Makine Öğrenimi ve Sinir Ağları - sayfa 6

[MetaQuotes]

Yapay Zekanın Tarihi [Belgesel]

Yapay Zekanın Tarihi [Belgesel]

Yapay Zeka Tarihi belgeseli, bizi bilim kurgu yazarları ve film endüstrisi tarafından ortaya atılan "düşünen makine" kavramının ilk günlerinden, yapay zeka ve derin öğrenme süreçlerindeki günümüzdeki gelişmelere götürüyor. Belgesel, kaydedilen ilerlemeyi gösteriyor AI'da, makinelerin insanlar gibi öğrenme yeteneği ve bilgisayarların nasıl çalıştığının arkasındaki ilkeler. Video, bilgisayarların sınırlamalarını, gelişim potansiyellerini ve yapay zekanın (AI) olası geleceğini araştırıyor. Bilim adamları, makinelerin düşünebilme ve yeni fikirler üretebilme olasılığını tartışıyorlar ve amaç, deneyimleyerek öğrenebilen, kavramlar oluşturabilen ve mantık yürütebilen daha genel bir bilgisayar sistemi yaratmak. Yapay zekaya yönelik ilk adımlar, bir labirenti çözen elektrikle kontrol edilen bir fare örneğinde gösterildiği gibi, deneyimlerden öğrenebilen küçük bir bilgi işlem makinesinde görülebilir.

İkinci bölüm, düşünme, hissetme ve yaratıcılık açısından bilgisayarların sınırlarını ve potansiyelini araştırıyor. Bilgisayarlar mantıksal işlemlerde ve matematiksel hesaplamalarda mükemmel olsa da, tanıma, örüntü tanıma ve genelleme, blokları tanıma, dilleri çevirme ve basit görevleri yerine getirme konusunda mücadele ederler. İlk etkileyici sonuçlara rağmen, SHRDLU ve TENDRIL gibi uzman sistemler ve programlar, bilgisayarların belirsizliği ve dil öğrenimini çözmek için bilgiyi nasıl kullanabileceğini gösterdi. Bununla birlikte, hem olgusal bilgileri hem de insanların zaman içinde edindiği deneyimleri içeren sağduyu bilgisini öğretmenin zorluğu devam etmektedir. Sinir ağları, başlangıçta çekici olsa da sınırlamalara sahiptir ve yalnızca küçük görevlerin üstesinden gelebilir. Araştırmacıların, tamamen yapay bir versiyon oluşturulmadan önce, doğanın beyindeki birçok mikro makineyi nasıl oluşturduğunu ve koordine ettiğini anlamak için bilgisayarları eğitmeleri gerekiyor.

Üçüncü bölüm, yapay zekanın tarihi ve geleceği ile ilgili geniş bir yelpazedeki konuları içermektedir. Cyc projesi ve yapay zekadaki genel doğal dil anlayışı potansiyeli dahil olmak üzere sağduyuya dayalı genel amaçlı zekaya ulaşmak için devam eden çabaları tartışıyor. Resmi zeka modellerine duyulan ihtiyaç ve psikolojinin rolü de dahil olmak üzere insan benzeri zekaya ulaşmanın zorlukları da araştırılıyor. Görüşülen kişiler, bilgisayarların psikoloji alanındaki etkisinin yanı sıra monoton olmayan akıl yürütmenin getirdiği zorlukları ve kavramsal atılımlara olan ihtiyacı tartışıyorlar. Eleştirilere rağmen, görüşülen kişiler yapay zekanın amacını kendimizi daha iyi anlamamıza yardımcı olabilecek asil bir proje olarak görüyor.

• 00:00:00 Bu bölümde, "düşünen makine" fikrinin hâlâ bir hayal olduğu, yalnızca bilim kurgu yazarları ve sinema endüstrisinin sahip olduğu 1950'lere geri götürülüyoruz. "Düşünen Makine" filmi, makinelerin gerçekten düşünüp düşünemeyeceğine dair bir tartışmanın ardından geldi; bu, yapay zeka alanı henüz ilk aşamalarında olduğu ve araştırmacıların henüz anlamadığı için o zamanlar hala çok ileri sürülen bir kavramdı. makinelerin gerçekten yeni fikirler üretmesini sağlama. Bugün, belgesel bize AI'da kaydedilen ilerlemeyi ve teknolojideki bazen hafife aldığımız ilerlemelere katkıda bulunan derin öğrenme süreçlerini hatırlatıyor.
  
  
• 00:05:00 Transkriptin bu bölümünde bir çocuğa alfabe öğretiliyor ve bir psikolog beynin kalıpları nasıl tanıdığını sorguluyor. Daha sonra konuşma, bilgisayarların alfabeyi ilk kez göstererek bir çocuk olarak aynı öğrenme sürecini taklit etme potansiyeline geçer. Bilgisayar test edilir ve mükemmel olmasa da, daha fazla bilgi sunuldukça harfleri artan doğrulukla doğru bir şekilde tanımlayabilir. Makinelerin insanlar gibi öğrenebilme olasılığı araştırılıyor, ancak makinelerin belirli düşünce süreçleri hala net değil ve bilgisayarların tüm yararlılığı keşfediliyor.
  
  
• 00:10:00 Bu bölümde, Simon ve Newell adlı bir grup Carnegie Tech profesörü, misyonerler ve yamyamlar bulmacası gibi mantıksal sorunları anlamaya çalışırken gösteriliyor. Üç misyoner ve yamyamın, yamyamların sayısı misyonerlerden fazla olmadan aynı anda yalnızca iki kişiyi alabilen bir teknede nehri geçmesi sorununu ele alarak ilerlemelerini temsil ediyorlar. Profesörler arasındaki bir konuşma, Barbara adlı öğrencilerinden birinin, bilgisayarın yeniden ürettiği soruna bir çözüm bulduğunu ortaya koyuyor. Ek olarak, profesörler, bir bilgisayarın içine programlanmış olasılıklar veya makullük temelinde öğrenme yeteneğine dikkat çeken bir bilgisayara karşı dama oynayan bir adamı gösteren bir gösteri gösteriyor.
  
  
• 00:15:00 Bu bölümde video, bilgisayarların nasıl çalıştığı sorusunu araştırıyor, girdi aldıklarını, bunları matematiksel işlemler kullanarak işlediklerini ve programlama yoluyla çıktı çıktılarını açıklıyor. Bilgisayarlar ve canlı sinir sistemleri arasında benzerlikler olsa da, nörofizyologlar benzerliklerden çok farklılıkların olduğuna inanıyor. Video aynı zamanda insanların hem kalıtsal olarak hem de deneyimle programlandığı fikrine de değiniyor ve tek başına yetiştirilen ördek yavrularının bir kazın siluetini tanıyamadıkları bir deney sunuyor. Genel olarak bu bölüm, bilgisayarların nasıl çalıştığının arkasındaki ilkelerin kısa bir açıklamasını sunar ve hem makinelerde hem de canlılarda programlama hakkında bazı fikirlere dalar.
  
  
• 00:20:00 Bu bölümde iki adam, hayvanlarda programlamaya karşı içgüdü kavramını tartışıyor. Biri ördeğin kaz ile şahini ayırt edebilme yeteneğinin bir içgüdü örneği olduğunu savunurken, diğeri bazı hayvanların sanıldığından daha fazla yerleşik bilgiyle doğduğunu öne sürüyor. Kurbağalar üzerinde yapılan araştırmaları analiz ediyorlar ve bir kurbağanın gözündeki liflerin beyne yalnızca hareket ve potansiyel av gibi kurbağanın hayatta kalmasıyla ilgili belirli şeyleri bildirdiğini öne sürüyorlar. Bu teori, henüz geniş çapta kabul görmese de, içgüdünün varlığını açıklayabilir.
  
  
• 00:25:00 Bu bölümde, insanların doğuştan gelen bazı yeteneklerle doğduğunu kanıtlamak için beş yaşında bir çocukla deney yapan bir araştırmacı görüyoruz. Çocuktan bardağını araştırmacının bardağıyla aynı seviyeye kadar sütle doldurması istenir ama o aynı miktarda olduğunu düşünerek bardağı ağzına kadar doldurur. Bu, çevremizdeki dünyayla ilgili bazı kavramların zihnimizde önyargılı olduğunu ve çevremizdeki dünyayla ilgili kavramlarımızı oluşturmak için gözlerimize güvendiğimizi gösteriyor. Video, gözlerimizle gördüklerimizin her zaman doğru olmadığını ve illüzyonların beynimizde oyunlar oynayabileceğini kanıtlamaya devam ediyor.
  
  
• 00:30:00 Bu bölümde, bir profesör başka bir adamla insanların önyargılı inançlara ve kurallara göre tepki vermeye nasıl programlandığı hakkında konuşuyor. Adam bir bilgisayarın orijinal bir şey yapıp yapamayacağını sorar ve profesör ona Harrison Morse adlı bir programcının yardımıyla bir bilgisayar tarafından yazılmış bir oyun gösterir. Seyirci oyunun çıktısına hayran kalıyor ve profesör bunun sihir olmadığını, daha çok iyi tasarlanmış bir programın sonucu olduğunu açıklıyor.
  
  
• 00:35:00 Bu bölümde, MIT personeli Doug Ross, akıllı davranışı oluşturan kuralları gösteren bir oyun yazmak için bir programı nasıl kullandıklarını açıklıyor. Akıllı davranışın kurallara itaat eden bir davranış olduğunu vurguluyorlar ve bir bilgisayarın yaratıcı işler yapması için nasıl yapılabileceğini gösteriyorlar. Bilgisayarın makul davranışı belirlemek için kullandığı kurallardan bahsediyorlar ve hatta hırsızın davranışını etkileyen bir sarhoş etme faktörü programlamışlar. Bunları makinelerde yapmanın kara büyü olmadığını vurguluyorlar ve bilgisayarın her seferinde farklı bir oyun yazdığını göstererek yaratıcılığını ortaya koyuyorlar.
  
  
• 00:40:00 Bu bölümde video, bilgisayarların sınırlamalarını ve gelişim potansiyellerini araştırıyor. Animasyon, bir bilgisayarın programlanmasında yer alan deneme yanılma sürecini ve hata olasılığını vurgular. Video daha sonra insan beynindeki sinyalleri incelemek için bir bilgisayarın kullanıldığı bir deneyi gösteriyor ve bilgisayarların öğrenme süreçleri anlayışımızı geliştirme potansiyelini vurguluyor. Ardından video, izleyicilere Lincoln Laboratuvarı'nı ve dünyanın en büyük ve çok yönlü bilgisayarlarından biri olan TX2 bilgisayarını gösteriyor. Video, TX2 gibi bilgisayarların öğrenme süreçlerini incelemek için kullanıldığını ve bilgisayarların bilimsel amaçlar için küresel olarak geliştirildiğini öne sürüyor.
  
  
• 00:45:00 Bu bölümde bilim insanları, makinelerin düşünebilme ve yeni fikirler üretebilme olasılığını tartışıyor. Bazıları makinelerin ve bilgisayar programlarının akıllıca davranabileceğine ve insanlara entelektüel çalışmanın yükünü hafifletmede yardımcı olacağına inanırken, diğerleri makinelerin gerçek yaratıcı düşünme yeteneğine sahip olacağından şüphe ediyor. Bilgisayarların geleceğinin, makineleri çeşitli şekillerde çalıştırmak ve insanlar bilgisayarlarla çalışırken yeni şeyler öğrenmek gibi hem doğrudan hem de dolaylı etkileri olacağı tahmin ediliyor. İkinci sanayi devriminin, insan aklının bilgisayar tarafından yardım edildiği bir çağ olması bekleniyor ve makinelerin insan yardımı ile neler yapabileceğini hayal etmek zor.
  
  
• 00:50:00 Bu bölümde yapay zekanın (AI) potansiyeli ve gelecekteki olası gelişimi üzerinde durulmaktadır. Amaç, deneyimleyerek öğrenebilen, kavramlar oluşturabilen ve mantık yürütebilen daha genel bir bilgisayar sistemi oluşturmaktır. Duyu organlarından, büyük bir genel amaçlı esnek bilgisayar programından ve çıktı cihazlarından oluşacaktır. İlerleme kaydedilirken, teknolojinin etkisinin yönetilmesi konusunda endişeler var. Ancak bir bilim insanı, eğer doğru şekilde ele alırsak çok daha iyi bir dünya yaratabileceğimize inanıyor. Yapay zekaya yönelik ilk adımlar, bir labirenti çözen elektrikle kontrol edilen bir fare örneğinde gösterildiği gibi, deneyimlerden öğrenebilen küçük bir bilgi işlem makinesinde görülebilir.
  
  
• 00:55:00 Bu bölümde, bir telefon röleleri ve Reed anahtarları sistemi tarafından kontrol edilen bir labirentte gezinen bir farenin gösterimini görüyoruz. Fare, yeni bilgiler ekleme ve değişikliklere uyum sağlama yeteneğine sahiptir. Gösteri, farenin eski, geçersiz bilgileri yeni labirent yapılandırması hakkında öğrendikleriyle değiştirdiğini gösteriyor. Fareyi gerçekten hareket ettiren şey labirent zeminin altındaki makine olsa da, gösteri, elde edilebilecek akıllı davranış türüne bir bakış sunuyor.
  
  
• 01:00:00 Bu bölümde, video "düşünmenin" tanımını ve bunun bilgisayarlarla nasıl bir ilişkisi olduğunu araştırıyor. Bilgisayarlar bilgiyi saklama ve geri çağırmada mükemmel olsa da, bu tek başına doğru düşünmeyi kapsamaz. Ancak bilgisayarlar, verileri analiz ettikleri ve en iyi hamleyi belirledikleri satranç oynamak gibi mantıksal işlemleri gerçekleştirebilir. Temel mantık işlevlerinin bu gösterimi bazı bilgisayarları amatör satranç turnuvalarında birincilikle ödüllendirdi.
  
  
• 01:05:00 Bu bölümde video, bilgisayarların nasıl mantıksal işlemleri gerçekleştirme, hatta her gün milyonlarca mantıksal karar verme yeteneğine sahip olduğunu, ancak görselleştirme ve tanıma yetenekleri açısından sınırlı olduğunu keşfediyor. Bilgisayarlar resimler üretebilir ve tasarımları simüle edebilirken, kalıpları tanımak ve genelleme yapmakta zorlanırlar. Videoda ayrıca, farklı dillerdeki kelimeler arasında bire bir yazışma olmaması nedeniyle bir bilgisayara dilleri çevirmeyi öğretmenin zorluğuna da dikkat çekiliyor. Nihayetinde, bilgisayarlar herhangi bir şeyi düşünme, hissetme veya dikkate alma yeteneğinden yoksundur.
  
  
• 01:10:00 Bu bölümde video, bilgisayarların duygular ve yaratıcılık açısından yeteneklerini tartışıyor. Bilgisayarlar aslında duyguları hissedemese de, onları simüle edecek şekilde programlanabilirler. Benzer şekilde, yaratıcılığın genellikle benzersiz bir insan yeteneği olduğu düşünülürken, bilgisayarlar animasyon filmler ve hatta müzik üretebilir. Hata yapmadan gerçekleştirebildikleri milyarlarca matematiksel işlem de dahil olmak üzere bilgisayarların kullanışlılığı ve verimliliği yadsınamaz, ancak gerçekten "düşünme" yeteneğine sahip olup olmadığı sorusu hala tartışmaya açık.
  
  
• 01:15:00 bilgisayarların dama gibi oyunlar oynayabilmesi ve karmaşık sorunları çözebilmesi yapay zekanın (AI) doğuşuna yol açtı. Bu, yapay zekanın olanaklarını keşfetmek için MIT'de bir departman kuran Marvin Minsky ve John McCarthy liderliğindeki bir grup matematikçi tarafından keşfedilecek bir sınır haline geldi. Jim Slagle gibi öğrenciler matematik problemlerini çözmek için programlar geliştirdiler ve 1960 yılında bir bilgisayar, ortalama bir öğrenci kadar iyi performans göstererek MIT sınavında A almayı başardı. Bu, bilgisayarların zekaya sahip olabileceğini gösterdi ve makinelerin düşünebildiği bir gelecek için umutları artırdı.
  
  
• 01:20:00 Bu bölümde belgesel, yapay zekanın ilk günlerini ve bu alandaki öncülerin beynin fiziksel yapısıyla nasıl ilgilenmediklerini araştırıyor. Beyni sadece zihnin üzerinde çalıştığı bir donanım iken, zihni sembolik bir işlemci varlık olarak gördüler. Belgesel, doğanın işlerini körü körüne kopyalamanın her zaman iyi bir fikir olmadığını ve kuşların uçma şekline dayalı yapay uçuş girişimlerinin bir felaket olduğunu savunuyor. Belgesel, MIT bilim adamlarının dünyayla etkileşime girebilen ve blokları istifleyebilen bir bilgisayar zihni oluşturmaya çalıştıklarında ortaya çıkan zorlukları vurguluyor. Basit bir görev gibi görünse de, blokları tanımanın aslında çok karmaşık olduğu ve programın, onları bıraktığınızda bloklara ne olduğu hakkında bazı garip fikirleri olduğu söyleniyor.
  
  
• 01:25:00 Bu bölümde belgesel, bilgisayarlara insanlar gibi görmeyi ve hareket etmeyi öğretmenin zorluklarını araştırıyor. Araştırmacılar, görmenin hesaplama sorunlarının o kadar büyük olduğunu keşfettiler ki, birçoğu, bir makinenin dili akıllıca kullanma yeteneğini ölçen Turing testi olarak bilinen, bedensiz bir zeka biçimine odaklanmaya karar verdi. Bu amaçla oluşturulan ilk bilgisayar programlarından biri, konuşmayı simüle etmek için bir dizi hile kullanan ancak Turing testini geçemeyen "Eliza" programıydı. Belgesel, insan dilini anlamanın karmaşıklığının, insanlar gibi anlam ve bağlamı anlayabilecek yapay zeka dil modelleri geliştirmeyi nasıl zorlaştırdığını vurguluyor.
  
  
• 01:30:00 Bu bölümde video, muğlaklık ve bağlam sorunları nedeniyle büyük sorunlarla karşılaşan dilleri çevirmek için bilgisayarları kullanmaya yönelik ilk girişimleri tartışıyor. Bilgisayarların insan çevirmenlerin yerini alabileceği iddialarına rağmen, dilin karmaşıklığı ve ortak insan bilgisine ve anlayışına duyulan ihtiyaç bu görevi beklenenden çok daha zor hale getirdi. Bilgisayarların yüzleri tanıyamaması, dil öğrenememesi ve kıyafet giymek gibi basit görevleri yerine getirememesi, insanların kolay sandığı şeylerin aslında yapay zeka için başarılmasının çok zor olduğunu gösteriyor. Yapay zekanın başarısızlıkları, finansmanda düşüşe ve alan için kasvetli bir görünüme yol açtı.
  
  
• 01:35:00 Bu bölümde, ilk baştaki tatmin edici sonuçlara rağmen, Terry Winograd'ın SHRDLU adlı programının, bilgisayarların bilgiyi belirsizliği çözmek ve dil öğrenmek için kullanabileceğini gösterdiğini görüyoruz. Bununla birlikte, simüle edilmiş bir mikro blok dünyasıyla sınırlıydı. Edward Feigenbaum ve meslektaşları daha sonra, dar alanlardaki uzmanların karar vermek için kullandıkları kuralları yakalayan, TENDRIL adlı bir sistem geliştirdiler. Dar alanlarda uzman davranışının yalnızca birkaç yüz parça bilgi gerektirdiğini buldular. Bu, kırılgan olduğu kanıtlanan ve bilgi alanlarının dışında çalışma esnekliğinden yoksun olan uzman sistemlerin geliştirilmesine yol açtı.
  
  
• 01:40:00 Bu bölümde belgesel, 1970'lerde bilgisayarların çocukların yaptığı gibi basit hikayeleri takip etmesini sağlamaya çalışan dil araştırmacılarının karşılaştığı zorlukları ele alıyor. Sorunun hikayenin söylediklerinden değil, söylenmeye değmeyecek kadar açık oldukları için söylenmeden bırakılan çok sayıda şeyden kaynaklandığını keşfettiler. Araştırmacılar, doğum günü partisi gibi bilgisayarın karşılaşabileceği farklı durumlar için, genellikle doğum günü partilerinde olan her şeyi içeren çerçeveler veya komut dosyaları oluşturma fikrini geliştirdiler. Ancak zorluk, duruma veya bağlama özgü olmayan genel arka plan bilgilerinin nasıl dahil edileceğiydi. Bu genel bilgi, bilgisayarlara basit hikayeleri yorumlamayı öğretmeyi zorlaştıran bir sağduyu bilgisi sorunu yarattı.
  
  
• 01:45:00 Bu bölümde alıntı, sağduyu bilgisini ve onu makinelere öğretmenin zorluğunu tartışıyor. Sağduyu bilgisi, nesnelerin bırakıldığında düştüğünü bilmek gibi herkesin paylaştığı sezgisel bilgidir. Ancak bu sadece olgusal bilgi değil, aynı zamanda insanların zaman içinde edindiği beceri ve deneyimlerdir. Bilim adamları uzun zamandır makinelere insanlar gibi nasıl öğreneceklerini ve bilgi edineceklerini öğretmekle ilgileniyorlar, ancak bilgisayarlar o kadar düşük öğrenme seviyeleriyle başladı ki, makine öğrenimi onlara çok miktarda sağduyu bilgisi verilene kadar etkili değildi. PYSCH projesi, sağduyu bilgisini girmek için 1984 yılında Teksas'ta oluşturuldu ve AI'nın nihai testiydi. Ancak eleştirmenler, gerçek sağduyunun bir insan vücuduna sahip olmaya bağlı olduğunu ve sağduyu bilgisinin yalnızca gerçeklerden değil, aynı zamanda çocukların zaman içinde edindiği deneyim ve becerilerden oluştuğunu savundu.
  
  
• 01:50:00 Bu bölümde video, sağduyu bilgisi fikrini ve bunun dünya deneyimleriyle nasıl elde edildiğini araştırıyor, ancak aynı zamanda hiçbir fiziksel deneyimi olmayan ve yine de dil yoluyla sağduyu edinen bir hastanın durumunu sunuyor. Ardından video, yapay bir zihin inşa etmek için önce yapay bir beyin inşa edilmesi gerektiği argümanını derinlemesine araştırıyor. Binlerce şekilde birbirine bağlanan milyarlarca nörondan oluşan insan beyninin karmaşıklığı, 1950'lerde bilim adamlarına yapay bir beyin inşa etme fikrini takip etmeleri için ilham verdi ve daha sonra sinir ağlarına dönüşen algılayıcıların geliştirilmesine yol açtı. Sinir ağlarının modern algı modeli, bağlantıcılar olarak adlandırılan ve akıl yerine beyin aracılığıyla makine öğrenimine odaklanan, büyüyen bir harekettir.
  
  
• 01:55:00 deneme yanılma, bu bölümde belgesel sinir ağlarına ve sınırlamalarına odaklanıyor. Sinir ağları başlangıçta çekici gelse de, yalnızca kapsamı küçük olan görevlerin üstesinden gelebilirler ve araştırmacılar nasıl öğrendiklerini henüz tam olarak anlamadılar. Tanklı ve tanksız resimleri ayırt etmeyi öğrenen bir sinir ağı örneği, ağların yanlış sonuçlara varma potansiyelini vurgular. Küçük sinir ağlarının sağduyu kadar ayrıntılı bir şeyi yakalama olasılığı merak uyandırıcı olsa da, araştırmacılar bu uzun vadeli hedefin günümüz teknolojisiyle hala ulaşılabilir olmaktan uzak olduğunu kabul ediyor. Ek olarak, birkaç yüz nörondan daha büyük sinir ağları oluşturma girişimleri, gereken uzun eğitim süresi nedeniyle genellikle geri tepiyor. Bu nedenle, araştırmacılar, tamamen yapay bir versiyon inşa edilmeden önce, doğanın beyindeki birçok mikro makineyi nasıl inşa ettiğini ve koordine ettiğini anlamalıdır.
  
  
• 02:00:00 Bu bölümde, transkript, yapay zekanın pratik uygulamalarının bu terimi nasıl benimsediğini tartışıyor, ancak bunlar, sağduyuya dayalı genel amaçlı zekaya ulaşmanın orijinal arayışından çok uzak. Ancak yapay zeka arayışından vazgeçilmiş değil ve 1984 yılında Doug Leonard tarafından başlatılan Cyc projesi halen devam ediyor. Proje, dili anlayacak ve insanların bildiği her şeyi öğrenecek kadar bilen bir zihin oluşturmayı hedefliyor. Cyc projesindeki AI varlığı olan Psyche, bedeni veya doğrudan dünya deneyimi olmayan bir yazılım olmasına rağmen, veri tabanındaki tutarsızlıkları analiz eder ve dünyayı benzersiz bir şekilde gördüğünü gösteren ilginç yeni keşifler yapar.
  
  
• 02:05:00 Bu bölümde, tartışma yapay zekadaki genel doğal dil anlayışı potansiyeline ve sembolik yapay zekanın yok olmasını önlemek için bunu başarma ihtiyacına odaklanıyor. Psyche projesinden, genel doğal dil anlayışının Turing testini geçmeyi başarması halinde yüksek getiri potansiyeline sahip yüksek riskli bir proje olarak bahsediliyor. Bu tür bir başarı, bilinmeyen şeyleri öğrenmek için makine öğrenimi programlarının geliştirilmesine yol açabilir ve böylece zekayı şu anda hayal bile edilemeyen şekillerde artırabilir. Yapay zekanın kurucularından biri olan Dr. John McCarthy, disiplinin tarihi üzerine derinlemesine düşünüyor ve toplum üzerinde yaratacağı etkiyi tahmin ediyor.
  
  
• 02:10:00 Bu bölümde video, insanlar kadar zeki olan bilgisayar programlarını gerçekleştirmenin zorluklarını tartışıyor. Matematiksel teoremleri çözmek gibi zor problemlerle ilgili bazı erken ilerlemelere rağmen, konuşmayı tanımak gibi sağduyu görevlerinin bilgisayar zekası için zor olduğu kanıtlanmıştır. Konuşmacı ve meslektaşları, insan zekasına eşdeğer resmi zeka modelleri geliştirmek için çalışıyorlar, ancak bu hedefe ulaşmak için farklı yaklaşımlar var. Bilgisayar bilimi onların davranışçılıktan uzaklaşmalarına ve biliş hakkında içgörü kazanmalarına yardımcı olduğu için psikoloji alanının da bunda oynayacağı bir rol vardı.
  
  
• 02:15:00 Bu bölümde uzmanlar, bilgisayarların psikoloji alanındaki etkisini ve her iki alanda da bilinç kavramına nasıl yaklaşıldığını tartışıyor. Bilgisayarlar zihnin işleyişine dair büyük içgörüler sunsa da, bilgisayarların gerçekten bilinçli olup olamayacağı sorusu felsefi bir tartışma konusu olmaya devam ediyor. Dahası, zihnin belirli şekillerde etkileşime giren özelleşmiş parçalardan oluşan karmaşık bir sistem olması nedeniyle, bilincin sadece bir makine gibi parçalarının toplamı olduğu fikri tamamen doğru değildir.
  
  
• 02:20:00 Bu bölümde, görüşülen kişi, insan fizyolojisi ve psikolojisi hakkında daha fazla şey keşfedildikçe, insanların varlığımızın mekanik yönlerini aşan bir şeye sahip olduğu görüşünün geri çekilmesini tartışıyor. Buna rağmen, insan bilincinin bilgisayar programlarında makinelerde gerçekleşmemiş yönleri hala var. Yapay zeka konusunda iyimser olan görüşmeci, oldukça sınırlı olan, bilgisayar kaba kuvvetinin uygulanabileceği problemler koleksiyonundan ve yapay zekanın temel probleminin, akıllı davranış için gerekli olan dünya hakkındaki bilgiyi ifade etmekten ibaret olduğundan bahsediyor. Bunun için bir araç olarak matematiksel mantık izlendi ve 1970'lerin sonlarında, birkaç kişi monoton olmayan akıl yürütme dedikleri şeyi resmileştirmenin yollarını keşfetti ve sağduyu alanında matematiksel mantığın gücünü büyük ölçüde genişletti.
  
  
• 02:25:00 Bu bölümde, görüşülen kişi monoton olmayan akıl yürütmeyi ve bunun bilgisayarlarda insan benzeri düşünmeye nasıl meydan okuduğunu tartışıyor. Sıradan mantık, daha fazla sonuç çıkarmak için daha fazla öncül ekleyerek çalışır, oysa insan muhakemesi her zaman bu özelliğe sahip değildir. Örneğin, "kuş" terimi, uçabileceğine dair yerleşik bir varsayıma sahiptir ve ek bağlam, bundan çıkarılan sonuçları değiştirebilir. Monoton olmayan muhakeme, bu tür düşünmeyi resmileştirmek ve bilgisayarlarda bağlam farkındalığını tanıtmak için matematiksel bir araç olarak kullanılabilir. Bununla birlikte, bağlamla ilgili zorluk, her zaman açıklanamayan istisnaların olmasıdır, bu nedenle aksi yönde kanıt olmadıkça bir varsayımın yapıldığı bir sisteme ihtiyaç vardır.
  
  
• 02:30:00 Bu bölümde, yapay zekanın öncülerinden John McCarthy, yapay zekanın tarihini ve insanların yapay zeka geliştirmesinin neden bu kadar uzun sürdüğünü tartışıyor. Leibniz'in 150 yıl sonra Boule tarafından icat edilen önermeler hesabını icat etmedeki başarısızlığında görüldüğü gibi, kendi zihinsel süreçlerimizi gözlemleme konusundaki sınırlı yeteneğimizin ilerlememizi engellediğini açıklıyor. Ayrıca yapay zekanın geleceği için kavramsal atılımlara ihtiyaç olduğunu ve makinelerde gerçek insan benzeri zekaya ulaşmanın birkaç on yıldan birkaç yüz yıla kadar sürebileceğini kabul ediyor. İnsan zekasını kopyalamanın imkansızlığına yönelik eleştirilere rağmen McCarthy, yapay zekanın amacını kendimizi daha iyi anlamak için asil bir proje olarak görüyor.

[MetaQuotes]

Yapay Zekanın Doğuşu

Yapay Zekanın Doğuşu

Video, modern yapay zekanın (AI) doğuşunu ve yapay zekanın 60'lar ve 70'lerin başındaki 'altın yıllarında' beraberinde gelen iyimserliği tartışıyor. Ancak saha, karşılaştıkları sorunların zorluğu ve sınırlı hesaplama performansı nedeniyle 70'lerin ortasındaki ilk yapay zeka kışı da dahil olmak üzere önemli zorluklarla karşı karşıya kaldı.

Uzman sistemler, odak noktasını genel zeka geliştirmekten dar alana özgü yapay zekaya kaydırarak bu alanda bir dönüm noktası oluşturdu ve iş verimliliğini artırmaya yardımcı oldu. Ancak, uzman sistemleri çevreleyen abartı, özellikle 1987'deki piyasa çöküşünden sonra, finansmanda bir azalmaya yol açtı. Video, yapay zekayı anlamanın ve tanımlamanın zorluklarını kabul ediyor ve Brilliant'ı insanların temel yapı taşlarından daha gelişmiş mimarilere kadar yapay zeka hakkında bilgi edinmeleri için bir kaynak olarak öneriyor.

• 00:00:00 Bu bölümde, "yapay zeka" teriminin ilk kez kullanıldığı 1956'da Dartmouth yaz araştırma projesinde modern yapay zekanın resmi doğuşunu öğreniyoruz. Konferans, makinelerin simüle edebileceği zekanın her özelliğini tanımlayarak insan öğrenmesini simüle etmeyi amaçlıyordu. Yedi yön, dili kullanmak için bilgisayarları programlamayı, sinir ağlarını, soyutlamayı, kendini geliştirmeyi ve rastgelelik ve yaratıcılığı içeriyordu. Konferanstan sonraki dönem, arama, anlamsal ağlar ve mikro dünyalar gibi akıl yürütme de dahil olmak üzere bilgi işlem ve yapay zeka teorilerinin ve algoritmalarının uygulanmaya başladığı yapay zekanın "altın yılları" olarak biliniyordu. Bu algoritmalar çığır açıcıydı ve alana iyimserlik aşılayarak Marvin Minsky gibi bireylerin yapay zeka yaratmanın bir nesil içinde büyük ölçüde çözülebileceğine inanmasına neden oldu.
  
  
• 00:05:00 Bu bölümde video, yapay zekanın doğuşunu ve onun 60'lar ve 70'lerin başında nasıl çok fazla iyimserlik ve yutturmaca yarattığını araştırıyor. Bu, AI araştırması ve uygulaması için öncelikle hükümetten büyük miktarlarda fon sağlanmasına yol açtı ve bugün birçok araştırma kurumunun AI araştırmasının ön saflarında yer almasına neden oldu. Ancak, 70'lerin ortalarında, karşılaştıkları sorunların zorluğunun takdir edilememesi ve bu dönemde bilgisayar bilimi alanının hala tanımlanmaya devam etmesi nedeniyle ilk AI kışı başladı. Sınırlı hesaplama performansıyla atılımların yapıldığı gerçeği ve Carnegie Mellon'da AI ve robotik araştırmacısı Hans Moravec tarafından öne sürülen bir teori olan Moravec paradoksu da dahil olmak üzere beş sorun listelendi.
  
  
• 00:10:00 Bu bölümde, uzman sistemlerin odağı genel zeka geliştirmekten dar alana özgü yapay zekaya kaydırarak yapay zeka alanında nasıl önemli bir dönüm noktası oluşturduğunu öğreniyoruz. Belirli bir alandaki uzmanların bilgisine dayanan uzman sistemler, dijital ekipman şirketine yılda yaklaşık 40 milyon dolar kazandıran XCON lojistik uzman sisteminde görüldüğü gibi, somut, gerçek dünya etkilerine sahipti ve işletmelerin verimliliklerini artırmalarına yardımcı oldu. Dahası, uzman sistemlerin yükselişi, bilgiyi öğrenmenin ve işlemenin geçerli bir yolu olarak ortaya çıkan bağlantıcılığın yeniden canlanmasına yardımcı oldu. Yapay zekayı eğitme yöntemleri olan Hopfield ağı ve geri yayılım, bu süre zarfında popüler hale getirildi ve geliştirildi ve derin öğrenmenin yolunu açtı. Bununla birlikte, uzman sistemlere yönelik beklentiler kontrolden çıktıkça ve kırılgan, koşullu mantığa dayalı sistemlerinde çatlaklar ortaya çıkmaya başladıkça, kısmen dünya pazarlarında 1987'deki çöküş nedeniyle yapay zeka için fon yeniden azaldı.
  
  
• 00:15:00 Bu bölümde, transkript, özellikle geçen yüzyılda gelip giden yutturmaca döngüleri nedeniyle yapay zekayı (AI) tanımlamanın ve anlamanın zorluklarını tartışıyor. Video, derin öğrenmeden yapay insan zekasına kadar AI moda sözcüklerinin yükselişi ve düşüşüyle ortaya çıkan kafa karışıklığını kabul ediyor. Umut, aldatmacayı, derin öğrenme sistemlerinde alana özgü uzmanlık gibi AI'nın pratik mevcut uygulamalarından ayırmaktır. Video, bireylerin beyinlerini keskin tutmaları ve temel yapı taşlarından daha gelişmiş mimarilere kadar yapay zeka hakkında bilgi edinmeleri için Brilliant'ı bir kaynak olarak öneriyor.

[MetaQuotes]

Denetimli Makine Öğrenimi Açıklaması

Denetimli Makine Öğrenimi Açıklaması

Video, denetimli öğrenmenin, giriş değişkenlerinden çıkış değişkenlerine bir eşleme işlevi öğrenme amacı ile etiketlenmiş bir veri kümesi içerdiğini açıklar. Etiketli veri seti, eğitim seti üzerinde eğitilen ve doğruluğunu ölçmek için test seti üzerinde değerlendirilen model ile bir eğitim seti ve bir test seti olarak bölünmüştür.
Video, model çok karmaşıksa ve eğitim kümesine çok yakınsa fazla uydurmanın oluşabileceğini ve bunun da yeni veriler üzerinde düşük performansa neden olabileceğini, model çok basitse ve verilerin karmaşıklığını yakalayamıyorsa yetersiz uydurmanın meydana gelebileceğini belirtiyor. Video, iris veri kümesi örneğini sağlıyor ve karar ağacı algoritmasını kullanarak ölçümlerine dayalı olarak yeni bir iris çiçeğinin türünü tahmin etmek için bir modelin eğitim sürecini adım adım anlatıyor.

• 00:00:00 Bu bölümde video, geçmiş verilere dayalı tahminler yapmak için kullanılabilecek makine öğreniminin tanımını ve amaçlarını açıklıyor. Video, değişkenler arasındaki ilişkileri ölçen, en uygun çizgiyi oluşturan ve bu çizgiyi yeni verileri tahmin etmek için kullanan regresyon örneğini sağlar. Video daha sonra, yeni verilerin çıktı etiketini sınıflandırmak için etiket verileri eklemeyi ve karar sınırları oluşturmayı içeren sınıflandırma problemlerini açıklamak için bu fikri genişletir. Video, bu modelin doğruluğunu inceliyor ve makine öğrenimi algoritmalarının model doğruluğunu en üst düzeye çıkarmaya çalıştığını açıklıyor. Video, karar ağaçlarının, uzman sistemlere benzer şekilde koşullu ifade tabanlı bir yaklaşım kullanan bir tür makine öğrenimi algoritması olduğunu belirtiyor.
  
  
• 00:05:00 Bu bölümde, video, destek vektör makineleri ve daha yüksek boyutlu uzaylar için ek değişkenlerin nasıl eklenebileceği dahil olmak üzere, makine öğrenimi için kullanılabilecek farklı algoritma türlerine dalıyor. Video aynı zamanda yapay zeka, büyük veri ve veri biliminin kesiştiği noktalara da değiniyor; basitlik açısından veri bilimi ve istatistik bir ve aynı kabul ediliyor. Video daha sonra, öğrenme modellerinin iki ana modundan, regresyon ve sınıflandırmadan oluşan denetimli öğrenmeyi ve makine öğrenimi olarak yeniden markalanan örüntü tanıma sorunları için temelde istatistiksel matematik olduğunu açıklamaya devam ediyor. Video, gelecekteki videolarda ele alınacak olan denetimsiz öğrenme ve derin öğrenmeden bahsederek ve bu kavramların arkasındaki matematik ve bilim hakkında daha fazla bilgi edinmek isteyenler için Brilliant.org'un bir tavsiyesiyle sona eriyor.

[MetaQuotes]

Denetimsiz Makine Öğreniminin Açıklaması

Denetimsiz Makine Öğreniminin Açıklaması

Video, etiketlenmemiş ve yapılandırılmamış verilerle ilgilenen ve çoğunlukla yapılandırılmamış verilerden yapı türetmek için kullanılan denetimsiz makine öğrenimini açıklıyor. İki türe ayrılır: ilişkilendirme ve kümeleme; burada kümeleme, karar alanını ayrık kategorilere veya kümelere bölmek için K-means kümeleme gibi algoritmaların kullanılmasını içerir.

İlişkilendirme sorunları, veri kümesi özellikleri arasındaki bağıntıları tanımlar ve anlamlı ilişkilendirmeler elde etmek için sütunların karmaşıklığı, boyut azaltma yoluyla azaltılmalıdır. Bu süreç, bir veri noktasını temsil etmek ve anlamlı sonuçlar ve ilişkilendirmeler elde etmek için gereken özelliklerin sayısını en aza indirmeyi ve yetersiz veya fazla uydurmayı önlemeyi içerir. Videonun son bölümü, eğlenceli ve birbirine bağlı matematik ve fen öğrenimi sunan ve fütüroloji içeriğini izlemek için premium aboneliklerde %20 indirim sağlayan bir platform olan Brilliant'ta matematik ve bilim öğrenme kavramını tanıttı. Video ayrıca Patreon'daki kanal veya YouTube üyeliği için destek istedi ve yorumlarda gelecekteki konular için önerileri memnuniyetle karşıladı.

• 00:00:00 Bu bölümde, etiketlenmemiş ve yapılandırılmamış veriler için olan denetimsiz makine öğrenimini öğreniyoruz. Çoğu gerçek dünya sorununu temsil eder ve büyük veri ile yapay zeka alanı arasındaki geçişte yer alır. Denetimsiz öğrenme, öncelikle yapılandırılmamış verilerden yapı türetmek için kullanılır. Bu tür öğrenme iki ana türe ayrılır: ilişkilendirme ve kümeleme. Kümeleme, amacın bir dizi veri noktasına sahip bir karar alanını belirli sayıda ayrık kategoriye veya kümeye bölmek olduğu K-means kümeleme gibi algoritmaların kullanımını içerir. Bu, önce merkezler ekleyerek ve ardından merkezler güncellenirken veri noktalarını yeni kümelerine yinelemeli olarak yeniden atayarak yapılır.
  
  
• 00:05:00 Bu bölümde, denetimsiz öğrenmede odak kümelemeden ilişkilendirmeye kayar. İlişkilendirme sorunları, benzer veri noktalarını bir arada gruplayan kümelemeden farklı olarak, bir veri kümesinin özellikleri arasındaki korelasyonları tanımlar. Anlamlı ilişkilendirmeleri çıkarmak için, veri kümesindeki sütunların karmaşıklığı, bir veri noktasını benzersiz bir şekilde temsil edecek özelliklerin sayısının en aza indirildiği boyut azaltma yoluyla azaltılmalıdır. Özellik çıkarımı, veri setinin eksik veya fazla takılmasını önlemek için optimal sayıda özellik seçilerek yapılabilir. Boyut azaltma, yüksek boyutlu verilerin düşük boyutlu manifoldlarla temsil edilebildiği manifold öğrenme yoluyla elde edilir. Veri setinin düşük boyutlu temsili, sorunu temsil etmek ve yine de anlamlı sonuçlar ve ilişkilendirmeler üretmek için gereken indirgenmiş özellik setini içerir. Özellik mühendisliği, makine öğreniminde boyut azaltma, özellik seçimi ve ayıklamayı içeren bir alt alandır.
  
  
• 00:10:00 Videonun bu son bölümü, kanalda tartışılan kavramlar hakkında daha derin bir anlayış kazanmak için matematik ve bilim öğrenme kavramını tanıtıyor. Brilliant, matematik ve fen öğrenimini heyecan verici, birbirine bağlı hale getiren ve çevrimdışı öğrenim sunan bir platform. Ek olarak, kullanıcılar sağlanan bağlantıyı ziyaret ederek gelecek bilimi hakkında bilgi edinebilir ve premium aboneliklerde %20 indirim alabilirler. Son olarak, izleyicilerin kanalı Patreon veya YouTube üyeliği üzerinden desteklemeleri ve yorumlarda gelecek konular için öneriler bırakmaları teşvik edilir.

[MetaQuotes]

Makine Öğrenimi Nedir (Makine Öğrenimi Açıklaması)

Makine Öğrenimi Nedir (Makine Öğrenimi Açıklaması)

Makine öğrenimi, bilgisayarların açıkça programlanmadan öğrenmesini sağlayan bir çalışma alanıdır. Bir veri kümesinin karar alanı üzerinde karar sınırları oluşturmak için algoritmaların kullanılmasını içerir. Bu makine öğrenimi anlayışı, ikinci en yaygın kullanılan ve Dr. Tom Mitchell tarafından kurulan anlayıştır.

Makine öğrenimi, daha büyük ve daha iyi verilere izin veren bilgi işlem gücü ve depolamadaki artışa ve derin öğrenmenin yükselişine bağlanabilir. Gerçekleştirdiği görevler genellikle izole ve alana özgü olduğundan zayıf yapay zeka olarak sınıflandırılırken. Makine öğrenimi birçok farklı yaklaşımı ve modeli kapsar ve soyutlamalar ve basitleştirmeler nedeniyle gerçek dünya problemlerinde çıktıları tahmin etmede hiçbir zaman %100 doğru olamasalar da, yine de geniş bir uygulama yelpazesinde faydalı olabilirler. Brilliant, makine öğrenimi ve diğer STEM konuları hakkında bilgi edinmek için kaynaklardan biri olarak bahsedilir.

• 00:00:00 Bu bölümde, makine öğreniminin anlamı ve tanımı ile yapay zeka ile nasıl bir ilişkisi olduğu üzerinde duruluyor. Makine öğrenimi, bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren bir çalışma alanıdır. Bir veri kümesinin karar alanı üzerinde karar sınırları oluşturmak için algoritmaların kullanılmasını içerir. Modeli oluşturma süreci, eğitim olarak bilinir ve eğitilen bir model, eğitim verilerinde iyi bir doğruluk gösterdiğinde, yeni veri çıktılarını tahmin etmek için çıkarım yapmak için kullanılabilir. Bu süreç, Carnegie Mellon Üniversitesi'nden Dr. Tom Mitchell tarafından oluşturulan makine öğreniminin ikinci en yaygın kullanılan tanımını tanımlar.
  
  
• 00:05:00 Bu bölümde video, makine öğreniminin beş ana kabilesini vurgulayarak makine öğreniminin ve yapay zekanın yükselişini araştırıyor: sembolistler, bağlantıcılar, evrimciler, Bayesçiler ve benzetimciler. Yapay zekanın gelişiminin, yapay zekanın ilk günlerinde daha genel, güçlü bir yapay zeka oluşturmaya çalışmaktan çeşitli alanlarda alana özgü uzmanlık edinmeye odaklanmaya nasıl geçtiğini açıklamaya devam ediyor. Makine öğreniminin yükselişi, daha büyük ve daha iyi verilere ve derin öğrenmenin yükselişine izin veren bilgi işlem gücü ve depolamadaki artışa bağlanabilir. Ek olarak, video, sektörde büyük bir darboğaz oluşturan veriler nedeniyle kaç yapay zeka atılımının mümkün kılındığına değiniyor.
  
  
• 00:10:00 Bu bölüm, makine öğreniminin bir tür yapay zeka olmasına rağmen, gerçekleştirdiği görevler genellikle izole ve etki alanına özgü olduğu için zayıf yapay zeka olarak sınıflandırıldığını açıklar. Makine öğrenimi, karmaşık kurallar ve karar ağaçlarından evrim temelli yaklaşımlara ve daha fazlasına kadar pek çok farklı yaklaşımı kapsar ve hepsi de beynimizin yapmaya çalıştığı gibi, hayatın karmaşıklıklarını modelleme hedefiyle. Soyutlamalar ve basitleştirmeler nedeniyle modellerin gerçek dünya problemlerinde çıktıları tahmin etmede hiçbir zaman %100 doğru olamayacağı kabul edilse de, makine öğrenimi modelleri geniş bir uygulama yelpazesinde hala yararlı olabilir. Video, izleyicileri daha fazla bilgi edinmek için çeşitli STEM konularını kapsayan kurslar ve günlük zorluklar sunan bir platform olan Brilliant da dahil olmak üzere ek kaynaklar aramaya teşvik ediyor.

[MetaQuotes]

Derin Öğrenmenin Açıklanması (ve Derin Öğrenmenin Neden Bu Kadar Popüler Olması)

Derin Öğrenmenin Açıklanması (ve Derin Öğrenmenin Neden Bu Kadar Popüler Olması)

Video, derin öğrenmenin popülaritesinin, özellikleri doğrudan verilerden öğrenebilmesi ve bir veri kümesindeki temel özellikleri öğrenmek için sinir ağlarını kullanması gerçeğinden kaynaklandığını açıklıyor. Derin öğrenmenin yükselişi, büyük verilere, artan işlem gücüne ve kolaylaştırılmış yazılım arayüzlerine bağlanabilir.

• 00:00:00 Bu bölümde video, derin öğrenmenin, bağlantıcı makine öğrenimi kabilesinin başarısı nedeniyle popüler hale gelen yapay zekanın bir alt alanı olduğunu açıklıyor. Derin öğrenme sistemleri, özellikleri doğrudan verilerden öğrenebilir ve bir veri kümesindeki temel özellikleri öğrenmek için sinir ağlarını kullanabilir. Derin öğrenmenin temel unsuru, özellik katmanlarının, elle tasarlanmaktansa, genel amaçlı bir öğrenme prosedürü kullanılarak verilerden öğrenilmesidir. Video ayrıca, bir giriş görüntüsündeki bir yüzü algılayan, düşük seviyeli özelliklerden başlayıp orta seviye özellikleri ayırt eden ve son olarak çeşitli yüz yapılarını tanımlamak için yüksek seviyeli özellikleri keşfeden bir sinir ağı örneği sunuyor. Video sonunda, derin öğrenmenin gerçek doğuşunun 2012'de kazanan algoritmanın %16'lık bir hata oranına sahip olduğu ve en yakın rakibinden neredeyse %10 daha iyi olduğu ImageNet yarışmasıyla geldiğini belirtiyor.
  
  
• 00:05:00 Bu bölümde video, derin öğrenmenin yükselişinin büyük verilerin yaygınlığı, bilgi işlem gücündeki artışlar, TensorFlow gibi aerodinamik yazılım arayüzleri ve derin öğrenmenin işleme yeteneği gibi faktörlere nasıl bağlanabileceğini tartışıyor. yapılandırılmamış veri Video ayrıca 60'ların tek katmanlı algılayıcı ağlarından onlarca ila yüzlerce katmana sahip modern derin ağlara kadar sinir ağlarının tarihsel gelişimine de değiniyor. Ayrıca video, Brilliant.org'u derin öğrenme alanında daha derine dalmak isteyenler için harika bir öğrenme kaynağı olarak öneriyor.
  

[MetaQuotes]

Beyinden Yapay Zekaya (Sinir Ağları Nedir)

Beyinden Yapay Zekaya (Sinir Ağları Nedir)

Videoda, yapay sinir ağının ana unsuru olan yapay nöronun bileşenleri ve biyolojik nöronun yapısından nasıl yararlanıldığı anlatılmaktadır.

Ayrıca sinir ağlarının, her türlü girdiye uygulanabilen katman katman bir süreçte büyük miktarda veriden nasıl temsil edildiğini açıklar. Video, derin öğrenme algoritmalarının temel yapı taşları hakkında daha fazla bilgi edinmek için Brilliant.org'a gitmenizi önerir.

• 00:00:00 Bu bölümde video, yapay sinir ağının birincil bileşeni olan yapay nöronun temellerini açıklıyor. Yapay bir nöronun yapısı, üç ana bileşenle biyolojik bir nörona benzer: soma veya çekirdek, diğer nöronlara bağlanan dendritler veya kollar ve hücreye ve hücreden bilgi ileten akson veya uzun kuyruk. vücut. Video, bir derin öğrenme sinir ağı mimarisinin temel yapısının, Santiago Ramon y Cajal'ın dendritleri girişler, soma'yı işlem merkezi ve aksonu çıkış olarak temsil eden ilk nöron çiziminden nasıl türetildiğini gösteriyor. Ayrıca, nöronlar arasındaki bağlantılar veya sinapslar modellendi ve bağlantının gücü çizginin kalınlığına bağlandı.
  
  
• 00:05:00 Bu bölümde video, sinir ağlarının büyük miktarda veriden temsil elde etmede nasıl çalıştığını tartışıyor. Bunun, bir görüntü tanımanın piksel değerlerinden konuşma tanıma için konuşmanın ses frekanslarına veya bir hastanın tıbbi geçmişine kadar her türlü girdiye çevrilebilen katman katman bir süreçte nasıl gerçekleştiğini açıklamaya devam ediyor. kanser olma ihtimali Video ayrıca, alan hakkında daha fazla bilgi edinmek için kişinin beynini keskin ve yaratıcı tutması ve derin öğrenme algoritmalarının temel yapı taşlarını anlaması için bir platform olan Brilliant.org'u ziyaret etmeyi düşünmesi gerektiğinden de bahsediyor.

[MetaQuotes]

Sinir Ağı Nasıl Yapılır | Sinir Ağları Açıklaması

Sinir Ağı Nasıl Yapılır | Sinir Ağları Açıklaması

Video, ilgili yapıyı ve matematiği tartışarak sinir ağlarının örüntü tanıma yeteneklerini nasıl oluşturduğunu açıklıyor. Örnek olarak bir görüntü kullanır ve girdi katmanı, çıktı katmanı düğümlerini tartışır ve gizli katmanlar fikrini ortaya koyar.

Ardından video, aktivasyon fonksiyonlarını ve bunların giriş sinyallerini çıkış sinyallerine nasıl dönüştürdüğünü inceliyor. Hiperbolik teğet fonksiyonu ve doğrultulmuş doğrusal birim katmanı tartışılmış ve oluşturulan sinir ağının belirsiz olmayan değerleri sağlamak için önemli insan mühendisliği gerektirdiği ortaya çıkmıştır. Video, daha fazla bilgi edinmek için Brilliant.org'u önerir.

• 00:00:00 Bu bölümde, örüntü tanıma yeteneklerini nasıl oluşturduklarını görmek için sinir ağlarının yapısını ve matematiğini daha ayrıntılı tartışarak video sonuncusunun kaldığı yerden devam ediyor. Bu karmaşık konuyu daha iyi anlamak için sezgisel bir örnek olarak bir resim kullanılacaktır. Girdi katmanı, görüntüyü oluşturan pikseller olarak tanımlanır ve çıktı katmanı düğümleri, dört farklı yapı türü için keyfi olarak ayarlanır. Ardından video, giriş değerini yeniden eşlemek ve ham düğüm değerine sınırlar eklemek için uygulanan aktivasyon işlevlerine sahip olabilen gizli katmanlar fikrini sunar. Gizli katman düğümümüze yapılan girdinin rastgele girdi görüntülerinden nasıl etkilendiğini göstermek için ağırlıklar da dahil edilmiştir.
  
  
• 00:05:00 Bu bölümde video, giriş sinyallerini bir sinir ağındaki sonraki katmanlar tarafından anlaşılabilecek bir çıkış sinyaline dönüştürmek için aktivasyon fonksiyonlarının nasıl çalıştığını tartışıyor. Örnek olarak, X eksenindeki tüm değerleri eksi bir ile bir arasında bir Y değerine eşleyen hiperbolik tanjant işlevi kullanılır. Daha fazla düğüm eklendiğinde, alıcı alanlar daha karmaşık hale gelir ve örneğin, üçüncü gizli katmanda ağ, ters bir çaprazlama gibi kalıpları tanımaya başlar. Son olarak, negatif değerleri düzelten ve pozitifleri aynı tutan, tamamlanmış bir sinir ağını teste hazır hale getiren düzeltilmiş doğrusal birim katmanı tanıtılır.
  
  
• 00:10:00 Bu bölümde, önceki bölümde oluşturulan sinir ağı, bir girdi görüntüsündeki kalıpları nasıl tanımladığını anlamak için derinlemesine analiz edilir. Oluşturulan ağın mükemmel olmadığı ve belirsiz olmayan değerleri sağlamak için önemli insan mühendisliği gerektirdiği ortaya çıktı. Dizinin bir sonraki videosunda, gradyan iniş ve geri yayılım, öğrenmeyi derin öğrenmeye yerleştiren yöntemler ve bunların ağın kendi temsilini oluşturmasına nasıl izin verdiği ele alınacak.

[MetaQuotes]

Bilgisayarlar Nasıl Öğrenir | Açıklanan Sinir Ağları (Gradient Descent & Backpropagation)

Bilgisayarlar Nasıl Öğrenir | Açıklanan Sinir Ağları (Gradient Descent & Backpropagation)

Bu video, sinir ağlarının, ağın bunları belirlemesine izin vermek için gizli katmanlardaki ağırlıkları değiştirerek nasıl öğrendiğini açıklar. Sinir ağının hata oranını en aza indirmek için maliyet fonksiyonu kavramı tanıtılır ve geri yayılım, ağın parametrelerinin ayarlanmasında temel süreç olarak açıklanır.

Temsil, değerlendirme ve optimizasyon dahil olmak üzere makine öğreniminin üç ana bileşeni, bağlantıcılık kabilesinin kapsamındadır. Video ayrıca, ağın kendisini her zaman soyutlama katmanlarında mükemmel bir şekilde düzenlemediğini de belirtiyor. Derin öğrenmenin amacı, ağın ağırlıkları kendi başına öğrenmesi ve ayarlamasıdır.

• 00:00:00 Bu bölümde, sinir ağlarının gerçekte nasıl öğrendiğine odaklanılmaktadır. İlk adım, daha önce elle ayarladığımız gizli katmanlardaki ağırlıkları değiştirerek ağın bunları belirlemesine izin vermek için ağı ince ayar yapmaktır. 181 potansiyel ağırlıkla, her birinin çıktı karar alanı üzerindeki etkisini görselleştirmek zorlu bir görev haline gelir. İşleri basitleştirmek için, 12 ağırlıklı basit bir sayı kullanılır ve çıkış düğümü denklemleri, P'nin kırmızıda Q'dan büyük ve mavide Q'dan küçük olduğu karar sınırlarıyla çizilir. Ağdaki ağırlıklı değerleri değiştirmek, karar sınırının eğimini değiştirir. Doğrusal olmama eklemek için sigmoid işlevi gibi bir aktivasyon işlevi uygulanana kadar, ağırlık ayarlamasından kaynaklanan tüm değişikliklerin düz çizgilerle doğrusal çıktılarla sonuçlandığı gözlemlenmiştir. Derin öğrenmeye ulaşmak için amaç, öğrenme sürecinin ve ağırlık ayarının ağın kendisi tarafından yapılmasıdır.
  
  
• 00:05:00 Bu bölümde video, maliyet fonksiyonu kavramını ve bunun sinir ağının hata oranını en aza indirmeye nasıl yardımcı olduğunu açıklıyor. Video ayrıca sinir ağı parametrelerinin değerlerini ayarlamak için gerekli olan geri yayılım sürecini de açıklıyor. Gradyan iniş, hangi yönde hareket edileceğini belirleme yöntemidir ve geri yayılım aslında parametreleri bu değere ayarlayarak ağın istenen sonuçları üretmesini sağlar. Amaç, maliyet fonksiyonu değerini en aza indirmek için ağırlıklı değerleri temel gerçeğe yaklaştırmaktır. Ağı eğitirken, ağırlıklar görmeyi umduğumuz sonuçları ürettikleri bir noktaya gelene kadar süreç tekrar eder.
  
  
• 00:10:00 Bu bölümde, bağlantıcılık kabilesindeki makine öğreniminin temsil, değerlendirme ve optimizasyonu içeren üç temel bileşenini öğreniyoruz. Temsil, bir temsil uzayını tanımlayan bir sinir ağı fonksiyonu kullanılarak elde edilir ve değerlendirme, bir maliyet veya fayda fonksiyonu elde etmek için kullanılan çıktıdaki düğümlerin kare hatası hesaplanarak yapılır. Son olarak, temsil modüllerinin alanı aranarak optimizasyon elde edilir ve bu, gradyan iniş ve geri yayılım yoluyla gerçekleştirilir. Yapay sinir ağlarının nasıl çalışması gerektiğine dair birçok genelleme yapmış olsak da hala değinmediğimiz birçok konu var. Böyle bir şey, ağın kendisini her zaman mükemmel soyutlama katmanlarında düzenlememesidir.

[MetaQuotes]

Sinir Ağları Nasıl Çalışır | Sinir Ağları Açıklaması

Sinir Ağları Nasıl Çalışır | Sinir Ağları Açıklaması

Video, belirli bir eşik karşılandığında düğümleri harekete geçirmek için hızlı başlatan sinir ağlarındaki önyargı parametresini ve optimizasyon teknikleri aracılığıyla ince ayar gerektiren hiperparametrelerle parametreler ve hiperparametreler arasındaki farkı açıklıyor.

Öğrenme oranı da tartışılır ve fazla veya yetersiz uydurmadan kaçınırken en uygun oranı bulmanın zorlukları vurgulanır. Özellik mühendisliği, sinir ağlarında bulunan ve analistlerin bir sorunu doğru şekilde tanımlayan girdi özelliklerini belirlemesi gereken başka bir alt alandır. Video, teorik yapay sinir ağlarının mükemmel soyutlama katmanları içermesine rağmen, en önemli hiperparametreler seçilerek seçilen kullanılan ağ türü nedeniyle gerçekte çok daha rastgele olduğunu belirtiyor.

• 00:00:00 Bu bölümde video, derin öğrenmeyle ilgili önceki videolarda ele alınmayan bazı kavramları tartışıyor. Temsili öğrenmek için ayarlanması gereken başka bir parametre olan sinir ağlarındaki bias parametresi açıklanmaktadır. Önyargı parametresinin amacı, belirli bir eşik karşılandığında güçlü bir şekilde etkinleşmek için düğümleri hızlı bir şekilde başlatmaktır. Video, sapmanın, ağırlığın eğim olduğu doğrusal bir denklemin Y kesişimi olduğunu açıklıyor. Hiperparametrelere karşı parametreler kavramı da tartışılmaktadır; burada hiperparametreler, modelin dışında olan ve değerleri verilerden tahmin edilemeyen konfigürasyonlardır. Tartışma, hiperparametre ayarlama ve optimizasyonunun derin öğrenmenin bütün bir alt alanı olduğunu ve farklı parametreler için en iyi değerleri bulmak için farklı tekniklere ihtiyaç duyulduğunu vurgulamaktadır. Bir hiperparametre olan öğrenme oranı da açıklanır ve öğrenme oranının değeri, bir sinir ağının oluşturacağı temsil için büyük etkilere sahiptir.
  
  
• 00:05:00 Bu bölümde video, sinir ağlarında ideal öğrenme oranını ve özellik mühendisliğini bulmanın zorluklarını açıklıyor. Optimum öğrenme oranını bulmak için, sinir ağının düzgün çalışmasını sağlamak için çok çalışmak gerekir. Uygun olmayan bir öğrenme oranı, artan hesaplama gücü ve zaman tüketimine neden olabilecek fazla veya eksik yerleştirmeye yol açabilir. Öte yandan özellik mühendisliği, bir analistin çözmeye çalıştığı sorunu doğru bir şekilde tanımlayan girdi özelliklerini belirlemesi gereken alt alandır. Sinyali güçlendiren ve gürültüyü ortadan kaldıran özellikleri yakalamak çok önemlidir, çünkü az sayıda özellik olduğunda yetersiz uyum meydana gelebilirken, model yeni verilere yanıt vermek için çok özel ve kırılgan olduğunda aşırı uyum meydana gelir.
  
  
• 00:10:00 Bu bölümde video, yapay sinir ağlarının teorik konseptinin mükemmel soyutlama katmanları içermesine rağmen gerçekte bunun çok daha rastgele olduğunu açıklıyor. En önemli hiperparametreler seçilerek seçilen belirli bir problem için kullanılan ağ türü bunun büyük bir nedenidir. İleri beslemeli bir sinir ağı, anlaşılması kolay olduğu için genellikle derin öğrenme hakkında bilgi edinmek için seçilir. Bununla birlikte, o zamandan beri var olan ve evrişimli ağlar ve tekrarlayan ağlar dahil olmak üzere çeşitli problemler için çok daha uygun olacak birçok sinir ağı türü vardır. Video, bireyleri beyinlerini keskin tutmaya ve çok disiplinli sorunlara yaratıcı çözümler düşünmeye teşvik ederek sona eriyor.