`derin-ogrenme` ile İlgili Madde Sonuçları

Faster R-CNN, görüntülerde nesne tespiti gerçekleştirmek amacıyla Shaoqing Ren, Kaiming He, Ross Girshick ve Jian Sun tarafından geliştirilmiş iki aşamalı bir derin öğrenme mimarisidir. Model, nesne aday bölgelerinin belirlenmesi ve bu bölgelerin sınıflandırılması süreçlerini tek bir evrişimli sinir ağı içerisinde birleştirir. Bu yaklaşım, bölge önerisi üretimini ağ içinde öğrenilen bir işlem hâline getirerek önceki yöntemlere kıyasla daha bütünleşik bir yapı sunar. Faster R-CNN, R-CNN ve Fast R

Kayıp fonksiyonu, makine öğrenimi ve istatistiksel modelleme alanında modelin tahmin performansını ölçen temel araçlardan biridir. Tahmin edilen değer ile gerçek değer arasındaki farkı sayısal bir ölçüye döker. Bu ölçü, modelin ne kadar doğru ya da yanlış tahmin yaptığını belirtir. Kayıp fonksiyonları yalnızca hata oranını ölçmekle kalmaz, aynı zamanda modelin nasıl optimize edileceğine dair bilgi sağlar. Derin öğrenme, denetimli öğrenme ve pekiştirmeli öğrenme gibi alanlarda modelin eğitilmesin

Yapay Zeka: Tanımı, Geleceği ve Türkiye'deki Yeri Üzerine Kapsamlı Bir BakışT3 Podcast'in bu bölümünde Dr. M. Ayyüce Kızrak’ı ağırlıyoruz. Podcast, yapay zekanın tarihsel gelişiminden güncel uygulamalarına, makine öğrenmesi ile derin öğrenme arasındaki farklardan potansiyel risklerine ve Türkiye'deki çalışmaların geleceğine kadar geniş bir yelpazeyi ele almaktadır.Yapay Zekanın Tanımı ve Tarihsel GelişimiDr. M. Ayyüce Kızrak, yapay zekanın tanımının bakış açısına göre değiştiğini belirtir. Fizik

Derin Sinir Ağları (DSA), yapay sinir ağlarının bir alt sınıfı olarak, en az iki veya daha fazla gizli katman içeren çok katmanlı yapılardır. İnsan beyninden ilham alınarak geliştirilen bu yapılar; nöronlar, ağırlıklar, bias değerleri ve aktivasyon fonksiyonlarından oluşur. Her bir nöron, kendisine gelen sinyalleri toplar, bir aktivasyon fonksiyonuyla işler ve sonucu bir sonraki katmana iletir.DSA’ların "derinliği", içerdiği gizli katman sayısıyla ölçülür. Örneğin, iki gizli katman içeren bir si

Derin sinir ağları mimarilerinde karşılaşılan en büyük problemlerden biri olan “katman sayısı arttıkça eğitim performansının düşmesi” sorununu çözmek üzere geliştirilen ResNet (Residual Network), 2015 yılında Kaiming He ve ekibi tarafından tanıtılmıştır. Bu mimari, klasik katman yapılarına ek olarak artık bağlantılar (residual connections) kullanarak, çok derin ağların daha verimli ve başarılı şekilde eğitilebilmesini sağlamıştır. Özellikle görüntü sınıflandırma gibi görevlerde yüksek doğruluk e

Derin öğrenme (Deep Learning), yapay zekânın alt alanlarından biri olan makine öğrenmesinin içinde yer almaktadır. Genel olarak yapay zekâ, insan benzeri yetenekleri taklit eden sistemleri ifade ederken; makine öğrenmesi, verilerden öğrenen ve zamanla kendini geliştiren algoritmalar bütünüdür. Derin öğrenme terimi, aslında Yapay Sinir Ağlarını (Artificial Neural Networks - ANN) kullanan yöntemleri tanımlanmaktadır. İnsan beynindeki nöronlara benzer şekilde, yapay sinir ağları da düğümler (nöronl

Dropout, derin öğrenme modellerinde aşırı uyumu (overfitting) önlemek amacıyla geliştirilen ve günümüzde yaygın şekilde kullanılan bir düzenleme (regularization) yöntemidir. İlk olarak Geoffrey Hinton ve çalışma arkadaşları tarafından 2012 yılında önerilmiş ve sonrasında Nitish Srivastava'nın liderliğinde 2014 yılında detaylı olarak incelenmiştir .İşleyiş MekanizmasıDropout, derin sinir ağlarında aşırı uyumu önlemeye yönelik bir düzenleme (regularization) yöntemidir. Eğitim sırasında, gizli katm

Docker, yazılım uygulamalarını birbirinden bağımsız ve taşınabilir konteynerlerde çalıştırmak için kullanılan açık kaynaklı bir platformudur. Sanal makinelerden farklı olarak, konteynerler işletim sistemi seviyesinde izole edilir ve daha hafif kaynak kullanımı sağlar. Özellikle yapay zeka (YZ) projelerinde Docker; taşınabilirlik, tekrar üretilebilirlik ve bağımlılık yönetimi konularında büyük avantaj sağlar. Örneğin Docker, makine öğrenimi süreçlerinde ortaya çıkan “ortamı tekrardan yaratma” (en

Autoencoderlar; girdi verisini daha düşük boyutlu, anlamlı bir temsile sıkıştırarak ve bu temsilden girdiyi yeniden oluşturarak öğrenen yapay sinir ağı tabanlı bir makine öğrenmesi yöntemidir. İlk olarak 1980'li yıllarda tanıtılan autoencoderlar, denetimsiz öğrenme yaklaşımı çerçevesinde çalışmakta ve temel amaç olarak veri içerisindeki önemli özellikleri öğrenerek verinin düşük boyutlu bir temsilini oluşturmaktadır. Girdi ve çıktı verilerinin aynı olduğu bu mimaride, ağın eğitimi sırasında veri

DenseNet, yani Yoğun Bağlantılı Evrişimli Sinir Ağları, 2017 yılında Gao Huang ve çalışma arkadaşları tarafından geliştirilmiş bir derin öğrenme mimarisidir. Bu yapı, her katmanın yalnızca bir sonraki katmana değil, tüm sonraki katmanlara bağlantılar kurmasını sağlayarak sinir ağı içinde bilgi akışını maksimum düzeye çıkarır. DenseNet mimarisi, özellikle parametre verimliliği ve gradyan akışı açısından derin sinir ağlarının eğitiminde önemli avantajlar sağlamaktadır.Yoğun Bağlantı MimarisiDenseN