Öğrenebilen bilgisayarların müthiş ve ürkütücü uygulamaları
-
0:00 - 0:02Eskiden bilgisayarınıza
-
0:02 - 0:04yeni bir şeyler yaptırmak isteseniz
-
0:04 - 0:06programlamanız gerekirdi.
-
0:06 - 0:09Şimdi, programlama; burada hiç yapmayanlar
-
0:09 - 0:12için söylüyorum, her adımı, her detayı
-
0:12 - 0:15bilgisayarın yapmasını istediğin
her şeyi amacına -
0:15 - 0:19ulaşman için tasarlaman gerekir.
-
0:19 - 0:22Nasıl yapacağını bilmediğin bir şeyi
-
0:22 - 0:25yapmak istiyorsan bu çok zorlu olacak.
-
0:25 - 0:28Arthur Samuel de bunu yaptı.
-
0:28 - 0:321956'da bilgisayarının onu
-
0:32 - 0:35damada yenebilmesini istiyordu.
-
0:35 - 0:37Her detayıyla nasıl bir
program tasarlayarak -
0:37 - 0:41damada senden daha iyi
olmasını sağlayabilirsin? -
0:41 - 0:42Bu soruna bir çözüm buldu:
-
0:42 - 0:46Binlerce kez bilgisayarıyla dama oynayacak
-
0:46 - 0:48ve böylece bilgisayara damayı öğrenecekti.
-
0:48 - 0:52Bu işe yaradı ve 1962'de bilgisayar
-
0:52 - 0:56Connecticut eyaleti şampiyonunu yendi.
-
0:56 - 0:59Bu şekilde Arthur Samuel,
makine öğrenmenin -
0:59 - 1:00fikir öncüsüydü ve ona borçluyum,
-
1:00 - 1:03çünkü bir makine öğrenimi uygulayıcısıyım.
-
1:03 - 1:04200 bini aşkın uygulayıcıyı
-
1:04 - 1:08biraraya getiren Kaggle'ın başkanıydım.
-
1:08 - 1:10Kaggle yarışmalar düzenleyip çözülememiş
-
1:10 - 1:14problemleri çözmeye çalışıyordu ve
-
1:14 - 1:17yüzlerce kez başarılı oldular.
-
1:17 - 1:20Bu açıdan bakıldığında, makine öğreniminin
-
1:20 - 1:24geçmişte, günümüzde ve gelecekte planlanan
-
1:24 - 1:26çalışmaları hakkında çok şey öğrendim.
-
1:26 - 1:28Ticari anlamda belki de
-
1:28 - 1:29makine öğreniminin
-
1:29 - 1:31ilk başarısı Google'dır.
-
1:31 - 1:33Google bilgisayar algoritması ile
-
1:33 - 1:36bilgilere erişmeyi mümkün kılar ve
-
1:36 - 1:38bu algoritma makine öğrenimini temel alır.
-
1:38 - 1:42Bugüne kadar birçok ticari
olarak başarılı uygulaması oldu. -
1:42 - 1:45Amazon, Netflix gibi bir çok
-
1:45 - 1:47başarılı şirket makine öğrenimini
-
1:47 - 1:48ürünlerini ve filmlerini
-
1:48 - 1:50satmak için kullanmışlardır.
-
1:50 - 1:52Bu bazen ürkütücü olabilir.
-
1:52 - 1:54LinkedIn ve Facebook gibi
şirketler bazen size -
1:54 - 1:56tanıyor olabileceğiniz kişileri
gösterir ve siz -
1:56 - 1:58bunu nasıl yaptığını bilemezsiniz; işte
-
1:58 - 2:01bu makine öğreniminin eseridir.
-
2:01 - 2:04Bu sistem, programlanmak yerine datadan
-
2:04 - 2:07öğrenen algoritmalardan oluşur.
-
2:07 - 2:10Bu IBM'in Watson ile Jeopardy yarışmasında
-
2:10 - 2:14oldukça zor ve karışık soruları doğru
-
2:14 - 2:17cevaplayarak nasıl iki dünya şampiyonunu
-
2:17 - 2:20yenmeyi başardığını açıklar.
-
2:20 - 2:23İnsansız arabalar da
bu sistem ile çalışır. -
2:23 - 2:26Yaya ile ağaç arasındaki farkı söylemek
-
2:26 - 2:28isterseniz buyrun, söyleyin bu çok önemli.
-
2:28 - 2:31Bu programların elle nasıl yazıldığını
-
2:31 - 2:34bilmiyoruz ama makine öğrenimi ile mümkün.
-
2:34 - 2:36Ve bu arabalar bir düz yolda
-
2:36 - 2:39kaza yapmadan 1 milyon mili aştı.
-
2:41 - 2:42Böylece bilgisayarların,
öğrenebildiğini -
2:42 - 2:44ve bazen bizim yapmayı bilmediğimiz
-
2:44 - 2:46şeyleri yapmayı öğrenebildiklerini
-
2:46 - 2:49veya bizden bunları bizden daha
-
2:49 - 2:52iyi yapabileceklerini görüyoruz.
-
2:52 - 2:54Makine öğreniminin en iyi örneklerini
-
2:54 - 2:58Kaggle'da yürüttüğümüz bir projede gördüm:
-
2:58 - 3:02Toronto Üniversitesi'nden Geoffrey Hinton
-
3:02 - 3:04ve ekibi otomatik uyuşturucu tespiti
-
3:04 - 3:06alanında yarışmayı kazandı.
-
3:06 - 3:07Burada ilginç olansa;
-
3:07 - 3:10Merck veya uluslararası akademik çevrenin
-
3:10 - 3:13geliştirdiği bütün algoritmaları kimya
-
3:13 - 3:15ve biyoloji gibi alanlarda geçmişi
-
3:15 - 3:18olmayan kişilerin algoritmayı
çözmeleri değil bunu -
3:18 - 3:202 haftada yapmış olmaları.
-
3:20 - 3:22Peki bunu nasıl başardılar?
-
3:22 - 3:25Derin Öğrenme denilen olağanüstü
bir algoritma kullandılar. -
3:25 - 3:28Bu o kadar önemli bir başarıydı ki birkaç
-
3:28 - 3:31hafta sonra New York Times'ın
kapağında yer aldı. -
3:31 - 3:34Sol kenarda Geoffrey Hinton vardı.
-
3:34 - 3:38Derin Öğrenme, insan beyninin
çalışmasından -
3:38 - 3:40ilham alınarak
oluşturulmuş bir algoritmadır -
3:40 - 3:44ve kapasitesi konusunda
teorik kısıtlamalar içermez. -
3:44 - 3:46Ona ne kadar çok veri ve zaman verirseniz
-
3:46 - 3:48o kadar iyi sonuçlar
elde edersiniz. -
3:48 - 3:51New York Times'ın haberinde derin öğrenme
-
3:51 - 3:52ile elde edilen
-
3:52 - 3:53bir sonuç daha vardı;
-
3:53 - 3:54onu da şimdi göstereceğim:
-
3:55 - 3:56Sonuca göre:
-
3:56 - 3:58Bilgisayarlar dinleyebilir
-
3:58 - 4:01ve anlayabilir.
-
4:01 - 4:03Richard Rashid:"Bu yöntemde
-
4:03 - 4:05son aşamada gelebilmek
-
4:05 - 4:07istediğim nokta
-
4:07 - 4:10sizinle Çince konuşmak.
-
4:11 - 4:12Olay şu ki;
-
4:12 - 4:15bir çok Çinliden çok miktarda
-
4:15 - 4:18bilgi alma imkanımız oldu
-
4:18 - 4:21ve Çince bir metni alan ve
-
4:21 - 4:25Çin diline çeviren yani yazıyı
-
4:25 - 4:28konuşmaya dönüştüren
bir sistem oluşturduk. -
4:28 - 4:32Sonra konuşmamın bir saatlik kısmını aldık
-
4:32 - 4:34ve standart metni konuşma sistemine
-
4:34 - 4:35modüle ettik sonuç olarak
-
4:35 - 4:37benim konuşmam gibi olmalıydı.
-
4:37 - 4:39Sonuç mükemmel olmadı elbette.
-
4:39 - 4:42Hatta bir çok hata vardı.
-
4:42 - 4:44(Çince)
-
4:44 - 4:48(Alkışlar)
-
4:49 - 4:53Bu alanda daha çok çalışılması gerekiyor.
-
4:53 - 4:57(Çince)
-
4:57 - 5:00(Alkışlar)
-
5:01 - 5:05Bu, Çinde makine öğrenimi konferansıydı.
-
5:05 - 5:07Genelde akademik konferanslarda
-
5:07 - 5:09spontane alkışlamalar olmaz ancak
-
5:09 - 5:12TEDx konferanslarında rastlanabilir.
-
5:12 - 5:14Burada gördüğünüz her şey
-
5:14 - 5:16derin öğrenme ile gerçekleşiyor.
-
5:16 - 5:17(Alkışlar)
Teşekkürler. -
5:17 - 5:19İngilizce uyarlama derin
öğrenme ile yapıldı. -
5:19 - 5:23Çince çeviri ve sağ üstteki
metin derin öğrenmeyle, -
5:23 - 5:26ve yine sesin entegre edilmesi
de derin öğrenme ile yapıldı. -
5:26 - 5:29Derin öğrenme alışılmışın dışında bir şey.
-
5:29 - 5:30Tek bir algoritma
neredeyse -
5:30 - 5:32her şeyi yapabilecek gibi duruyor
-
5:32 - 5:35ve geçen sene öğrendim ki
görmeyi de öğrenmiş. -
5:35 - 5:38Almanya'da Alman Trafik
İşaretleri Karşılaştırması -
5:38 - 5:40olarak adlandırılan yarışmada
-
5:40 - 5:44derin öğrenme bu gibi
işaretleri algılamayı öğrendi. -
5:44 - 5:46Diğer algoritmalardan daha iyi algılamakla
-
5:46 - 5:48kalmayıp, yarışmanın
sıralamasına bakıldığında -
5:48 - 5:50insanlardan da daha iyi tanıdı;
-
5:50 - 5:52hatta iki katı daha fazla.
-
5:52 - 5:542011 yılında, bilgisayarların insanlardan
-
5:54 - 5:57daha iyi görebildiğini anladık.
-
5:57 - 5:59O zamandan beri sayısız çalışma yapıldı.
-
5:59 - 6:032012'de Google; Youtube
videolarını izleyen -
6:03 - 6:05ve aylık 16.000 bilgisayardaki
veriyi sıkıştırabilen -
6:05 - 6:08derin öğrenme algoritmaları
olduğunu açıkladı. -
6:08 - 6:11Ayrıca bilgisayarlar
ayrı ayrı insan ve kedi -
6:11 - 6:14gibi konseptleri izleyerek öğrendi.
-
6:14 - 6:16Bu insanların öğrenmesine benziyor.
-
6:16 - 6:19İnsanlar gördüklerinin
anlatılmasıyla değil -
6:19 - 6:22kendileri başlarına öğrenirler.
-
6:22 - 6:26Yine 2012'de az önce
gördüğümüz Geoffrey Hinton -
6:26 - 6:301.5 milyon fotoğrafa
bakarak neyin fotoğrafları -
6:30 - 6:32olduğunu çözmeye çalışarak
-
6:32 - 6:35popüler olan ImageNet yarışmasını kazandı.
-
6:35 - 6:372014 yılında görüntü tanımada
-
6:37 - 6:39%6 lık hata payına düştük.
-
6:39 - 6:41Bu da insanlardan daha iyi.
-
6:41 - 6:44Makinalar gerçekten bu alanda
harika işler yapıyor -
6:44 - 6:47ve artık endüstride de kullanılıyor.
-
6:47 - 6:50Mesela Google, geçen yıl Fransa'daki
-
6:50 - 6:52her bir konumu 2 saatte haritada
-
6:52 - 6:54işaretlediğini duyurdu ve
-
6:54 - 6:57cadde numaralarını okumak ve tanımlamak
-
6:57 - 6:59için cadde görüntülerini
-
6:59 - 7:02bir derin öğrenme
algoritmasında kullandılar. -
7:02 - 7:05Bunun önceleri ne kadar sürdüğünü düşünün:
-
7:05 - 7:07binlerce insan, bir çok yıl.
-
7:09 - 7:10Bu Çin'de de oldu.
-
7:10 - 7:14Baidu bir çeşit Çin'in Google'ı, sanırım,
-
7:14 - 7:17sol üst köşede gördüğünüz Baidu'nun
-
7:17 - 7:18derin öğrenme sistemine
-
7:18 - 7:21yüklediğim görüntünün örneği
-
7:21 - 7:24ve arkaplanda ise sistemin görüntüyü
-
7:24 - 7:27tanımlayıp benzerlerini
bulduğunu görebilirsiniz. -
7:27 - 7:29Benzer resimler gerçekten de
benzer arka planlara, -
7:29 - 7:31benzer yüz açılarına sahip
-
7:31 - 7:33hatta bazılarında dilleri dışarıda.
-
7:33 - 7:36Tam olarak web sayfasının
metnine bakmak gibi değil. -
7:36 - 7:38Tek yaptığım resim yüklemekti.
-
7:38 - 7:40O halde gördüklerini anlayabilen ve
-
7:40 - 7:42bu sayede gerçek zamanlı olarak yüz
-
7:42 - 7:44milyonlarca görüntüyü veritabanlarında
-
7:44 - 7:46arayabilen bilgisayarlar var.
-
7:46 - 7:49Peki bilgisayarların görmesi
ne anlama geliyor? -
7:49 - 7:51Sadece görebilmesini sağlamak değil
-
7:51 - 7:54aslında derin öğrenme
bundan daha fazlasını yaptı. -
7:54 - 7:57Bu gibi karmaşık ve incelikli cümleler
-
7:57 - 7:59artık derin öğrenme
algoritmalarıyla anlaşılabilir. -
7:59 - 8:01Gördüğünüz üzere;
-
8:01 - 8:03Stanford-tabanlı sistem, üstteki kırmızı
-
8:03 - 8:07noktanın negatif bir
his ifade ettiğini anlıyor. -
8:07 - 8:09Derin öğrenme hatta
-
8:09 - 8:11cümlelerin ne hakkında olduğunu
-
8:11 - 8:13ve anlamlarını anlamada insan
-
8:13 - 8:15performansına yaklaşmış durumda.
-
8:16 - 8:18Aynı zamanda derin öğrenme Çin
-
8:18 - 8:22anadil seviyesinde Çince
okumada da kullanıldı. -
8:22 - 8:25Bu algoritma Çince konuşamayan ve
-
8:25 - 8:28anlamayan insanlar
tarafından İsviçre'de geliştirildi. -
8:28 - 8:31Bahsettiğim gibi derin
öğrenme kullanma bu işte -
8:31 - 8:34dünyadaki en iyi sistem yerel insanların
-
8:34 - 8:37anlama performansına göre bile.
-
8:37 - 8:40Bu sistem şirketimde oluşturuldu
-
8:40 - 8:42ve bu tarz şeyleri bir arada
toplamayı gösteriyor. -
8:42 - 8:45Bu resimlere eklenmiş metin yok ve
-
8:45 - 8:47ben buraya cümle yazarken gerçek
-
8:47 - 8:50zamanlı olarak resimleri algılıyor,
-
8:50 - 8:52ne hakkında olduklarını çözüyor ve
-
8:52 - 8:54yazdığım metne benzer resimleri buluyor.
-
8:54 - 8:57Görüyorsunuz, bu aslında
cümlelerimi anlama -
8:57 - 8:59ve bu resimleri anlama.
-
8:59 - 9:02Benzerini Google'da
gördüğünüzü düşünüyorum; -
9:02 - 9:05bir şeyleri yazarken size
resimler gösterir ama -
9:05 - 9:08asıl yaptığı web sayfalarında
yazdıklarınızı aramaktır. -
9:08 - 9:11Bu aslında resimleri anlamaktan
oldukça farklı. -
9:11 - 9:14Bu son bir kaç ayda ilk kez
-
9:14 - 9:17bilgisayarların yapabildiği bir şey.
-
9:17 - 9:19O halde görüyoruz ki bilgisayarlar
-
9:19 - 9:21görebilmekle kalmıyor aynı zamanda
-
9:21 - 9:23okuyabiliyor ve zaten duyduklarını
-
9:23 - 9:25anlayabildiklerini de göstermiştik.
-
9:25 - 9:27Belki yazabildiklerini söylesem
-
9:27 - 9:29artık şaşırtıcı gelmez.
-
9:29 - 9:31İşte burada dün derin
öğrenme algoritmasıyla -
9:31 - 9:34oluşturduğum metin.
-
9:34 - 9:37Ve burada algoritma tarafından
geliştirilen metinler var. -
9:37 - 9:40Bu cümlelerin her biri
resimleri tanımlamak -
9:40 - 9:43için derin öğrenme
algoritmasıyla geliştirildi . -
9:43 - 9:45Algoritma daha önce siyah tişörtlü
-
9:45 - 9:47gitar çalan birini hiç görmemişti.
-
9:47 - 9:50Önceden adamı görmüştü, siyahi görmüştü,
-
9:50 - 9:53gitarı görmüştü ama bu resmin roman
-
9:53 - 9:55tasvirini ayrı olarak yaptı.
-
9:56 - 9:59Hala tam olarak insan performansında
-
9:59 - 10:00değiliz ama yakınız.
-
10:00 - 10:02Testlerde 1/4 oranında
insanlar, bilgisayar -
10:02 - 10:05tarafından oluşturulan yazıları seçiyor.
-
10:05 - 10:07Bu sistem şuan sadece 2 haftalık
-
10:07 - 10:09ama muhtemelen gelecek yıl içerisinde
-
10:09 - 10:11bu oranlarda devam ederse
-
10:11 - 10:12algoritma insan performansını
-
10:12 - 10:14hayli geçmiş olacak.
-
10:14 - 10:17Yani bilgisayarlar yazabiliyor da.
-
10:17 - 10:18Tüm bunları birleştirdik
-
10:18 - 10:20ve durum heyecan verici fırsatlar yarattı.
-
10:20 - 10:23Örneğin; sağlık alanında
Boston'da bir takım, -
10:23 - 10:26doktorların kanser teşhisine yardımcı
-
10:26 - 10:29düzinelerce kliniksel
olarak ilişkili tümör -
10:29 - 10:32özellikleri keşfettiklerini duyurdu.
-
10:32 - 10:34Benzer olarak Stanford' da
-
10:34 - 10:37büyüme altındaki dokulara bakan bir grup;
-
10:37 - 10:40kanser hastalarının sağkalım
oranlarını ölçmede -
10:40 - 10:43patoloji uzmanlarından daha iyi olan,
-
10:43 - 10:47makine öğrenmesine dayalı
bir sistem geliştirdi. -
10:47 - 10:49Bu iki durumda da tahminlerin daha
-
10:49 - 10:51hatasız olmasının yanı sıra kavrama
-
10:51 - 10:54açısından güçlü yeni
bir bilim geliştirdiler. -
10:54 - 10:56Radyoloji vakasındakiler insanların
-
10:56 - 10:58anlayabileceği yeni
kliniksel indikatörlerdi. -
10:58 - 11:00Patoloji vakasında ise bilgisayar,
-
11:00 - 11:04tanı yapılırken kanser
etrafındaki hücrelerin kanser -
11:04 - 11:09hücreleri kadar önemli olduğunu keşfetti.
-
11:09 - 11:12Bu patoloji uzmanlarına onlarca
-
11:12 - 11:14yıldır öğretilenlerin tam tersi.
-
11:15 - 11:18Bu iki vakada da tıp uzmanları ve
-
11:18 - 11:20makine öğrenmesi uzmanlarının
-
11:20 - 11:22birleşip geliştirdiği bir sistemdi
-
11:22 - 11:24ancak geçen yıl bunu da geçtik.
-
11:24 - 11:27Bu örnek mikroskop altındaki insan
-
11:27 - 11:30dokusunun kanserli bölgelerini
tanımlamak üzerine. -
11:30 - 11:33Burada gösterilen sistem bu alanları daha
-
11:33 - 11:36isabetli olarak belirleyebiliyor,
-
11:36 - 11:38ya da en az patoloji uzmanı kadar
-
11:38 - 11:41ama tümüyle derin öğrenme kullanılarak ve
-
11:41 - 11:43herhangi bir tıp geçmişi olmayan
-
11:43 - 11:45insanlar tarafından geliştirildi.
-
11:45 - 11:48Benzer olarak nöron segmentasyonu da.
-
11:48 - 11:49Şu an nöronları insanlar kadar
-
11:49 - 11:51isabetli segmentleyebiliyoruz
-
11:51 - 11:52ki bu sistem derin öğrenme
-
11:52 - 11:54kullanılarak hiç bir tıbbi geçmişi
-
11:54 - 11:56olmayan kişiler tarafından geliştirildi.
-
11:57 - 12:00Aynı şekilde ben de, hiç bir tıbbi geçmişim
-
12:00 - 12:02olmadığı halde medikal alanında
-
12:02 - 12:05yeni bir şirket açabilirim ki açtım da.
-
12:06 - 12:09Şirketi açma konusunda
biraz korkmuştum ama -
12:09 - 12:12teoride bu veri analiz
tekniklerini kullanarak -
12:12 - 12:16yararlı ilaçlar yapmak mümkün görünüyordu.
-
12:16 - 12:18Neyse ki geri dönüşler harikaydı
-
12:18 - 12:20sadece medya değil tıp çevresinde de
-
12:20 - 12:23ki aynı zamanda çok da destekleyicilerdi.
-
12:23 - 12:26Teoride, medikal sürecin
orta bölümünü alıp -
12:26 - 12:29mümkün olduğunca veri analizine çevirerek
-
12:29 - 12:32doktorları en iyi oldukları
alana yoğunlaştırabiliriz. -
12:33 - 12:35Bir örnek vermek istiyorum.
-
12:35 - 12:37Yeni bir tıbbi teşhis testini
-
12:37 - 12:40üretmek 15 dakikamızı alır
-
12:40 - 12:42ve gerçek zamanlı olarak da göstereceğim
-
12:42 - 12:44ama bazı parçalarını keserek
-
12:44 - 12:46süreci 3 dakikaya indirdim.
-
12:46 - 12:49Tıbbi teşhis testini oluşturmayı
göstermek yerine -
12:49 - 12:50daha anlaşılır olduğu için
-
12:50 - 12:54araba görüntülerini tanımlama
testini göstereceğim. -
12:54 - 12:57Yaklaşık 1.5 milyon araba
resmiyle başlıyoruz ve -
12:57 - 12:59çekildikleri açılara göre onları
-
12:59 - 13:03ayırabilecek bir şey yaratmak istiyorum.
-
13:03 - 13:05Bütün resimler etiketsiz bu yüzden
-
13:05 - 13:06sıfırdan başlamak zorundayım.
-
13:07 - 13:10Derin öğrenme algoritmamızla resimlerdeki
-
13:10 - 13:12yapıların alanlarını otomatik
olarak algılayabilir. -
13:12 - 13:14Güzel olan, şu andan itibaren
-
13:14 - 13:16insan ile bilgisayar
artık ortak çalışabilir. -
13:16 - 13:19Gördüğünüz gibi insan burada bilgisayara;
-
13:19 - 13:21daha sonra deneyip, algoritmasını
-
13:21 - 13:23geliştirmede kullanması için
-
13:23 - 13:25ilgi alanlarını söylüyor.
-
13:25 - 13:27Bu derin öğrenme sistemleri
-
13:27 - 13:29aslında 16.000 boyutlu uzay
-
13:29 - 13:31ve gördüğünüz gibi
bilgisayar burada -
13:31 - 13:33uzay boyunca döndürüp yeni yapı
-
13:33 - 13:35alanları bulmaya çalışıyor.
-
13:35 - 13:38Başarıyla yapınca da daha sonra bunu süren
-
13:38 - 13:41kişi ilgi çekici olan alanları gösteriyor.
-
13:41 - 13:44Ve burada bilgisayar başarılı
bir şekilde alanları buldu. -
13:44 - 13:46Örneğin: Açılar.
-
13:46 - 13:48Bu süreç devam ederken,
-
13:48 - 13:50bilgisayara aradığımız yapı türlerini
-
13:50 - 13:52adım adım söylüyoruz.
-
13:52 - 13:54Teşhis testinde pataloji uzmanının
-
13:54 - 13:57patoz alanlarını tanımlaması
gibi düşünebilirsin -
13:57 - 13:59ya da örneğin radyolojistin sıkıntı
-
13:59 - 14:02yaratabilecek nodülleri göstermesi gibi.
-
14:02 - 14:05Bazen algoritma için sıkıntılı olabilir.
-
14:05 - 14:07Bu vaka da biraz kafası karışmış.
-
14:07 - 14:10Arabaların önleri ve
arkaları karmakarışık. -
14:10 - 14:12Burada biraz daha dikkatli olmalıyız,
-
14:12 - 14:14arkalara karşılık önleri elle seçmekte ve
-
14:14 - 14:17daha sonra bunun ilgilendiğimiz tipte
-
14:17 - 14:20bir grup olduğunu söylemekte.
-
14:22 - 14:24Bunu biraz yapıyoruz,
biraz atlıyoruz bunu, -
14:24 - 14:26sonra makine öğrenmesi algoritmasını
-
14:26 - 14:28bu yüzlerce kadar olan
-
14:28 - 14:29şeylere dayanarak eğitiyoruz
-
14:29 - 14:31ve daha iyi olmasını ümit ediyoruz.
-
14:31 - 14:34Bazı resimlerin solmaya
başladığını görebilirsiniz -
14:34 - 14:36ve bize bazılarını kendisinin önceden
-
14:36 - 14:39nasıl anlaması gerektiğini
farkettiğini gösteriyor. -
14:39 - 14:41Bu benzer resimler
konseptini kullanabiliriz -
14:41 - 14:44ve benzer resimleri
kullanarak bilgisayarın -
14:44 - 14:46bu noktada arabaların sadece
-
14:46 - 14:48önlerini bulabildiğini görebilirsiniz.
-
14:48 - 14:50Bu aşamada bilgisayar insana:
-
14:50 - 14:52"Tamam, peki, iyi iş çıkardın." diyebilir.
-
14:52 - 14:56Bazen, elbette, bu noktada bile
-
14:56 - 14:59grupların arasından seçmek zor.
-
14:59 - 15:02Bu durumda, bilgisayarın
biraz çevirmesine izin -
15:02 - 15:05verdikten sonra bile sağ ve sol taraftaki
-
15:05 - 15:08resimlerin karmakarışık
olarak bulabiliriz. -
15:08 - 15:10Yine bilgisayara bir takım
ipuçları verebiliriz, -
15:10 - 15:13ve diyebiliriz ki :"Tamam, derin
öğrenme algoritmasını -
15:13 - 15:16kullanarak sağ ve sol tarafları mümkün
-
15:16 - 15:18olduğunca ayırabilecek
bir projeksiyon bulmaya çalış. " -
15:18 - 15:20Ve ipucunu verince başarılı oldu.
-
15:20 - 15:23Objeleri birbirinden
ayırabilmek için gereken -
15:23 - 15:25düşünme şeklini birlikte bulabildiler.
-
15:26 - 15:28Yani buradaki fikri anladınız.
-
15:30 - 15:34Buradaki durum; insanın
yerine bilgisayarın geçmesi -
15:36 - 15:39değil birlikte çalışmaları.
-
15:39 - 15:42Burada yaptığımız ise; 6 ya da 7 kişilik
-
15:42 - 15:45bir takımın yaklaşık 7
senede yapacağı bir şeyi, -
15:45 - 15:47bir kişinin yaklaşık 15 dakikada
-
15:47 - 15:50yapacağı bir şeyle değiştirmek.
-
15:50 - 15:54Bu süreç yaklaşık 4 ya da
5 yineleme içeriyor. -
15:54 - 15:57Gördüğünüz gibi şuan 1.5 milyon resmimizin
-
15:57 - 15:59%62 si doğru bir şekilde sınıflandırıldı.
-
15:59 - 16:01Gelinen noktada, oldukça kolay bir şekilde
-
16:01 - 16:03büyük bölümleri alıp hata olmadığına
-
16:03 - 16:05emin olmak için kontrol edebiliriz.
-
16:05 - 16:08Hata olan yerlerde ise
bilgisayara bildirebiliriz. -
16:09 - 16:12Her farklı grup için bu tür
bir süreç kullanarak -
16:12 - 16:151.5 milyon görüntüyü sınıflandırmada
-
16:15 - 16:17%80 başarı yüzdesine çıktık.
-
16:18 - 16:20Bu noktada konu sadece
-
16:20 - 16:21doğru sınıflandırılmamış olan
-
16:21 - 16:23küçük numarayı bulmak ve
-
16:23 - 16:26sebebini anlamaya çalışmak üzerine.
-
16:26 - 16:29Bu yaklaşımı kullanarak; 15 dakikada
-
16:29 - 16:32%97' lik sınıflandırma oranına ulaştık.
-
16:32 - 16:34Bu tarz bir teknik bize çok önemli
-
16:34 - 16:36bir problemi çözmeye izin verebilir;
-
16:36 - 16:39dünyada tıbbi uzmanlığın
olmadığı yerlerde. -
16:39 - 16:41Dünya Ekonomik Forumu'na göre;
-
16:41 - 16:44gelişen dünyada doktor
kıtlığı 10 ile 20 katı -
16:44 - 16:47arasında ve 300 yıl alacaktır bu problemi
-
16:47 - 16:50çözmek için yeterli insan yetiştirmek.
-
16:50 - 16:53Düşünün ki derin öğrenme
yaklaşımını kullanarak -
16:53 - 16:57verimliliklerini artırmaya
yardım edebilsek? -
16:57 - 16:59Fırsatlar konusunda oldukça heycanlıyım.
-
16:59 - 17:01Aynı zamanda
problemlerle de ilgileniyorum. -
17:01 - 17:04Buradaki problem ise; haritadaki
-
17:04 - 17:06her mavi alanda servisler
-
17:06 - 17:08istihdamın %80 den fazla.
-
17:08 - 17:10Servisler nedir?
-
17:10 - 17:11İşte servisler.
-
17:11 - 17:13Bunlar aynı zamanda bilgisayarın
-
17:13 - 17:15yapılma şeklini öğrendiği şeyler.
-
17:15 - 17:18Yani gelişen dünyadaki
istihdamın %80 'inin -
17:18 - 17:20yaptığı şeyler aynı zamanda bilgisayarın
-
17:20 - 17:22nasıl yapılacağını öğrendiği şeyler.
-
17:22 - 17:25Bu ne anlama geliyor?
Tamam, bir şey olmayacak. -
17:25 - 17:27Başka işlerle yer değiştirilcekler.
-
17:27 - 17:29Örneğin; Veri bilimciler
için daha fazla iş olacak. -
17:29 - 17:30Aslında öyle değil.
-
17:30 - 17:32Veri bilimcilerin bunları yapmaları
-
17:32 - 17:34çok zamanlarını almaz.
-
17:34 - 17:35Örneğin; bu 4 algoritma da aynı
-
17:35 - 17:37adam tarafından geliştirildi.
-
17:37 - 17:39Yani eğer; daha önceden de olmuştu,
-
17:39 - 17:42yeni işlerin gelip yer değiştirdiği
-
17:42 - 17:44zamanların sonuçlarını gördük.
-
17:44 - 17:46Bu yeni işlere ne olacak?
-
17:46 - 17:48Bunu kestirmek bizim için oldukça zor
-
17:48 - 17:51çünkü insan performansı
bu şekilde kademeli olarak -
17:51 - 17:53artıyor ama artık biz bir sisteme,
derin öğrenmeye -
17:53 - 17:56sahibiz yani katlanarak
büyüme kapasitesine -
17:56 - 17:58sahip olduğunu biliyoruz.
-
17:58 - 17:59Ve burdayız.
-
17:59 - 18:01Şu anda, etrafımızdaki
şeyleri görüyoruz ve: -
18:01 - 18:03"Bilgisayarlar hala aptal." değil mi?
-
18:03 - 18:05Ama 5 yıllık süre içinde bilgisayarlar
-
18:05 - 18:07bu çizelgenin dışında olacak.
-
18:07 - 18:10Yani bu kabiliyeti hemen
düşünmeye başlamalıyız. -
18:10 - 18:12Bunu daha önceden görmüştük, elbette.
-
18:12 - 18:15Sanayi devriminde, motorlar sayesinde
-
18:15 - 18:17kapasitede kademe atlamayı gördük.
-
18:17 - 18:20Mesele şu ki, yine de bir süre sonra
-
18:20 - 18:21işler düzeliyor.
-
18:21 - 18:23Sosyal bozulma vardı ama bir kez
-
18:23 - 18:25motorlar güç üretmek için kullanıldı
-
18:25 - 18:28ve tüm durumlar, her şey düzene oturdu.
-
18:28 - 18:31Makine Öğrenmesi Devrimi
Sanayi devriminden -
18:31 - 18:33çok daha farklı olacak çünkü
-
18:33 - 18:36Makine Öğrenmesi Devrimi
asla durulmayacak. -
18:36 - 18:38Bilgisayarlar entelektüel
aktiviteler de iyiye gittikçe, -
18:38 - 18:40entelektüel kapasitede daha
-
18:40 - 18:42iyi olan bilgisayarlar üretilecek.
-
18:42 - 18:45Yani bu dünyanın daha önce tanık olmadığı
-
18:45 - 18:47türde bir değişim olacak bu yüzden
-
18:47 - 18:50neyin mümkün olduğu konusunda ki
-
18:50 - 18:51önceki anlayışınız farklı.
-
18:51 - 18:53Şimdiden bizi etkiliyor.
-
18:53 - 18:56Son 25 yılda, kapital üretim arttıkça
-
18:56 - 19:01işçi verimliliği sabitti
hatta biraz inişteydi. -
19:01 - 19:03Bu yüzden bu konuyu tartışmaya
-
19:03 - 19:05başlamamızı istiyorum.
-
19:05 - 19:07İnsanlara bu durum hakkında çoğu kez
-
19:07 - 19:09bahsettiğimde, insanlar
oldukça ilgisiz olabiliyor. -
19:09 - 19:12Bilgisayarlar gerçek anlamda düşünemez,
-
19:12 - 19:14duygusal davranmaz, şiirden anlamaz,
-
19:14 - 19:16nasıl çalıştıklarını tam
olarak anlamıyoruz. -
19:16 - 19:17Ne fark eder?
-
19:17 - 19:20Bilgisayarlar şu an
insanların ücret alarak -
19:20 - 19:22zamanlarının çoğunu
harcadıkları şeyleri yapabiliyor. -
19:22 - 19:26O zaman sosyal ve ekonomik
yapımızı nasıl uyduracağımızı -
19:26 - 19:28düşünmeye başlamamızın
ve bu yeni gerçekliğin -
19:28 - 19:30farkında olmamızın tam zamanı.
-
19:30 - 19:31Teşekkürler.
-
19:31 - 19:32(Alkışlar)
- Title:
- Öğrenebilen bilgisayarların müthiş ve ürkütücü uygulamaları
- Speaker:
- Jeremy Howard
- Description:
-
Bilgisayara nasıl öğreneceğini öğretirsek ne olur? Teknoloji uzmanı Jeremy Howard; bilgisayarlara Çince öğrenme ya da resimlerdeki nesneleri tanıma ve ya tıbbi teşhisleri düşünmede yardım etme yeteneğini veren tekniğin yani derin öğrenmenin akıcı alanındaki şaşırtıcı bazı yeni gelişmeleri paylaşıyor. (Bir derin öğrenme aracı saatlerce YouTube izledikten sonra kendisine "Kedi" konseptini öğretti.) Düşündüğünüzden daha erken etrafınızdaki bilgisayarların davranışlarını değiştirecek alana kendinizi kaptırın .
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Meric Aydonat approved Turkish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Meric Aydonat edited Turkish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Meric Aydonat edited Turkish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Meric Aydonat edited Turkish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Sancak Gülgen accepted Turkish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Sancak Gülgen edited Turkish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Sancak Gülgen edited Turkish subtitles for The wonderful and terrifying implications of computers that can learn | ||
pinar sadi edited Turkish subtitles for The wonderful and terrifying implications of computers that can learn |