Derin Öğrenme. M. Ali Akcayol Gazi Üniversitesi
|
|
- Umut Turk
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Derin Öğrenme M. Ali Akcayol Gazi Üniversitesi Giriş Yapay zeka nedir? Yapay sinir ağları nasıl çalışır? Derin öğrenme nedir? Derin öğrenme modelleri nelerdir? Derin öğrenme uygulama alanları nelerdir? 2 / 77
2 TANIM BOYUTU İçerik Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Makine Öğrenmesi Yapay Sinir Ağları Derin Öğrenme Modelleri Convolutional Neural Network Auto-encoder Deep Learning için Underfitting ve Overfitting Derin Öğrenme Uygulamaları Derin Öğrenme Uygulama Örnekleri 3 / 77 Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Artificial Intelligence (AI), zeki insan davranışını makinelerin taklit etmesini amaçlayan çalışmaları kapsar. İlk defa McCarthy tarafından 1956 da kullanıldı. AI, iki boyutta dört farklı şekilde tanımlanmaktadır. BAŞARI ÖLÇÜTÜ İNSAN ZEKASINA GÖRE RASYONELLİĞE GÖRE DÜŞÜNCE İnsan gibi düşünen sistemler (Bellman, 1978) Rasyonel düşünen sistemler (Chamlak and McDermott, 1985) DAVRANIŞ Cognitive science İnsan gibi davranan sistemler (Kurzweil, 1990) Mantık kuralları Rasyonel davranan sistemler (Schalkoff, 1990) Turing testi Rasyonel ajanlar 4 / 77
3 Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları İnsan gibi davranan sistemler Turing testinde başarılı olan makinelerdir. 5 / 77 Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Rasyonel davranan sistemler (Rasyonel ajan) Rasyonel davranış: Girişlere göre en doğruyu yapmaktır. Doğru: Verilen bilgiye göre beklenen faydayı maksimum yapar. Rasyonel sistemlerin insan düşüncesini tekrarlaması veya aynı kararı vermesi beklenmez. Bir rasyonel ajan algı geçmişini yeni girişe göre davranışa dönüştüren bir fonksiyondur. D = f (A*, A) D davranış, A* algı geçmişi, A yeni algı, f fonksiyondur. Rasyonel ajan, çevresini algılar (sensörler vb.) ve en başarılı davranışı belirler. 6 / 77
4 Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Yapay zekanın alanları ve aralarındaki ilişkiler. 7 / 77 Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları AI, insan davranışını makinelere kazandırmayı amaçlar. Makine öğrenmesi, yapay zekanın bir alt sınıfıdır ve AI algoritmalarını makinelere uygular. Artificial Neural Network (ANN), makine öğrenmesinin bir alt sınıfıdır. Deep learning, ANN in bir alt sınıfıdır ve insan beyninin, algılama ve karar verme becerisini taklit etmeyi amaçlar. 8 / 77
5 İçerik Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Makine Öğrenmesi Yapay Sinir Ağları Derin Öğrenme Modelleri Convolutional Neural Network Auto-encoder Deep Learning için Underfitting ve Overfitting Derin Öğrenme Uygulamaları Derin Öğrenme Uygulama Örnekleri 9 / 77 Makine Öğrenmesi Makine öğrenmesi, genellikle, karar veya tahmin oluşturmak amacıyla öğrenme işlemini gerçekleştirir. Makine öğrenmesi sınıflandırma (classification) ve kümeleme (clustering) problemlerinde başarıyla uygulanır. Makine öğrenme yöntemleri iki türdür: Supervised learning Unsupervised learning Supervised learning yönteminde, giriş ile birlikte çıkış bilgisi de sağlanır (classification). Unsupervised learning yönteminde, çıkış etiketleri sağlanmaz. Girişler arasındaki ilişki sağlanır (clustering). 10 / 77
6 İçerik Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Makine Öğrenmesi Yapay Sinir Ağları Derin Öğrenme Modelleri Convolutional Neural Network Auto-encoder Deep Learning için Underfitting ve Overfitting Derin Öğrenme Uygulamaları Derin Öğrenme Uygulama Örnekleri 11 / 77 Yapay Sinir Ağları İnsan beyni, her görüntüde, seste, tat almada, dokunmada bir algı oluşturur. Beynimiz olmasaydı hepimiz ilkel organizmalar olurduk ve sadece basit refleksler yapabilirdik. Bebeğin beyni sadece 1 kilodur, ancak günümüzdeki çoğu süper bilgisayarların çözemediği problemleri çözer. Doğumdan sonra birkaç gün sonra, ebeveynlerinin yüzlerini tanıyabilir, arka planlarından nesneleri ayırt edebilir ve hatta ayrı sesler çıkarabilir. 12 / 77
7 Yapay Sinir Ağları Bir yıl içinde, fizik kurallarını algılayacak bir sezgi geliştirirler, engellerin arkasındaki nesneleri takip edebilirler, seslerle anlam ilişkilendirmesi yapabilirler. Çocukluk çağında, binlerce kelime ve karmaşık gramer yapısını anlayabilirler. Son yıllarda, insan beyni gibi beyne sahip zeki makineler geliştirilmeye çalışılmaktadır. 13 / 77 Yapay Sinir Ağları Bilgisayar programları aritmetik işlemleri hızlı yapabilir veya sıralı komutları hızlı çalıştırabilir. Ancak, klasik programlar bir kişinin el yazısını okuma gibi işlemlerde çok başarılı değildir. 14 / 77
8 Yapay Sinir Ağları Yapay sinir ağları, insan beyninin yapısını ve fonksiyonunu taklit eder. Sınıflandırıcı y = f (x), x girişi ile y sınıfını eşleştirir. Bir feedforward ANN y = f(x, w), w parametrelerinin değerlerini öğrenerek daha iyi tahmin yapan bir fonksiyon elde eder. Öğrenme supervised veya unsupervised olabilir. Yapay sinir ağları, metin, ses, görüntü, video gibi yapılandırılmamış veriyi alır ve neuronlardan oluşan katmanlarda işler. Neuron lar başka neuroan ları aktif yapabilir veya dış ortamda başka işlemleri başlatabilir. 15 / 77 Yapay Sinir Ağları Yapay sinir ağı, çok sayıda işlem birimine (neuron) sahiptir. Biyolojik neuron Yapay neuron 16 / 77
9 Yapay Sinir Ağları Perceptron Bir perceptron tek katmanlı bir neural network tür. x = (x 0, x 1, x 2 ) giriş vektörü, w = (w 0, w 1, w 2 ) ağırlık vektörü ve b bias, y = f(x 0 w 0 + x 1 w 1 + x 2 w 2 + b) olur. 17 / 77 Yapay Sinir Ağları Perceptron Transfer fonksiyonuna göre çıkış değeri değişir. Step function Sigmoid function 18 / 77
10 Yapay Sinir Ağları Perceptron limiti Tek neuron bir doğru ile çözüm uzayını ayırır. karar sınırı 19 / 77 Yapay Sinir Ağları Perceptron limiti Tek perceptron XOR problemini çözemez. Tutarsız!!! (bias) true false false true 20 / 77
11 Yapay Sinir Ağları Çok katmanlı neural network Çok katmanlı ANN daha karmaşık problemleri çözebilir. 21 / 77 Yapay Sinir Ağları Çok katmanlı neural network Katman ve neuron sayısı arttıkça çok daha karmaşık problemleri çözebilir. 22 / 77
12 Yapay Sinir Ağları Çok katmanlı neural network w 1, w 2, b parametredir. w 1, w 2 doğruyu döndürür, b doğrunun yerini değiştirir. w 1, w 2 ve b için en uygun değerlerin belirlenmesi gereklidir. b + - w 1, w 2 23 / 77 Yapay Sinir Ağları Çok katmanlı neural network 24 / 77
13 Yapay Sinir Ağları Çok katmanlı neural network 25 / 77 Yapay Sinir Ağları Perceptron öğrenme Perceptron öğrenmesinde, w 1, w 2 ve değeri belirlenir. öğrenme hızı, d(n) istenen çıkış. Yanlış sınıflandırmada ağırlık değiştirilir. w i = w i + d(n) x i (n) y = f(w 1 x 1 + w 2 x 2 + w 0 ) 26 / 77
14 Yapay Sinir Ağları Perceptron öğrenme y = f (x 1 +0,5x 2 ) = +1 y = f (0,6x 1 +0,9x 2-2) = -2,6 27 / 77 Yapay Sinir Ağları Çok katmanlı feedforward ANN öğrenme Çok katmanlı ANN de backpropagation yöntemi kullanılır. 28 / 77
15 İçerik Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Makine Öğrenmesi Yapay Sinir Ağları Derin Öğrenme Modelleri Convolutional Neural Network Auto-encoder Deep Learning için Underfitting ve Overfitting Derin Öğrenme Uygulamaları Derin Öğrenme Uygulama Örnekleri 29 / 77 Derin Öğrenme Modelleri Deep learning, son yıllarda klasik yapay sinir ağlarının yerini almıştır. Deep learning, makine öğrenme teknikleri ve mimarilerinin geniş bir sınıfını ifade eder. Shallow learning, bir veya iki katman kullanarak yapılan öğrenmeyi ifade eder. Deep learning, çok sayıda katmanla öğrenmeyi ifade eder. Deep learning, işlem birimi neuron larda nonlineer fonksiyon kullanır. 30 / 77
16 Derin Öğrenme Modelleri Yaygın kullanılan deep learning modelleri: Convolutional Neural Network Auto-encoder Recurrent Neural Network Deep Belief Network 31 / 77 İçerik Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Makine Öğrenmesi Yapay Sinir Ağları Derin Öğrenme Modelleri Convolutional Neural Network Auto-encoder Deep Learning için Underfitting ve Overfitting Derin Öğrenme Uygulamaları Derin Öğrenme Uygulama Örnekleri 32 / 77
17 Convolutional Neural Network Convolutional neural network (CNN), ANN lerin özel bir türüdür ve en popüler derin öğrenme mimarisidir. CNN, görüntü ile ilgili problemlerde önemli bir modeldir. CNN, tavsiye sistemleri, NLP ve birçok farklı alanda başarı ile uygulanmıştır. CNN, giriş verisindeki önemli özellikleri kendisi otomatik olarak algılar. CNN modeli, insandan daha iyi görüntü sınıflandırabilmektedir. 33 / 77 Convolutional Neural Network Tüm CNN mimarileri aşağıdaki gibidir. CNN, convolution ve pooling operatörlerini kullanır. Art arda birkaç kez convolution+pooling yapılır. Daha sonra birkaç tane fully connected katman bulunur. Çok etiketli (sınıflı) sınıflandırma problemlerinde, en sonda softmax katmanı bulunur. 34 / 77
18 Convolutional Neural Network Convolution CNN de en temel blok convolutional katmandır. Convolution, iki kümenin birleştirilmesini sağlayan matematiksel işlemdir. Convolution filter (kernel), girişe uygulanarak özellik haritası (feature map) oluşturulur. 35 / 77 Convolutional Neural Network Convolution Örnekte, giriş 5x5 ve filtre 3x3 boyutundadır. Girişin üzerinde filtre kaydırılıp convolution işlemi yapılır. Her eleman bazında matris çarpımı sonucu özellik harita matrisinin karşılıklı elemanını oluşturur. Şekilde, 3x3 filtre ile 2D üzerinde convolution yapılıyor. 36 / 77
19 Convolutional Neural Network Convolution Gerçek uygulamalarda görüntü 3D gösterilir (yükseklik, genişlik ve derinlik). Derinlik, görüntüdeki renk kanallarını gösterir. RGB için derinlik 3 olarak alınır. Bir giriş üzerinde farklı filtrelere sahip farklı convolution işlemleri yapılabilir (Her birisinin özellik haritası farklı olur.). Tüm özellik haritaları birleştirilerek bir özellik haritası elde edilir. 37 / 77 Convolutional Neural Network Convolution Örnekte, 32x32x3 bir görüntü, 5x5x3 filtre kullanılmıştır. Üç tane 5x5x1 matris toplanarak 1x1x1 değer elde edilir. Elde edilen özellik haritası 32x32x1 boyutundadır. Eğer 10 farklı filtre kullanılırsa, convolution katmanı 32x32x10 boyutunda olur. 38 / 77
20 Convolutional Neural Network Convolution Filtre tüm girişte kaydırılır ve özellik haritası elde edilir. 39 / 77 Convolutional Neural Network Convolution CNN ün, ANN ve auto-encoder gibi non-linearity özelliğini sağlaması gerekir. ANN ve auto-encoder non-linearity özelliğini aktivasyon fonksiyonu ile sağlar. CNN de convolution operatörünün sonucunu aktivasyon fonksiyonuna gönderir. 40 / 77
21 Convolutional Neural Network Stride ve padding Stride, her adımda convolution filtresinin hareket adım boyutunu belirler (default = 1). Hareket adım boyutu arttıkça edilirse, özellik haritası küçülür. 41 / 77 Convolutional Neural Network Stride ve padding Padding, giriş ile aynı boyutta özellik haritası oluşturmak için kullanılır. Girişin etrafına 0 değerine sahip hücreler padding olarak eklenir. 42 / 77
22 Convolutional Neural Network Pooling Pooling, convolution işleminden sonra uygulanır ve boyut indirgeme yapar. Pooling katmanı, özellik haritasının yüksekliğini ve genişliğini düşürerek örnekler (derinlik aynı kalır). En yaygın kullanılan max pooling yöntemidir. Window size ve stride değerleri belirlenir. 43 / 77 Convolutional Neural Network Pooling Genellikle, window size ve stride özellik haritasının yarısı alınır. Pooling işleminden sonra özellik haritasının boyutu yarıya indirgenmiş olur. 44 / 77
23 Convolutional Neural Network Fully connected katmanı Pooling katmanından sonra, fully connected ANN eklenir. Pooling katmanı çıkışı 3D alınır ve fully connected ANN ile 1D vektör çıkışı elde edilir. Training CNN ün eğitimi, ANN eğitimi gibi gradient descent ile backpropagation kullanılarak yapılır. 45 / 77 Convolutional Neural Network Softmax Softmax fonksiyonu sınıflandırma problemlerinde kullanılır. Softmax, çıkışın sınıflara ait olma olasılığının dağılımını verir. 46 / 77
24 Convolutional Neural Network Hyperparameter Hiper parametreler, doğrudan öğrenilmezler, ancak modelin özelliklerini belirlerler. CNN de, aşağıdaki hiper parametreler kullanılır: Filtre boyutu: Genellikle 3x3 kullanılır, ancak uygulamaya göre daha büyük boyutta olabilir. Filtre sayısı: Daha çok filtre kullanıldıkça daha güçlü model elde edilir. Ancak, çok sayıdaki parametre overfitting riskini artırır. Stride: Genellikle 1 seçilir, ancak uygulamaya göre farklı değer seçilebilir. Padding: Genellikle padding uygulanır, ancak uygulamaya göre kullanılmayabilir. 47 / 77 Convolutional Neural Network Değerlendirme Bir CNN model, özellik çıkarımı ile sınıflandırıcının birleşimi olarak düşünülebilir. Convolution+pooling katmanları özellik çıkarımı yapar (iki göz, uzun kulaklar, dört ayaklı, vb.). Fully connected katmanı ise, bir sınıflandırıcıdır (örneğin, girilen görüntünün kedi olma olasılığını belirtir). CNN modeli, girilen bir etiket ve bir görüntü için otomatik özellik algılaması gerçekleştirir. 48 / 77
25 İçerik Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Makine Öğrenmesi Yapay Sinir Ağları Derin Öğrenme Modelleri Convolutional Neural Network Auto-encoder Deep Learning için Underfitting ve Overfitting Derin Öğrenme Uygulamaları Derin Öğrenme Uygulama Örnekleri 49 / 77 Auto-encoder Auto-encoder (AE), aldığı girişi kendi çıkışına kopyalamak amacıyla eğitilen bir neural network tür. AE, feedforward ANN lerin bir özel türüdür. AE, girişi temsil eden bir gizli katman vardır (h). Basit bir AE, iki parçadan oluşur: encoder ve decoder. Encoder fonksiyonu h= f (x), decoder fonksiyonu r= g(h). Öğrenme sürecinde r = x yapılmaya çalışılır. Eğer bir AE başarılı ise, g(f(x)) = x kümesini öğrenir. 50 / 77
26 Auto-encoder AE deki gizli katman h nin boyutu x in boyutundan küçükse (undercomplete), girişteki belirgin özellikleri öğrenir. AE deki gizli katman h nin boyutu x in boyutuna eşit veya büyükse, sadece belirgin özellikleri öğrenmez (overcomplete). Öğrenme sürecinde, kayıp fonksiyonu minimize edilir. Kayıp fonksiyonu L, hata ölçümü yapan bir fonksiyondur (örn., hataların karelerin ortalaması). 51 / 77 Auto-encoder AE, encoder ile katmanlardaki neuron sayılarını azaltır, ardından decoder ile katmanlardaki neuron sayılarını artırır. 52 / 77
27 Auto-encoder Gizli katmanda elde edilen code, girişin özeti veya sıkıştırılmış halidir. Encoder, girişi sıkıştırır ve code üretir. Decoder ise, code ile girişi yeniden elde etmeye çalışır. Bir AE oluşturmak için, encoding metodu, decoding metodu ve kayıp fonksiyonu gereklidir. 53 / 77 Auto-encoder AE, giriş verisinde boyut indirgeme için kullanılır. Giriş verilerini gizli katmanda daha küçük boyutla ifade eder. Çıkış verisi, giriş verisinden her zaman farklıdır. Çıkış etiketleri için ek bilgiye ihtiyaç duymaz, unsupervised öğrenme yapar. Çıkış etiketlerini eğitim verisinden (girişlerden) kendisi oluşturduğundan self-supervised olarak adlandırılır. 54 / 77
28 Auto-encoder Denoising auto-encoder (DAE) DAE, gürültülü veriden gürültüyü yok etmek için kullanılır. Elde edilen sonuç orijinalden farklıdır, ancak gürültü yok edilir. 55 / 77 İçerik Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Makine Öğrenmesi Yapay Sinir Ağları Derin Öğrenme Modelleri Convolutional Neural Network Auto-encoder Deep Learning için Underfitting ve Overfitting Derin Öğrenme Uygulamaları Derin Öğrenme Uygulama Örnekleri 56 / 77
29 Deep Learning için Underfitting ve Overfitting Uygulamalarında, eğitim verisinin yanı sıra, yeni girişlerde de iyi sonuç vermesini sağlamaktır. Eğitim verisi için hatanın yüksek olması underfitting e, eğitim ve test verilerindeki hata farkının yüksek olması overfitting e neden olur. Underfitting Good Overfitting 57 / 77 İçerik Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Makine Öğrenmesi Yapay Sinir Ağları Derin Öğrenme Modelleri Convolutional Neural Network Auto-encoder Deep Learning için Underfitting ve Overfitting Derin Öğrenme Uygulamaları Derin Öğrenme Uygulama Örnekleri 58 / 77
30 Deep Learning Uygulamaları Sınıflandırma: Verilen bir girişin hangi sınıfa ait olduğu bulunur (örneğin, nesne tanıma). Transcription: Yapılandırılmamış veriden text formatında veri elde edilir (örneğin, OCR, speech recognition, Google Street View adres numaralarının işlenmesi için deep learning kullanır.). Regresyon: Verilen girişe göre sayısal değer tahmin edilir (örneğin, yatırım araçları için ileriye dönük fiyat tahmini) Machine translation: Giriş bir dildeki sembollerden oluşur, çıkış başka bir dildeki sembollere dönüştürülür. (örneğin, İngilizce-Fransızca). 59 / 77 Deep Learning Uygulamaları Yapılandırılmış çıkış: Yapılandırılmamış girişlerden birbiriyle ilişkiye sahip çıkışlar elde edilir (örneğin, bir dildeki cümlenin gramer yapısının çıkarılması, hava fotoğrafları ile bir fotoğraftaki yolların belirlenmesi, görüntüye başlık metni oluşturulması). Anomaly detection: Bir grup olaydan veya nesneden olağandışı olanı bulur (örneğin, geçmiş harcamaya göre kredi kartı dolandırıcılığı, bilgisayar ağı trafik analizi). Sistem log larında anormallik algılama (RNN) Saldırı tespit sistemi (FFNN, RNN) 60 / 77
31 Deep Learning Uygulamaları Eksik girişlerin tamamlanması: Giriş olarak verilen bir x vektörünün eksik kısımları bulunur. Gürültü temizleme: Gürültülü veya bozuk veri girişe verilir, çıkışta gürültüsüz veri elde edilir (RNN). Text summarization: Büyük metinlerin özetleri çıkartılır (RNN, AE). 61 / 77 İçerik Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Makine Öğrenmesi Yapay Sinir Ağları Derin Öğrenme Modelleri Convolutional Neural Network Auto-encoder Deep Learning için Underfitting ve Overfitting Derin Öğrenme Uygulamaları Derin Öğrenme Uygulama Örnekleri 62 / 77
32 Deep Learning Uygulama Örnekleri Automated image captioning (CNN+RNN) 63 / 77 Deep Learning Uygulama Örnekleri Object detection (CNN) 64 / 77
33 Deep Learning Uygulama Örnekleri Real time object detection (CNN) 65 / 77 Deep Learning Uygulama Örnekleri Otomatik Wikipedia makalesi yazma (RNN) 66 / 77
34 Deep Learning Uygulama Örnekleri Google Translate Text (CNN+RNN) 67 / 77 Deep Learning Uygulama Örnekleri Automatic translation of images (CNN+RNN) 68 / 77
35 Deep Learning Uygulama Örnekleri Image colorization with CNN 69 / 77 Deep Learning Uygulama Örnekleri Real time object recognition with CNN 70 / 77
36 Deep Learning Uygulama Örnekleri Sürücüsüz otomobil (CNN+RNN) 71 / 77 Deep Learning Uygulama Örnekleri Robotik (CNN+RNN+FLC) 72 / 77
37 Özet Yapay zeka, zeki insan davranışını makinelerin taklit etmesini amaçlayan çalışmaları kapsar. Turing testinde başarılı olan makineler insan gibi davranır. Rasyonel davranış, girişlere göre en doğruyu yapmaktır. Makine öğrenmesi, yapay zekanın bir alt sınıfıdır. Yapay sinir ağları, makine öğrenmesinin bir alt sınıfıdır. Derin öğrenme, yapay sinir ağlarının alt sınıfıdır. Son yıllarda, insan beyni gibi beyne sahip zeki makineler geliştirilmeye çalışılmaktadır. Yapay sinir ağları, insan beyninin yapısını ve fonksiyonunu taklit eder. 73 / 77 Özet Çok katmanlı ANN, karmaşık problemleri çözebilir. Öğrenme, parametrelerin değerlerinin belirlenmesidir. CNN, görüntü ile ilgili problemlerde önemli bir modeldir. Hiper parametreler, doğrudan öğrenilmezler, ancak modelin özelliklerini belirlerler. CNN model, özellik çıkarımı (convolution+pooling) ile sınıflandırıcının (fully connected NN) birleşimi olarak düşünülebilir. AE, aldığı girişi kendi çıkışına kopyalamak amacıyla eğitilen bir neural network tür. AE, giriş verisinde boyut indirgeme için kullanılır. DAE, veriden gürültüyü yok etmek için kullanılır. 74 / 77
38 Teşekkürler Deep Learning için Kullanılan Araçlar TensorFlow: En popüler deep learning lib. (Google) Keras: Deep learning algoritmaları ve TensorFlow için deep learning lib. BigDL: Apache Spark için deep learning lib. Torch: Açık kaynak deep learning lib. (Facebook, Twitter) Microsoft Cognitive Toolkit: Açık kaynak deep learning algoritmaları ConvNetJS: Deep learning modelleri için javascript lib. Apache Mahout: Apache Spark, H 2 O ve Apache Flink için ML algoritmaları Caffe: Deep learning framework (Berkeley Vision & Learning center) 76 / 77
39 Daha fazla bilgi için Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, MIT Press, Deep Learning Tutorial, LISA Lab, University of Montreal, Fundamentals of Deep Learning, Nikhil Buduma, O Reilly, A survey on deep learning for big data, Q.Zhangab, L. T.Yanga, Z.C.PengLi, Information Fusion, On the Origin of Deep Learning, H. Wang, B. Raj, arxiv: v4 [cs.lg] 3 Mar / 77
Zeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Yapay Sinir Ağları (Artificial Neural Network) Doç.Dr. M. Ali Akcayol Yapay Sinir Ağları Biyolojik sinir sisteminden esinlenerek ortaya çıkmıştır. İnsan beyninin öğrenme, eski
DetaylıYAPAY ZEKA VE DERİN ÖĞRENMENİN GÜNÜMÜZDEKİ UYGULAMA ALANLARI
YAPAY ZEKA VE DERİN ÖĞRENMENİN GÜNÜMÜZDEKİ UYGULAMA ALANLARI DR. ÖĞR. ÜYESİ GÖKHAN ALTAN BİLGİSAYAR MÜH. BÖL. İSKENDERUN TEKNİK ÜNİVERSİTESİ KONUŞMA İÇERİĞİ Bilgisayar Bilimi Makine Öğrenmesi nedir? Makine
DetaylıDerin Yapay Sinir Ağları ve Derin Öğrenme ye Kısa Bir Giriş
Derin Yapay Sinir Ağları ve Derin Öğrenme ye Kısa Bir Giriş Dr. Öğr. Üyesi Emre Akbaş BMO Semineri 24 Kasım 2018 Bilgisayar Mühendisliği Orta Doğu Teknik Üniversitesi 1 Yanıtlamaya çalışacağımız sorular
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıYapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları
Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları Ece Akıllı Université de Genève 12 Eylül 2016 CERN TR E. Akıllı (UNIGE) Yapay Sinir Ağları 12.09.2016 1 / 18 Akış 1 Makine Ogrenimi 2 Yapay Sinir
DetaylıBüyük Veri ve Endüstri Mühendisliği
Büyük Veri ve Endüstri Mühendisliği Mustafa Gökçe Baydoğan Endüstri Mühendisliği Bölümü Boğaziçi Üniversitesi İstanbul Yöneylem Araştırması/Endüstri Mühendisliği Doktora Öğrencileri Kolokyumu 21-22 Nisan
DetaylıUzaktan Algılama Uygulamaları
Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıEsnek Hesaplamaya Giriş
Esnek Hesaplamaya Giriş J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Esnek Hesaplama Nedir? Esnek hesaplamanın temelinde yatan
DetaylıYapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI
Yapay Sinir Ağları (Artificial Neural Networks) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları Tarihçe Biyolojik
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
Detaylıİş Zekası. Hafta 6 Kestirimci Modelleme Teknikleri. Yrd. Doç. Dr. H. İbrahim CEBECİ
İş Zekası Hafta 6 Kestirimci Modelleme Teknikleri Business Intelligence and Analytics: Systems for Decision Support 10e isimli eserden adapte edilmiştir Bölüm Amaçları Yapay Sinir Ağları (YSA) kavramını
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıTedarik Zinciri Yönetiminde Yapay Zeka Teknikler
Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Doç.Dr.Mehmet Hakan Satman mhsatman@istanbul.edu.tr İstanbul Üniversitesi 2014.10.22 Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye
DetaylıDERİN ÖĞRENME SONGÜL TORANOĞLU
DERİN ÖĞRENME SONGÜL TORANOĞLU 201420404014 DERİN ÖĞRENME Endüstri ve akademik çevrelerdeki veri bilimciler görüntü sınıflandırma, video analizi, konuşma tanıma ve doğal dil öğrenme süreci dahil olmak
DetaylıT.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ
T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI Doç.Dr. Necaattin BARIŞÇI YAPAY SİNİR AĞLARI İLE KORONER ARTER HASTALIĞI RİSK Öğrenci : SİNEM ÖZDER Numarası : 118229001004
DetaylıYAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
Detaylıİlk Yapay Sinir Ağları. Dr. Hidayet Takçı
İlk Yapay Sinir Ağları Dr. Hidayet htakci@gmail.com http://htakci.sucati.org Tek katmanlı algılayıcılar (TKA) Perceptrons (Rosenblat) ADALINE/MADALINE (Widrow and Hoff) 2 Perseptron eptronlar Basit bir
DetaylıKolektif Öğrenme Metotları
Kolektif Öğrenme Metotları Kolektif öğrenme algoritmalarına genel bakış 1-Bagging 2-Ardışık Topluluklarla Öğrenme (Boosting) 3-Rastsal Altuzaylar 4-Rastsal Ormanlar 5-Aşırı Rastsal Ormanlar 6-Rotasyon
DetaylıData Communications. Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü. 10. Hata Kontrolü
Veri İletişimi Data Communications Suat ÖZDEMİR Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü 10. Hata Kontrolü Konular Giriş Blok kodlama Lineer blok kodlar Cyclic kodlar Checksum http://ceng.gazi.edu.tr/~ozdemir
Detaylıİstanbul Şehir Üniversitesi Bahar
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
DetaylıConcept Learning. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ. Yapay Zeka - Kavram Öğrenme
Concept Learning Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ 1 İÇERİK Öğrenme Metotları Kavram Öğrenme Nedir? Terminoloji Find-S Algoritması Candidate-Elimination Algoritması List-Then Elimination Algoritması
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Makine Öğrenmesi. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Makine Öğrenmesi Erhan AKDOĞAN, Ph.D. Bu ders notunun hazırlanmasında Dr. U.Orhan ve Banu Diri nin ders notlarından yararlanılmıştır. Makine öğrenmesi
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:
DetaylıHafta 13 - Adversarial ML
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
DetaylıVERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
DetaylıGenetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:
Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.
DetaylıELEKTRONİK ÇİZELGE. Hücreleri Biçimlendirme. Formülleri Kullanma. Verileri Sıralama. Grafik Oluşturma 1) HÜCRELERİ BİÇİMLENDİRME
Hücreleri Biçimlendirme ELEKTRONİK ÇİZELGE Formülleri Kullanma Verileri Sıralama Grafik Oluşturma 1) HÜCRELERİ BİÇİMLENDİRME Elektronik Çizelge de sayıları; bin ayracı, yüzde oranı, tarih/saat ve para
DetaylıVERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI 10 Aralık 2011, Cumartesi Fen ve Mühendislik Alanlarındaki Çeşitli Araştırma Projelerinden Örneklemeler İçerik
DetaylıMuhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR
Yazılım Tanımlı Ağların Güvenliğinde Yapay Zeka Tabanlı Çözümler: Ön İnceleme Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR İzmir Katip Çelebi Üniversitesi, Muğla Sıtkı Koçman Üniversitesi, Ege
DetaylıVeri ve Metin Madenciliği
Veri ve Metin Madenciliği Zehra Taşkın Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Fikirler? Veri Madenciliği Data Information Knowledge Veri madenciliği; Büyük yoğunluklu
DetaylıVeri ve Metin Madenciliği. Zehra
Veri ve Metin Madenciliği Zehra Taşkın @zehrataskin Büyük Veri https://www.youtube.com/watch?v=tzxmjbl-i4y Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Veri Madenciliği
Detaylı18.034 İleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıMatematiksel Optimizasyon ve Yapay Öğrenme
Matematiksel Optimizasyon ve Yapay Öğrenme İlker Birbil Sabancı Üniversitesi Mühendislik ve Doğa Bilimleri Fakültesi Endüstri Mühendisliği Programı Veri Bilimi İstanbul Buluşma 14 Şubat, 2017 Optimizasyon
DetaylıOtomatik Diyet Gözetimi için Gıda İmgelerinin Anlamsal Bölütlemesi
Otomatik Diyet Gözetimi için Gıda İmgelerinin Anlamsal Bölütlemesi Sinem Aslan 1,2, Gianluigi Ciocca 1, Raimondo Schettini 1 1 Department of Informatics, Systems and Communication, University of Milano-Bicocca,
Detaylıetme çabalarının en son ürünlerinden bir tanesi yapay sinir ağları (YSA) teknolojisidir.
İnsanlığın doğayı araştırma ve taklit etme çabalarının en son ürünlerinden bir tanesi yapay sinir ağları (YSA) teknolojisidir. Beynin üstün özellikleri, bilim adamlarını üzerinde çalışmaya zorlamış ve
DetaylıUzaktan Algılama (3) Yrd. Doç. Dr. Özgür ZEYDAN Renk Teorileri
Uzaktan Algılama (3) Yrd. Doç. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ Renk Teorileri Eklemeli renk teorisi Çıkarmalı renk teorisi 1 RGB (Red Green - Blue) Kavramı Red Green - Blue RGB-Mixer
DetaylıYapay Sinir Ağlarına Giriş. Dr. Hidayet Takçı
Yapay Sinir Ağlarına Giriş Dr. Hidayet Takçı htakci@gmail.com http://htakci.sucati.org Giriş Neden Yapay Sinir Ağları (YSA) Bazı işler insanlar tarafından kolaylıkla yerine getirilirken mevcut bilgisayarlar
DetaylıDoğal Dil İşleme Nedir? Doğal Dil İşleme
Doğal Dil İşleme Nedir? Mehmet Fatih AMASYALI Doğal Dil İşleme Tanım: İnsanların iletişim için kullandıkları dillerin çeşitli amaçlar için bilgisayarla işlenmesi 1 Dersin Amacı Doğal Dil işlemenin uygulama
DetaylıSÜRE BİLİŞİM TEKNOLOJİLERİ ÜNİTE 1: HESAPLARIMI KARŞILAŞTIRIYORUM DERS SAATİ:
EKİM 6. 22 ekim-2 Kasım 202 EKİM 5. 5-9 Ekim 202 EKİM 4. 8-2 Ekim 202 EKİM 3. -5 Ekim 202 EYLÜL 2. 24-28 Eylül 202 EYLÜL. 7-2 Eylül 202 202 203 ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ ÜNİTE : HESAPLARIMI KARŞILAŞTIRIYORUM
DetaylıDijital (Sayısal) Fotogrametri
Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak
DetaylıVeri Madenciliği. Yrd. Doç. Dr. Mustafa Gökçe Baydoğan. blog.mustafabaydogan.
Veri Madenciliği Yrd. Doç. Dr. Mustafa Gökçe Baydoğan mustafa.baydogan@boun.edu.tr www.mustafabaydogan.com blog.mustafabaydogan.com İçerik p Veri Madenciliği nedir? n Bir örnek p Boğaziçi Üniversitesi
DetaylıSinirsel Benzetim ve NSL. İlker Kalaycı 06, 2008
Sinirsel Benzetim ve NSL İlker Kalaycı 06, 2008 Gündem Yapay Sinir Ağları Benzetim Benzetim Dilleri Sinirsel Benzetim Dilleri NEURON, GENESIS,NEST Gündem Neural Simulation Language (NSL) Tarihçe Genel
DetaylıVERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL
VERİ MADENCİLİĞİ Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL SPRINT Algoritması ID3,CART, ve C4.5 gibi algoritmalar önce derinlik ilkesine göre çalışırlar ve en iyi dallara ayırma kriterine
DetaylıBULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1. Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı
BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1 Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı Mart 2015 0 SORU 1) Bulanık Küme nedir? Bulanık Kümenin (fuzzy
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Genetik Algoritma (Genetic Algorithm) Doç.Dr. M. Ali Akcayol Genetik Algoritma 1970 li yıllarda John Holland tarafından geliştirilmiştir. 1989 yılında David E. Goldberg Genetik
Detaylı1- Sayı - Tam sayıları ifade etmek için kullanılır. İfade edilen değişkene isim ve değer verilir.
Değişkenler 1- Sayı - Tam sayıları ifade etmek için kullanılır. İfade edilen değişkene isim ve değer verilir. Örnek Kullanım : sayı değer= 3; sayı sayı1; 2- ondalık - Ondalık sayıları ifade etmek için
DetaylıGÖRÜNTÜ İŞLEME HAFTA 4 DÖNÜŞÜMLER UZAYSAL FİLTRELEME
GÖRÜNTÜ İŞLEME HAFTA 4 DÖNÜŞÜMLER UZAYSAL FİLTRELEME DERS İÇERİĞİ Histogram İşleme Filtreleme Temelleri HİSTOGRAM Histogram bir resimdeki renk değerlerinin sayısını gösteren grafiktir. Histogram dengeleme
DetaylıYAPAY SĠNĠR AĞLARININ EKONOMĠK TAHMĠNLERDE KULLANILMASI
P A M U K K A L E Ü N İ V E R S İ T E S İ M Ü H E N D İ S L İ K F A K Ü L T E S İ P A M U K K A L E U N I V E R S I T Y E N G I N E E R I N G C O L L E G E M Ü H E N D ĠS L ĠK B ĠL ĠM L E R ĠD E R G ĠS
DetaylıX-RAY CİHAZLARINDAKİ UYGULAMA SÜRELERİNİN YAPAY SİNİR AĞLAR YARDIMI İLE TAHMİNİ
X-RAY CİHAZLARINDAKİ UYGULAMA SÜRELERİNİN YAPAY SİNİR AĞLAR YARDIMI İLE TAHMİNİ Erkan HOŞGÖRMEZ1 Mana SEZDİ2 Özet Öncelikli hedefimiz yapay sinir ağlarının X-Işını (Röntgen) cihazlarında doz süresinin
DetaylıYapay Sinir Ağları (Artificial Neural Networks)
Yapay Sinir Ağları (Artificial Neural Networks) Yapay Sinir Ağları (Artificial Neural Networks) Yapay Sinir Ağları (YSA) genelde doğrusal olmayanolaylarımodellememetodudur. Bir kuralı veya algoritması
DetaylıOtomatik Doküman Sınıflandırma
Otomatik Doküman Sınıflandırma Rumeysa YILMAZ, Rıfat AŞLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr, kgunel@aduedutr
DetaylıİSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI
İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI Lineer Ayrılabilen Paternlerin Yapay Sinir Ağı ile Sınıflandırılması 1. Biyolojik Sinirin Yapısı Bilgi işleme
DetaylıBM-311 Bilgisayar Mimarisi
1 BM-311 Bilgisayar Mimarisi Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Bilgisayar Bileşenleri Bilgisayarın Fonksiyonu Instruction Cycle Kesmeler (Interrupt lar)
DetaylıOtomatik Doküman Sınıflandırma
Akademik Bilişim 12 - XIV Akademik Bilişim Konferansı Bildirileri Otomatik Doküman Sınıflandırma Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr,
DetaylıVERİ MADENCİLİĞİ önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel olarak kullanışlı
Veri Madenciliği, örüntü tanıma, istatistik ve matematiksel yöntemlerin kullanımıyla devasa miktardaki güncel ya da geçmiş veri içerisinden ilgi çekici ( önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel
Detaylıgörüntü işleme, pattern tanıma yapay zeka
KARAKTER TANIMA Çeşitli kaynaklardan bilgisayar ortamına aktarılmış karakterleri tanıma işi görüntü işleme, pattern tanıma ve yapay zeka alanlarında oldukça ilgi çekmiştir. Ancak bu alanda uygulanan klasik
DetaylıOpenZeka MARC. Mini Otonom Araç Yarışması
OpenZeka MARC Mini Otonom Araç Yarışması Hakkımızda Open Zeka, NVIDIA Derin Öğrenme Kurumu ve NVIDIA Embedded Türkiye partneri olarak yeni nesil yapay zeka algoritmaları ve sensörleri kullanarak akıllı
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
DetaylıYrd. Doç. Dr. A. Burak İNNER
Yrd. Doç. Dr. A. Burak İNNER Kocaeli Üniversitesi Bilgisayar Mühendisliği Yapay Zeka ve Benzetim Sistemleri Ar-Ge Lab. http://yapbenzet.kocaeli.edu.tr Ders Adı : Bilgisayar Mühendisliğinde Matematik Uygulamaları
DetaylıDestekçi Vektör Makineleri. Destekçi Vektör Makineleri(Support Vector Machines)
Destekçi Vektör Makineleri Destekçi Vektör Makineleri(Support Vector Machines) Değişkenler arasındaki örüntülerin bilinmediği veri setlerindeki sınıflama problemleri için önerilmiş bir makine öğrenmesi
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 6 Kenar, Köşe, Yuvarlak Tespiti Alp Ertürk alp.erturk@kocaeli.edu.tr KENAR TESPİTİ Kenar Tespiti Amaç: Görüntüdeki ani değişimleri / kesintileri algılamak Şekil bilgisi elde
DetaylıÇok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir.
Veri Madenciliği Çok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir. istatistik + makine öğrenmesi + yapay zeka = veri madenciliği Veri madenciliği süreçleri CRISP-DM
DetaylıGeriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu
Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı Mehmet Ali Çavuşlu Özet Yapay sinir ağlarının eğitiminde genellikle geriye
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıMetin Sınıflandırma. Akış
Metin Sınıflandırma Mehmet Fatih AMASYALI BLM 5212 Doğal Dil İşlemeye Giriş Ders Notları Akış Görev Eğiticili Eğiticisiz Öğrenme Metin Özellikleri Metin Kümeleme Özellik Belirleme Çok Boyutlu Verilerle
DetaylıDijital Görüntü İşleme Teknikleri
Teknikleri Ders Notları, 2013 Doç. Dr. Fevzi Karslı Harita Mühendisliği Bölümü Mühendislik Fakültesi KTÜ 08 Ekim 2013 Salı 1 Ders Planı ve İçeriği 1. Hafta Giriş, dersin kapsamı, temel kavramlar, kaynaklar.
DetaylıAkıllı Sistemler ve Uygulamaları Dergisi, Cilt: 1, Sayı: 1, Sayfa ,
Akıllı Sistemler ve Uygulamaları Dergisi, Cilt: 1, Sayı: 1, Sayfa 122-126, 2018 122 Derin Öğrenme Kullanarak Gerçek Dünya Doku Görüntülerinin Zorlu Koşullarda Tanınması Recognition of Real-World Texture
Detaylıİleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik
Tekrar Konular İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik 1. Uygulamalar ve tanımlamalar 2. Örüntü tanıma sistemleri ve bir örnek 3. Bayes karar teorisi 4. En yakın komşu sınıflandırıcıları
DetaylıBüyük Veri Analitiği (Big Data Analytics)
Büyük Veri Analitiği (Big Data Analytics) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David
DetaylıBM-311 Bilgisayar Mimarisi. Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü
BM-311 Bilgisayar Mimarisi Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Bilgisayar Bileşenleri Bilgisayarın Fonksiyonu Instruction Cycle Kesmeler (Interrupt lar) Bus
DetaylıALGORİTMA VE PROGRAMLAMA I DERS NOTU#8
ALGORİTMA VE PROGRAMLAMA I DERS NOTU#8 YZM 1105 Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi 6. BÖLÜM 2 Çok Boyutlu Diziler Çok Boyutlu Dizi 3 Bir dizi aşağıdaki gibi bildirildiğinde
DetaylıWEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ
WEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ Doç.Dr Erhan Akyazı Marmara Üniversitesi Bilişim Bölümü eakyazi@marmara.edu.tr Şafak Kayıkçı Marmara Üniversitesi Bilişim Bölümü safak@safakkayikci.com
DetaylıDERİN ÖĞRENME YRD.DOÇ.DR. KADRİYE ERGÜN İREM TÜRKMEN
DERİN ÖĞRENME YRD.DOÇ.DR. KADRİYE ERGÜN İREM TÜRKMEN - 201420404002 DERİN ÖĞRENME NEDİR? Derin öğrenme, makinelerin dünyayı algılama ve anlamasına yönelik yapay zekâ geliştirmede en popüler yaklaşımdır.
DetaylıKoku Ölçüm Yöntemleri
Orta Doğu Teknik Üniversitesi Çevre Mühendisliği Bölümü Koku Ölçüm Yöntemleri HAZIRLAYANLAR: Prof. Dr. Aysel Atımtay Çevre Müh. Meltem Güvener ODTÜ, 1-2 Nisan 2004 Ankara 1 KOKU ÖLÇÜM YÖNTEMLERİ Elektronik
DetaylıÖzörgütlemeli Öğrenme (SOM) A. Cumhur KINACI
Özörgütlemeli Öğrenme (SOM) A. Cumhur KINACI Öğrenme Türleri Eğiticili Öğrenme Eğiticisiz Öğrenme: Ağın verilerin sınıflandırmasını dışarıdan yardım almadan kendi başına yapmasıdır. Bunun olabilmesi için
DetaylıA NEW APPROACH FOR IMAGE CLASSIFICATION: CONVOLUTIONAL NEURAL NETWORK. Emine Cengil* 1, Ahmet Çınar 2
EJT Vol 6, Number 2, 2016 European Journal of Technic A NEW APPROACH FOR IMAGE CLASSIFICATION: CONVOLUTIONAL NEURAL NETWORK Emine Cengil* 1, Ahmet Çınar 2 1,2 Computer Engineering Department, Firat University,
DetaylıKABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN
KABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN Giriş Bilgi teknolojisindeki gelişmeler ve verilerin dijital ortamda saklanmaya başlanması ile yeryüzündeki bilgi miktarı her 20 ayda iki katına
DetaylıYAPAY SİNİR AĞLARI YÖNTEMİ İLE PAFTALARININ SAYISALLAŞTIRILMASI ARTIFICIAL NEURAL NETWORKS METHOD FOR MAP DIGITIZATION
YAPAY SİNİR AĞLARI YÖNTEMİ İLE PAFTALARININ SAYISALLAŞTIRILMASI Y.ŞİŞMAN 1, H. DEMİRTAŞ 2 1 Ondokuz Mayıs Üniversitesi, Harita Mühendisliği Bölümü, 55139, Samsun/TÜRKİYE ysisman@omu.edu.tr 2 Sağlık Bakanlığı,
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Şekil Tanıma Final Projesi. Selçuk BAŞAK 08501008
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Şekil Tanıma Final Projesi Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim uygulama ve kaynak kodları ektedir.
DetaylıKISIM 5 COĞRAFİ BİLGİ SİSTEMİ (GIS) ANALİZİ KISIM 5: GIS ANALİZİ 1
KISIM 5 COĞRAFİ BİLGİ SİSTEMİ (GIS) ANALİZİ KISIM 5: GIS ANALİZİ 1 GIS ANALİZİ GIS Analizi, üretme, işleme ve mekansal veriyi sorgulama kısımlarını kapsar 1. Veri üretme Görüntüyü sınıflandırma (Unsupervised)
DetaylıÇekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme
Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme Adjusting Transient Attributes of Outdoor Images using Generative Adversarial Networks Levent Karacan, Aykut Erdem,
DetaylıHafta 01 - Giriş. BGM Siber Güvenlik için Makine Öğrenme Yöntemleri. Yüksek Lisans Programı. Dr. Ferhat Özgür Çatak
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
DetaylıBÜYÜK VERI UYGULAMALARı DERS 7. Doç. Dr. Yuriy Mishchenko
1 BÜYÜK VERI UYGULAMALARı DERS 7 Doç. Dr. Yuriy Mishchenko PLAN Azure ML hizmeti kullanılmasına bir pratik giriş 2 3 MS AZURE ML 4 MS AZURE ML Azure Microsoft tarafından sağlanan bulut hesaplama hizmetleri
DetaylıYapay Sinir Ağları GİRİŞ
Yapay Sinir Ağları GİRİŞ Akıl kelimesi genellikle zeka kavramıyla karıştırılmaktadır.oysa akıl düşünme, kavrama,idrak etme ve karar verme yeteneklerini kapsar.akıl genetik olarak ve çevresel faktörler
DetaylıTrafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi
Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi ISITES 2016 4 TH INTERNATIONAL SYMPOSIUM ON INNOVATIVE TECHNOLOGIES IN ENGINEERING AND SCIENCE Dr. G. Çiğdem Çavdaroğlu ISITES,
DetaylıDerin Öğrenme Algoritmalarında Model Testleri: Derin Testler
Derin Öğrenme Algoritmalarında Model Testleri: Derin Testler Ferhat Şükrü Rende, Gültekin Bütün, Şamil Karahan Bilişim Teknolojileri Enstitüsü, TÜBİTAK BİLGEM, Gebze, Kocaeli {ferhat.rende, gultekin.butun,
DetaylıESTIMATION OF EFFLUENT PARAMETERS AND EFFICIENCY FOR ADAPAZARI URBAN WASTEWATER TREATMENT PLANT BY ARTIFICIAL NEURAL NETWORK
ESTIMATION OF EFFLUENT PARAMETERS AND EFFICIENCY FOR ADAPAZARI URBAN WASTEWATER TREATMENT PLANT BY ARTIFICIAL NEURAL NETWORK ADAPAZARI KENTSEL ATIKSU ARITMA TESĐSĐ ÇIKIŞ SUYU PARAMETRELERĐ VE VERĐM DEĞERLERĐNĐN
DetaylıYapay Zeka İle Aramızdaki Fark
Yapay Zeka İle Aramızdaki Fark Yapay zeka kavramını az çok hepimiz duymuşuzdur. Yapay zeka denildiğinde aklımıza uçan robotlar, bizden daha zeki, Dünya savaşlarında başrol oynayan demirden yapılar gelir.
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
DetaylıGörme Engelliler için Akıllı Telefon ile Nesne Arama
Görme Engelliler için Akıllı Telefon ile Nesne Arama Hüsnü Mert Polat, Muhammed Ensar Özer, Kevser Sertel, Sıdıka Tuğçe Yılmaz, Süleyman Eken, Ahmet Sayar Bilgisayar Mühendisliği, Kocaeli Üniversitesi,
DetaylıBİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 1982 yılında kurulan bölümümüz 1986 yılında ilk mezunlarını vermiştir 1300 1300 Lisans, 190 25 190 Yüksek Lisans, 25 Doktora 93 Bölüm kontenjanımız
DetaylıVeri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları
Veri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları Boğaziçi Üniversitesi, TETAM, Kandilli, İstanbul Konu ve Kapsam Bu yaz okulunda veri bilim ve yapay öğrenme alanında
Detaylı