Beta Character AI, Eylül 2022'de Noam Shazeer ve Daniel De Freitas tarafından başlatıldı. Platform, kullanıcıların kendi yapay zeka karakterlerini oluşturmasına olanak tanır. 100.000'den fazla benzersiz karakter ve dinamik sohbet imkanı sunuyor
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.
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.
RNN'ler uzun dizilerde başarılı olamaz ve kısa vadeli hafızaya sahiptir. Klasik RNN'ler giriş-çıkış bağımlılığından dolayı NLP problemlerinde zorlanır
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.
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.
Derin öğrenme, yapay sinir ağlarının büyük verilerden öğrendiği makine öğreniminin altkümesidir. Sinir ağları, verileri katmanlar halinde işleyerek sınıflandırır. Derin öğrenme ağları yüzlerce katmana sahip olabilir
Yapay zeka, insan zekası gerektiren görevleri yerine getirebilen sistemler yaratır. Makine öğrenimi, sistemlerin verilerden öğrenmesini sağlayan temel özelliktir. Doğal dil işleme, makinelerin insan dilini anlamasını sağlar. Bilgisayarla görme, görsel girdileri yorumlama ve analiz etme yeteneğidir
Yapay zeka, bilgisayarların insan gibi düşünmesini sağlayan bir teknolojidir. Makine öğrenimi, kuralları programlamak yerine sistemi eğitmeyi kullanır. Derin öğrenme, sinir ağlarının özellikleri otomatik öğrenmesini sağlar
Bu video, bir konuşmacının beyin, kuantum fiziği ve gerçeklik arasındaki ilişkileri anlattığı eğitici bir sunum formatındadır.. Video, beyinlerin 400 milyar bit bilgi işlediğini ve bu bilgilerin nasıl işlendiğini açıklayarak başlar. Konuşmacı, kuantum fiziği ve nörofizyolojiyi bir araya getirerek beynin nasıl çalıştığını, sinir ağlarının nasıl oluştuğunu ve bu ağların nasıl değiştirilebileceğini anlatır. Hipotalamus'un peptit üretimi, duygusal kimlikler ve bağımlılık konuları detaylı olarak ele alınır. Ayrıca, yaşlanma sürecinin protein üretimindeki düzensizliklerle ilişkisi ve yeni şeyler öğrenmenin beynin yeni devreler kurmasına nasıl katkıda bulunduğu açıklanır.
Derin öğrenme, gizli katmanlı yapay sinir ağları kullanan makine öğrenme alanıdır. Yapay sinir ağları biyolojik sistemlerden esinlenilmiştir. 1940'lardan beri geliştirilen sinir ağlarına dayanmaktadır
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.
"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.
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.
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.
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.
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.