Yeni Kayıt
Konudaki Resimler
|
Hızlı 
Bildirim
IBM’in derin öğrenme yazılımı bir ilki gerçekleştirdi
Sıcak Fırsatlarda Tıklananlar
Editörün Seçtiği Fırsatlar
Kuashidai Mini Kamera Dedektörü Mikro Kamera Bulucu Otel Anti Açık Çekim Casus Kamera Kızılötesi Dedektörü : Amazon.com.tr: Elektronik
https://www.amazon.com.tr/dp/B09BYYNZF3
20 sa. önce paylaşıldı
Daha Fazla 
Bu Konudaki Kullanıcılar:
Daha Az 
2 Misafir - 2 Masaüstü
Giriş
Mesaj
-
-
Yapay zeka sağlık alanında kullanılacaksa güzel tabi.
< Bu mesaj bu kişi tarafından değiştirildi maximus8282 -- 8 Ağustos 2017; 20:27:55 > -
Derın ogrenme makıne ogrenmesı nedır ne ıse yarar
sırketler bundan nasıl kazanc saglıyorlar
< Bu ileti mini sürüm kullanılarak atıldı > -
Belkide öğrenmeye programlanmıştır. 
< Bu mesaj bu kişi tarafından değiştirildi tuago -- 8 Ağustos 2017; 22:5:23 >
-
Bir örnek diyelim ki dünyada ki herkesin fotoğrafı elinde ve sen bir insanı bulacaksın bunun için bir yazılım geliştiriyorsun (yapay zeka) o programa resmi veriyorsun resimleri yazılım inceleyip sana 100 tane sonuç veriyor google gibi 6 küsür milyar resimden misal 100 sonuç çıkarmışlar %38 doğru deyip bunu halka yayıyorlar. bu teknoloji şu sonuçları doğuracak resim video yada kamera kayıtlarında istedikleri şeye yazılım vasıtasıyla kolayca erişim ve takip ve bence bu tipte haberler ise caydırma korkutma amaçlı bkz person of interest
-
Temelde matematiksel istatistiğe, lineer cebire, fonksiyonların zincir kuralıyla türevinin alınmasına ve bir kayıp fonksiyonu belirlenmesine dayalı "pattern recognition" veya "örüntü tanıma" işine yarayan algoritmalar makine öğrenmesi sınıfına giriyor. Bunu sağlayan değişik yöntemler olmasıyla birlikte günümüzde artık yapay sinir ağları en öne geçmiş durumda. Yapay sinir ağları da katman katman ve her katmanda, genellikle programcının belirttiği sayıda yapay nöron içeren bir algoritma. Derin öğrenme ise bu katmanların sayısının 2'den fazla olduğu yapay sinir ağı ile öğrenme yöntemi. Resnet-101 mesela 101 katmanlı bir yapay sinir ağı. Örneğin resim tanıyan bir algoritma tasarlansın. İlk katman, giriş katmanı resimlerdeki pikseller, son katman ise bu piksellerden örneğin resimde "kedi" var bilgisini veren katman. Aralarda da hesaplamalar yapılıyor. Katmanlar arasındaki nöronlarda bağlantılar bulunuyor ve bu bağlantıların belirli bir sayı değeri bulunuyor. İlk başta çoğunlukla rasgele olarak belirleniyorlar. Daha sonra sisteme örnek resimler gösteriliyor. Resmin sonucunun ne olduğunun bilindiği "supervised learning" örnekleri. Mesela kedi resmi var ama bizim sinir ağımız köpek olarak tanıdı ise, yani yanlış tanıdı ise, burada bu loss (kayıp) fonksiyonu devreye giriyor ve ne kadar tanıma hatası yapılmış o bulunuyor ve katmanlarda geriye giderek ve türev alarak nöronlar arasındaki bağlantı değerleri değiştiriliyor ve her bir adımda kayıp fonksiyonu düşürülüp kedi resmini kedi olarak tanısın diye hesaplama yapılıyor. Bu şekilde sinir ağını milyonlarca resim ile eğittiğimizde kayıp fonksiyonu epey düşecektir ve nöronlar arası bu bağlantı değerleri belli bir değere yakınsar. O zaman yapay sinir ağıyla, bu ağın daha önceden görmediği resimlerde ne bulabildiği hesaplatılır. Bu da başarı oranı olur. Genelde daha derin oldukça daha başarılı olur ancak milyonlarca resim ve milyonlarca bağlantı için çok fazla matematiksel işlem gerekir, bu sebepten GPU'lar daha hızlı eğitim yapar. Nerelerde kullanılır? Yüz tanıma, ses tanıma, ses üretimi, doğal dil işleme veya dil çevrimi, Siri ve Cortana gibi sanal asistanlar, tavsiye sistemleri, finansal analiz sistemleri, bir fotoğrafta veya videoda ne olduğunu anlayan algoritmalar, gerçek zamanlı davranış algılama, hastalık teşhisi veya medical image analysis, otomatik oyun oynama (özellikle Doom oynayan deep reinforcement learning algoritmaları var), DeepMind'ın Alphago algoritmasında, en meşhuru da otonom araçlarda görüntüden çevrede ne olup bitiyor, ne var ne yok onun anlaşılmasında; aslında temelde, yeterli geçmiş bilgiden geleceği tahmin eden her konuda kullanılabilir. Google'ın bazı çalışmalarında resimlerdeki eksik bölgeleri tamamlama veya seslerdeki cızırtıları giderme tarzı çalışmalar da var diye okuduk. Hatta sadece kelime tabanlı değil, resim ve video da aratılabilecek bir arama motoru olabilir. Shazam gibi müziklerin belli bir kısmı dinletilip de müziğin ne olduğunu bulan yazılımlar da bu sınıfa giriyor, her ne kadar Shazam makalesinde yapay sinir ağından bahsetmese de, genel olarak machine learning yöntemleri bunlar.
< Bu mesaj bu kişi tarafından değiştirildi yesil1026 -- 9 Ağustos 2017; 0:18:12 >
-
quote:
Orijinalden alıntı: Jon SNOW 37
Derın ogrenme makıne ogrenmesı nedır ne ıse yarar
sırketler bundan nasıl kazanc saglıyorlar
Satranc oynayan bir yapay zeka tasarliyorsun diyelim.
Piyon buraya gelirse, sen boyle yapacaksin dersen bu makine ogrenmesi olmaz; ama basit bir yapay zeka tasarlamis olursun.
Oynadigin oyunlari analiz et, durum analizi yap; her oyundan sonra eksiklerini cok cok minik gider ===> Seklinde tasarlarsan makine ogrenmesi algoritmasini tasarlamis olursun ama tamamlamis olmazsin. Cunku henuz ogrenecek altyapisi var, fakat ogrenecek yeterince veri yok. Surekli satranc oynayip her mactan sonra biraz daha ilerlemesi gerekiyor. ==> Iste bu makine ogrenmesi.
Makine ogrenmesinde kullanilan bir cok teknik var, "supervized" ve "unsupervized" olmak uzere en temelde 2 ye ayrilir bu yontemler. Birisinde sen makineye "Bak bu gordugun rakam "8" dir diye ogretirsin. Zamanla makine "8" rakami ile "B" harfinin farkini surekli kendisini duzelterek ogrenir. Ayni bizim gibi. Ama bunu yapabilmesi icin basinda bir insanin ona yol gostermesi gerekir. Unsupervised learning de makine gordugu paternleri kendisi yorumlar. Ornegin turkiyedeki elektrik kullanimini analiz eden bir projede basit bir yapay zeka ve makine ogrenimi algoritmasi gelistirmistik; supheli "kacak elektrik" kullanimini ayirt edebiliyorduk. Bunu yaparken makineye "bak bu patern kacak elektrik paternidir" demiyorsun. Kendisi bir olguyu incelerken sira disi ve normun disinda kalan anomaliyi yakalayabilip kategorize edebiliyor. ===> Iste bu unsupervized metoda giriyor.
Insan sinir sistemine benzer yapida tasarlanan bir sistem olan "yapay sinir aglari" da aslinda ( neural network ) bir makine ogrenimi teknigi. Bazi matematiksel katsayilar ve fonskiyonlar ile olusturdugun sisteme veri giris yaparak sistemin kendi kendisine ogrenmesini bekliyorsun. Ancak bunu yaparken de yanlislarindan ogrenmeleri mumkun oluyor. Ornegin Google Translate. Surekli ceviri yapiyor ancak bir yandan da yanlis cevirilerin kullanicilar tarafindan duzeltilmesi sayesinde bir seyler ogrenip kendini duzeltiyor. Iste bu yapay sinir aglarinin sadece ceviri yapmadigi, ceviri yaparken farkli seyleri de ogrenebildigi versiyonlari ( ornegin simultane ceviri sirasinda ses tonundan anlam cikarmak gibi. Ispanyolca gibi dillerde yalnizca kelimelere bakarak soru soruldugunu anlayamiyorsun bunu vurgu ile sagliyorlar; bizdeki gibi mi - mu soru eki yok ) "Derin ogrenme" oluyor; zira amac tek bir "bilinmeyeni" aydinlatmak degil. Aslinda Derin ogrenmek, Yapay Zeka-> Machine Learning -> Supervized Learning -> Neural Network -> Back Propagation -> Deep Learning gibi bir bilgisayar bilimi konsepti. Haber makalelerinde yazinca havali oldugu icin bunu surekli yazip duruyorlar.
Yapay sinir aglari da boyle supersonik bir olgu degil; Ornegin senin telefonu acip acmamaya karar verme mekanizmani ele alalim. Bunu yaparken dikkate aldigin parametreler neler:
1) Arayan kisi ===> A
2) Telefonun ses durumu ( sessizde mi, sesi acik mi ) ====> B
3) Telefonun calma suresi =====> C
4) Zaman ( Haftanin hangi gunu ve saat kac ) =====> D
5) Su anda yaptigin is ( araba mi suruyorsun, iste misin vs ) =====> E
...
Tum bu bilinmeyenlerin basina bir katsayi uydur. Bu parametrelerin kucuk harf versiyonlari olsun. Bu basit ornekte senin telefonu acma fonksiyonun ( cok basitce yaziyorum ) aA + bB + cC + dD + eE olacak.
Iste senin telefonuna yazdigin cok basit bir algoritmanin tek yaptigi, senin telefonun her caldiginda bu parametreleri inceleyip senin icin en dogru a,b,c,d,e katsayilarini belirlemek. Yeterince aramayi gozlemledikten sonra, telefonun seni arayan kisiye soyle bir mesaj atabilir aramadan once : "Jon Snow bu aramanizi %91 ihtimalle yanitlayamayacak. Isterseniz hic aramayin :) " . Iste bu, makine ogrenmesi.
Bu konsept yeni bir sey degil, cok eskiden beri teorize ediliyor. Ancak bilgisayarlarin islem gucu cok ciddi seviyede arttigi icin ve artik neredeyse her dijital devre programlanabilir oldugu icin bu kadar hayatimizin icerisinde. Ornegin insanlarin her gun hareket etme paternlerini analiz edip ogrenen global bir algoritma olsa elimizde, yarin saat kacta nerede trafik olacak cok isabetli tahmin yapabiliriz. Ya da yarin konser verecek bir sanatcinin konserine katilim oranlarini bilebiliriz.
Hatta cok bilim kurgu geliyor kulaga ama yeterince veri olsa elimizde, kimin kime zarar verecegini cok isabetli bir sekilde haftalar oncesinden bilebiliriz. Suclulari, daha henuz suc islenmemisken tespit edip adalet sisteminde paradoks olusturabiliriz : )
< Bu mesaj bu kişi tarafından değiştirildi Mephalay -- 9 Ağustos 2017; 6:06:57 >
< Bu ileti tablet sürüm kullanılarak atıldı >
-
quote:
Orijinalden alıntı: Mephalay
quote:
Orijinalden alıntı: Jon SNOW 37
Derın ogrenme makıne ogrenmesı nedır ne ıse yarar
sırketler bundan nasıl kazanc saglıyorlar
Satranc oynayan bir yapay zeka tasarliyorsun diyelim.
Piyon buraya gelirse, sen boyle yapacaksin dersen bu makine ogrenmesi olmaz; ama basit bir yapay zeka tasarlamis olursun.
Oynadigin oyunlari analiz et, durum analizi yap; her oyundan sonra eksiklerini cok cok minik gider ===> Seklinde tasarlarsan makine ogrenmesi algoritmasini tasarlamis olursun ama tamamlamis olmazsin. Cunku henuz ogrenecek altyapisi var, fakat ogrenecek yeterince veri yok. Surekli satranc oynayip her mactan sonra biraz daha ilerlemesi gerekiyor. ==> Iste bu makine ogrenmesi.
Makine ogrenmesinde kullanilan bir cok teknik var, "supervized" ve "unsupervized" olmak uzere en temelde 2 ye ayrilir bu yontemler. Birisinde sen makineye "Bak bu gordugun rakam "8" dir diye ogretirsin. Zamanla makine "8" rakami ile "B" harfinin farkini surekli kendisini duzelterek ogrenir. Ayni bizim gibi. Ama bunu yapabilmesi icin basinda bir insanin ona yol gostermesi gerekir. Unsupervised learning de makine gordugu paternleri kendisi yorumlar. Ornegin turkiyedeki elektrik kullanimini analiz eden bir projede basit bir yapay zeka ve makine ogrenimi algoritmasi gelistirmistik; supheli "kacak elektrik" kullanimini ayirt edebiliyorduk. Bunu yaparken makineye "bak bu patern kacak elektrik paternidir" demiyorsun. Kendisi bir olguyu incelerken sira disi ve normun disinda kalan anomaliyi yakalayabilip kategorize edebiliyor. ===> Iste bu unsupervized metoda giriyor.
Insan sinir sistemine benzer yapida tasarlanan bir sistem olan "yapay sinir aglari" da aslinda ( neural network ) bir makine ogrenimi teknigi. Bazi matematiksel katsayilar ve fonskiyonlar ile olusturdugun sisteme veri giris yaparak sistemin kendi kendisine ogrenmesini bekliyorsun. Ancak bunu yaparken de yanlislarindan ogrenmeleri mumkun oluyor. Ornegin Google Translate. Surekli ceviri yapiyor ancak bir yandan da yanlis cevirilerin kullanicilar tarafindan duzeltilmesi sayesinde bir seyler ogrenip kendini duzeltiyor. Iste bu yapay sinir aglarinin sadece ceviri yapmadigi, ceviri yaparken farkli seyleri de ogrenebildigi versiyonlari ( ornegin simultane ceviri sirasinda ses tonundan anlam cikarmak gibi. Ispanyolca gibi dillerde yalnizca kelimelere bakarak soru soruldugunu anlayamiyorsun bunu vurgu ile sagliyorlar; bizdeki gibi mi - mu soru eki yok ) "Derin ogrenme" oluyor; zira amac tek bir "bilinmeyeni" aydinlatmak degil. Aslinda Derin ogrenmek, Yapay Zeka-> Machine Learning -> Supervized Learning -> Neural Network -> Back Propagation -> Deep Learning gibi bir bilgisayar bilimi konsepti. Haber makalelerinde yazinca havali oldugu icin bunu surekli yazip duruyorlar.
Yapay sinir aglari da boyle supersonik bir olgu degil; Ornegin senin telefonu acip acmamaya karar verme mekanizmani ele alalim. Bunu yaparken dikkate aldigin parametreler neler:
1) Arayan kisi ===> A
2) Telefonun ses durumu ( sessizde mi, sesi acik mi ) ====> B
3) Telefonun calma suresi =====> C
4) Zaman ( Haftanin hangi gunu ve saat kac ) =====> D
5) Su anda yaptigin is ( araba mi suruyorsun, iste misin vs ) =====> E
...
Tum bu bilinmeyenlerin basina bir katsayi uydur. Bu parametrelerin kucuk harf versiyonlari olsun. Bu basit ornekte senin telefonu acma fonksiyonun ( cok basitce yaziyorum ) aA + bB + cC + dD + eE olacak.
Iste senin telefonuna yazdigin cok basit bir algoritmanin tek yaptigi, senin telefonun her caldiginda bu parametreleri inceleyip senin icin en dogru a,b,c,d,e katsayilarini belirlemek. Yeterince aramayi gozlemledikten sonra, telefonun seni arayan kisiye soyle bir mesaj atabilir aramadan once : "Jon Snow bu aramanizi %91 ihtimalle yanitlayamayacak. Isterseniz hic aramayin :) " . Iste bu, makine ogrenmesi.
Bu konsept yeni bir sey degil, cok eskiden beri teorize ediliyor. Ancak bilgisayarlarin islem gucu cok ciddi seviyede arttigi icin ve artik neredeyse her dijital devre programlanabilir oldugu icin bu kadar hayatimizin icerisinde. Ornegin insanlarin her gun hareket etme paternlerini analiz edip ogrenen global bir algoritma olsa elimizde, yarin saat kacta nerede trafik olacak cok isabetli tahmin yapabiliriz. Ya da yarin konser verecek bir sanatcinin konserine katilim oranlarini bilebiliriz.
Hatta cok bilim kurgu geliyor kulaga ama yeterince veri olsa elimizde, kimin kime zarar verecegini cok isabetli bir sekilde haftalar oncesinden bilebiliriz. Suclulari, daha henuz suc islenmemisken tespit edip adalet sisteminde paradoks olusturabiliriz : )
Yazin cok aciklayici, tesekkürler. Her ne kadar burada belirttigin her bilgiye internetten ulasabilsek de, böyle tane tane anlatilinca taslar yerine oturuyor, insan daha iyi anliyor. Yazinin bitis kismi da Person of Interest'e göz kirpmis :)
-
Yok şu rekoru kırdı yok şunu başardı falan falan.. Ne zaman bana hastanede "bak şu işi artık yapay zeka yapacak senin yapmana gerek yok" derlerse o zaman gerçekten bu alanda bir gelişme var diyeceğim.
-
quote:
Orijinalden alıntı: Mephalay
...
Hatta cok bilim kurgu geliyor kulaga ama yeterince veri olsa elimizde, kimin kime zarar verecegini cok isabetli bir sekilde haftalar oncesinden bilebiliriz. Suclulari, daha henuz suc islenmemisken tespit edip adalet sisteminde paradoks olusturabiliriz : )
Açıklama ve örnekler sade ve kavrama için çok güzel. Son kısım da ayrı bir konu zira dediğiniz noktalarda zaten en başta gelen Minority Report adlı film ve Person of Interest adlı dizi var. Başka eserler de var da 2 sektör açısından bunlar. Hatta Watch Dogs gibi bir oyunu ve Olasılıksız adlı kitabı da dahil edebiliriz. Olasılıksız da bilgisayar sistemi değil de daha çok insanların beyinlerindeki işleme gücünü kullanma gibi bir durum vardı. Yani ortak bir ağ kurup bir kişi o sayede tüm olası gelecekleri hesaplıyordu.
Velhasıl insan için bir işlemi gerçekleştirme konusunda da çıkardığınız denklem hoş olmuş. Aslında tüm kararlarımız bir çok değişkene bağlı bir sonuçtur ve bu değişkenlerin tamamı biliniyorsa yapacağımız eylem de bilinebilir olayını savunurum. Yani bir noktada belki özgür irade vardır ama insan aslında yaşadıklarının/deneyimlerinin bir ürünüdür ve aldığı her kararın temelde bir şeylere bağlı olması gerçeği vardır.
Sayfa:
1
Ip işlemleri
Bu mesaj IP'si ile atılan mesajları ara Bu kullanıcının son IP'si ile atılan mesajları ara Bu mesaj IP'si ile kullanıcı ara Bu kullanıcının son IP'si ile kullanıcı ara
KAPAT X
Bu mesaj IP'si ile atılan mesajları ara Bu kullanıcının son IP'si ile atılan mesajları ara Bu mesaj IP'si ile kullanıcı ara Bu kullanıcının son IP'si ile kullanıcı ara
KAPAT X
