu grafiklerle ve basit örneklerle açıklamaktadır. Videoda ayrıca öğrenme oranının nasıl belirlendiği, hata oranının nasıl hesaplandığı ve geri besleme ile sinir ağırlıklarının nasıl güncellendiği anlatılmaktadır. Bu sürecin temelinde türev kavramının yer aldığı belirtilmektedir. Video, bir serinin parçası olup, bir sonraki videoda genetik algoritmaya giriş yapılacağı ve optimizasyon teknikleri hakkında kısa bir giriş seviyesi videonun olacağı bilgisi verilmektedir.

      • youtube.com

    • Yapay Sinir Ağları Eğitim Videosu

      Bu video, bir eğitmen tarafından sunulan yapay sinir ağları konulu eğitim içeriğidir. Eğitmen, izleyicilerden gelen isteğe bağlı olarak sinir ağları problemini adım adım çözmektedir. Video, yapay sinir ağlarında ileri besleme (feed forward) hesaplamalarını ele almaktadır. Eğitmen, ağırlıklar, giriş verileri ve gerçek çıkış değerleri kullanarak tahmin değerlerini hesaplamak için sigmoid fonksiyonunu uygulamakta ve hata fonksiyonu (maliyet-kost fonksiyonu) hesaplamalarını göstermektedir. Eğitmen, bu videoda A kısmını çözdükten sonra, bir sonraki videoda ağırlıkların güncellenmesi (geri besleme - back propagation) konusuna değineceğini ve daha sonra Tense Flow'u Stanford Üniversitesi videolarından anlatacağını belirtmektedir.

      • youtube.com

    • Mask CNN ile Yapay Zeka Eğitimi

      Bu video, Buse adlı bir eğitimcinin sunduğu teknik bir eğitim içeriğidir. Buse, tez dönemi ve şirket projeleri nedeniyle uzun bir süre video çekememiş, ancak izleyicilerin isteği üzerine Mask CNN sinir ağının nasıl çalıştırılacağını anlatmaktadır. Video, Mask CNN'in özel veri seti ile çalıştırılması sürecini adım adım göstermektedir. İçerikte gerekli veri setinin temin edilmesi, AnyDesk üzerinden uzak masaüstünde sanal ortam oluşturma, gerekli kütüphanelerin kurulumu, GitHub'dan Mask CNN projesinin klonlanması, veri etiketleme araçları (LabelMe, Colabler, Image Annotation) kullanımı, veri setinin incelenmesi, görselleştirme işlemleri ve eğitim süreci detaylı olarak anlatılmaktadır. Eğitim, farklı etiketleme araçları, sınıflandırma, konumlandırma ve segmentasyon gibi farklı proje türlerini açıklamakta, veri artırım yöntemlerini göstermekte ve ankorların (çapa) nasıl oluşturulduğunu ve çalıştığını açıklamaktadır. Video, bir sonraki bölümde devam edeceğini belirterek sona ermektedir.

      • youtube.com

    • Sinir Ağları Modellerinde Aktivasyon Fonksiyonu Dersi

      Bu video, bir eğitim dersi formatında olup, bir eğitmen tarafından sinir ağları (neural network) konusunda anlatım yapılmaktadır. Videoda, önceki derste indirilen eksen takımları kullanılarak, iki sınıflı bir veri kümesi için aktivasyon fonksiyonu (activation function) nasıl türetileceği açıklanmaktadır. Eğitmen, 0 ile 1 arasında değişen bir model fonksiyonu oluşturmak için e^(-θx) fonksiyonunu kullanarak, bu fonksiyonun nasıl 0 ile 1 arasında değer alacağını matematiksel olarak göstermektedir. Video, bir sonraki derste koststonksiyonun nasıl türetileceğini göstereceğini belirterek sona ermektedir.

      • youtube.com

    • Yapay Sinir Ağları Temel Mantığı

      Bu video, bir eğitmen tarafından sunulan yapay sinir ağlarının temel mantığını açıklayan bir eğitim içeriğidir. Videoda yapay sinir ağlarının insan beynindeki sinir hücrelerine dayalı olarak nasıl modelleştirildiği anlatılmaktadır. Eğitmen, sinir hücrelerinin çalışma mantığını, girdilerin ağırlıklı toplanmasını ve aktivasyon fonksiyonlarının nasıl çalıştığını örneklerle açıklamaktadır. Özellikle aktivasyon fonksiyonları arasında basamak fonksiyonu ve tanh fonksiyonu gibi yaygın olarak kullanılan fonksiyonlar ele alınmaktadır. Video, ağırlıkların nasıl belirleneceği konusunun bir sonraki videoda anlatılacağı bilgisiyle sonlanmaktadır.

      • youtube.com

    • LSTM Katmanında Kullanılan Parametre Sayısını Hesaplama

      Bu video, derin öğrenme konusunda eğitim içeriği sunan bir öğretici materyaldir. Konuşmacı, LSTM (Long Short-Term Memory) katmanının iç yapısını ve işleyişini detaylı şekilde açıklamaktadır. Video, LSTM katmanının üç boyutlu bir sensör beklediği, bu sensörün boyutlarının batch size, time steps ve feature olarak tanımlandığı bilgisiyle başlıyor. Ardından LSTM'nin temel bileşenleri (self-state, hidden state, input) ve dört farklı gate'i (forget gate, input gate, candy date gate ve output gate) açıklanıyor. Son bölümde ise LSTM katmanındaki öğrenilebilir parametre sayısının nasıl hesaplanacağı formüllerle gösteriliyor ve bu parametrelerin toplam 48 olduğu belirtiliyor. Video ayrıca LSTM'nin zaman bazında ilerleyen bir model olduğunu, her zaman adımında üç boyutlu bir girdi aldığını ve tek bir ağırlık matrixi kullanarak tüm time step'lerde eğitildiğini vurgulamaktadır. Keras'taki LSTM yapısının gösterilmesiyle video sonlanmaktadır.

      • youtube.com

    • Yapay Sinir Ağları ve Perceptron Dersi

      Bu video, bir eğitim dersi formatında olup, bir eğitmen tarafından yapay sinir ağları ve perceptron konusu anlatılmaktadır. Ders, beynin fizyolojik yapısının matematiksel modellemesi üzerine odaklanmaktadır. Eğitmen, perceptron modelinin beynin yapısını taklit ettiğini, nöronların paralel olarak çalıştığını ve bu sayede bilgisayarların seri işlem yapmasından farklı bir yapıya sahip olduğunu açıklamaktadır. Ayrıca, aktivasyon fonksiyonları, sinaptik katsayılar ve hyperplane kavramları matematiksel olarak ifade edilmekte, lojistik regresyon ile ilişkisi anlatılmaktadır. Dersin sonunda, bir sonraki derste multilayer perceptron modelinin anlatılacağı belirtilmektedir.

      • youtube.com

    • Yapay Sinir Ağları Eğitiminde Parametre Başlatma

      Bu video, bir eğitim içeriği olup, konuşmacı yapay sinir ağları konusunda bilgi vermektedir. Video, yapay sinir ağlarında parametre başlatma (initialization) işlemini anlatmaktadır. Konuşmacı, katmanların nasıl tanımlanacağını, nöronların nasıl hesaplanacağını ve ağırlık değerlerinin (weight) nasıl rastgele başlatılacağını açıklamaktadır. Özellikle l katmanlı bir ağ için parametre başlatma işlemi, her katmanın nöron sayısı ve girdi boyutu üzerinden nasıl hesaplanacağı detaylı olarak anlatılmaktadır. Video, ileri yayılım işleminin bir sonraki videoda anlatılacağı bilgisiyle sonlanmaktadır.

      • youtube.com

    • Yapay Zekanın Tarihsel Gelişimi

      Bu video, bir konuşmacının yapay zekanın tarihsel gelişimini anlattığı eğitici bir içeriktir. Video, yapay zekanın evrimini kronolojik olarak ele alarak 1956'daki Dartmouth çalışmalarından başlayarak 1970'lerden 1990'lara kadar uzanan "kış" dönemini anlatıyor. İlk bölümde yapay zekanın altın çağı (1956-1974) ve önemli bilim insanlarının çalışmaları (Marvin Minsky, Frank Rosenblatt) ele alınırken, ikinci bölümde Amerika'daki bütçe kısıtlamaları ve İngiltere hükümetinin Profesör James Light'i görevlendirmesiyle başlayan 20 yıllık duraklama ve George Boole'nin torunu Geoffrey Hinton'un sinir ağları üzerindeki çalışmaları anlatılıyor. Video, bir sonraki bölümde teknik konulara geçileceğini belirterek sona eriyor.

      • youtube.com

    • Derin Öğrenme ve Bilgisayarla Görü Üzerine Bilgilendirici Sohbet

      Bu video, bir sunucu ve konuk arasında geçen, derin öğrenme konusunu ele alan bir sohbet formatındadır. Konuk, bilgisayarla görü alanında uzman bir akademisyendir. Videoda derin öğrenmenin ne olduğu, yapay sinir ağlarından farkları ve özellikle bilgisayarla görü alanındaki etkileri anlatılmaktadır. Konuk, derin öğrenmenin çok katmanlı sinir ağlarını kullanarak öznitelik öğrenimini sağlayan bir algoritmalar ailesi olduğunu, yapay sinir ağlarından farkını çok daha fazla katman sayısına sahip olması olduğunu açıklar. Ayrıca, derin öğrenmenin son üç-dört yılda bilgisayarla görü alanında yaşanan sarsıcı gelişmeleri, nesne tanıma yarışmalarında elde edilen yüksek isabet oranlarını ve doğal dil işleme, ses işleme alanlarındaki ilerlemeleri örneklerle anlatır.

      • youtube.com

    • Yapay Zekanın Tarihi ve Geleceği

      Bu video, Bilkent Üniversitesi Bilgisayar Teknolojisi ve Bilişim Sistemleri Bölüm Başkanı Erkan Uçar, Deep Learning Türkiye kurucularından Ay Yüce ve diğer konukların yer aldığı bir sohbet programıdır. Program, TTGV ve İdöport ekibi tarafından sunulmaktadır. Video, yapay zekanın Antik Yunan döneminden günümüze kadar olan tarihsel gelişimini kronolojik olarak anlatmaktadır. İçerik, Boolean mantık, Turing makinesi, sinir ağları, derin öğrenme gibi temel kavramları ele alırken, John McCarthy, Alan Turing, Geoffrey Hinton gibi önemli bilim insanlarının katkılarını vurgulamaktadır. Ayrıca yapay zekanın günümüzdeki uygulamaları, Siri, Alexa gibi sesli asistanlar, chatbotlar ve gelecekteki potansiyeli de incelenmektedir. Sunumda yapay zekanın etik ve sosyal boyutları, oyun oynayan yapay zeka algoritmaları (AlphaGo), otonom araçlar ve robotlar gibi uygulamalar da ele alınmaktadır. Google, Amazon, Facebook, NVIDIA ve Boston Dynamics gibi önde gelen şirketlerin yapay zeka alanında yaptığı çalışmalar da videoda yer almaktadır.

      • youtube.com
  • Yazeka sinir ağı makaleleri veya videoları özetliyor