Makine Öğrenimi ve Sinir Ağları - sayfa 45

[MetaQuotes]

7 Dakikada GitHub Yardımcı Pilot

7 Dakikada GitHub Yardımcı Pilot 👨‍💻🤖🚀

GitHub Copilot, yazılmakta olan kodun bağlamına göre öneriler üreten, böylece yazılan kod miktarını azaltan ve geliştirmeyi hızlandıran yapay zeka destekli bir otomatik tamamlama aracıdır. Ayrıca geliştirici tarafından yapılan yorumlara göre kod üretebilir, bu da kodu projeye yeni başlayanlar için bile daha anlaşılır hale getirir. GitHub Copilot ayrıca, önerilerin değiştirilmesine izin veren ve performansı optimize etmek ve kod verimliliğini artırmak için ek kod önerileri oluşturan bir özellik içerir. Döküm, GitHub Copilot'ta bulunan temiz fırça, liste adımları fırçası, sağlam fırça yapma, yığın kodu fırçası ve belge kodu fırçası gibi çeşitli fırçaları ele alır. Konuşmacı, aracın hala hatalar ürettiğini kabul ederken, izleyicileri iki aylık ücretsiz denemeyi denemeye ve bunun kodlamalarına yardımcı olup olmayacağını görmeye teşvik ediyor.

• 00:00:00 Bu bölümde, GitHub Copilot'un faydaları ve sınırlamaları, nasıl kullanılabileceğine dair gerçek hayattan örneklerle birlikte ele alınmaktadır. Copilot'un otomatik tamamlama özelliği, yazılan kodun içeriğine göre öneriler üretir, böylece yazılan kod miktarını azaltır ve geliştirme sürecini hızlandırır. Ek olarak, Copilot, geliştirici tarafından yapılan yorumlara dayalı olarak kod üretebilir ve bu, projede yeni olanlar için bile kodu daha anlaşılır hale getirir. Copilot ayrıca, önerilerin değiştirilmesine izin veren bir özellik ile performansı optimize etmek ve kod verimliliğini artırmak için ek kod önerileri oluşturan bir özellik içerir. Son olarak, dil çevirisi, belirli kullanım durumları için fırçalar ve test oluşturma gibi deneysel özellikler sunan GitHub Copilot Labs girişimi tanıtıldı. Bu özellikler, deneysel olmakla birlikte, etkili bir şekilde kullanıldıklarında üretkenliği ve verimliliği büyük ölçüde artırabilir.
  
  
• 00:05:00 Bu bölümde döküm, GitHub Copilot'ta bulunan çeşitli fırçaları tartışır. Temiz fırça, kullanılmayan değişkenleri ve işlevleri kaldırır, liste adımları fırçası, görevler için adım adım talimatlar oluşturmanıza yardımcı olur, sağlam yap fırçası, kodunuzu daha sağlam hale getirmek için hata işleme ekler, yığın kod fırçası, kodunuzu daha küçük parçalara ayırmanıza yardımcı olur , daha yönetilebilir parçalar ve belge kodu fırçası, kodunuz için yorumlar ve belgeler oluşturur. Özel fırça, doğrudan düzenleyicinizin içinden belirli kod parçaları için özel komutlar bulmanızı sağladığı için özellikle kullanışlıdır. Genel olarak, konuşmacı GitHub Copilot'a olumlu bir eleştiri verir ancak yine de bazı hatalar ürettiğini not eder. Ancak konuşmacı, izleyicileri iki aylık ücretsiz denemeyi denemeye ve bunun kodlamalarına yardımcı olup olmayacağını görmeye teşvik ediyor.

[MetaQuotes]

GitHub Copilot X Açıklaması | İleriye doğru büyük bir adım...

GitHub Copilot X Açıklaması | İleriye doğru büyük bir adım...

YouTube videosu "GitHub Copilot X Açıklaması | İleriye doğru büyük bir adım...", geliştiriciler için kod üreten bir yapay zeka aracı olan GitHub Copilot'un en son gelişimini tartışıyor. GitHub Copilot X adlı yeni sürüm, özel dokümantasyon, çekme isteği analizi, otomatik test önerileri ve daha iyi otomatik öneriler için hayalet metin gibi çeşitli yetenekler içerir. Ayrıca anında yardım için sohbete duyarlı konuşmalar ve yapay zeka destekli çekme isteği tamamlama ve inceleme yanıtları vardır. Video ayrıca GitHub Copilot CLI, Voice ve Code Brushes'ın özelliklerini vurgulayarak kullanıcıların seslerini kullanarak kodu daha okunaklı hale getirmek için kodlamasına ve kodu değiştirmesine olanak tanır. YouTuber, geliştiricileri yapay zekayı benimsemeye ve aylık 10 ABD Doları gibi makul bir fiyata GitHub Copilot'a kaydolmaya teşvik ediyor.

• 00:00:00 Bu bölümde Travis, GitHub Copilot'tan ve en son geliştirmesi olan GitHub Copilot X'ten bahsediyor. Microsoft'un çeşitli yapay zeka araçlarıyla bu yıl yapay zeka endüstrisine hakim olduğunu vurguluyor. Ardından, GitHub Copilot'un geliştiriciler için kod üreterek nasıl çalıştığını ve GitHub'ın araştırmasına dayalı olarak geliştirici üretkenliğini ve memnuniyetini artırmada nasıl son derece başarılı olduğunu açıklıyor. Travis ayrıca GitHub Copilot X'teki X'in dokümanlar, PR'ler, bloklar ve CLI gibi çeşitli yetenekleri temsil ettiğini not eder. GitHub Copilot X'in ürün vizyonu, yapay zeka destekli yazılım geliştirmenin geleceğidir ve daha doğru ve daha hızlı GPT-4 modelini kullanır.
  
  
• 00:05:00 Bu bölümde döküm, GitHub Copilot X'in 25.000 kelimelik sayı sınırı ve geliştiricilerin bir sohbet penceresi aracılığıyla anında yardım almasına olanak tanıyan sohbete duyarlı konuşmalar dahil olmak üzere çeşitli özelliklerini özetler. Araç ayrıca, kullanıcıların GitHub, React.js, MDN ve Azure'dan entegre belgelere dayalı olarak soru sorabilecekleri ve kişiselleştirilmiş yanıtlar alabilecekleri özel belgeler sunar. Bir başka önemli özellik de, aracın kodu analiz ettiği ve geliştiriciler için PR açıklamaları oluşturduğu çekme istekleridir. Ek olarak, daha iyi otomatik öneriler için otomatik test önerileri ve hayalet metin sunar. Video, bu yeni özelliklerin geliştirici topluluğu için nasıl faydalı olacağını vurgulamaktadır.
  
  
• 00:10:00 Bu bölümde, GitHub Copilot'un yapay zeka ile sorunları çözme yeteneği ele alınıyor ve burada bir sorunu çözmek için otomatik olarak yapılacak değişiklikleri önerebiliyor. Bahsedilen diğer bir özellik, kullanıcıların bir çekme isteğindeki değişiklikleri daha kolay anlamalarına yardımcı olabilecek yapay zeka destekli çekme isteği tamamlama, onarma ve inceleme yanıtlarıdır. Kullanıcıların terminalde belirli komutları nasıl çalıştıracakları konusunda yardım isteyebilecekleri ve onlar için komutu oluşturacakları GitHub Copilot CLI da açıklanmaktadır. Son olarak, kullanıcıların kodlamak için seslerini kullanmalarına izin veren ve kullanıcılara kodlamada yardımcı olacak bir araç kutusu ekleyen GitHub Copilot Voice ve Code Brushes tanıtıldı.
  
  
• 00:15:00 Bu bölümde YouTuber, GitHub Copilot'un Visual Studio kod uzantısının kodu daha okunabilir hale getirmek için değiştirebilen, türler ekleyebilen, basit hataları düzeltebilen, hata ayıklama ifadeleri ekleyebilen ve kodu daha sağlam hale getirebilen kod fırçalama özelliğini tartışıyor. . Ayrıca test oluşturma, kod açıklaması ve kod çevirisi dahil olmak üzere deneysel uygulamalar için GitHub Copilot Labs uzantısından da bahsediyorlar. Diğer bir özellik ise çizelgeler ve grafiklerle zengin belgeler oluşturmak için etkileşimli bir araç olan GitHub bloklarıdır. Geliştiricileri yapay zekayı benimsemeye ve aylık 10 ABD doları gibi makul bir ücretle ücretli bir hizmet olarak sunulan GitHub Copilot'a kaydolmaya teşvik ediyorlar.

[MetaQuotes]

Kapsamlı GitHub Yardımcı Pilot Kılavuzu: Başlangıçtan Uzmanlığa | VS Kodu Demosu

Kapsamlı GitHub Yardımcı Pilot Kılavuzu: Başlangıçtan Uzmanlığa | VS Kodu Demosu

Video, GitHub Copilot ve yetenekleri hakkında kapsamlı bir kılavuz sağlar. Sunucu, Copilot'un verimliliği artırmak için nasıl kod önerebileceğini gösteriyor, karmaşık kodlama sorunlarını çözme ve kişisel kodlama stillerine uyum sağlama yeteneğini gösteriyor ve 2B çizim için SkiaSharp gibi yeni kitaplıkları öğrenmedeki yararlılığını gösteriyor. Sunum yapan kişi, Copilot'un faydalarını vurgularken, bunun eleştirel düşünmenin ve kodu anlamanın yerine geçmediğini vurgular. Genel olarak video, GitHub Copilot'un nasıl kullanılacağını anlamak isteyen yeni başlayanlar ve uzmanlar için mükemmel bir kaynaktır.

• 00:00:00 Videonun bu bölümünde sunum yapan kişi, programcıların daha verimli kod yazmasına ve tipik hatalardan kaçınmasına yardımcı olabilecek bir kodlama asistanı olarak GitHub Copilot'a kısa bir giriş sağlar. Kullanıcıların aracı profesyonel olarak kullanıp kullanmamaya karar vermeden önce test etmek için kullanabilecekleri 60 günlük ücretsiz deneme süresinden bahsediyor. Videoda, aracın yeteneklerini gösteren, artan karmaşıklıkta üç demo yer alacak. Sunum yapan kişi, bir sayının asal olup olmadığını test etmek için bir işlev yazarken, Copilot'un aklına gelmemiş olabilecek performans optimizasyonları ile nasıl yararlı öneriler sağladığını göstererek aracı gösterir. Yardımcı pilotun önerileri her zaman mükemmel değildir, bu nedenle bazen yorumlar önerilere rehberlik edebilir. Sunucu daha sonra Copilot'un bir dosyanın içeriğini diskten okumak ve dosya içindeki ortalama satır uzunluğunu hesaplamak gibi daha karmaşık programlama problemlerini nasıl çözebileceğini göstermeye devam ediyor.
  
  
• 00:05:00 Videonun bu bölümünde sunum yapan kişi, belirli bir dosyanın ortalama satır uzunluğunu hesaplayan bir özelliği uygulamak için GitHub Copilot'un nasıl kullanılacağını gösterir. Aracın, özelliği uygulamak için birden çok yol önerebileceğini ve 2B çizim için SkiaSharp gibi yeni bir kitaplığı öğrenmek için araçtan nasıl yararlanılabileceğini gösterirler. Copilot'un kod önermede yardımcı olabilse de, uygulamayı baştan sona düşünmenin ve kodun ne yaptığını anlamanın yerine geçemeyeceğini vurguluyorlar. Sunum yapan kişi, Copilot'un kullanıcının kodlama stiline uyum sağlayabildiğini de not eder.
  
  
• 00:10:00 Bu bölümde konuşmacı, GitHub Copilot'un bir kodlayıcının kişisel stilini nasıl tanıyabileceğini ve buna uyum sağlayabileceğini ve potansiyel olarak kodlama hatalarını önleyebileceğini gösteriyor. Konuşmacı ayrıca, Copilot'un renkleri veya dolgu şekillerini oluşturmak ve hatta "ressamın algoritmasını" anlamak gibi minimum çaba ve araştırmayla kod üretme becerisini de övüyor. Ek olarak, konuşmacı son ürünü renklerle ve üst üste binen dairelerle gösterirken, Copilot döngünün her tekrarına kolaylıkla uyum sağlar.
  
  
• 00:15:00 Bu bölümde konuşmacı, demo'nun en iyi yanının, SkiaSharp kitaplığı hakkında herhangi bir ön bilgi gerektirmemesi olduğunu vurgulayarak, kod yazarken Copilot'un kullanım kolaylığını gösteriyor. Ayrıca, Copilot'u her gün kullandıklarını ve ara sıra yorumlar da kullansalar da, yapay zekanın ne yaptıklarını tahmin etmesine izin verirken bunu özellikle yararlı bulduklarını belirtiyorlar. Konuşmacı, izleyicileri videoyu beğenmeye, kanallarına abone olmaya ve diğer videolarına ve kurslarına göz atmaya teşvik eder.

[MetaQuotes]

GitHub CoPilot ile Çalışma

GitHub CoPilot ile Çalışma

Video, yapay zeka tabanlı ve genel havuzlarda eğitilmiş GitHub CoPilot'un geliştirilmesini ve işlevselliğini tartışıyor. Araç, geliştirici üretkenliğini artırmak için öneriler ve işlevler sağlar ve bireyler ve işletmeler tarafından kullanılabilir. CoPilot, projenin bağlamına göre kod önerme yeteneğine sahiptir ve kullanıcıların IDS'yi kapatmasına veya Telemetri'yi devre dışı bırakmasına izin verir. Video, kullanıcı arabirimleri oluşturma, test etme ve hataları düzeltme dahil olmak üzere CoPilot'un potansiyel kullanımlarını tartışıyor. Konuşmacılar, güvenli kodlama uygulamalarını sürdürmenin ve kodun kalitesini sağlamanın önemini vurguluyor. Ek olarak, CoPilot'ın teknik sınırlamaları ve IDE'nizde sohbet ve yapay zeka destekli tam inceleme gibi yakında çıkacak özellikler tartışılır. Videoda ayrıca CoPilot'ın asistan veya eş programlayıcı olarak kullanılmasından bahsediliyor ve kodlama stilini ayarlamak ve iyileştirmek için 60 gün boyunca CoPilot kullanılması öneriliyor.

Bu videoda konuşmacı, kod yazmak ve araçla ilgili sık sorulan soruları yanıtlamak için GitHub CoPilot kullanma deneyimlerini paylaşıyor. Aracın, kullanıcının şu anda kodladığı şeyden öğrendiğini ve doğru yönde yararlı ipuçları ve dürtmeler sağladığını açıklıyorlar. Konuşmacı ayrıca CoPilot'u Azure bilişsel hizmetleriyle ve düşük düzeyli C++ programlama için kullanma örnekleri verir. Aracın, çerçevelerin yeni sürümlerini barındırmak için daha güncel eğitim verileri ve daha küçük güncelleme artışlarıyla güncellendiğini belirtiyorlar. Konuşmacı, CoPilot'ı geliştiricilerin yeni teknolojiler öğrenmesine ve faydalı verileri ayıklamak için API'lerle deneyler yapmasına yardımcı olduğu için övüyor.

• 00:00:00 Bu bölümde GitHub'da çözüm mühendisi olan Tanya, GitHub Yardımcı Pilot'un tarihçesini ve gelişimini açıklıyor. Yapay zekanın görüntü tanımadan doğal dil işlemeye ilerlemesini tartışıyor ve CoPilot'un geliştirilmesiyle sonuçlanıyor. Tanya, CoPilot'ın ana amacının, gelişmekte olan teknolojileri geliştiricilere getirmek ve fikir oluşturma sürecinde geliştirici deneyimini iyileştirmek olduğunu açıklıyor. Aracın oluşturulması için Microsoft aracılığıyla Open AI ve GitHub arasındaki işbirliğine itibar ediyor. Yakın zamanda kullanıma sunulan CoPilot ile Tanya, Microsoft şemsiyesi altında dünya çapında tanınan bir marka haline geldiğini görüyor.
  
  
• 00:05:00 Bu bölümde konuşmacı, GitHub Copilot'un işlevselliğini ve bunun bireyler ve işletmeler tarafından nasıl kullanılabileceğini tartışıyor. Herhangi bir kaynak denetleyiciyle kullanılabilir ve GitHub'daki tüm genel depolarda eğitilmiş yerel yapay zekaya dayalıdır. Araç, daha az popüler olanlar da dahil olmak üzere tüm dilleri destekler ve projenin bağlamına ve imlecin etrafındakilere göre başarılı öneriler sunar. Tek bir satırı tamamlamaktan daha fazlasını sunar ve tüm işlevleri önerebilir. Bireyler bir GitHub hesabı ve kredi kartıyla Copilot'u ücretsiz kullanabilirken, işletmeler ek özelliklere ve politikalar ve yapılandırmalar yoluyla buna erişimi yönetme yeteneğine sahiptir. İşletmeler için gizlilik ve VPN proxy desteği de mevcuttur.
  
  
• 00:10:00 Bu bölümde konuşmacı, IDS'yi kapatma veya açma veya yardımcı pilot kullanma ve Telemetriyi devre dışı bırakma gibi GitHub CoPilot ile çalışmanın özelliklerini tartışıyor. Konuşmacı ayrıca, CoPilots yeni öneriler üretse de, alınan kodun model üzerine inşa edildiğini ve bazen önerilen bloğun bazı genel kodlarla aynı olabileceğini vurgular. Ancak kullanıcılar, önerileri filtrelemek ve aynı genel kod önerilerini engellemek için yapılandırma seçeneğine sahiptir. Konuşmacı ayrıca geliştirici üretkenliğinden bahseden uzay çerçevesinden bahsediyor ve CoPilot kullanarak tekrarlayan görevlerde daha hızlı olduklarını söyleyen yaklaşık 2000 kişiyle bir anket yaptılar. Verimlilik ve üretkenlik akışı, memnuniyet ve geliştirici refahı için metrikleri de tartıştılar. Son olarak, yepyeni bir uygulamada CoPilot'un nasıl kullanılacağını gösterirler.
  
  
• 00:15:00 Bu bölümde kullanıcı, Express çerçevesini kullanarak hızlı bir web sitesi için kod yazmak üzere GitHub CoPilot'u kullanmayı gösteriyor. Araç, kullanıcı tarafından verilen komutlara dayalı olarak önerilerde bulunabilir ve uygulamanın içeriğini anlayabilir. Kullanıcı ayrıca satır satır veya işlevleri kullanarak kod üretebilir ve CoPilot, işlevi kullanmanın yollarını önerir. Ek olarak kullanıcı, CoPilot'ın farklı uygulamaların bağlamını nasıl anlayabildiğini ve projenin adına dayalı olarak nasıl veri önerebileceğini gösterir. Genel olarak CoPilot, geliştiricilerin kod yazmalarını kolaylaştırırken aynı zamanda kodlama kalıplarından öğrenmelerini de kolaylaştırır.
  
  
• 00:20:00 Bu bölümde konuşmacı, kişisel projelerinde hızlı bir şekilde kod oluşturmak için GitHub Copilot kullanma deneyimlerini tartışıyor. Copilot'un kodlarını nasıl anlayabildiğini ve projelerinin bağlamına göre öneriler üretebildiğini gösterirler. Copilot'un veri kümelerine dayalı olarak yazdırılacak veri bloklarını nasıl oluşturduğunu ve hatta sonraki adımlarıyla eşleşen kodları nasıl tahmin ettiğini gösterirler. Konuşmacı, Copilot'un proje bağlamında araçlarla ve geliştiriciyle etkileşim kurarak geliştirici üretkenliğini artırabildiğini belirtiyor.
  
  
• 00:25:00 Bu bölümde konuşmacı, GitHub CoPilot'ın çeşitli kullanım durumlarında üretkenliği nasıl artırabileceğine dair örnekler veriyor. Bir örnek, CoPilot'un satır içi öneriler önerdiği ve tekrar eden görevleri otomatikleştirdiği için kullanıcı arayüzleri oluştururken verilebilir. CoPilot hızlı bir şekilde büyük miktarlarda kod oluşturabildiğinden ve kod kapsamını iyileştirebildiğinden, başka bir kullanım durumu da veri veya şemanın test edilmesi ve üretilmesidir. Ek olarak, konuşmacı CoPilot'un bağlama duyarlı öneriler kullanarak hataları düzeltmek ve kod kalitesini iyileştirmek için nasıl kullanılabileceğini gösterir. CoPilot hala deneysel bir eklenti olmasına rağmen, yazılım geliştirmede üretkenliği ve verimliliği büyük ölçüde artırma potansiyeline sahiptir.
  
  
• 00:30:00 Videonun bu bölümünde, konuşmacılar GitHub CoPilot kullanırken güvenli kodlama uygulamalarını sürdürmenin önemini tartışıyor ve CoPilot'ın geliştiricinin yerine geçmek için değil, kodlamaya yardımcı olmak için orada olduğunu vurguluyor. Bir geliştirici güvenli olmayan kod yazıyorsa, CoPilot'un yanlışlıkla daha fazla güvensiz kod üretebileceğini belirtiyorlar. Bu sorundan kaçınmak için CoPilot, uygun bağlam olmadan SQL enjeksiyonlarına yönelik önerileri önlemek için filtreler eklemiştir. Ek olarak, geliştiriciler kodlarını güvenlik açıklarına karşı incelemekten ve test etmekten sorumludur. Ayrıca, eğitim veri kümelerini güncelleyerek CoPilot'un farklı kitaplık sürümlerine ve çerçevelerine nasıl uyum sağladığına da değiniyorlar, ancak yeterli veri yoksa, her zaman yeni uygulamalara dayalı değişiklikler önermeyebileceğini unutmayın.
  
  
• 00:35:00 Bu bölümde video, kodun kalitesinin nasıl sağlanacağının yanı sıra GitHub CoPilot'un önerilerinin güvenliği ve güvenilirliğini tartışıyor. GitHub CoPilot'ın yapay zekası, başka bir yerden kod kopyalamadan GitHub veritabanı içindeki bilgilere dayalı olarak kod üretir. Geliştiriciler, CoPilot tarafından oluşturulan kodun test edilmesinden ve güvenliğinin sağlanmasından sorumludur. Ayrıca video, Stack Overflow gibi kaynaklarda oylama ve sıralama yoluyla kalite kontrolünün nasıl sağlandığını açıklıyor. Son olarak video, CoPilot'ın şu anda yaklaşık iki ila dört bin belirteçle sınırlı olan uzun süreli konuşmalar için bağlamı koruma becerisiyle ilgili endişeleri ele alıyor.
  
  
• 00:40:00 Videonun bu bölümünde, konuşmacılar GitHub CoPilot'un teknik sınırlamalarını ve her bir sorgu için verileri nasıl yeniden gönderdiğini tartışıyor. Ayrıca, kullanıcının nereye yazdığının izlenmesine yardımcı olan gelişen bağlam özelliğinden de bahsediyorlar. CoPilot'un kodda toplu değişiklikler yapmak ve mevcut sorunları bulmak için kullanılıp kullanılamayacağına ilişkin bir kullanıcının sorusuna yanıt verirler. IDE'nizde bir sohbet ve AI tarafından desteklenen tam inceleme dahil olmak üzere birkaç yeni özellikten bahsediyorlar. Ekipler için yeni duyurulan GitHub Copilot hakkında da tartışıyorlar.
  
  
• 00:45:00 Bu bölümde konuşmacı, GitHub Copilot'ta test ve hata işleme için birçok işlevin mevcut olduğundan bahseder. Kasım 2021'de başlayan teknik önizlemenin bir milyon kullanıcısı vardı. Konuşmacı ayrıca Copilot'un ürettiği kodu kullanmanın bir öğrenme aracı olabileceğini çünkü geliştiricilerin kodu ve çerçeveleri doğru kullanıp kullanmadıklarını ve kodu doğru şekilde yazıp yazmadıklarını kontrol edebileceklerini söylüyor. Konuşmacı, Copilot'u 60 gün boyunca denemenizi ve sağlanan önerilere göre kodlama stilini ayarlamanızı önerir. Ayrıca konuşmacı, kodun ne yaptığını anlamaya çalışmak ve sorun giderme amacıyla temel günlük ve hata ayıklama bilgilerini eklemek için Yığın Taşması iş akışı için bir Google araması yapılmasını önerir.
  
  
• 00:50:00 Bu bölümde konuşmacılar, ilgili iş mantığından bağlam sağlayarak PR incelemelerine yardımcı olmak için GitHub CoPilot'un nasıl kullanılabileceğini tartışıyor. Yeni bir tablo oluşturmaya ve SQL kullanarak veri eklemeye ilişkin bir örnek veriyorlar ve CoPilot'un kod incelemeleri için öneriler oluşturmak üzere bir işletmenin bağlamını nasıl kullanabileceğini gösteriyorlar. Ayrıca kodu, kod tabanının geri kalanıyla karşılaştırırken sözdizimi ve stilin önemine de değiniyorlar. Konuşmacılar, CoPilot'un bir veritabanının şemasını her zaman bilmeyebileceğini, ancak birçok durumda yardımcı olabileceğini belirtiyor.
  
  
• 00:55:00 Bu bölümde, konuşmacı kod geliştirirken GitHub CoPilot'ın bir asistan veya eş programlayıcı olarak nasıl kullanılabileceğini tartışıyor. Projenin içeriğine göre yazılması gereken bir sonraki kod bloğunu önererek yardım sağlayabilir. Bir projenin iş mantığını ve gerekliliklerini tam olarak anlayamasa da yine de yararlı öneriler sunabilir. Konuşmacı, kullanıcıların yeni özellikleri test etmek ve geri bildirim sağlamak için deneyebilecekleri diğer araçlardan ve uzantılardan da bahseder.
  
  
• 01:00:00 Bu bölümde konuşmacı, GitHub Copilot'un yeniden eğitim modelinin ne kadar ölçeklenebilir olduğunu soruyor. Modeli yeniden eğitmenin sorunsuz bir süreç olmadığını ve bunu yapmak için sabit bir ritimleri olmadığını açıklıyorlar. Model, çerçevelerin yeni sürümlerini barındırmak için daha güncel eğitim verilerinin yanı sıra daha küçük güncelleme artışlarıyla güncellenir. Konuşmacı, kod önerileri oluşturmak için Copilot'u kullanarak çok hızlı bir şekilde yeni bir özellik oluşturmayı içeren başka bir kullanım durumunu paylaşıyor. Bir görüntüyü birkaç dakika içinde ekran görüntüsü olarak kaydetmek için basit bir işlev oluşturdular ve bunu yeni bir özellik oluşturmak için bir başlangıç noktası olarak doğruladılar.
  
  
• 01:05:00 Bu bölümde konuşmacı, bir görüntüden metin çıkarmak için GitHub Copilot'u Azure bilişsel hizmetleriyle, özellikle de form tanıma aracıyla kullanma deneyimlerini paylaşıyor. API kodunu yazmak ve işlevselliğini test etmek için Copilot'u kullanabildiler. Konuşmacı ayrıca düşük seviyeli C++ programlamayı kolaylaştırmak için Copilot kullanımına ilişkin bir örnek paylaşıyor. Copilot, sorunlarını doğrudan çözmese de, doğru yönde faydalı ipuçları ve dürtmeler sağladı. Genel olarak, konuşmacı Copilot'u geliştiricilerin yeni teknolojileri öğrenmelerine ve faydalı verileri çıkarmak için API'lerle deneyler yapmalarına yardımcı olduğu için övüyor.
  
  
• 01:10:00 Bu bölümde, konuşmacı GitHub CoPilot kullanımıyla ilgili bazı genel soruları ele alıyor. Aracın, kullanıcının şu anda kodladığı şeyden öğrendiğini ve yalnızca geçerli çalışma alanı veya proje içinde bağlama sahip olduğunu açıklarlar. Kullanıcı projeleri değiştirse bile CoPilot, yeni projede kodlamaya başlayana kadar yeni proje için içeriğe sahip olmayacaktır. Konuşmacı ayrıca, telemetriyi devre dışı bırakmanın yalnızca öneri verilerinin daha sonra kullanılmak üzere sunucuya gönderilmesini engelleyeceğini, ancak bunun yerel bağlamı etkilemeyeceğini de belirtiyor. Kurumsal kullanıcılar için, CoPilot'a GitHub'daki bir ekip/grup aracılığıyla erişilebilir ve hizmete erişim, özelliklerin engellenmesi veya kaldırılması için farklı politikalar ile üst düzeyde yönetilebilir. Son olarak, konuşmacı daha fazla tartışma için biraz zaman tanır ve katılımcılara katıldıkları için teşekkür eder.

[MetaQuotes]

GitHub Yardımcı Pilot - İlk Bakış

GitHub Yardımcı Pilot - İlk Bakış

GitHub Copilot, geliştiricilerin yapılacaklar listelerini yönetmelerine, değişiklikleri bulutla senkronize etmelerine ve ilerleme hakkında canlı geri bildirim sağlamalarına yardımcı olan bir Chrome uzantısıdır. Video, GitHub'da geliştiriciler için ortak görevleri otomatikleştiren yeni bir özellik olan GitHub Copilot'u tanıtıyor. Bu özellik, popüler bir programlama dili olan React'e dayanmaktadır. Video, içindekiler tablosunda bir satırın nasıl oluşturulacağını, bir dizin satırının nasıl oluşturulacağını ve html dizininin herkese açık olarak nasıl gönderileceğini gösterir. Video ayrıca içindekiler tablosunun içeriğinin nasıl değiştirileceğini ve durumu işlemek için bir tepki bileşeninin nasıl oluşturulacağını gösterir.

• 00:00:00 GitHub Copilot, kod parçacıklarına çözümler önererek geliştiricilere yardımcı olan kodeks tabanlı bir yapay zeka sistemidir. Ücretsiz deneme sürümü olarak mevcuttur ve işlevler ve veriler oluşturmak için kullanılabilir.
  
  
• 00:05:00 Bu videoda GitHub Copilot tanıtıldı ve gösterildi. Program, kullanıcıların diziler, nesneler ve işlevler oluşturmasına ve verileri sıralamasına ve filtrelemesine olanak tanır. Ardından video, üçüncü taraf bir API'nin GitHub Copilot ile nasıl kullanılacağını gösterir.
  
  
• 00:10:00 GitHub Copilot, geliştiricilerin yapılacaklar listelerini yönetmelerine, değişiklikleri bulutla senkronize etmelerine ve ilerleme hakkında canlı geri bildirim sağlamalarına yardımcı olan bir Chrome uzantısıdır.
  
  
• 00:15:00 Video, GitHub'da geliştiriciler için ortak görevleri otomatikleştiren yeni bir özellik olan GitHub Copilot'u tanıtıyor. Bu özellik, popüler bir programlama dili olan React'e dayanmaktadır. Video, içindekiler tablosunda bir satırın nasıl oluşturulacağını, bir dizin satırının nasıl oluşturulacağını ve html dizininin herkese açık olarak nasıl gönderileceğini gösterir. Video ayrıca içindekiler tablosunun içeriğinin nasıl değiştirileceğini ve durumu işlemek için bir tepki bileşeninin nasıl oluşturulacağını gösterir.

[MetaQuotes]

GitHub Copilot X, GERÇEK senaryolarla test edildi

GitHub Copilot X, GERÇEK senaryolarla test edildi

YouTube videosu, geliştiricilerin uygulamaları sıfırdan oluşturmasına, mevcut kodu anlamasına ve kodu yeniden düzenlemesine yardımcı olarak yazılımın yazılma şeklini temelden değiştirebilen bir araç olan Copilot X'in potansiyelini tartışıyor. Video, Copilot Chat'in kodda gezinmeye ve kodu anlamaya nasıl yardımcı olabileceğini ve programlama dillerinin sözdizimini ve gramerini nasıl açıklayabileceğini gösterir. Ancak, aracın istemleri her zaman yeterince kesin değildir ve bazı kod tabanlarını tam olarak anlamak için daha fazla bağlama ihtiyaç duyar. Buna rağmen araç, mevcut kodun yeniden düzenlenmesine ve değiştirilmesine yardımcı olma konusunda umut vaat ediyor. Genel olarak, konuşmacı, Copilot'un kodda gezinme ve kodu anlamadaki doğruluğundan ve kullanışlılığından etkilendi ve yazılımın yazılma şeklini değiştireceğine inanıyor.

• 00:00:00 Bu bölümde konuşmacı, yazılımın yazılma şeklini temelden değiştirme potansiyeli nedeniyle büyük ilgi toplayan yeni bir Copilot sürümü olan Copilot X'i tartışıyor. Sıfırdan bir uygulama oluşturmaya, mevcut kodu anlamaya ve kodu yeniden düzenlemeye yardımcı olma yeteneğini test ederek Copilot X'in yeteneklerini göstereceklerini açıklıyorlar. Konuşmacı, süreç boyunca onlara rehberlik etmesi için Copilot Chat'e güvenerek Go'yu kullanarak bir GitHub CLI uzantısı oluşturmaya çalışır. Copilot Chat, konuşmacıya sıfırdan başlamak yerine uzantıyı oluşturmak için önceden var olan paketleri kullanması için rehberlik ederek yararlı bilgi istemleri ve öneriler sağlar. Konuşmacı, Copilot X'in yeteneklerinden etkilendi ve sektörde bir paradigma değişikliği getirme potansiyeline sahip olduğunu belirtti.
  
  
• 00:05:00 Bu bölümde, bir yazılım geliştiricisi, bir Go paketi oluşturmaya çalışmak için Copilot adlı bir araç kullanıyor. Ancak araç, kötü niyetli aktörler tarafından kullanılırsa bir saldırı vektörü olabilecek, bilinmeyen yazarlardan paketler yüklemenizi önerir. Geliştirici, neler olup bittiğini açıklığa kavuşturmak için Copilot sohbetini kullanmaya çalışır, ancak istemler yeterince kesin değildir. Bu, bu tür araçların tamamen geliştiricilerin yerini almaya hazır olmadığının, ancak bir şeyler oluşturmaya başlamada yardımcı olabileceğinin açık bir kanıtıdır. Geliştirici, sayfalandırmayı, API hız limitlerini ve tablolamayı işleyen yayınlanmış paketlere sahip CLI'lerle GitHub API'sinden yararlanmanın daha iyi yolları olduğunu fark eder.
  
  
• 00:10:00 Bu bölümde, YouTube videosu, önceden bilgilerinin olmadığı mevcut bir kod tabanını anlamak için Copilot X'i kullanmaya yönelik bir deneyi tartışıyor. Copilot'un kod tabanını anlamalarına yardımcı olup olamayacağını görmek için açık kaynaklı bir Twitter algoritma deposu kullanıyorlar. YouTuber, Copilot'un klasör yapısını analiz edebileceğinden emin olmasa da ondan kodun ne yaptığını açıklamasını ister. Copilot, bazı iç içe nesneler ve bir yöntem içeren home mix alert config adlı bir nesne tanımlayarak yanıt verir, ancak YouTuber, daha fazla bağlama ihtiyaç duyduklarını belirtir. Ardından, sınıf ve yöntem hakkında Copilot'a daha spesifik sorular sorarlar ve Scala dili hakkında yeni şeyler öğrenirler. Ancak, Copilot'un daha fazla bağlama ihtiyacı olduğu ve yalnızca kodu okumanın bazen daha yararlı olduğu sonucuna varırlar.
  
  
• 00:15:00 Bu bölümde metin, programlama dillerinin sözdizimini ve gramerini açıklayabilen ve bir kod tabanındaki özel tanımlı öğeler hakkında değerli geri bildirimler sunabilen Copilot Chat'in potansiyelini tartışıyor. Transkript, yeni başlayan programcılar veya belirli bir dile aşina olmayanlar için Copilot Chat'in yararlılığını vurgular, çünkü bu, dil özellikleri ile özel olarak oluşturulmuş öğeler arasında ayrım yaparak kodun daha net anlaşılmasını sağlar. Video ayrıca, Copilot Chat'in temel kavramları özetleyerek ve ilgili kod bölümlerini tanımlayarak bir projenin Benioku dosyasını anlamaya nasıl yardımcı olabileceğini ve onu güçlü bir gezinme aracı haline getirdiğini gösterir.
  
  
• 00:20:00 Videonun bu bölümünde, konuşmacı mevcut bir kod tabanında gezinmek ve yeniden düzenlemek için Copilot'u kullanmayı tartışıyor. Kodu basit bir dilde açıklayarak, Copilot'un mevcut bir kod tabanını anlamaya nasıl yardımcı olabileceğini gösterirler. Ayrıca Copilot'un yeniden düzenleme koduna yardımcı olma potansiyelinden bahsediyorlar, ancak aracı etkili bir şekilde kullanmanın bir öğrenme eğrisi olduğuna dikkat çekiyorlar. Ardından, terminaldeki bir GitHub deposunda arama yapan node.js'de yazılmış küçük bir yardımcı programı yeniden düzenlemek için Copilot'u kullanmaya devam ederler. Genel olarak, konuşmacı, Kopilot'un kodda gezinme ve kodu anlamadaki doğruluğundan ve kullanışlılığından etkilenmiştir.
  
  
• 00:25:00 Videonun bu bölümünde, konuşmacı Axios'u kullanmayı bırakıp bunun yerine Fetch'i kullanmak için mevcut kodun nasıl yeniden düzenleneceğini gösteriyor. Ayrıca async/await ve Node Fetch'i tanıtır ve Fetch'in yerel olarak modern web tarayıcıları için mevcut olduğunu ancak Node.js için mevcut olmadığını açıklar. İşlev çağrılarında yapılan bazı ayarlamalarla birlikte Düğüm çalışma zamanını yükseltmenin kodun sorunsuz çalışmasını sağlayacağını açıklamaya devam ediyor. Konuşmacı, GitHub Copilot için duyduğu heyecanı dile getiriyor ve bunun yazılım yazma şeklimizi değiştireceğine inanıyor.
  
  

[MetaQuotes]

R için GitHub Yardımcı Pilot - İlk izlenimler

R için GitHub Yardımcı Pilot - İlk izlenimler

Video, bir kullanıcının, gerçek zamanlı olarak kod önermek ve işlevler yazmak için tasarlanmış yapay zeka destekli bir çift programlayıcı olan GitHub Copilot hakkında bilgi edinme ve kullanma deneyimini gösteriyor. Kullanıcı, Visual Studio Code'da R programlama için Copilot'u etkinleştirmeye çalışır ve UI görevlerinde zaman kazanmak için bunu kullanma olasılığını araştırır. Ayrıca, Copilot ile sorun giderme deneyimlerini ve Copilot'u RStudio'da kullanmanın olası kullanılabilirliğini ve maliyetini tartışıyorlar. Genel olarak kullanıcı, Copilot'un R programlama görevlerine yardımcı olma potansiyeli konusunda temkinli bir iyimserlik ifade ediyor ve izleyicileri deneyimlerini ve tavsiyelerini paylaşmaya davet ediyor.

• 00:00:00 Bu bölümde YouTuber, yoğun bir şekilde senaryo yazmak ve her şeyi önceden planlamak yerine, kaydederken yeni bir şeyler öğrendiği bir video oluşturmanın yeni bir biçimini deniyor. Özellikle, sizin için gerçek zamanlı olarak kod önermek ve tüm işlevleri yazmak için açık AI kodeks modelini kullanan bir AI çift programcısı olan GitHub Copilot hakkında bilgi edinmek istiyor. 60 günlük ücretsiz denemeye kaydolur ve genel kodla eşleşen önerilere izin vermek ve GitHub Copilot'un modelini iyileştirmeye yardımcı olacak kod parçacıklarına izin vermek gibi tercihlerini sunar. Ne yazık ki GitHub Copilot, RStudio ile uyumlu değil, bu nedenle YouTuber bunun yerine Visual Studio Code kullanmaya karar veriyor. Video, bir kullanıcının GitHub Copilot'a nasıl kaydolabileceğini ve bunu VS Code'da nasıl kuracağını gösterir.
  
  
• 00:05:00 Bu bölümde konuşmacı, VS Code'da R programlama için GitHub Copilot kullanma deneyimlerini tartışıyor. Gerekli uzantıları ekleme ve R için Copilot'u etkinleştirme sürecinde adım adım ilerliyorlar. İlk başta doldurulacak önerileri alırken bazı zorluklarla karşılaştıktan sonra, yorumlara dayalı kod önerileri oluşturmaya çalışıyorlar ve Copilot'tan başarılı bir şekilde bir öneri alıyorlar. Genel olarak, konuşmacı, Copilot'un gelecekte R programlama görevlerine yardımcı olma potansiyeli konusunda temkinli bir şekilde iyimser görünüyor.
  
  
• 00:10:00 Bu bölümde kullanıcı, GitHub Copilot'un bir R betiği oluşturma konusundaki yeteneklerini test eder. Bir Shiny uygulamasının kullanıcı arabirimi tarafını oluşturmak gibi sıkıcı görevler için en iyi sonucu verdiğini keşfederler. Kullanıcı, Copilot'un basit bir Shiny uygulamasının kullanıcı arayüzünü ve sunucu mantığı bileşenlerini hızlı bir şekilde oluşturma becerisinden özellikle etkilenir. VS kodunun bir Parlak uygulama başlatıp başlatamayacağından tam olarak emin olmasalar da, tüm uygulamayı çalıştırabildiler. Ayrıca, işlerinin daha karmaşık yönlerine odaklanabilmeleri için UI görevlerinde zamandan tasarruf etmek için Copilot kullanma olasılığını keşfederler.
  
  
• 00:15:00 Bu bölümde konuşmacı, GitHub Copilot for R kullanırken yaşadıkları sorun giderme deneyimlerini anlatıyor. Başlangıçta kodlarını çalıştırırken sorunlarla karşılaşıyorlar ve Visual Studio için bir R aracına ihtiyaç duyduklarından şüpheleniyorlar. Ancak, sonunda "uygulamayı çalıştır" işlevini kullanmaları gerektiğini anlarlar. Konuşmacı, GitHub Copilot'un işlevselliğinden etkilendi ve doğrudan IDE'lerinde kod önerme yeteneğini takdir etti. Bunu RStudio'ya entegre etmekle ilgilendiklerini ifade ediyorlar, ancak GitHub sorunuyla ilgili bir tartışma, bu entegrasyonun gerçekleşip gerçekleşmeyeceğine dair felsefi tartışmalar olduğunu gösteriyor. Konuşmacı ayrıca komut dosyalarını, Copilot'a benzer bir kavram olarak buldukları işlevlere dönüştüren bir video ile karşılaşır.
  
  
• 00:20:00 Bu bölümde konuşmacı, RStudio'da R için GitHub Copilot'un kullanılabilirliğini ve potansiyel maliyetini tartışıyor. Copilot şu anda RStudio'da mevcut olmasa da, sohbet GPT işlevi eklemek için GPT Studio adlı bir alternatifin kullanılabileceğini belirtiyorlar. Konuşmacı ayrıca, Copilot'un yılda 100 ABD Doları ile uygun fiyatlı olduğunu, GPT Studio'nun ise jetonlara dayalı kullandıkça öde modelini kullandığını belirtiyor. Konuşmacı, bu seçenekler arasındaki kararın kişisel tercihlere ve kullanım amacına bağlı olabileceğini kabul ediyor ve izleyicileri deneyimlerini ve tavsiyelerini paylaşmaya davet ediyor.

[MetaQuotes]

David Smith - R için Yardımcı Pilot

David Smith - R için Yardımcı Pilot

David Smith, GitHub tarafından sağlanan ve geliştirilmekte olan kodun bağlamına bakarak kodlamadaki sonraki adımları önermek için üretici yapay zekayı kullanan bir hizmet olan R için yardımcı pilotun kullanımını tartışıyor. Bir yardımcı pilot demosu sağlıyor ve nasıl çalıştığı hakkında ayrıntılara giriyor, sınırlamalarını tartışıyor ve aynı zamanda karmaşık kod ve hatta metin istemlerinden görüntüler oluşturmak için tahmine dayalı AI modellerini kullanmanın faydalarını sergiliyor. Ayrıca bu modellerin nasıl eğitildiği, nasıl metin, resim ve kod ürettikleri ve akıllı olmadıkları halde bilgi ayıklamak ve yeni içerik oluşturmak için nasıl kullanılabildikleri gibi diğer konuları da ele alıyor. Ek olarak, lisanslama hususlarını ve Co-Pilot'un ticari işler için kullanımını tartışıyor.

Ayrıca, aktif R değerlendirmesi ve R ortamı hakkında bilgi eksikliği de dahil olmak üzere, Copilot for R'nin sınırlamalarını tartışıyor. Bağlamı nasıl değiştirdiğini açıklıyor ve yanlış öneriler alırsa uyarıyor ve özel kod için Copilot kullanımına ilişkin gizlilik endişelerini ele alıyor. Smith ayrıca, VS kodunun Copilot'u kullanacak şekilde nasıl yapılandırılacağına ilişkin talimatlar sağlar ve GitHub laboratuvarları ve kabuk bilgi istemleri için bir sürüm dahil olmak üzere yakında çıkacak özellikleri tartışır. Konuşma, R'nin tarihine ve kullanıcıları tarafından yapılan yeniliklere değiniyor. Copilot'un yanıtları yaratıcı değildir ve verilen talimata göre eğitildiğinin bir karışımıdır, bu nedenle yararlı kodun üretilmesini sağlamak için dikkatli değerlendirme gereklidir.

• 00:00:00 Bu bölümde, konuşmacı herkesi sanal Şubat 2023 New York açık istatistik programı Meetup'a davet ediyor ve konuşmacıları ve onları ağırlayacak mekanları bulur bulmaz hibrit bir formata geçeceklerinden bahsediyor. Konuşmacı, katılımcıları NY hack R slack kanalında iş ilanları yayınlamaya teşvik ediyor ve yarı zamanlı ve tam zamanlı veri bilimcileri, veri mühendisleri ve satış rolleri için kendi açık pozisyonları hakkında konuşuyor. Ayrıca yedikleri pizzayı tartışırlar ve katılımcıları yiyecekleri nereden aldıklarını paylaşmaya teşvik ederler. Konuşmacı daha sonra yaklaşan bazı konferansları duyurur ve katılımcılar için bir indirim kodunun yanı sıra etkinliğin sonunda ücretsiz bilet dağıtma şansı sunar.
  
  
• 00:05:00 Bu bölümde konuşmacı, Data Council, Tampa, Mir, Arc ve ODSC'deki D4con dahil olmak üzere yaklaşan konferansları tartışıyor ve bu etkinlikler için e-posta abonelerine indirim kodları sağlamaya çalıştıklarını belirtiyor. Ayrıca Meetup'larına ev sahipliği yapmak için New York City'de bir mekan bulma ve Mayıs Meetup'ları için bir konuşmacı bulma konusunda yardım istiyorlar. Konuşmacı, katılımcıları R, Python, Julia, SQL ve diğer konular hakkında sorular sormaları için NY Hack R Slack kanallarına katılmaya teşvik ediyor ve NY Hacker web sitesinin 13 yıllık konuşmalara ve öğrenmeye yönelik kaynaklara sahip olduğuna dikkat çekiyor.
  
  
• 00:10:00 Bu bölümde konuşmacı kendini tanıtır ve R için yardımcı pilot kullanımından bahseder. Kopilotun GitHub tarafından sağlanan ve kodlamanın sonraki adımlarını önermek için üretken yapay zekayı kullanan bir hizmet olduğunu açıklar. geliştirilmekte olan kod. Konuşmacı ayrıca bir yardımcı pilot demosu sağlar ve nasıl çalıştığı hakkında ayrıntılara girer. Yardımcı pilotun en iyi editör ortamında kullanıldığından bahseder ve kullanıcılara Visual Studio kodunda yardımcı pilotu kullanmaya başlamaları için bir bağlantı sağlar.
  
  
• 00:15:00 Bu bölümde David Smith, Github'ın yardımcı pilotunu kullanarak kabaklar veri kümesinin bir analizini canlı olarak kodluyor. Veri kümesini okur ve verileri hazırlamak için Tidy ayetini kullanır. Copilot, sütun adlarını temizlemek için hademe paketini önermesine yardımcı olur. David daha sonra veri kümesinden rasgele satırları görüntülemek için sample_n işlevini kullanır. Paket rengine göre ortalama yüksek fiyatı gösteren bir tablo oluşturuyor ve ardından aov işlevini kullanarak bir varyans analizi modelliyor. Bununla birlikte David, yardımcı pilotun deterministik olmayabileceğini, çünkü bazen güzel bir şekilde biçimlendirilmiş bir tablo oluşturmak için çözümü Knitter'a ilettiğini, ancak bazen yapmadığını belirtiyor.
  
  
• 00:20:00 Bu bölümde, David Smith yardımcı pilotun GPT-3 ve Codex gibi üretken yapay zeka modellerini kullanarak nasıl çalıştığını açıklıyor. Bu modeller, komut dosyasındaki önceki kod satırları olan bilgi istemlerinden kod önerileri üretir. Copilot, R'de istatistiksel analiz için kod deyimleri ve işlevleri önermek için aynı şekilde üretken bir yapay zeka modeli kullanır. Bu modeller, çok büyük miktarda eğitim verisi kullanılarak oluşturulur ve örneğin GPT-3, birkaç milyar parametreye sahiptir ve sabit değerlerle eğitilmiştir. zettabaytlarca veri. Bu modeller, metin istemlerinden karmaşık kodlar ve hatta görüntüler oluşturabilen güçlü araçlardır.
  
  
• 00:25:00 Bu bölümde David Smith, OpenAI'nin sinir ağları gibi üretici yapay zeka modellerinin nasıl metin, resim ve kod üretebileceğini tartışıyor. Bu modeller, tıp literatürü gibi farklı veri türleri üzerinde eğitilerek insan benzeri içerik üretmelerini sağlar. Bilgi çekip yeni içerik oluşturabilseler de zeki olmadıklarını ve öğrenmediklerini unutmamak önemlidir. Ek olarak, gerçekleri halüsinasyona uğratabilecekleri ve aynı istemde farklı yanıtlar sağlayabilecekleri için bu modeller güvenilir değildir. Bu modeller yalnızca eğitim verilerine dayalı olarak tahminlerde bulunur ve temelde eğitim setlerindeki tüm bilgileri içermeyen kara kutulardır.
  
  
• 00:30:00 Bu bölümde David Smith, dili, matematiği, gerçekleri, tavırları, duyguları veya etiği anlamadığını vurgulayarak üretken yapay zekayı ve sınırlamalarını tartışıyor. Ancak, hızlı mühendisliğin bu dezavantajların bazılarını hafifletmek için kullanılabileceğini belirtiyor. Ayrıca Microsoft'un GPT-3 gibi modellerini Azure hizmetinde kullanıma sunmak için OpenAI ile ortaklık kurduğundan da bahsediyor. OpenAI Codex modelini kullanan ve Visual Studio'da kod için öneriler sunan yardımcı pilot, bu işbirliğine bir örnektir.
  
  
• 00:35:00 Bu bölümde, David Smith üretken yapay zekanın eylem halinde kullanımını ve kod kullanarak OpenAI hizmetiyle nasıl arabirim oluşturulacağını gösteriyor. API ile manuel olarak nasıl etkileşim kurulacağını gösteriyor ve URL'yi ve API'ye gönderilecek yükü tanımlıyor. Ek olarak, kodu ve hata kontrolünü özetleyen bir işlevi paylaşıyor. Nasıl şaka isteneceğini gösteriyor ve yapay zeka modelinin bir kara kutu olması ve gerçek zamanlı olarak güncellenmemesi nedeniyle bazı olası sorunlara dikkat çekiyor.
  
  
• 00:40:00 Bu bölümde David Smith, farklı yapay zeka modellerinin istemlere nasıl yanıtlar ürettiğini gösteriyor. R ve Codex için Copilot ile örnekler kullanarak, modellerin zamanda donmuş olduğunu ve deterministik olmadığını, yani aynı istemin farklı sonuçlar üretebileceğini gösteriyor. Bir limerick yazmanız istendiğinde, GPT-3'ün en son sürümü iyi bir Limerick kafiyesi yapabilirken, daha eski bir sürüm kafiye bile yapmayan bir Limerick oluşturur. David ayrıca, yapay zekanın üretebileceği potansiyel belirteçler için olasılıklar olan belirteçler kullanılarak bilgi istemlerinin nasıl üretildiğini ve modelin en yüksek birkaç olasılık arasından seçim yaptığını açıklıyor.
  
  
• 00:45:00 Bu bölümde David Smith, insan benzeri metin oluşturmak için GPT modelleri tarafından belirteçlerin nasıl kullanıldığını açıklıyor ve OpenAI hizmetini kullanarak R'de bir belirteç dizisinin nasıl oluşturulacağını gösteriyor. GPT modellerini kullanan programların zamandan, adanmış düşünceden tasarruf ettiğinden ve sonuç olarak daha tatmin edici kodlama oturumlarına izin verdiğinden bahseder. Smith ayrıca GitHub Copilot ücretsiz olmasa da OpenAI hizmetinin ücretsiz olduğunu ve her ikisinin de Azure'da kullanılabileceğini belirtiyor.
  
  
• 00:50:00 Bu bölümde, David Smith izleyicilerden gelen soruları yanıtladı: Yardımcı pilotun konuşmada sunulan dört editör dışında diğer editörlerde kullanılıp kullanılamayacağı (maalesef hayır); magrittr yerine yerli boruyu kullanmayı deneyip denemediğini, denemediğini kabul edip etmediğini, ancak şimdi alışkanlıklarını değiştirmenin Yardımcı pilotun yararlılığını etkileyebileceğini tahmin edip etmediğini; ve Yardımcı pilotun temel modelinin daha yeni gelişmeleri yansıtacak şekilde ne sıklıkta güncellendiğini, bunun çok sık zaman ve para gerektirdiğinden kaynaklanmadığını, ancak ince ayarın üst katmanların nerede olduğu bireysel kullanıcılara bırakılan bir olasılık olduğunu söyledi. modelin yeni bir Corpus verisi ile yeniden eğitilebilir.
  
  
• 00:55:00 Bu bölümde, David Smith lisanslama hususlarını ve Co-Pilot'un ticari işler için kullanımını tartışıyor. Co-Pilot tarafından üretilen kodun, onu oluşturan kişiye ait olduğunu vurgular. Co-Pilot yapay zeka modelleri oluşturmada faydalı olsa da, kullanıcılar oluşturulan kodu doğrulamalı ve güvenilir olduğundan emin olmak için güvenlik ve doğruluk testleri gerçekleştirmelidir. David ayrıca Co-Pilot kullanma deneyimini paylaşıyor, bunun farkında olmadığı deyimleri ve işlevleri ortaya çıkarmada iyi olduğunu düşünüyor, ancak karmaşık veya benzersiz işlevler oluşturmaya çalışırken eğitim verilerine geri dönme eğiliminde. Ek olarak, Co-Pilot tarafından oluşturulan Düzenli dize ve veri tablosu kodunu karşılaştırma olasılığını tartışıyor ve ilgilenen herkes için bir çekme isteği istiyor.
  
  
• 01:00:00 Bu bölümde David Smith, R için Copilot'un sınırlamalarını açıklıyor. Copilot'un herhangi bir aktif R değerlendirmesi yapmadığını ve R ortamı hakkında herhangi bir bilgi almadığını belirtiyor. Ek olarak, Copilot daha önce yaptıklarına dayalı olarak belirteçler üretir, bu da mutlak saçmalık üretebileceği anlamına gelir. Belirteç oluşturmak için elinden gelenin en iyisini yaparken, üretilen kodun gerçekten yararlı olduğundan emin olmak için dikkatli olunması gerekir. Ek olarak, David, Copilot'un tepkilerinin yaratıcı olmadığını ve bunun, verilen talimata göre eğitildiğinin bir karışımı olduğunu açıklıyor.
  
  
• 01:05:00 Bu bölümde David Smith, R için Copilot kullanarak yazdığına benzemeyen bir şey alırsa bağlamı nasıl değiştirdiğini ve nasıl yönlendirdiğini tartışıyor. kod. Kod parçacıkları bilgi istemleri oluşturmak için Copilot sunucusuna gönderilirken, oturumdan hemen sonra atılır. David, Microsoft'un bu endişelere duyarlı olduğuna ve Copilot'u bu düşünceyle tasarladığına dikkat çekiyor. Ayrıca David, Copilot'un lisanslanması ve kod tamamlanmasıyla ilgili birçok soruyu ele alan GitHub SSS'lerine bir bağlantı sağlar.
  
  
• 01:10:00 Bu bölümde, David Smith demosundaki tüm kod tamamlamanın geleneksel intelliSense yerine Copilot kullanılarak nasıl başarıldığını tartışıyor. Ayrıca, intelliSense ve diğer gereksiz özelliklerin nasıl kapatılacağına ilişkin talimatlar da dahil olmak üzere, Copilot ve R'yi kullanmak için VS kodu yapılandırmasını sağlar. Copilot'un hata ayıklama veya optimizasyon gibi karmaşık kodlama görevlerini nasıl yerine getirdiği sorulduğunda, bu alanda deneyimli olmadığını kabul ediyor ancak Copilot'un hata ayıklama süreçleri için testler oluşturmadaki yararlılığından bahsediyor. Ayrıca, Copilot ve GPT-3 için geliştirilmekte olan yeni nesil modellerin, sorunlu geri bildirim döngülerinden kaçınmak için yapay zeka tarafından oluşturulan içerik olmadan eğitildiğini de belirtiyor.
  
  
• 01:15:00 Bu bölümde konuşmacı, kullanıcıların kodu vurgulamasına ve kodun ne yaptığına ilişkin İngilizce bir açıklama almasına olanak tanıyan GitHub laboratuvarları da dahil olmak üzere Copilot'a gelen bazı yeni özelliklerden bahsediyor. Ek olarak, komutları yazarken kod önerecek olan kabuk istemleri için bir Copilot sürümü olacaktır. Tartışma ayrıca veri tablosu paketlerine ve 1974'te John Chambers tarafından Bell Labs'ta icat edilen S programlama dilinden türetilen R dilinin tarihine kısaca değiniyor. Genel olarak, konuşma R'nin uzun geçmişine ve çeşitli katkılara odaklandı. ve konuşmacı gibi kullanıcılar tarafından yapılan yenilikler.

[MetaQuotes]

CS480/680 Makine Öğrenimine Giriş - İlkbahar 2019 - Waterloo Üniversitesi

CS480/680 Ders 1: Ders Tanıtımı

Bu ders, bilgisayar biliminde yeni bir paradigma olan makine öğrenimi kavramını tanıtıyor; bilgisayarlara yönergeleri yazmak zorunda kalmadan karmaşık görevleri yerine getirmeleri öğretilebilir. Bu video, makine öğreniminin kısa bir geçmişini sunar ve bir makine öğrenimi algoritmasının üç temel bileşenini (veri, görev ve performans) tanıtır.

• 00:00:00 Bu ders, bilgisayar biliminde yeni bir paradigma olan makine öğrenimi kavramını tanıtıyor.
  
  
• 00:05:00 Bu video, makine öğreniminin kısa bir geçmişini sunar ve bir makine öğrenimi algoritmasının üç temel bileşenini (veri, görev ve performans) tanıtır.
  
  
• 00:10:00 Bu derste üç ana makine öğrenimi algoritması türü ele alınmaktadır: denetimli öğrenme, denetimsiz öğrenme ve takviyeli öğrenim. Denetimli öğrenme, bilgisayara hem girdi hem de çıktıyı içeren bir dizi veri sağlandığında, denetimsiz öğrenme ise bilgisayara veri sağlandığı ancak önceden herhangi bir yanıt verilmediği zamandır. Takviyeli öğrenme, bilgisayara nasıl yapılacağını gösteren geri bildirimin sağlandığı bir orta yoldur.
  iyi yapıyor, ancak doğru cevabın ne olduğuna dair kesin bir cevabı yok.
  
  
• 00:15:00 Video, posta kodunun bir parçası olarak el yazısı rakamları tanıma sorununu ele alıyor ve ezberlemeye dayalı bir çözüm sunuyor. Önerilen yaklaşım, bir sorgu bit eşlemini zaten bellekte olanlarla karşılaştırmak ve bir eşleşme bulmaktır. Bu bir ezberleme örneği olacaktır, ancak olası bit eşlemlerin sayısı nedeniyle hatalara açık olacaktır.
  
  
• 00:20:00 Denetimli öğrenme, bilinen bir işleve yaklaşan bir işlev bulmak için kullanılan bir tekniktir. Bu, bir makine öğrenimi modelini bir dizi örnek üzerinde eğiterek ve ardından verilere mümkün olduğunca yakın bir işlev bulmaya çalışarak yapılır.
  
  
• 00:25:00 Bu video, verileri temsil etmek için kullanılabilecek farklı eğrileri tartışıyor ve "bedava öğle yemeği yok teoremi"ni açıklıyor. Verileri temsil etmek için kullanılabilecek mükemmel bir eğri olmadığını ve bir kişinin varsayımlarına dayanarak farklı eğrilerin gerekçelendirilebileceğini gösterir.
  
  
• 00:30:00 Makine öğrenimi zor ama güçlü çünkü bu verileri yöneten kuralları açıkça belirtmeye gerek kalmadan verilerden öğrenmemize izin veriyor. Denetimli öğrenmede, daha sonra yeni veriler için tahminler yapmak üzere kullanılabilecek bir modeli eğitmek için bilinen bir dizi örnekten alınan verileri kullanırız. Denetimsiz öğrenmede, onu yöneten bir kural belirtmeden verileri kullanırız. Genelleme, bir algoritmanın etkinliğini yargılamak için kilit bir kriterdir ve görünmeyen örneklere göre ne kadar iyi performans gösterdiğiyle ölçülür.
  
  
• 00:35:00 Bu videoda yazar, bir bilgisayarı verilerdeki kalıpları tanıması için eğitme süreci olan makine öğrenimi kavramını tanıtıyor. Denetimsiz öğrenme, bilgisayara etiketlerin (her görüntü için doğru sınıf) sağlanmadığı daha zor bir makine öğrenimi biçimidir. Otomatik kodlayıcılar, verileri sıkıştırmak için kullanılabilen bir makine öğrenme tekniği örneğidir.
  
  
• 00:40:00 Bu ders, eğitim verilerinin etiketlenmediği bir tür makine öğrenimi anlamına gelen denetimsiz makine öğrenimi kavramını tanıtıyor. Görüntülerdeki özellikleri otomatik olarak algılamak için bir sinir ağının nasıl tasarlanabileceğini gösterir ve bunun yüz tanıma ve diğer görevler için nasıl kullanılabileceğini tartışır.
  
  
• 00:45:00 Bu ders, denetimli ve denetimsiz öğrenme, pekiştirmeli öğrenim ve bu üç öğrenme biçimi arasındaki farklar da dahil olmak üzere makine öğreniminin temellerini kapsar. Ayrıca pekiştirmeli öğrenmenin arkasındaki teoriyi ve bunun bilgisayarlarda nasıl uygulanabileceğini de kapsar.
  
  
• 00:50:00 Video, davranışı değiştirmek için olumlu ve olumsuz geri bildirime dayanan bir öğrenme yöntemi olan pekiştirmeli öğrenme kavramını tanıtıyor. DeepMind'ın AlphaGo programı, insanların oynayamayacağı bir seviyede oynamayı öğrenerek, bu yöntemi kullanarak en iyi insan oyuncuyu yenmeyi başardı.
  
  
• 00:55:00 Bu ders, satranç gibi bazı durumlarda bir insanın yapabileceğinden daha iyi sonuçlar elde etmek için pekiştirmeli öğrenmenin nasıl kullanıldığını açıklar. AlphaGo bunu denetimli ve pekiştirmeli öğrenmenin bir kombinasyonuyla başardı. Denetimli öğrenme kısmı bir temel sağlamak için gerekliyken, en iyi çözümü bulmak için takviyeli öğrenme gerekliydi.
  
  
• 01:00:00 Bu ders, Alphago oyununa odaklanarak denetimli ve denetimsiz makine öğrenimine kısa bir giriş sağlar. Hareketin yapıldığı sırada birçok kişi tarafından iyi bir hareket olarak görüldüğünü açıklıyor ve pekiştirmeli öğrenmenin gelecekte daha iyi kararlar vermeyi öğrenmemize yardımcı olabileceğine işaret ediyor.

[MetaQuotes]

CS480/680 Ders 2: K-en yakın komşular

CS480/680 Ders 2: K-en yakın komşular

Bu video, sınıflandırma ve regresyon arasındaki farklar da dahil olmak üzere denetimli öğrenmenin temellerini kapsar. Ayrıca makine öğrenimine kısa bir giriş sağlar ve en yakın komşu algoritmasının nasıl çalıştığını açıklar. Son olarak, çapraz doğrulama kullanarak bir algoritmanın nasıl değerlendirileceğini ve yetersiz uydurmanın makine öğrenimini nasıl etkileyebileceğini tartışıyor. Bu ders, k-en yakın komşu algoritmasının regresyon ve sınıflandırma için nasıl kullanılacağını ve komşuların mesafelerine göre nasıl ağırlıklandırılacağını tartışır. Hiperparametreyi optimize etmek için çapraz doğrulama kullanılır ve tüm veri seti modeli eğitmek için kullanılır.

• 00:00:00 Bu ders, tümevarım ve tümdengelim dahil olmak üzere denetimli öğrenmenin temellerini ve sınıflandırma ile regresyon arasındaki temel farkı kapsar.
  
  
• 00:05:00 Bu derste yazar, sınıflandırma ve regresyon arasındaki farkları tartışır ve her ikisinden de örnekler verir. Ayrıca, bu iki öğrenme türü arasındaki ayrımın önemini vurgulayarak makine öğrenimine kısa bir giriş sağlar.
  
  
• 00:10:00 İlk iki örnek sınıflandırma problemleri ve sonraki iki örnek regresyon problemleridir.
  
  
• 00:15:00 Ders, farklı konuşma tanıma türlerini tartışır ve rakam tanımayı tartışarak devam eder. Dijital sözcükleri temsil eden ayrık değerleri sıralamanın iyi bir yolu olmadığından, bunun tipik olarak bir sınıflandırma sorunu olduğu belirtilmektedir.
  
  
• 00:20:00 Bu derste, K-en yakın komşular kullanılarak çözülebilecek dört problem örneği tartışılıyor. İlk örnek, girdinin bir bitmap görüntüsü olduğu ve çıktının bir rakam sınıflandırması olduğu bir sınıflandırma problemidir. İkinci örnek, girdinin bir evle ilgili bir dizi özellik olduğu ve çıktının bir dolar değeri olduğu bir regresyon problemidir. Üçüncü örnek bir hava durumudur.
  Girdinin sensör verileri ve uydu görüntüsü olduğu ve çıktının yağmur yağıp yağmayacağına dair bir tahmin olduğu tahmin problemi. Dördüncü örnek, girdinin bir kişinin uyku alışkanlıklarıyla ilgili bir soru olduğu ve çıktının, kişinin iyi bir uyku çekip çekmeyeceğine dair bir tahmin olduğu bir problemdir.
  
  
• 00:25:00 Bu derste, profesör makine öğreniminin nasıl çalıştığını ve saf optimizasyondan nasıl farklı olduğunu açıklıyor. Sınıflandırma ve regresyon gibi sorunları çözmek için makine öğreniminin nasıl kullanılabileceğini tartışmaya devam ediyor.
  
  
• 00:30:00 Bu video, iyi genelleme yapan bir hipotez bulmak olan dersin amacını tartışıyor. Verilen örnek, sonlu dereceden polinomlardan oluşan bir uzayın parçası olmayan bir fonksiyonu bulmaya çalışmaktır.
  
  
• 00:35:00 Konuşmacı, veriler gürültülü olduğunda verileri doğru bir şekilde tahmin eden bir işlev bulmaya çalışmanın zorluklarını tartışıyor. Bu zorluk, çoğu verinin karmaşık ve ifadesiz olması gerçeğiyle birleşir. Pratikte, genellikle bir hipotez uzayının ifade gücü ve karmaşıklığı arasında uzlaşmanın gerekli olduğunu öne sürer.
  
  
• 00:40:00 En yakın komşu sınıflandırıcı, bir veri alanını bir mesafe ölçüsüne göre bölgelere ayırır ve her bölgedeki en yakın noktanın etiketini döndürür. Bu, en yakın komşu sınıflandırıcıda neler olduğunu daha net anlamamızı sağlar. Ancak kararsızdır ve verilerdeki gürültü tarafından yanıltılabilir.
  
  
• 00:45:00 Bu derste öğretim görevlisi, en yakın komşu algoritmasının basit bir genellemesi olan K en yakın komşu algoritmasını tartışır. Daha sonra, algoritmanın bir veri kümesini en sık kullanılan sınıfa göre bölgelere nasıl ayırdığını gösterir. Son olarak, en yakın komşu sayısının artmasının bölümlemeyi nasıl etkilediğini gösterir.
  
  
• 00:50:00 Bu videoda, "çapraz doğrulama" adı verilen standart bir prosedür kullanılarak makine öğreniminde bir algoritmanın nasıl değerlendirileceği anlatılmaktadır. Prosedür, bir veri setini eğitim ve test olmak üzere iki kısma ayırır ve eğitim seti üzerinde eğitimler ve test seti üzerinde testler yapar. Algoritmanın doğruluğu test kümesi üzerinde ölçülür ve komşu sayısı arttıkça doğruluk azalırsa algoritmanın "önyargılı" olduğu söylenir.
  
  
• 00:55:00 Bu video yetersiz uyum olgusunu ve bunun makine öğrenimi üzerindeki etkilerini tartışıyor. Yetersiz uydurmanın, bir algoritma başka bir hipotezin gelecekteki doğruluğundan daha düşük bir hipotez bulduğunda meydana geldiğini açıklar. Bu, sınıflandırıcının yeterince ifade edici olmamasından kaynaklanabilir, bu da hipotez uzayının yeterince ifade edici olmadığı anlamına gelir.
  
  
• 01:00:00 Bu videoda yazar, fazla uydurma ve yetersiz uydurmanın matematiksel olarak nasıl belirlenebileceğini açıklıyor. Fazla uydurma, bir algoritma verilerdeki en yüksek Eh değerlerini bulduğunda gerçekleşirken, yetersiz uydurma, eğitim doğruluğu ile gelecekteki doğruluk arasındaki fark mümkün olan maksimum değerden küçük olduğunda ortaya çıkar. Eğitim seti üzerinde test yapmak, aşırı uydurma miktarını doğru bir şekilde yansıtmadığından yanıltıcı olabilir.
  
  
• 01:05:00 Bu derste, profesör bir makine öğrenimi algoritması için nasıl anahtar seçileceğini tartışıyor ve en az ayrıcalık ilkesine uymanın önemli olduğuna dikkat çekiyor. Ayrıca, artık güvenilemeyecek olan test setine göre hiperparametreleri optimize ederek bu prensibi ihlal etmenin mümkün olduğunu belirtiyor. Buna karşı korunmak için, verileri üç kümeye ayırmayı ve sırayla her küme üzerinde eğitim vermeyi öneriyor.
  
  
• 01:10:00 Bu derste, öğretim görevlisi "k-en yakın komşu" kavramını ve belirli bir problem için en iyi K'nin nasıl seçileceğini tartışır. Ayrıca, eğitim ve doğrulama için kullanılan verilerin mümkün olduğu kadar temsili olmasını sağlamak için çapraz doğrulama kullanımını tartışıyor.
  
  
• 01:15:00 Bu videoda eğitmen, bir modeli doğrulamak ve eğitmek için dörtlü çapraz doğrulamanın kullanımını gösteriyor.
  
  
• 01:20:00 Bu ders, çapraz doğrulama ile K-en yakın komşu (KNN) kullanarak bir hiperparametreyi optimize etme adımlarını tartışır. Hiperparametre, verilerin bir alt kümesi kullanılarak değerlendirilir ve en iyi KNN istenen doğruluğu elde ederse bir hipotez döndürülür. Son olarak, tüm veri seti hiperparametreyi eğitmek için kullanılır.
  
  
• 01:25:00 Bu derste eğitmen K en yakın komşunun regresyon ve sınıflandırma için nasıl kullanılacağını açıklar. Ayrıca en yakın komşuların mesafelerine göre nasıl ağırlıklandırılacağını da tartışıyor.