Resimleri anlamaları için bilgisayarları nasıl eğitiyoruz
-
0:02 - 0:05Müsadenizle size bazı şeyler göstermek
istiyorum. -
0:06 - 0:10(Video) Kız: Tamam, burada yatağın üzerinde
oturan bir kedi var. -
0:10 - 0:13Çocuk fili okşuyor.
-
0:14 - 0:18Buradaki insanlar uçağa gidiyorlar.
-
0:18 - 0:20Bu büyük bir uçak.
-
0:21 - 0:23Fei-Fei Li: Üç yaşında
küçük bir kız çocuğu -
0:23 - 0:27fotoğraflarda ne gördüğünü
anlatıyor. -
0:27 - 0:30Henüz, dünya hakkında öğrenmesi
gereken çok şey var -
0:30 - 0:35fakat çok önemli bir alanda
uzman olmuş bile: -
0:35 - 0:38gördüklerini anlamlandırma.
-
0:38 - 0:42Toplumumuz teknolojik olarak her
zamankinden daha fazla ilerlemiş durumda. -
0:42 - 0:46İnsanları aya gönderiyoruz, bizimle
konuşabilen ya da radyo kanallarını -
0:46 - 0:51sadece sevdiğimiz müzikleri çalması
için düzenleyebilen telefonlar yapıyoruz. -
0:51 - 0:55En gelişmiş makinelerimiz
ve bilgisayarlarımız -
0:55 - 0:58hâlâ bu özelliği elde etmeye çalışıyorlar.
-
0:58 - 1:01Bugün, bilgisayar görme yetisi üzerine
yapılan ileri düzeydeki -
1:01 - 1:05araştırmalarımızın işleyişi hakkında size
bilgi vermek için buradayım. -
1:05 - 1:10Bilgisayar biliminde, en önde ve devrim niteliğinde
-
1:10 - 1:13olan teknolojik gelişmelerden biri.
-
1:13 - 1:17Evet, kendini sürebilen araçların
prototiplerine sahibiz, -
1:17 - 1:21fakat akıllı görme yetisine sahip olmadan,
üzerinden geçilebilecek buruşmuş bir -
1:21 - 1:25kağıt torba ile sakınılması gereken aynı
boyuttaki bir kaya -
1:25 - 1:29arasındaki farkı söyleyebilmeleri
mümkün değil. -
1:29 - 1:33Mükemmel çözünürlükte kameralar
yapmamıza rağmen, -
1:33 - 1:36görebilmelerini sağlayamamıştık.
-
1:36 - 1:40İnsansız hava araçları koca bir araziyi
uçabilirler, -
1:40 - 1:42ama yağmur ormanlarındaki değişimleri
izlememize yardımcı olabilecek -
1:42 - 1:45düzeyde yeterli bir görüş kabiliyetine
sahip değiller. -
1:45 - 1:48Güvenlik kameraları her yerde,
-
1:48 - 1:53fakat bir çocuk havuzda boğuluyorken
bizi uyaramıyorlar. -
1:54 - 2:00Fotoğraf ve videolar gündelik hayatın
bir parçası haline geliyorlar. -
2:00 - 2:04Herhangi bir insan veya bazı
grupların görme umuduyla -
2:04 - 2:07hızlı bir şekilde çoğalıyorlar,
-
2:07 - 2:11buradaki TED konuşmaları ile
sizler ve ben de buna katkı sağlıyoruz. -
2:11 - 2:14En iyi yazılımımız hala bu devasa içeriği
-
2:15 - 2:19anlamaya ve yönetmeye çabalıyor.
-
2:20 - 2:24Başka bir anlamda,
toplumun tamamı olarak -
2:25 - 2:27büyük bir görme kaybına sahibiz
-
2:27 - 2:30çünkü en iyi makinelerimiz hala
göremiyorlar. -
2:32 - 2:34"Neden bu kadar zor ki bu?"
diye soracaksınız. -
2:34 - 2:37Kameralar burada da olduğu gibi
fotoğraf çekebilirler, -
2:37 - 2:41ışığın iki boyutlu sayı dizilerine
çevrilmiş hali ile, -
2:41 - 2:43ki bunlara pikseller diyoruz.
-
2:43 - 2:45Fakat burada sadece ölü sayılar
bulunmakta. -
2:45 - 2:48Kendi içlerinde herhangi bir anlam
taşımıyorlar. -
2:48 - 2:52Nasıl ki duymak ile dinlemek aynı
anlama gelmiyorsa -
2:52 - 2:57fotoğraf çekmek ile görmek de
aynı şeyi ifade etmiyor. -
2:57 - 3:00Görmek derken ciddi manada "anlamayı"
kastediyoruz. -
3:01 - 3:05Aslında, bu yetiye sahip olabilmemiz
-
3:05 - 3:09tabiat ananın 540 milyon yılını aldı.
-
3:09 - 3:11Bu çabanın çoğu, beynin görsel
-
3:11 - 3:17işleme bölümünün gelişimine gitti
-
3:17 - 3:19sadece gözlerin kendisine değil.
-
3:19 - 3:22Yani görmek gözlerde başlıyor,
-
3:22 - 3:26ama asıl olarak beynin bir bölümünde
anlam kazanıyor. -
3:26 - 3:3115 sene önce, Caltech'deki doktorama
başladığımda -
3:31 - 3:34ve sonra Stanford Görsel Laboratuvarını
yönlendirdiğimde -
3:34 - 3:39mentorlerim, iş ortaklarım ve
öğrencilerimle birlikte -
3:39 - 3:42bilgisayarlara görmeyi öğretmek için
çalışıyorduk. -
3:42 - 3:46Araştırma alanımız bilgisayar görme yetisi
ve makine öğrenimi olarak anılıyordu. -
3:46 - 3:50Yapay zeka bölümünün genel bir dalı
olarak geçiyordu. -
3:51 - 3:56Nihayetinde, makinelere tıpkı bizim gibi
görebilmelerini öğretmek istedik, -
3:56 - 4:02nesnelerin isimlendirilmesi, insanların
tanımlanması, 3B geometrileri tahmin -
4:02 - 4:08ilişkileri anlama, duygular, olaylar
ve şiddet. -
4:08 - 4:14Şu anda insanların, yerlerin ve
eşyaların bütün hikayesini -
4:14 - 4:16gözler önüne serip beraber dokuyalım.
-
4:17 - 4:23Bu amaca doğru atılacak ilk adım
bilgisayara gördüğü şeyleri öğretmek, -
4:23 - 4:26sanal dünyanın yapı taşı bu.
-
4:26 - 4:30Basit anlamda bu öğretme
sürecini bi hayal edin, -
4:30 - 4:33bilgisayara belirli bir nesnenin
ya da bir kedinin diyelim -
4:33 - 4:37deneme amaçlı resimlerini göstermek
gibi -
4:37 - 4:41ve bu resimlerden öğrenilmiş bir model
tasarlamayı. -
4:41 - 4:43Bu ne kadar zor olabilir ki?
-
4:43 - 4:47Sonuç olarak, bir kedi sadece
şekillerin ve renklerin bir derlemesi -
4:47 - 4:52ve bu ilk zamanlarda yaptığımız
nesne modellemesi. -
4:52 - 4:55Algoritmasını sayısal bir dille
bilgisayara öğretmemiz gerekiyordu -
4:55 - 4:59bu kedi yuvarak bir yüze,
dolgun bir vücuda -
4:59 - 5:01iki noktada kulaklara ve uzun bir kuyruğa
sahip -
5:01 - 5:02her şey yolunda gibi.
-
5:03 - 5:05Peki, ya bu kedi?
-
5:05 - 5:06(Gülüşmeler)
-
5:06 - 5:08Hepsi iç içe.
-
5:08 - 5:12Bu nesne için için farklı bir şekil
ve farklı bir bakış açısı eklemeniz gerek. -
5:12 - 5:14Peki ya kediler gizlenirse?
-
5:15 - 5:17Bu absürd kedilere ne demeli?
-
5:19 - 5:22Şimdi ne demek istediğimi anladınız.
-
5:22 - 5:25Evdeki kedi gibi basit bir şey için bile
-
5:25 - 5:29sonsuz çeşitlilikte nesne modellemesi
yapmak mümkün -
5:29 - 5:32ve bu sadece bir nesne.
-
5:33 - 5:35Yaklaşık sekiz yıl önce,
-
5:35 - 5:40oldukça basit ama yoğun bir gözlem
fikrimi değiştirdi. -
5:41 - 5:44Hiç kimse bir çocuğa nasıl görebileceğini
öğretmez, -
5:44 - 5:46özellikle de erken yaşlarda.
-
5:46 - 5:51Gerçek dünya tecrübeleri ve örnekleriyle
öğrenirler bunu. -
5:51 - 5:54Bir çocuğun gözlerini düşünecek olursanız
-
5:54 - 5:57sanki bir çift biyolojik kameraymış gibi,
-
5:57 - 6:01yaklaşık her 200 milisaniyede
bir fotoğraf çekerler, -
6:01 - 6:04göz hareketinden oluşmuş ortalama
bir zaman dilimi. -
6:04 - 6:10Yani üç yaşında bir çocuk, gerçek hayatta
yüz milyonlarca -
6:10 - 6:11fotoğraf görmüş olacak.
-
6:11 - 6:14Bu oldukça fazla deneme örneği.
-
6:14 - 6:20Sadece daha iyi algoritmalara
odaklanmak yerine, -
6:20 - 6:26sezilerim algoritmalara bir tür
eğitici veri vermek üzerineydi, -
6:26 - 6:29tıpkı bir çocuğa sayıca ve kalitece
-
6:29 - 6:33deneyimleri yoluyla verilmiş gibi.
-
6:33 - 6:35Bunu anlayınca,
-
6:35 - 6:38bir tür veri havuzuna
-
6:38 - 6:42sahip olduğumuz resimlerden daha
fazla, hatta binlerce kat daha fazla -
6:42 - 6:45ihtiyacımız olduğunu biliyorduk.
-
6:45 - 6:49Princeton Üniversitesinden Prof. Kai Li
ile birlikte -
6:49 - 6:542007 senesinde ImageNet projesini
başlattık. -
6:54 - 6:57Şanslıyız ki başımızın üzerine bir
kamera alıp -
6:57 - 6:59yıllarca beklememize gerek kalmadı.
-
6:59 - 7:01İnternete başvurduk.
-
7:01 - 7:05İnsanların oluşturduğu en büyük
resim definesi. -
7:05 - 7:08Yaklaşık bir milyar resim indirdik
-
7:08 - 7:14ve crowdsourcing teknolojisini kullandık.
Resimleri tanımlamada bize yardımcı olmada -
7:14 - 7:16Amazon Mechanical Turk platformu gibi.
-
7:16 - 7:21ImageNet, Amazon Mechanical Turk
çalışanlarına işveren en büyük -
7:21 - 7:24kurumlardan biri oldu.
-
7:24 - 7:28Dünya genelinde 167 ülkeden
-
7:28 - 7:32neredeyse 50,000 çalışan
-
7:32 - 7:35yaklaşık bir milyar resmi
-
7:36 - 7:40eleyip, sınıflandırma ve tanımlamada bize
yardımcı oldu. -
7:41 - 7:43Bu çaba, erken gelişim dönemindeki
-
7:43 - 7:47bir çocuğun algıladığı görüntülerin
sadece belli bir bölümünü -
7:47 - 7:51elde edebilmemiz içindi.
-
7:52 - 7:56Nihayet, bilgisayar algoritmalarını
eğitmek için -
7:56 - 8:01big datanın kullanılması fikri
şu anda mümkün hale geldi, -
8:01 - 8:05fakat 2007 senesine dönersek,
bu mümkün değildi. -
8:05 - 8:09Bu yolculukta uzun bir süre tam
anlamıyla kendi başımızaydık. -
8:09 - 8:14Samimi bazı arkadaşlarım kadrom için daha
kullanışlı şeyler yapmamı tavsiye ettiler, -
8:14 - 8:18ve aynı zamanda araştırma fonu oluşturmak
için durmaksızın çabalıyorduk. -
8:18 - 8:20Hatta, master öğrencilerime ImageNet fonu
-
8:20 - 8:24için kuru temizleme mağazamı tekrar açma
konusunda şaka yapıyordum. -
8:24 - 8:29Üniversite yıllarımda bu şekilde
geçiniyordum. -
8:29 - 8:31Sonra devam ettik.
-
8:31 - 8:352009 senesinde, ImageNet projesi
-
8:35 - 8:39her gün ingilizce kelimelerle 22,000
-
8:39 - 8:44nesne ve eşya sınıfı ile
-
8:44 - 8:4715 milyonluk bir resim veritabanına
ulaştı. -
8:47 - 8:50Sayı ve kalite olarak,
-
8:50 - 8:53emsalsiz bir ölçekti bu.
-
8:53 - 8:56Örneğin, kedi kategorisinde,
-
8:56 - 8:59görünüş ve poz
-
8:59 - 9:03ile evcil ve yaban türlerinin tümüyle
-
9:03 - 9:0862 binden fazla kedi bulunmakta.
-
9:08 - 9:12Bunları ImageNet olarak toparladığımızdan
heyecanlıydık -
9:12 - 9:16ve sonra bütün dünya araştırmalarında
bunlardan faydalanılsın istedik, -
9:16 - 9:20bu yüzden TED fashion'da bütün veri
havuzumuzu -
9:20 - 9:23global araştırma topluluklarına ücretsiz
bir şekilde açtık. -
9:25 - 9:29(Alkış)
-
9:29 - 9:34Artık, bilgisayarımızın beynini besleyecek
veriye sahibiz, -
9:34 - 9:38algoritmaların kendilerine
dönecek kadar da hazırız. -
9:38 - 9:43ImageNet projesinin sağladığı
bilgi zenginliği, sonunda -
9:43 - 9:48"evrişimli sinirsel ağ" olarak ifade
edilen makine öğrenme algoritmalarının -
9:48 - 9:50özel bir sınıfıyla mükemmel bir şekilde
eşleşmişti, -
9:50 - 9:55öncülüğünü Kunihiko Fukushima,
Geoff Hinton ve Yann LeCun'un yaptığı -
9:55 - 9:591970 ve 80'lerin öncesindeki bir alan.
-
9:59 - 10:05Beyinde meydana gelen milyarlarca
yüksek bağlantılı sinirler gibi, -
10:05 - 10:08sinir ağının basit bir çalışma birimine
-
10:08 - 10:11"nöron benzeri" düğümü deniyor.
-
10:11 - 10:13Başka düğümlerden girdi alıyorlar
-
10:13 - 10:16ve diğer düğümlere gönderiyorlar.
-
10:16 - 10:21Dahası, bu yüzbinlerce hatta milyonlarca
düğüm -
10:21 - 10:24hiyerarşik tabakalarla düzenleniyorlar
-
10:24 - 10:27tıpkı beyin gibi.
-
10:27 - 10:31Normal bir sinir ağında nesne tanıma
modelimizi eğitmek için, -
10:31 - 10:3524 milyon düğüm,
-
10:35 - 10:38140 milyon değişken,
-
10:38 - 10:41ve 15 milyar bağlantı kullandık.
-
10:41 - 10:43Bu muazzam bir modeldi.
-
10:43 - 10:47ImageNet'den elde edilen büyük veri ile
-
10:47 - 10:52oldukça muazzam bir modeli eğitmek için
kullanılan modern CPU ve GPU'lar sayesinde -
10:52 - 10:55evrişimli sinirsel ağ
-
10:55 - 10:58hiçbirimizin hayal edemeyeceği bir şekilde
gelişti. -
10:58 - 11:01Nesne tanımlamada etkileyeci
yeni sonuçlar üretmek için -
11:01 - 11:06başarılı bir mimari olmaya başladı.
-
11:06 - 11:09Bu bilgisayarın bize söylediği,
-
11:09 - 11:11bu fotoğrafta bir kedinin olduğu
-
11:11 - 11:13ve kedinin nerede olduğu.
-
11:13 - 11:15Elbette orada kedilerden daha fazlası var,
-
11:15 - 11:18burada ise bilgisayar algoritmasının
bize söylediği -
11:18 - 11:21resimde bir çocuk ile oyuncak bir ayının;
-
11:21 - 11:25bir köpeğin, bir kişinin ve arkaplanda
küçük bir uçurtmanın; -
11:25 - 11:28ya da çok karışık bir resimin
-
11:28 - 11:33bir adam, bir kaykay, korkuluklar, lamba
direği v.b. gibi şeyler olduğu. -
11:33 - 11:38Bazen, bilgisayar ne gördüğü hakkında emin
olamayınca -
11:39 - 11:42çok fazla düşünmek yerine yeterince
-
11:43 - 11:46mantıklı bir cevap vermesini öğrettik,
-
11:46 - 11:48tıpkı bizim yapacağımız gibi
-
11:48 - 11:53fakat başka zamanlarda bilgisayar
algoritmamız bize dikkate değer şeyler -
11:53 - 11:55tam olarak nesnelerin ne olduğunu
-
11:55 - 11:59marka, model ve üretim yılı gibi şeyleri
söylüyor. -
11:59 - 12:04Bu algoritmayı Google Sokak Görüntüleme
ile yüzlerce Amerika şehrinden -
12:04 - 12:07alınmış resimlere uyguladık
-
12:07 - 12:10ve gerçekten ilginç şeyler öğrendik:
-
12:10 - 12:14öncelikle, hepimizin bildiği gibi araç
-
12:14 - 12:17fiyatlarının aile gelir düzeyiyle
-
12:17 - 12:19doğrudan ilişkili olduğunu teyit etti
-
12:19 - 12:24fakat ilginçtir ki, araç fiyatları aynı
zamanda -
12:24 - 12:26şehirdeki suç oranları
-
12:27 - 12:31ya da posta kodlarından oy verme alanları
ile de bağlantılı. -
12:32 - 12:34Peki biraz düşünün, bu oldu mu?
-
12:34 - 12:39Bilgisayar henüz insan kabiliyetlerine
erişebildi mi hatta daha üstün geldi mi ? -
12:39 - 12:42Hayır, o kadar hızlı değil.
-
12:42 - 12:46Şu ana dek, sadece bilgisayara nesneleri
görmesini öğrettik. -
12:46 - 12:51Bu küçük bir çocuğun bir kaç kelime
söylemesini öğrenmesi gibi bir sey. -
12:51 - 12:54İnanılmaz bir başarıdır bu,
-
12:54 - 12:56fakat bu sadece ilk adımdır.
-
12:56 - 13:00Sonrasında, başka bir gelişimsel dönüm
noktası açığa çıkar, -
13:00 - 13:03ve çocuk cümlelerle iletişim kurmaya
başlar. -
13:03 - 13:08Yani, "bu resimdeki bir kedidir"
demek yerine -
13:08 - 13:13dinlediğiniz gibi küçük kız bize "bu
yatağın üzerinde uzanan bir kedidir" diyor -
13:13 - 13:18Bilgisayarı resimleri görmek ve cümle
kurmak için eğitmek, -
13:18 - 13:22big data ile makine öğrenim algoritmasının
beraberliği için -
13:22 - 13:25bir adım daha atılmalı.
-
13:25 - 13:29Şimdilik, bilgisayarın her resimden
-
13:29 - 13:32insanlar tarafından oluşturulmuş kadar
-
13:32 - 13:35iyi cümleler öğrenmesi gerek.
-
13:35 - 13:39Beynin görsellik ve dili bütünleştirdiği
gibi, -
13:39 - 13:44biz de ufak görsel parçacıklar
gibi görsel şeylerle -
13:44 - 13:46cümlelerdeki kelime ve ifadeleri
-
13:47 - 13:50birleştirecek bir model geliştirdik.
-
13:50 - 13:53Yaklaşık dört ay önce,
-
13:53 - 13:56sonunda bütün bunları bağladık
-
13:56 - 13:59ve bir fotoğrafı ilk kez gördüğünde
-
13:59 - 14:03bir insan gibi cümle kurabilme
yeteneğine sahip -
14:03 - 14:07ilk bilgisayar görme modelinden
bir tane yaptık. -
14:07 - 14:12Şu anda, bilgisayarın konuşmamızın başında
-
14:12 - 14:14küçük kızın gördüğü resimleri gördüğünde
-
14:14 - 14:17neler söylediğini size göstermeye hazırım.
-
14:20 - 14:23(Video) Bilgisayar:
Bir adam filin yanında duruyor. -
14:24 - 14:28Geniş bir uçak, uçak pistinin üstünde
oturuyor. -
14:29 - 14:33FFL: Tabii, hala sıkı bir şekilde
algoritmamızı geliştirmek için çalışıyoruz -
14:33 - 14:36ve henüz öğreneceği çok sey var.
-
14:36 - 14:38(Alkış)
-
14:40 - 14:43Bilgisayar henüz hatalar yapmakta.
-
14:43 - 14:46Bilgisayar: Bir kedi battaniyenin içinde
yatakta uzanıyor. -
14:46 - 14:49FFL: Tabii, oldukça fazla kedi
gördüğünden -
14:49 - 14:52herşeyin kediye benzeyebileceğini
düşünüyor. -
14:53 - 14:56Bilgisayar: Genç erkek bir beysbol
sopasını tutuyor. -
14:56 - 14:58(Gülüşmeler)
-
14:58 - 15:03FFL: Ya da, henüz bir diş fırçası
görmemişse, beysbol sopasıyla karıştırıyor -
15:03 - 15:07Bilgisayar: Bir adam binanın kenarından
atını sokak aşağı sürüyor. -
15:07 - 15:09(Gülüşmeler)
-
15:09 - 15:12FFL: Henüz bilgisayarlara Sanat 101
dersini öğretmedik. -
15:14 - 15:17Bilgisayar: Bir zebra otlukların içinde
duruyor. -
15:17 - 15:20FFL: Ve henüz doğanın büyüleci güzelliğini
-
15:20 - 15:22takdir etmeyi bizim gibi öğrenmedi.
-
15:22 - 15:25Uzun bir yolculuktu.
-
15:25 - 15:30Sıfırdan üç yaşına getirmek oldukça zordu.
-
15:30 - 15:35Asıl zor olan üç yaşından on üç yaş ve
daha ötesine götürebilmek. -
15:35 - 15:39Size bu resmi tekrar hatırlatmak istiyorum,
çocuk ve kekin olduğu. -
15:39 - 15:44Şu ana dek, bilgisayara nesneleri
görebilmesini -
15:44 - 15:48hatta gördüğü resimden küçük bir hikaye
anlatmasını bile öğrettik. -
15:48 - 15:52Bilgisayar: Biri yaş pastanın olduğu
masada oturuyor. -
15:52 - 15:55FFL: Fakat bu resimde sadece bir kişi ve
pastadan -
15:55 - 15:56daha fazlası var.
-
15:56 - 16:01Bilgisayarın göremediği şey,
onun sadece Paskalya süresince -
16:01 - 16:04servis edilen özel bir İtalyan pastası
olduğu. -
16:04 - 16:08Çocuk, babası tarafından Sidney gezisinden
sonra kendisine hediye edilen -
16:08 - 16:11en sevdiği tişörtünü giyiyor,
-
16:11 - 16:15hepimiz onun nasıl mutlu olduğunu
-
16:15 - 16:18ve şu anda kafasından geçenleri
söyleyebiliriz. -
16:19 - 16:22Bu benim oğlum Leo.
-
16:22 - 16:25Görsel zeka araştırmalarımda,
-
16:25 - 16:27durmaksızın Leo'yu
-
16:27 - 16:30ve içinde yaşayacağı geleceği düşünüyorum.
-
16:30 - 16:32Makineler görebildiğinde,
-
16:32 - 16:37doktor ve hemşireler, tanı koymak ve
hastalarla ilgilenmek için -
16:37 - 16:41ek olarak yorulmayan
göz çiftlerine sahip olacaklar. -
16:41 - 16:45Arabalar yollarda daha güvenli
daha akıllı bir şekilde gidecek. -
16:45 - 16:48Robotlar, sadece insanlar değil,
-
16:48 - 16:53enkaz bölgelerinde tutsak ve yaralıları
kurtarmada bizimle göğüs gerecekler. -
16:54 - 16:58Yeni tür, daha iyi malzemeler bulacak
-
16:58 - 17:02ve makinelerin yardımıyla, görünmeyen
sınırları keşfedeceğiz. -
17:03 - 17:07Azar azar, makinelere görme yetisini
veriyoruz. -
17:07 - 17:10Önce, biz onlara görmeyi öğretiyoruz.
-
17:10 - 17:13Sonra, onlar daha iyi görebilmemiz için
bize yardım ediyor. -
17:13 - 17:17Öncelikle, dünyamızı keşfetmek
ve düşünmek için gözlerimiz -
17:17 - 17:20sadece insan gözleri olmayacak.
-
17:20 - 17:23Makineleri sadece zekaları için
kullanmıyor, -
17:23 - 17:30aynı zamanda hayal bile edemeyeceğimiz bir
şekilde onlarla iş birliği yapıyoruz. -
17:30 - 17:32Benim araştırmam bu:
-
17:32 - 17:34bilgisayarlara görsel zekayı vermek
-
17:34 - 17:40ve Leo için, dünya için daha iyi bir
gelecek oluşturmak. -
17:40 - 17:41Teşekkürler.
-
17:41 - 17:45(Alkış)
- Title:
- Resimleri anlamaları için bilgisayarları nasıl eğitiyoruz
- Speaker:
- Fei-Fei Li
- Description:
-
Küçük bir çocuk resimlere baktığında, onları kolaylıkla tanımlayabilir : " Kedi", "kitap", "sandalye". Bugün, bilgisayarlar da bunu yapacak kadar akıllı hale geliyor. Peki ya sonrasında? Bu heyecan verici konuşmada, bilgisayar algılama uzmanı Fei-Fei Li teknolojinin geldiği bu başarılı aşamayı - 15 milyonluk bir fotoğraf veri tabanı ile çalışma ekibinin bir bilgisayarı resimleri algılaması için nasıl "eğittiğini" - açıklıyor ve ileriye dönük bazı sezilerinden bahsediyor.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:58
Meric Aydonat approved Turkish subtitles for How we're teaching computers to understand pictures | ||
Ömer Elveren edited Turkish subtitles for How we're teaching computers to understand pictures | ||
Ömer Elveren edited Turkish subtitles for How we're teaching computers to understand pictures | ||
Ömer Elveren edited Turkish subtitles for How we're teaching computers to understand pictures | ||
Ömer Elveren accepted Turkish subtitles for How we're teaching computers to understand pictures | ||
Ramazan Şen edited Turkish subtitles for How we're teaching computers to understand pictures | ||
Ramazan Şen edited Turkish subtitles for How we're teaching computers to understand pictures | ||
Ramazan Şen edited Turkish subtitles for How we're teaching computers to understand pictures |