Yapay Zeka Hakkında Sorular ve Cevaplar
Makine Öğrenmesi, Derin Öğrenme ve Yapay Zeka konularında; Murat Karakaya Akademi YouTube kanalıma gelen sorular ile yorumları ve onlara verdiğim cevapları aşağıda paylaşıyorum. Umarım benzer soruları olanlara yardımcı olabilirim.
Eğer sizlerin de aklınızdada Makine Öğrenmesi, Derin Öğrenme ve Yapay Zeka konularında sorular varsa, lütfen Murat Karakaya Akademi YouTube kanalıma yazın. Ayrıca isterseniz her ay yaptığım “Soru-Cevap” canlı yayınlarıma katılıp sorunuzu canlı canlı sorabilirsiniz.
Aşağıdaki kayıtlar bu canlı yayınlardır. Sizleri de bir sonraki canlı yayına beklerim. Eğer Murat Karakaya Akademi YouTube kanalıma abone olursanız ve bildirimleri aktif hale getirseniz canlı yayınlardan kolayca haberdar olabilirsiniz.
Canlı yayınlarda görüşmek üzere!
En son güncelleme 12 03 2021
SORU-CEVAP CANLI YAYIN KAYITLARI
“Soru Cevap” canlı yayınları oynatma listesine bu linkten ulaşabilirsiniz.
#MuratKarakayaAkademi #sorucevap #keras #tensorflow #derinöğrenme #makineöğrenmesi #yapayzeka
SORU — CEVAP
Hocam Merhabalar. Videolarınızı severek takip ediyor ve kendimi geliştirmeye çalışıyorum. Hayalinizdeki aracı bul projenizi kendi oluşturduğum veri setiyle denemek istedim. Tabi model içindeki feature ların hepsini veri setime göre düzenledim. Ancak elimdeki veride fiyatı 1.000.000 ve üzeri olan araçlarda TypeError: ‘<=’ not supported between instances of ‘int’ and ‘str’ gibi bir hata alıyorum. 1.000.000 üzeri fiyatı olmayan araçları kullandığım ufak veri setlerinde ise bu hatayı almadım. Sebebi ne olabilir ve nasıl çözebilirim ? Şimdiden teşekkürler.
Merhaba, muhtemelen string cinsinden fiatı (1.000.000) okuduğundan (2 nokta var içinde) bu hatayı alıyorsunuz. Bunu gidermek için önce fiyatı int çevirin sonra karşılaştırmada (<=) kullanın. Kolay gelsin
@Murat Karakaya Akademi Hocam tekrardan rahatsız ediyorum ama yanıtınızdan sonra yeni bakma fırsatım oldu projeye ve birkaç hata daha aldım. “support = support / allCarss.shape[0]” satırında “ ZeroDivisionError: division by zero “ hatası veriyor. shape(1) yaptıgımda bu sefer bu hata düzeldi ancak bu sefer de “ X = pd.DataFrame(preprocess.fit_transform(X).toarray())” satırında “AttributeError: ‘numpy.ndarray’ object has no attribute ‘toarray’” hatası ile karşılaştım. Acaba benim veri setimde mi bir problem mevcut yoksa kaçırdığım bir nokta mı var ? Şimdiden teşekkür ederim.
Sizin array a çevirmeye çalıştığınız tensor zaten array galiba. o yüzden hata veriyor. Array e çevirmeden devam etmeyi deneyin bence.
Selamlar sayın hocam, burada EMA ve SMA’da her zaman 3'lük girdi ve bir ertesi günlük çıktı ile çalışıyoruz, ancak Prophet’da girdi ve çıktı miktarı nedir? Çıktı miktarı ertesi bir gün tamam, ama girdisi ne kadar prophet’in? O konuda bilginiz var mı?
Merhaba, Prophet için sadece 1 girdi (zaman) ve 1 çıktı (sayısal değer) olmalı. Resmi sitesinde yazdığı gibi (https://facebook.github.io/prophet/docs/quick_start.html#python-api): “The input to Prophet is always a dataframe with two columns: ds and y. The ds (datestamp) column should be of a format expected by Pandas, ideally YYYY-MM-DD for a date or YYYY-MM-DD HH:MM:SS for a timestamp. The y column must be numeric, and represents the measurement we wish to forecast.”
Hocam tenserflow install hatası veriyor pyhton3.10 için sizin versiyonunuz nedir acaba?
Resmi web sitesine göre (https://www.tensorflow.org/install/pip) 31 Aralık 2021 de Python 3.7–3.9 kurmalısınız: “Python 3.9 support requires TensorFlow 2.5 or later. Python 3.8 support requires TensorFlow 2.2 or later.”
Merhaba hocam LSTM ile kargo şikayetlerini 32 kategoride sınıflandırmam gerekiyor. Fakat accuracy = 0.08 civarı çıkıyor acaba nerede hata yapıyorum?
model = Sequential()
model.add(Embedding(n_most_common_words, 128))
model.add(LSTM(128, dropout=0.2))
model.add(Dense(32, activation=’relu’))
model.add(Dense(1, activation=’sigmoid’))
Modelinizin son katmanı hatalı: model.add(Dense(1, activation=’sigmoid’)) Öncelikle multi-class sınıflandırma yaptığınızdan neuron sayısı 32 olmalı. Aynı şeklilde activation functionu da linear olmalı. Öncelikle şu eğitimi izleyiniz: https://youtu.be/fU-pDnwrq1g
Değerli bilgilerinizi paylaştığınız için çok teşekkürler Murat bey. Biz de kurumumuzdaki NLP sınıflandırma uygulamasında MCC ölçeğini kullanıyoruz.
MCC de gelecek eğitimde kullanacağım. Teşekkürler
Murat hocam öncelikle ağzınıza sağlık. Benim merak ettiğim konu şu: Dengesiz bir veri setinde multiclass classification yaparken eşik değeri set etmek çok anlamlı değil. Onun yerine sınıfların ağırlıkları belirleniyor. Bu ağırlıkları neye göre belirliyoruz? sınıfın örnek yoğunluğuna göre mi? yoksa yine önce bir sınıflandırma yapıyoruz sonra çıkan sonuçlara göre her bir sınıf için ayrı ayrı presicion, recall ve f1 değerlerini inceleyerek mi belirliyoruz?
Evet, Ağırlıkları genelde veri steindeki frekansın (sıklığın) ters orantısı ile belirliyoruz. Daha detay için: https://scikit-learn.org/stable/modules/generated/sklearn.utils.class_weight.compute_class_weight.html
Çok teşekkür ederim hocam bende enerji ayrıştırılması üzerine çalışıyorum.çalışmamda hem regression hemde clasification var. Sınıflandırmada F1 çok kullanılıyordu literatürde mantığını merak ediyordum. Ayrıca çalışmalarımda kullanacağım veri setleride dengesizdi. Sayenizde yapılacak olanlar kafamda daha iyi oturuyor. Emeğinize sağlık
Faydalı olduğuna çok sevindim yorumunuz için teşekkür ederim.
Dengesiz Veri Kümeleri ile Sınıflandırmada Başarım Ölçütleri: 1. Bölüm Temel
Hocam, Merhaba Metin İşleme de Orange Word2Vec algoritmasını nasıl kullanabilirim?
Orange3 yazılımına text add on unu ekleyebilirsiniz: https://pypi.org/project/Orange3-Text/
Hocam ben kisilere ait ses, cephe ve profil fotograflarini ayni anda kullanarak bir siniflandirma yapmak istiyorum, bunu nasil yapabilirim?
Bahsettiğiniz konu “multi-modal input” olarak geçiyor. Örnek bir çözüm için şuraya bakabilirsiniz: https://towardsdatascience.com/multimodal-deep-learning-ce7d1d994f4
Hocam input lar ve output lar elimizdeyken nasıl kategorize edebilirim. Tez hocam 32 kategori oluşturmamı istemiş. Output 32 arrayla oluşmaktadır. Input da kargo şikayetlerinden oluşmaktadır ve 4900 veri bulunmaktadır.
Şu eğitimde detaylı açıklamıştık: Multi-Class Text Classification with Transformers: Data Analysis & Text Preprocessing
Merhaba abi. Abi bazi nasihatlarina ihtiyacim var. Abi ben Azerbaycanliyim ve Azerbaycanda Informasiya texnologiyalarinda okuyorum.Abi ben Datascience uzre öğrenmek istiyorum. Abi ben şimdilik c# öğreniyorum .Abi bana datascience Öğrenmek için hangi istikametde , nasil ve neyi öğrenmeliyim haqda melumat vere bilirmisin.Senin kanalinda çok güzel dersler var amma hangisinden baslamali olduğumu bilmiyorum. Bana yardimci ede bilirsiniz mi?
Öncelikle ingilizcenizi ve matematiğinizi çok geliştirin. İkincisi konuları kitaplardan ve derslerden öğrenmeye çalışın. Başarılar!
Bu videoyu dünyanın en anlaşılır lstm anlatımı olarak etiketliyorum. :)
Çok teşekkür ederim.
1.ci sorum : Abi sen matematik öğrenmeniz çok daha gereklidir diyorsun. Peki; Başlangıç-Orta Seviye ve İleri Seviye önerebileceğin güzel matematik kitapları var mı(İngilizce de olur) ? 2.ci sorum : Devlet’in sunduğu MEGEP modüllerini de öğrenmek iyi bir seçenek mi ? Vakit kaybı mı olur ?
Kitap önerisinde bulunamam ama Lineer Matematiği çok iyi öğrenmenizi tavsiye ederim. MEGEP modülleri konusunda bir bilgim yok maalesef. Başarılar!
Hocam Merhabalar. Videolarınızı severek takip ediyor ve kendimi geliştirmeye çalışıyorum. Hayalinizdeki aracı bul projenizi kendi oluşturduğum veri setiyle denemek istedim. Tabi model içindeki feature ların hepsini veri setime göre düzenledim. Ancak elimdeki veride fiyatı 1.000.000 ve üzeri olan araçlarda TypeError: ‘<=’ not supported between instances of ‘int’ and ‘str’ gibi bir hata alıyorum. 1.000.000 üzeri fiyatı olmayan araçları kullandığım ufak veri setlerinde ise bu hatayı almadım. Sebebi ne olabilir ve nasıl çözebilirim ? Şimdiden teşekkürler.
Merhaba, muhtemelen string cinsinden fiatı (1.000.000) okuduğundan (2 nokta var içinde) bu hatayı alıyorsunuz. Bunu gidermek için önce fiyatı int çevirin sonra karşılaştırmada (<=) kullanın. Kolay gelsin
Hocam tenserflow install hatası veriyor pyhton3.10 için sizin versiyonunuz nedir acaba?
Resmi web sitesine göre (https://www.tensorflow.org/install/pip) 31 Aralık 2021 de Python 3.7–3.9 kurmalısınız: “Python 3.9 support requires TensorFlow 2.5 or later. Python 3.8 support requires TensorFlow 2.2 or later.”
Selamlar sayın hocam, burada EMA ve SMA’da her zaman 3'lük girdi ve bir ertesi günlük çıktı ile çalışıyoruz, ancak Prophet’da girdi ve çıktı miktarı nedir? Çıktı miktarı ertesi bir gün tamam, ama girdisi ne kadar prophet’in? O konuda bilginiz var mı?
Merhaba, Facebook Prophet için sadece 1 girdi (zaman) ve 1 çıktı (sayısal değer) olmalı. Resmi sitesinde yazdığı gibi (https://facebook.github.io/prophet/docs/quick_start.html#python-api): “The input to Prophet is always a dataframe with two columns: ds and y. The ds (datestamp) column should be of a format expected by Pandas, ideally YYYY-MM-DD for a date or YYYY-MM-DD HH:MM:SS for a timestamp. The y column must be numeric, and represents the measurement we wish to forecast.”
Merhaba, Colab’da derin öğrenme yapabilmek ve yapay sinir ağlarını görselleştirebilmek için kullanacağımız laptopın donanım bilgileri min. kaç olmalı? rtx 3070 ekran kartım olsa RAM core SSD min. kaç olmalı? yardımcı olursanız çok sevinirim.
Merhaba! Colab bildiğiniz üzere Google tarafından sağlanan bir bulut hesaplama ortamı. Dolayısıyla bu ortamda google tarafından sağlanan sanal makine üzerinde çalışıyorsunuz. 3 farklı sanal makine var bu makinelerden birisi CPU ile çalışıyor diğeri GPU,3'ü ise TPU ile çalışıyor. Kodunuzu çalıştırmak için bu makinelerden birisini seçebilirsiniz. Dolayısıyla Colab kullanacaksanız laptop ınızın Çok yetenekli olmasına gerek yok. Aşağıdaki videoda daha çok açıklama mevcut.
Hocam merhaba, bir çok videonuzu izleyerek bilgileniyoruz, emeklerinize sağlık. Bir süredir hobi olarak uğraştığım bir mantar uygulamasına resimden mantar türünü tanıma ve algılama özelliği katmaya çalışıyorum.. Uygulama veri tabanını oluştururken mantarlara ilişkin geometrik form, boyutlar, renkler gibi veriler tutarak bu verilerle filtreleme yapabiliyorum. Derin öğrenme ilgili biraz araştırmadan sonra android sistemde çalışmak üzere aşağıda ki base model üzerine ………………….
base_model=tf.keras.applications.mobilenet_v2.MobileNetV2(input_shape=(224,224,3), alpha=1.0, include_top=False, weights=’imagenet’,input_tensor=None, pooling=None, classes=1024 classifier_activation=’softmax’) base_model.trainable=False
model=tf.keras.models.Sequential() #keras model tanımı squential type model.add(base_model) # birinci katman giriş model.add(GlobalAvgPool2D()) model.add(Dense(1024,activation=’relu’)) model.add(Dense(64,activation=’softmax’)) #çıkış katmanı sınıf sayısı kadar model.compile(optimizer=’adam’,loss=’sparse_categorical_crossentropy’, metrics=[‘accuracy’])
etiketler flow_from_directory ile direk dizin adlarından alınıyor.. Problemlerim şunlar::::: — birbirine çok benzemeyen (renk ve geometri) 10 türe ait 10 sınıflık bir image veri tabanıyla çalışma yaptığımda %100 e yakın doğrulukla tanımlama yapabiliyor model. — fakat sınıf sayısını arttırıp 64 e çıktığımda ve geometrik özellikleri ve birincil yoğun rengi benzer fakat ikincil yoğun rengi veya yüzey doku özellikleri farklı olan türler (özellikle şapka kısmında) arasında model ayrım yapmakta zorlanıyor ve her ne kadar accuracy 0,97 nin üzerinde çıksa da hatalı sonuçlar veriyor…. — — — — — sorum şudur, böyle bir uygulama için gerek sınıflandırma , gerek modelleme olarak nasıl bir yöntem izlemeliyim..? — — — bu şekilde hazır bir base model kullanmak yerine kendimiz mi bir model oluşturmalıyız? — — — bu tip base modeller geometrik özelliklerle birlikte o geometrik form içinde renk, renk yoğunluğu ve hatta doku araştırması ve incelemesi yapar mı? Aslında biraz düşündükten sonra, bu uygulamanın tek bir resim yerine mantarın şapka, lamel ve sap gibi üç önemli özelliğinin sırayla resimlenip, bu veriler üzerine yine bu üç kısma ait ayrı ayrı öğrenme aşamaları ile karar vermenin daha doğru ve bilimsel olabileceği kanısındayım… Bu tip bir çalışmada nasıl bir yöntem izlenebilir ve her bir aşamanın sonucu diğer aşamaya nasıl ikincil bir girdi olarak atanabilir?
Merhaba. Sorularınıza kısaca cevap vermeye çalışayım. Öncelikle çok sınıflı sınıflandırma yapıyorsanız accuracy metriğini kullanmak yetersizdir. F1, AUC vs. metrikleri dikkate almanız gerekir. Bu tür metrikleri şu içerikten öğrenebilirsiniz: https://www.youtube.com/playlist?list=PLQflnv_s49v-UPUz4eYH-crLRI2Xi7rv8 İkinci önemli konuda 64 adet sınıf için her bir sınıfta çok sayıda ve eşit miktarda örnek olması da çok önemli. Dengesizlik varsa sınıflar arasında (inbalance dataset) bazı tedbirler almanız lazım. Modelinizin yapısı üzerinde mutlaka çok sayıda deneme yapmalısınız. Örneğin layer sayısnı ve içindeki filter sayısını artıracağınız gibi overfitting için de drpoout katmanlarını kullanabilirsiniz. Aynı zamanda modelin eğitim parametreleri üzerinde de (epoch saısı, batch size, vs.) durmalısınız. Her bir örnek için ne kadar çok sayıda (feature) özellik toplarsanız modeliniz genel olarak daha iyi çalışabilir. Tabi bunun bir şartı da yukarıda yazdığım gibi çok sayıda örnek toplanmış olması. Ayrı ayrı öğrenme aşamalarına gerek yok: çünkü derin öğrenme modeli kolaylıkla çok boyutlu (feature) veriyi kolayca sınıflandırabilir. Umarım bu ipuçları size faydalı olur. Başarılar!
Hocam merhabalar, graph convolution networksler ile ilgili bir video gelir mi Türkçe kaynak neredeyse hiç yok bu konu hakkında.
Mustafa bey, maalesef o konuda aktif olarak çalışmıyorum. Başarılar
Değerli hocam, Öncelikle, bu çok üst düzey içerikler için teşekkür ederim. Gerçekten her videonuz altın değerinde. Benim birkaç sorum olacaktı.
1. “tf.data: TensorFlow Data Pipeline ile Kendi Resim Veri Setinizi Nasıl Oluşturursunuz” (https://youtu.be/Yipntan7CAQ) Videonun temel konusu pipeline olduğu için aslında önemi yok ama yine de merak ettim. Resimlerin pathlerini aldığınız tabloda ilk sıralarda çöl resimleri vardı. Yani sanki resimler belirli bir sırada. Dolayısıyla gerçek hayattaki bi senaryoda train test ayrımı yaparken direkt ilk ds_size*train_ratio kadar resmi train set olarak belirlemeden önce listeyi shuffle yapmamız gerekir değil mi?
Yüzde yüz haklısınız! Gözümden kaçmış. Teşekkür ederim uyarı için.
2.Bir de tensorflow’da birşeyi yapmak için çok fazla alternatif var. Mesela siz pixel değerlerini 0..1 arasında yapmak için map içinde tf.image.convert_image_dtype(img, tf.float32) kullandınız ki bence de en akla yatan metod bu. Ancak yeni tensorflow tutoriallarında bunu yapmak için tf.keras.layers.experimental.preprocessing.Rescaling diye bir layer var. Bu layer’i da isterseniz map içinden çağırın isterseniz de model layerlarınızın içine koyun diyorlar. Sizce her yeni çıkan şeyi kullanmak mı lazım, yoksa ne işimizi en iyi şekilde görüyorsa onu mu yapmalı?
Bazen her yeni sürümde çıkan fonksiyonlardan haberdar olamıyorsunuz. Bazen de eski alışkanlıklarla / kütüphanelerle kod geliştiriyorsunuz. Bence mümkün olduğunca yeni çıkan özellikleri takip edip onları kullanmak daha güvenli kod geliştirmeyi destekler.
Hocam öncelikle anlatımınız için teşekkürler, “Keras LSTM: İç Yapısı ve Öğrenilebilir Parametre Sayısının hesaplanması” (https://www.youtube.com/watch?v=HlCW8Fo_Upg&t=18m00s) videosundaki 18:00 daki görselde; 3 features 2 hidden state ile birleşip 5 olarak giriş düğümünü oluşturuyor anlaşılıyor, fakat devamındaki formülde; Wx + Uh + b -> burada Wx ile Uh neden ayrılmış, bunlar ayrı ağlar mı?
Yorumunuz için teşekkürler. Video da anlatıldığı üzere 2 şekilde de yaklaşabilirsiniz. Aslında TF/Keras uygulamasında tek network vardır. BU şekilde göstermemin sebebi parametre sayısını hesaplarken rakamların nerelerden geldiğini açıkça göstermek ve takip etmektir. Zaten videoda da 2 farklı yöntemle parametre sayısnın formülünü bulduk. Diğer bir konuda b vectörünün tek olması zaten bu iki girdinin tek bir dense layerdan oluşan network ile işlendiğini göstermektedir. Kısaca gösterim kolay anlaşılması için yapılmış, hesaplama tek ağ ile yapılmaktadır. Kolay gelsin!
Hocam öncelikle emeğinize sağlık, [123141, 123123, 324234, 234234, 5345345] gibi büyük rakamlı vektörlerde hangi encoding yöntemlerini kullanmalıyız?
Merhaba. Aslında one hot encoding yerine bir çok uygulamada embedding katmanı kullanılıyor. Bu katman eğitim sırasında kendine verilen bilginin nasıl encode edilmesi gerektiğini de öğreniyor. Bu konuda hazırladığım içerikleri kanalımda bulabilirsiniz Word Embedding Hakkında Herşey:
Harika anlatım, aradığım birçok şeye “Derin Öğrenmede Görüntü İşleme: Matriks Çarpımından Keras Conv2D Katmanına kadar Python ile Kodlama” videosunda (https://youtu.be/F-SzUTvNOmc) ulaştım teşekkürler hocam.
Faydalı bulduğunuza sevindim. Geribildirim için Teşekkürler!
SEQ2SEQ Öğrenme: Part A Giriş (https://youtu.be/p2QlkuV4ito) Gerçekten kaliteli ve açık bir anlatım biçimi. Emeğinize sağlık.
Faydalı bulduğunuza sevindim. Tüm eğitim serisine şu linkten ulaşabilirsiniz: Seq2Seq Öğrenme: Adım Adım Python ve Keras ile Uygulama
Hocam Merhaba, ağzınıza sağlık anlatımınız ve video serileriniz çok güzel. LSTM’de zaman serisinde aşırı öğrenilmediğinden nasıl emin olabiliriz? Overfitting’den nasıl kaçınabiliriz?
Merhaba. Güzel soru. Overfit olduğunu train ile test başarımlarına bakarak yorumlayabilirsin. Eğer train de başarım çok yüksek iken test verisinde başarım göreceli olarak çok düşükse modelin overfitting olduğunu düşünebilirsin. Örneğin train başarımı %90 civarında iken test başarımı %70 civarında ise muhtemelen overfit problemi vardır. Diğer taraftan underfit olma ihtimalini de göz önüne almak lazım. Modelin overfit olduğunu düşünüyorsan alabileceğin belli başlı tedbirler şunlar olabilir:
- train verisini ve test verisini artır,
- train test split ini değiştir,
- modelin kapasitesini azalt,
- farklı model kullan,
- ensemble yaklaşımını kullan, vs.
Başarılar.
Hocam tekrar merhaba, Aşağıdaki yapmış olduğum analize ilişkin model girdileri bulunmakta olup, endişem overfitting konusuna yakalanmak. Bu konu özelinde sizin çok değerli yorumlarınızı alabilirsem çok sevinirim. * Bir LSTM layer’ı daha eklemeli miyim? * “return_sequences = True” ve Dropout(0.5) eklemeli miyim? Saygılarımla…
2445 gözlem sayısı var ve %80 train, %20 test datası olarak ayırdım. df_data_generator = TimeseriesGenerator(df_data, df_data, length = look_back, batch_size = batch_size) df_train_generator = TimeseriesGenerator(df_train, df_train, length = look_back, batch_size = batch_size) df_test_generator = TimeseriesGenerator(df_test, df_test, length = look_back, batch_size = batch_size) model = Sequential() model.add(LSTM(LSTM_units, input_shape = (look_back,1))) model.add(Dense(1)) model.compile(optimizer=’adam’, loss=’mse’) model.fit_generator(df_train_generator, epochs = num_epochs, verbose = 1) ============ Train ============= Mean Absolute Error (MAE) : 0.0204 Mean Percentage Error (MPE) : -0.293% Mean Squared Error (MSE) : 0.0005 Root Mean Squared Error (RMSE) : 0.0226 R-Square (R²) : 99.967% ============= Test ============= Mean Absolute Error (MAE) : 0.0213 Mean Percentage Error (MPE) : -0.213% Mean Squared Error (MSE) : 0.0005 Root Mean Squared Error (RMSE) : 0.0233 R-Square (R²) : 99.929%
Yukarıdaki metriklere bakınca (örneğin MSE) train (0.0005) ile test (0.0005) performansları arasında önemli bir fark görünmüyor. R-Square değeri de birbirne çok yakın. Burada bir overfitting olduğu bu performans değerleri üzerinden söylenemez. Ancak toplanmış olup train ve test datası olarak split edilmiş verinin, gerçek hayattaki olguyu ne kadar iyi örneklediği (sampling) konusunu dikkate almanızı öneriirim. Hem nitelik hem de nicelik olarak elinizdeki veri ile gerçek hayattaki olgu arasındaki örneklemenin kalitesinden emin olun. Model açısından dropout kullanmak genel olarak overfitting in oluşmasını engeller denemenizi öneririm. Kolay gelsin
Hocam selamlar, ben elektrik elektronik mühendisliği 1. sınıf öğrencisiyim. Kendimi nasıl geliştirebilirim sorusuna yanıt arıyorum. Gelişmek istediğim alan insansız sistemler. Bunun için de yapay zeka alanına yönelmem gerek. Yapay zeka alanına nereden başlamalıyım? Sıfırdan adım adım anlatabilir misiniz? Sevgiler, saygılar.
Merhaba. Makine öğrenmesi yada derin öğrenme için öncelikle matematik istatistik ve programlama konularında birikim sahibi olmak gerekir. Bunun üzerine ilgi duyduğun konuya çalışıp öğrenebilirsin. Eğer bu konularda eksilik varsa bunları tamamlamanızı öneririm. Bundan sonra makine öğrenmesi ile başlayabilirsiniz. Başarılar
Hocam Merhabalar ; Translation içinde bir dataset oluşturabilir misiniz acaba ? Custom dataset olarak ; https://www.tensorflow.org/datasets/add_dataset Trax modeliyle hazırlanmış bir projede kendi datasetimi kullanmak istiyorum ama başaramadım.
Merhaba, Translation için bir çok hazır dataset var. Özellikle Türkçe için olanlar da hazırlanmış. Şu blog postunda paylaşmıştım. İyi çalışmalar
Hocam emeğinize sağlık ama daha çok Türkçe içerik üretmenizi arz ediyorum.(Özellikle görüntü işleme) Sevgiler, saygılar.
Yorumunuz ve öneriniz için teşekkürler. Aslında hazırladığım her içeriği iki dilde de sunmaya çalışıyorum. Doğru Türkçe videoların içeriklerini daha derin ve dataylı tutmaya özen gösteriyorum. Ancak maalesef Türkiye de bu alanda çok az kişi çalıştığından Türkçe içeriklerin ulaşılma sayısı maalesef İngilizce olanlara göre çok düşük sayıda kalıyor. Ama ben gene de sizin önerinizi dikkate alarak devam edeceğim. Umarım bir gün yemek tarifleri kadar eğitim videoları da izlenir olur :)) İyi çalışmalar
Hocam örneğin 30 günlük bir tahmin yapmak istiyoruz. Bunun için ne yapmamız gerekiyor?
Merhaba ilgili video da (Makine Öğrenmesi ile Korona Salgınında Vefat Sayısını Tahminlemek: Zaman Analizi) açıklandığı üzere tahmin penceresini 1 gün tutabiliriz. Eğer daha uzun tahmin penceresine (prediction window) ihtiyac varsa aynı modeli kullanarak her üretilen tahmini veriye ekleyip bu veriyi modele vererek bir sonraki tahmini yaptırabiliriz. Yani önce 1nci günü tahmin edip bunu veriye ekleyip sonra 2nci günü tahmin edip bunu veriye ekleyip sonra 3ncü günü tahmin edip bunu veriye ekleyip sonra 4ncü günü tahmin edip bunu veriye ekleyip …. Bu işlemi basit bir for döngüsü içinde eğittiğiniz modeli kullanarak yapabilirsiniz. Diğer bir yöntem ise modelinizi en baştan 1 günlük değil 30 günlük tahmin yapacak şekilde eğitebilirsiniz. Kolay gelsin
Hocam LSTM+CNN şeklinde bir model ile resim sınıflandırma yapmaya çalışıyorum ama expected ndim=5, found ndim=4 şeklinde bir hata almaktayım. Videolarınızı ve harici kaynaklardan araştırma yapmama rağmen problemi aşmış değilim. Bana bu konuda yardımcı olabilir misiniz?
Merhaba. Hatayı LSTM katmanından mı yoksa CNN katmanından mı alıyorsunuz? Hangi katmandan alıyorsanız modelinizin bu katmana verdiği girdinin boyutunu kontrol etmeniz lazım. Modelin kodunu ve summary si ile paylaşırsanız daha faydalı yorum yapabilirim. Bu tür hataların en büyük sebebi modeli create ederken yazdığınız input boyutları ile modeli train ederken oluşan verinin boyutlarındaki farktır. Summary alarak bu boyutları kontrol edin öncelikle. Kolay gelsin.
Hocam bu eğitimin (SEQUENCE-TO-SEQUENCE LEARNING PART E Encoder Decoder for Variable Input Output PADDING MASKING) Türkçesini kanalınızda bulamadım acaba var mı? Türkçe eğitimleriniz harika Allah razı olsun!
Merhaba bahsettiğiniz eğitimin (SEQUENCE-TO-SEQUENCE LEARNING PART E Encoder Decoder for Variable Input Output PADDING MASKING) Türkçe dizisi ”Seq2Seq Öğrenme: Adım Adım Python ve Keras ile Uygulama” bu bağlantıdadır. Ancak nedense Part E yi TÜrkçe hazırlamayı ihmal etmişim. Hatırlattığınız için teşekkürler. En kısa zamanda hazırlar yüklerim.
Merhaba. 2 yıldır Yapay Zeka üzerine profesyonel olarak çalışıyorum. Videolarınız çok güzel ve eğitici. Üniversitede sizin gibi bir hocamın olmasını çok isterdim. Çünkü hocalarımız genelde ellerini bu kütüphanelere sürmezler :))
Motive edici yorumunuz için çok teşekkür ederim. Sizlerin faydalı bulması benim için çok ama çok önemli.
Dil bir araç olur her zaman için. Öncelikli yapılması gereken ne yapılmak istediğine karar vermektir. AI sektöründe python şu an için tek. Bir olasılık JS tüm dillerin her alanda rakibi olacak gibi.
Görüşlerinizi paylaştığınız için teşekkürler!
Makine mühendisliğine başlıyacağım. Öncelikle hangi programlama dillerini öğrenmemi önerirsiniz?
Muhtemelen başlayacağınız üniversite size c veya java dilini öğretecektir. Bunlardan başlamak yeterlidir. Fırsatınız olursa Python da öğrenebilirseniz güzel olur. Başarılar!
Türkçe Wikipedia ve bulabildiğimiz kadar Türkçe dijital kitabı kullanarak Türkçe öğrenme konusunda makineyi üst seviyelere çıkarabilir miyiz? Eğer çıkarabilirsek bunu nasıl bir mantıkta yapmamız daha iyi olacaktır?
Şu an için bilinen en iyi sonuçlar transformer olarak isimlendirilen derin öğrenme modeli ile alınıyor. Transformer modeli için de bir içerik gelecek. Takip edin :)
GPT2 yi google colab ta nasıl çalıştırabilirim?
HuggingFace kütüphanesini kullanabilirsin https://huggingface.co/ Şu linkte verilen tüm örnekleri colab da açabilirsin: https://huggingface.co/transformers/notebooks.html
GPT2 yi türkçeleştirmek mümkün mü peki?
Fine Tuning sanırım faydalı olmaz. Sıfırdan eğitmek içinse çok miktarda Türkçe veriye ve GPU gücüne ihtiyacınız olur. Bence Hugginface deki repoya bakın. Bir kaç araştırmacı Türkçe eğitip ağırlıkları paylaşmış: şu linkte bulabilirsin: https://huggingface.co/models?filter=tr Kolay gelsin.
Hocam merhaba ,eğitim videolarını türkçe olarak yapsanız daha iyi olmazmı sizce ? İngilizce eğitim zaten çok var.Sadece düşüncelerimi söylemek istedim , teşekkürler..
Tüm hazırladığım videoları 2 dilde çekiyorum. Şu bağlantıdan Türkçe içeriklere ulaşabilirsiniz https://www.youtube.com/c/MuratKarakayaAkademi/playlists?view=50&sort=dd&shelf_id=2
Çok sağolun hocam , bu konulardan pek anlamıyorum üniversiteden mezun olalı da 20 seneden fazla oldu ama ne hikmetse videonun sonuna kadar izledim.Bu arada ben programcı değilim :)
Merhaba. İzlediğiniz ve yorumunuzu paylaştığınız için çok teşekkür ederim. Hiç bir şey için geç değil belki siz de Yapay Zekada kod yazmaya başlarsınız :)
Merhaba hocam ORANGE3 programınnın kurulması ve devamı varmı acaba yada neler yapılabileceği hakkında detaylar?
Merhaba. Bu programı https://orangedatamining.com/download/#windows adresinden indirip kolayca kurabilirsiniz. Kurulumu çok kolay. Makine Öğrenmesinde bu programı nasıl kullanacağımızı bir dersimde anlatıyorum. Linki:
Kolay gelsin!
Hocam merhabalar, size bir sorum daha olacaktı. Ben bitki hastalıklarının tespit edildiği bir derin öğrenme projesi yapıyorum. Verilerimi 16 farklı folderda tutuyorum. True Etiketleme işleminde folder isimlerimi bir değişkene atıyorum ve LabelBinarizer() fonksiyonu ile folder isimlerini dolaylı yoldan etiketlendirmiş oluyorum. Bu şekilde etiketlendirme yaptığımda hangi loss function kullanmamı önerirsiniz? (edit: ben categorical_crossentropy kullanıyorum ve metric de sadece [accuracy])
Merhaba LabelBinarizer() fonksiyonu label ları one-hot encoding ile tutar. categorical_crossentropy loss fonksiyonu, one-hot encoding ile uyumludur. Yani doğru yapıyorsunuz. Diğer bir deyişle probleminiz multi-class, doğru etiket gösteriminiz one-hot encoding , ve loss fonksiyonunuz da categorical_crossentropy. “accuracy” yerine açıkça “CategoricalAccuracy” kullanabilirsiniz. Başarılar
Seçilen loss fonksiyonunun yanlışlığı nasıl tesit edilebilir hocam ? Düşük acc alıyor olmamız (ama yine de çok düşük değil) buna bir işaret midir?
Merhaba. Öncelikle düşük accuracy almanızın tek nedeni yanlış loss fonksiyonu olmayacağından bunu bir gösterge olarak kullanamayız. https://www.youtube.com/playlist?list=PLQflnv_s49v8xVM2mUaUfllqeUsMtfW83 linkteki dizide detaylarını anlatmaya çalıştığım gibi doğru loss fonksiyonunu seçebilmeniz için probleminizin tipini, doğru etiketin nasıl gösterildiği, vb. konulara da hakim olmanız gerek. Her videonun sonunda bunları bir tablo olarak vermiştim. Şu blogdan da okuyabilirsiniz: https://medium.com/deep-learning-with-keras/how-to-solve-classification-problems-in-deep-learning-with-tensorflow-keras-6e39c5b09501 Kolay gelsin!
Ben şerit takibi ve nesne tanıma ile otonom sürüş yapan araç kodlamak istiyorum bı simülasyondan tamamen yazılımsal . Bunun için ROS gazebo kullanılır mı yada hangi programları kullanmalıyız?
Gazebo olabilir. Ya da atari oyunları kullanılabilir. Reinforcement Learning de daha çok oyunlar kullanılıyor: https://deepmind.com/blog/article/Agent57-Outperforming-the-human-Atari-benchmark Kolay gelsin.
Hocam öncelikle teşekkürler videoda verisetinde (https://studio.youtube.com/video/Yipntan7CAQ/comments) ilk 10 örneği aldık fakat biz bu verisetinin tamamını kullanmak istersek örneğin 2000 örneğin 1500 train 500 test olacak şekilde, 10 aldıgımız yeri 2000 mi almamız gerekiyor? ayrıca anladıgım kadarıyla bu değeri 2000 alırsak da çok vakit alacağa benziyor, eğer böyle ise tüm veri setini kullanmamız için çözümümüz ne olurdu?
Merhaba. Kod içindeki “filelist_ds = tf.data.Dataset.from_tensor_slices(fnames[:number_of_selected_samples])” atamasında sınırı kaldırırsanız : “filelist_ds = tf.data.Dataset.from_tensor_slices(fnames)” tüm resimleri kullanarak veri setiniz oluşur. Train ve teste kaç adet olacağını oran olarak belirliyoruz: “train_ratio = 0.80” . Tüm resimleri (2000) alırsanız ve GPU kullanırsanız ilk epoch biraz sürebilir ama sonraki epoch lar 1 sn gibi bir sürede tamamlanır. Gerçek hayatta çalıştığımız 109,161 resimden oluşan bir veri setini (https://github.com/cugbrs/MLRSNet) videodaki aynı kodla çalıştırıyoruz. GPU nuzu RAM ine ve Hızına göre zaman alır. Ancak bu alt yapı GPU ve CPU nun uyumlu ve etkin çalışmasını sağlar. Bu alt yapıyı kullanmazsanız aynı GPU ve CPU ile süre çok ama çok fazla zaman alır eğer çalışabilirse. Büyük veride muhtemelen hafıza yetersiz mesajını alır ve modelinizi eğitemezsiniz. Bu şu andaki Google tarafından önerilen en iyi çözüm. Bu çözümün daha hızlı olması için dediğim gibi GPU ve CPU gücünüzün artması lazım. Kolay gelsin.
Kodun ekte belirttiğim kısmında sorun yaşadım, sorunum şu encode edilmiş değerleri çekemiyorum sebebi ne olabilir yardımcı olur musunuz?(Kod: for a in filelist_ds.take(5): print(“file_name: “, a.numpy().decode(“utf-8”)) print(get_label(a).numpy()) Sorun:file_name: C:\Users\yusuf\Desktop\cnndenemesi\aptos2019-blindness-detection\train_images\000c1434d8d7.png get_label acivated… [ ] ). Daha doğrusu sanırım fonksiyon kısmında bir hata yapıyorum. labels değeri boş dönüyor ( labels=df[df[“id_code”]==file_name][Labels].to_numpy().squeeze())
“000c1434d8d7.png” adlı dosyanın df dataframe inde olduğuna emin olun. Df dataframe de tam olarak geçen resim ismine (uzantısı var mı yok mu mesela?) dikkat edin. labels=df[df[“id_code”]==file_name][Labels].to_numpy().squeeze()) komutundaki karşılaştırmanın olumsuz dönmesinin bir sebebi mutlaka vardır. Dolayısıyla dataframe deki resim isimleri ile dizinden elde ettiğiniz listedeki resim isimlerine dikkat edin. Kolay gelsin.
Hocam merhabalar, Bülent Ecevit Universitesi Eem ana bilim dalında yüksek lisans yapıyorum ve diyabetik retinopati hastalığını derin öğrenme ile sınıflamaya çalışıyorum, bende transfer learning kullanıyorum fakat bir türlü eğitim esnasında 76–77 başarıyı aşamadım, vgg16 için 32x32 kullanmamız lazım dedimiz bu şart mıdır acaba benim hatam pikselleri bu değerde almamak olabilir mi?
Merhaba! “vgg16 için 32x32 kullanmamız lazım “ demediğimi düşünüyorum. doğrusu: “vgg16 için EN AZ ÇÖZÜNÜRLÜK 32x32 kullanmamız lazım “ olmalı. Kullanacağınız çözünürlüğü GPU RAM kapasiteinize ve training süresine göre ayarlayabilirsiniz. Eğitimde başarıyı artırmak için de bir çok önerilen metod var: verinizi artırın, modelin kapasitesini artırın, data augmentation yapın, modelinizi değiştirin, preprocessing i geliştirin, vs. Başarılar!
Ben bu konuda çok yeniyim. Bir öğretmen olarak öğrencilere feedback verirken zorlanıyorum. Mesela bu corpus denen veri setini kendi ders notlarımdan yada kitaplardan oluşturabilsem ve öğrencilerin sorularına göre onlara otomatik cevap verebilir miyim bu yapıyla? Teşekkürler
Mehaba. Son 3–4 yıldır bahsettiğiniz soruna çözüm arayışı var. Problemin adı Question Answering. Daha detay bilgiyi internette bulabilrsiniz. Bu konuda çok sayıda bilimsel makale ve veri seti mevcut.
Peki herhangi bir konu ile ilgili öğrencilere ödev yada soru hazırlamak için de bir yol var mı? Örn. ders notlarını verip o ders notlarından sorular üretecek bir yapı?
Evet bu konuda (Question Generation) yapılmış bir çok çalışma var. Bu çalışmaların bir listesine şuradan ulaşabilirsiniz: https://github.com/teacherpeterpan/Question-Generation-Paper-List Kolay gelsin
Son bir sorum var :) Ben sadece temel düzeyde Python biliyorum, bu question generation gibi bir çalışmayı gerçek dersime uygulayabilmek için nasıl bir yol izlemem lazım? Nereden başlayıp, nasıl ilerlemem gerek?
Gerçek bir uygulamaya çevirmek çok kolay değil. Programlama dili Derin Öğrenmedeki en kolay adım. Önemli olan, Matematik ve İstatistiği çok iyi bilmek, Tensorflow ve Keras gibi kütüphanelere hakim olmak, Makine Öğrenmesindeki kavramları uygulayabilmek, modelin geliştirilebimesi için literatürdeki yayınları okuyup anlayıp uygulayabilmek, modelin eğitilebilmesi için çok miktarda etiketlenmiş veriyi hazırlamak. GPU altyapısına sahip olmak, vb. yeterlilikler gerekmektedir. Bu saydıklarım en temel gereklilikler. Dediğim gibi herhangi bir programlama dili bilmek bu gerekliliklerin yanında çok kolay halledilecek bir adım. Başarılar!
Hocam öncelikle bu eğitici videolarınız için teşekkürler. Ben yks hazırlanan öğrenci olarak Bu kod işlerine biraz ara vermek istiyorum ama şöyle bir durum var Python 3.9.0 sürümü ben bu sınavlar bitince tekrar başladığımda 4.x.x Olursa sytanx yapısı çok değişir mi? örnek olarak:Python 2 den Python 3 geçildiğinde büyük bir değişim oldu mu?
Merhaba. Programlama dillerini öğrenmeyi çok büyük bir hedef olarak görmeyin. Normalde iyi yetişmiş bir bilgisayar mühendisi yeni bir dili bir haftada öğrenir zaten. Önemli olam programlama mantığıdır. Örnek vermek gerekirse 4–5 yıl önceye kadar Python çok fazla kullanılmazdı, R daha yaygındı. Gelecek yıllarda python nun yerine geçecek çok aday var. Ayrıca Derin Öğrenme gibi bir alanda çalışmak isterseniz asıl Matematik ve İstatistik alanlarına dikkat edin. Bu alanları öğrenmek için üniversite eğitimi bile bazen yetersiz oluyor. İyi çalışmalar!
Gpt-3'de kullanılan algoritmalar hakkında bilginiz var mı, bir diğer sorum Doğal Dil İşlemede Named Entity Recognition (NER) ile ilgili bir seriniz olacak mı?
GPT3, diğer gpt ler de olduğu gibi transformer modeli üzerine kurulu. Ancak çok daha büyük bir model (175 milyar parametresi var). Çok büyük veri ile eğitilmiş (neredeyse tüm internetteki text verisi) Üzerinde yapılan özelleştirmeleri göz ardı edersek transformer modelinin çok büyük bir hali diyebiliriz. https://youtu.be/zzAUSYBFfEg?t=768 İkinci sorunuz ile ilgili olarak Named Entity Recognition (NER) üzerine bir planım yok. Ama text generation ve text classification konuları bittikten sonra bu konu üzerine de bir içerik hazırlayabilirim.
Hocam, iyi akşamlar bu güzel içerik (https://youtu.be/zzAUSYBFfEg) için teşekkürler. peki Türkçe gibi sondan eklenmeli bir dilde ne yapılabilir?
Karakter karakter metin üreten modeller Türkçe gibi dillerde daha başarılı oluyor.
GAN ile ilgili örnek yapacak mısınız?
Merhaba. Şu an için en temel yöntemler olan RNN ve Encoder- Decoder modelleri ile metin üretmeyi düşünüyorum. Gan ile içerik hazırlamam için öncelikle Gan mimarisini anlatacak bir seri hazırlamam gerek. Biraz vakit alacaktır.
Orta düzey python, az-orta derece C++ ve orta-iyi derece java biliyorum (Ve yakın zamanda R veya C öğrenmeyi planlıyorum .Hangisini önerirsiniz) Yapay zeka için yeterli mi?
Merhaba. Programlama dilleri aslında çok önemli değil. Önemli olan Matematik ve İstatistik bilgin. Öncelikle özellikle Lineer Matematiği ve İstatistikte Olasılık ile ilgili konuları çok iyi kavramış olman gerekir. Artık tüm programlama dillerinde ilgili kütüphaneleri bulabilirsin. Önemli olan matematik ve istatistik konularına çok hakim olman. 3 haftada python öğrenirsin ama matematik ve istatistik için 4 yıllık üniversite eğitimi bile az gelebilir. Kolaylıklar!
4 yıllık ünüversite az gelebilir Hmm Ben lise öğrencisyim sizce yapay zeka kodlayabilirmiyim Ve AI için nasıl bir LapTop gerekir Ama cevap için çok teşekkürler
Öncelikle kısa sürede herhangi bir konuyu öğrenmek çağımızda çok mümkün değil. Çünkü sürekli yeni algoritmalar ve metodlar öneriliyor. Ama mutlaka bir yerden başlamak lazım. Doğru yer ise matematik ve istatistik. Bu alanda şimdiye kadar yapılmış olan çalışmalara çok az yeni bilgi ekleniyor. Yapay Zeka bu alanda daha önceden geliştirilmiş teorileri uyguluyor daha çok. Yapay Zeka kodlamak demek çok anlaşılır değil. Santraç oynamak için önce taşların nasıl hareket ettiğini öğrenmeniz gerekir. Bu programlama dilini öğrenmek gibi. Ancak iyi bir satranç oyuncusu olmak için taktik ve strateji lazım. Bu da Matematik ve istatistik demek. Sanırım anlatabilmişimdir. Mutlaka bir yerden başlamak lazım ama kodla gerçek mühendislikte çok önemli bir konu değil. Herhangi bir mühendis herhangi bir kodlama dilini 1 hafta da zaten öğrenir ve kullanır. Önemli olan alfgoritmaları geliştirmektir. Bunun için de Matematik ve istatistik gerekir. Başarılar
Orta düzey python, az-orta derece C++ ve orta-iyi derece java biliyorum (Ve yakın zamanda R veya C öğrenmeui planlıyorum .Hangisini önerirsiniz) Yapay zeka için yeterli mi?
Merhaba. Programlama dilleri aslında çok önemli değil. Önemli olan Matematik ve İstatistik bilgin. Öncelikle özellikle Lineer Matematiği ve İstatistikte Olasılık ile ilgili konuları çok iyi kavramış olman gerekir. Artık tüm programlama dillerinde ilgili kütüphaneleri bulabilirsin. Önemli olan matematik ve istatistik konularına çok hakim olman. 3 haftada python öğrenirsin ama matematik ve istatistik için 4 yıllık üniversite eğitimi bile az gelebilir. Kolaylıklar
İş hayatinda minimum olarak iyi derecede python ve orta derecede matlab ve c++ bilmek yeterli mi?
İş hayatında gereklilikler her zaman değişir. Önemli olan matematiği, istatistiği, ingiliceyi çok iyi seviyede halledip programlama mantığını (algoritmalar, veri yapıları, vs.) öğrenerek mühendislik yetenelerinizi (çözüm bulma, kendini sürekli geliştirme, takım çalışması yapabilme, vs.) geliştirmeniz bence herhangi bir programlama dili öğrenmkten çok daha önemli. İyi bir mühendis zaten en fazla 2 hafta da yeni bir programlama dili öğrenir ve kullanır. Makine mühendisi olup araba kullanmak gibi bir şey. Başarılar.
Bunu bende dusunmustum suan hazirlik sinifindayim matematik calismayi dusunuyorum cunku cok bos vaktim var bir de matrmatigi de cok seviyorum. Benim temel olarak matematigim var turev integrale kadar logaritma diziler trigonometri bunlari da biliyorum ezberlemekten cok mantigini ve nerede kullanildigini da az cok biliyorum sizce bunlara ek olarak hangi konularo ogrenmeliyim?
İstatistik, Olasılık, Lineer Matematik, Matriks işlemleri konularına hakim olmanı öneririm. Kolay gelsin.
Merhaba bir kaç tanıdık yazılım mühendisi arkadaş bana matematiğin gerekmediğini ve en fazla fonksiyon gibi kavramlar ile karşılaşacağımı söylemişlerdi doğrumudur? Mesela bir yapay zeka projesi için matematik bakımından ne gereklidir?
Merhaba. Yanlıştır. Programlama öğrenmek ile program yazarak problem çözmek iki ayrı konu. Makine öğrenmesinde sorun çözmeniz için sadece fonksiyon bilmeniz yetmez. Bu bir doktora sadece iğne yapmayı bilmeniz gerekir demek gibi bir şey! En basitinden bir vektörün boyutunun ne olduğunun, matriks çarpmamın ne anlama geldiğini bilmek gerekir. Daha doğrusu İstatistik, Olasılık, Lineer Matematik, Matriks işlemleri konularına hakim olmak en az gereksinimlerdir. Zaten işin içine girdiğinizde bunu göreceksiniz. En sık kullanılan kütüphanenin adının tensorflow olması raslantı değil. Sürekli tensor kullanıp islemleri yapıyoruz :) zaten herhangi bir ciddi kurs içeriğine bakarsanız İstatistik, Olasılık, Lineer Matematik, Matriks işlemleri konularının olduğunu görürsünüz. Örnek https://globalaihub.com/introduction-to-machine-learning/
Basit bir drone un otomasyonunu sağlamak için sadece Python kütüphaneleri vb. Yeterli olurmu yoksa R ve Java gibi sizlerede gerek varmıdır?
Dronun makine seviyesinde kullandığı arayüze bağlı daha çok. Genellikle makine seviyesinde C, C++ veya Java gibi diller kullanılır. Ancak Python da son senelerde yaygınlaştı. Üreticiden bilgi alarak çözüm üretebilirsiniz. Başarılar
Kullandığımız bir makinenin programını yeniden yazmak istiyorum. Bu videonuzdan Python öğrenmem gerektiğini anladım. Makinemiz 2 servo ve 1 adet normal dişli motor ile çalışıyor. Programdaki komutları makineye yollamak için plc kullanmam mümkün mü? Kart kullanmak istemiyorum açıkçası. Başlangıç seviyesinde C# bilgim var komutlara çok uzak değilim yapabileceğimi düşünüyorum.
Merhaba. Emdeded Sistemlerde geliştirme tecrübem maalesef yok. O yüzden yardımcı olamayacağım. Kolay gelsin
Hocam ben görüntü içinde nesne ve obje tanıma ile ilgili yada drone üzerinde nesne tanıma ile ilgili proje geliştirmek istiyorum sizce bu vidoların faydası oluru mu?
Merhaba. Derin Öğrenme ile görüntü işleme çok geniş bir alan. Teorisi ve uygulanması da oldukça karmaşık. Sadece videolarla veya kitaplarla tek başına öğrenmeye yetmez. Videolar spesifik bir konuda bilgiye ihtiyacınız varsa onu karşılar. Tavsiyem bir projeye başlayın ve eksik bilgilerinizi proje süresince tamamlayın. Başarılar
Peki nasıl bir proje yapmalıyım?
Projenin içeriği önemli değil. Yeterki seni yeni şeyler öğrenmek için zorlasın. Kolay gelsin
Sigmoid ve softmax den farklı olaran bir de relu vardı değil mi?
Keras ta kullanılcak çok sayıda aktivasyon fonksiyonu var. Ancak bu video serisinde sınıflandırma yaparken en son katmanda kullanmamız gereken 3 aktivasyonu ve onların kullanım alanlarını açıklığa kavuşturmak istedim. Oluşturacağınız modelin ara katmanlarında kullanılabilecek çok sayıdaki aktivasyon fonksiyonları için bu kurallar bilimsel olarak verilemiyor. Biraz deneme yanılma gibi. Ama sınıflandırmada son katmanda hangi aktivasyon fonksiyonunu kullanmamız gerektiği kesin kurallara bağlı. O yüzden bu seriyi hazırladım. Ama belki başka bir videoda diğer aktivasyon fonksiyonlarının nasıl çalıştığı anlatılabilir. Teşekkürler
R kullanıcılarına yönelik de bir eğitim serisi hazırlarsanız çok mutlu olurum.
Maalesef Derin Öğrenmede R kullanmıyorum.
Hocam LSTM ve GRU ile ilgili güzel bir örnek var mı?
LSTM hakkında https://youtube.com/playlist?list=PLQflnv_s49v9rxWesjI1GVs8qfxwwHDR4 lstm ile encoder decoder hakkında ise https://youtube.com/playlist?list=PLQflnv_s49v97hDXtCo4mgje_SEiJ0_hH listelerine bakabilirsiniz
Hocam merhaba, öncelikle kanalınızı yeni keşfettim ve benim gibi öğrenciler için çok faydalı içerikler üretiyorsunuz. Canlı yayın oldu mu eğer olmadıysa ben de ilgileniyorum, emeğinize sağlık hocam. Bir de Csv dosyasına nasıl dönüştürdüğünüzden kısaca bahsedebilir misiniz?
Teşekkür ederim. Evet canlı yayın yapıyorum. Uyarıları aktif hale getirirseniz bilginiz olur. Pandas dataframe hâline getirdikten sonra pandasın metodunu kullanarak df.to_csv(file name) saklayabilirsiniz.
Hocam, Yapay Zeka Mühendisi (AI software engineer) olmak için C, C++ ve Python doğru seçim mi? Buna ilave olarak neleri öğrenmeliyim?
Programlama dilleri aslında çok önemli değil. ÖNemli olan Matematik ve İstatistik bilgin. Öncelikle özellikle Lineer Matematiği ve İstatistikte Olasılık ile ilgili konuları çok iyi kavramış olman gerekir. Kolaylıklar
Hocam metinde bulunan hatalı kelimeyi düzelten bir proje yapıyorum. Girdi olarak metindeki bütün kelimeleri alıyorum benim timestepsim metinde bulunan kelime sayısı mı olur?
Sanırım metin cümlelerden oluşuyordur. Metni cümlelere ayırır en uzun cümledeki kelime sayısına time step diyebilirsin. Tüm cümleleri bu adım uzunluğuna getirip (padding ve masking ile) girdi olarak tek tek verebilirsin. Bu konu için https://youtu.be/TxzSMGXP2C4 videosunu izleyebilirsin. Başarılar
Hocam peki bunu cümle değil de kelimeler üzerinde yapsam yanlış olur mu? Yani en uzun kelimeyi bulup yapsam. Şu anda metni kelimelere böldüm ve bu şekilde kontrol ediyorum.
Olabilir. Karakter bazlı da çalışabilirsin. İkisi de mümkün. En uzun kelime boyutuna göre timrstep i sabitlersin. KIsa olanları padding ile aynı boyuta getirirsin. Kolay gelsin
Hocam, Yapay Zeka Mühendisi (AI software engineer) olmak için üniversitede okumak için hangi dersleri almalıyım?
Merhaba. Öncelikle alabileceğin kadar matematik ve istatistik dersleri al. Alt yapı için çok önemli. Sonrasında öğrenmek çok zor olur. Programlama dili çok önemli değil. Artık tüm programlama dillerinde ilgili kütüphaneleri bulabilirsin. Önemli olan matematik ve istatistik konularına çok hakim olman. 3 haftada python öğrenirsin ama matematik ve istatistik için 4 yıllık üniversite eğitimi bile az gelebilir. Başarılar
Hocam, Yapay Zeka Mühendisi olmak, Yapay Zekada kod yazmak için hangi konularda bilgi edinmeliyim? Kaynak öneriniz var mı?
Doğrusu artık kaynak sıkıntısı hiç yok. Youtube üzerinden tüm önemli üniversitelerin yapay zeka derslerini bulabiliyorsun. Herkese açık olan bu kaynalara hazırladığım şu yazıdan ulaşabilirsiniz.
Ayrıca aklına takılan soruların cevapları da internette mevcut. Ama tüm bunlardan önce matematik ve istatisiği çok iyi öğrenmen lazım. Diğer türlü internette bulduğun örnek kodları çalıştırmaktan öteye geçemezsin. İleride alacağın kurslarda matematik ve istatistikteki açığını kapatmaya yetmez. Matematik ve istatistikte öğrenebileceğin her şeyi öğrendikten sonra Makine Öğremesi sana çok kolay gelecektir. Diğer türlü doğrudan kodlamaya başlarsan çoğu zaman sonu hüsranla bitiyor. Benim önerim önce Matematik ve İstatistik. Sonrası çok daha kolay.
Ben şiir yazan bir yapay zeka proglamlamak istiyorum ama videolarınızda yok böyle bir yöntem nasıl ulasbaılırım size?
Merhaba. Encoder decoder modeline attention katmanını ekledigim videoyu izlemenizi öneririm. https://youtu.be/FEVCmJXc7eI Bu modeli kullanarak Mesnevi üzerinde şu an çalışıyorum. Bitirince kanala yükleyeceğim. Metin Üretimi hakkındaki dizide Mesnevi üzerinde çalışıyoruz. Oradan faydalanabilirsiniz:
Hocam 0 keras eğitimleri olacak mı?
Merhaba tüm derin öğrenme içeriklerde Keras ı kullanmaktayım. Özel bir konuyu mu sormak istediniz? Hem İngilizce hem Türkçe. Türkçe içeriklere şuradan ulaşabilirsiniz
Hocam öncelikle merhaba. size iki sorum olacak 1.ben yapay zeka uygulamaları yapıp bunları play store ve app store de yayınlamak istiyorum. bunun için hangi programlama dillerini ve hangi konuları öğrenmem gerekir ? 2.ben yaptığım yapay zeka uygulamalarını nasıl play store ve app store yüklerim?
Merhaba Öncelikle Makine Öğrenmesi ile başlayıp ana temaları ve kavramları öğrenebilirsiniz. Sonrasında Yapay sinir Ağlarını ve Derim Öğrenmeyi öğrenirseniz “Yapay Zeka” ile tanışmış olursunuz. Hangi dil sorusu için hazırladığım içeriğe bakabilirsiniz: https://youtu.be/4VlXqEkNJ4o. Benim önerim Python-Tensorflow-Keras ortamı içinde çalışmanız. Mobil Uygulama yapmak için Tensorflow ve Android Studio yeterince destek veriyor. Apple tarafını ile ilgilenmiyorum. Geliştirdiğiniz uygulamaları bu platformlara yüklemek için önce üye olmanız lazım. Üyeliğe kabul edilirseniz zaten nasıl yükleneceği sizinle paylaşılıyor. İyi çalışmalar
Hocam öncelikle merhaba. ben yapay zeka uygulamaları geliştirip bu uygulamaları play store ve app store ye yayınlamam istiyorum bunun için hangi programlama dillerini ve hangi konuları öğrenmem gerekir. son sorum ise bu yaptığımız uygulamaları nasıl play store veya app store yükleriz ?
Merhaba Öncelikle Makine Öğrenmesi ile başlayıp ana temaları ve kavramları öğrenebilirsiniz. Sonrasında Yapay sinir Ağlarını ve Derim Öğrenmeyi öğrenirseniz “Yapay Zeka” ile tanışmış olursunuz. Benim önerim Python-Tensorflow-Keras ortamı içinde çalışmanız. Mobil Uygulama yapmak için Tensorflow ve Android Studio yeterince destek veriyor. Apple tarafını ile ilgilenmiyorum. Geliştirdiğiniz uygulamaları bu platformlara yüklemek için önce üye olmanız lazım. Üyeliğe kabul edilirseniz zaten nasıl yükleneceği sizinle paylaşılıyor. İyi çalışmalar
Ben bu progranları bilsen yapay zeka yapilir miyin “python,R,java,c#,c”?
Yapay Zeka uygulamaları bahsettiğin diller ile geliştiriliyor. Ama asıl önemli olan matematik bilgisi. Kolay gelsin
Yapay zeka yapmak için hangi programları programlama dillerini bilmemiz gerekir?
Şu videomdan cevabı alabilirsin:
Hocam, güzel anlatımınız için teşekkürler. İlerleyen bölümlerde seq2seq kullanarak bir soru-cevap sistemi veya chatbot tarzı bir çalışma yapabilir misiniz ? Heyecanla yeni bölümleri bekliyorum. Emeğinize sağlık
Teşekkür ederim. Evet uygulamaları da yapmayı düşünüyorum. Ama önce attention ı halledeceğim :) Metin Üretimi hakkındaki dizide Mesnevi üzerinde çalışıyoruz. Oradan faydalanabilirsiniz:
Hocam ben şuan java öğreniyorum sizce bundan sonra hangi dili öğrenmemi önerirsiniz yurt dışında çalışmak istiyorum bunun için (14 yaşındayım )
Eğer Java yı öğrenirken Programlama Dili kavramlarını da doğru öğrenirseniz daha sonrasında herhangi bir dili öğrenmeniz çok hızlı ve kolay olacaktır. Bu nedenle Programlama kavramlarını anlamaya yönelin. İnanın tüm diller aynı mantık ve kavramla çalışır. Java daki kavramları öğrendikten sonra Python ile devam edebilirsiniz. Başarılar!
Kisacisi teknolojik alet yapımı için hangi dil okumak lazım?
Âlet ile neyi kastettiğinizi tam bilemiyorum ama gömülü sistemlerden (embedded ) bahsediyorsak java c c++ veya python olabilir. Hepsi embedded systems lerde başarılı. Kolay gelsin
Hocam selamlar. Peki confusion matrixi object detection işlemi yaptığımız bir uygamada nasıl elde edebiliriz. Hemen herkes hazır veriler üzerinden 1'ler 0'lar üzerinden işlem gösteriyor. Sizin bir öneriniz var mı?
Eğer resimlerde sadece 1 obje etiketli ise binary classification olur ki bu çok kolay. Resimlerde birden fazla obje etiketli ise bu multi label olur. Yukarıdaki video da bunu açıkladım. Sklearn de ilgili fonksiyona tahminleriniz ile gerçekleri verirseniz videodaki gibi confusion matrisi çok kolay elde edersiniz. pred=model.predict(Xtest) Ile elde ettiğin tahminleri ytest yani doğru etiketler ile sklearn deki multilabel_confusion_matrix(ytest,pred,) verebilirsin. Videonun açıklamasında colab notebook un linki var. Oradan bakıp anlamanız daha kolay olur.
Hocam elektrik elektronik mühendisi öğrencisiyim, bir şeyi merak ediyorum yapılan iha siha ve roket gibi araçların yazılımları hangi programlama ile yapılır ?
Gerçek zamanda çalışacak yazılımlar genelde donanımın üzerindeki makine diline en verimli compile edilecek üst seviye dillerle yazılır. C C++ gibi. Ama diğer diller de geliştirlen yazılımlar donanıma uygun olarak port edilebilir
Selamlar. Elektrik elektronik mühendisliği okuyup endüstriyel otomasyoncu olmam mümkün müdür?Üniversitede ne kadar eğitimini alırım. Örneğin plc hmı gibi mühim konularda ne seviye bir eğitim alabilirim?
Mümkündür. Üniversitede alacağınız tüm dersler sizi geleceğe hazırlar. Anahtar olan sizin kendinizi ne kadar geliştireceğinizdir. Kolay gelsin.
Sosyal Hesaplarım:
