Deep Learning - Computerphile Computerphile English (United Kingdom) Turkish

Deep Learning - ComputerphileYouTube↗ IA↗(long shot)
Education 392.2K views 6.1K likes 280 dislikes 19 Apr 2016 Show Contributors 1

Computerphile 2.6M subscribers N/A YouTube↗

Contributed subtitles

English (United Kingdom) Dennis Oliver

Click to Play Video

Tell me about Deep Learning

Bana Derin Öğrenme'den bahset

ermm... maybe it can start slightly mathy

ermm ... belki biraz mathy başlayabilir

okay but uh we can just go after with an example to see what what things are right.

tamam ama neyin doğru olduğunu görmek için bir örnekle devam edebiliriz.

One one typical example is: if somebody wants to assess automatically what is the ehh umm price of uhh of a property?

Tipik bir örnek: eğer biri otomatik olarak değerlendirmek isterse bir mülkün ehh ehh fiyatı nedir?

So there are certain variables that are important for property: you know X1, X2 to whatever.. Xn

Yani özellik için önemli olan bazı değişkenler var: X1, X2 için, her neyse .. Xn

You know, these might be: - The square meters - This is like ehh uhh year of construction. Whatever else, right?

Bilirsin, bunlar olabilir: - Metrekare - Bu, inşaatın yapıldığı yıl gibidir. Her neyse, doğru mu?

simple way of... of finding uhh an estimated value

tahmini bir değer bulmanın basit yolu

is to say okay I'm gonna do this

tamam diyeceğim bunu yapacağım

+

+

Uh usually we... you have a bias term

Genelde biz ... önyargılı bir teriminiz var

something like that

bunun gibi bir şey

this gives you the estimated price, yeh?

bu sana tahmini fiyatı verir, ha?

and you can represent it like this, right?

ve bunu böyle temsil edebilirsin, değil mi?

you have the input variables

giriş değişkenlerine sahipsiniz

And then you have err your output variable

Ve sonra çıktı değişkenini yanlış aldın.

and then, you do this meaning that

ve sonra bunu anlamın

you have this value, you have an a1 here

bu değerin var, burada a1'in var

and all of these is summed here into the summation

ve bunların hepsi burada toplamda toplanır.

Ok, so for instance, the larger the building, the higher the numberrrrrrr

Tamam, mesela, bina ne kadar büyükse, sayı o kadar yüksek

the... maybe the... the newer the house

belki ... belki ev ne kadar yenise

or the more valuable it is [YEH] or whatever

veya o kadar değerliyse [YEH] ya da her neyse

YEH of which floor or whatever, right?

Hangi kat veya hangisi olursa olsun YH?

so errhm this this is just

yani bu errhm bu sadece

a weighted combination of certain factors

belirli faktörlerin ağırlıklı bir kombinasyonu

so uh it all comes out a big number

bu yüzden her şey çok fazla çıkıyor

that's [it, it will... yeh]

bu [o, olacak ... yeh]

huh-hopefully you uh have uh more or less accurate

umarım az ya da çok doğru olursundur

ehh weight, right? ehh

ehh ağırlık, değil mi? ehh

uhh of describing the ehh prices

ehh fiyatları açıklayan

so how do you ermm... ehh... learn

peki nasılsın ... ehh ... öğren

this thing right so you can just, you know

Bu şey doğru yani, sadece, biliyorsun

decide yourself to put, to put the something here

bir şey koymak için kendinize koymaya karar verin

more or less what, what comes out

aşağı yukarı ne, ne çıkıyor

makes sense, right? But ehh so usually

mantıklı değil mi? Ama hah, genellikle

you just find say hundred examples

sadece söyle diyen yüz örnek

sağ? yanılmak

if, if you're interested in doing this

eğer, bunu yapmakla ilgileniyorsanız

maybe you have, you know, a backlog of

belki, biliyorsun ki,

of, of houses sold, right?

satılan evlerin, değil mi?

and then you more or less you know, plot

ve sonra sen az ya da çok bilirsin, arsa

the value in order to

visualize it we do it err... with only one

görselleştirelim, yaptığımız işi ... sadece bir taneyle

which is in square meters, right?

hangi metrekare, doğru olan?

So, you have one example here and another here

Yani, burada bir örnek var ve burada başka bir

and you have, this cloud of exmples, right?

ve sende, bu örnek bulut, değil mi?

So this means that each one of these x's is

Yani bu, bu x'in her birinin

You sold a house that is...number of square meters

Metrekare sayısı olan bir ev sattın.

for this price over here

bu fiyat için buraya

And then you try to... more or less feed that, so

Ve sonra bunu denersin ... az ya da çok besle, yani

so, you can say: I'm gonna do, like a straight line

Yani diyebilirsiniz: Yapacağım, düz bir çizgi gibi

that I will tell the relation between the square meters and the value

metrekare ile değer arasındaki ilişkiyi anlatacağım

So, tomorrow if someone tells you, "you have this 80 square meter house"

Öyleyse, yarın birisi size “80 metrekarelik bu evin var” demişti

there's a price, right?

bir bedeli var değil mi?

Then you come here and you say, "Okay, the price is this."

Sonra buraya gelip "Tamam, fiyat bu" diyorsunuz.

Yah. Which is the best line, you don't know.

Yah. Hangisi en iyi, bilmiyorum.

That is the question.

You say, maybe a line is not a good thing

Diyelim ki, belki bir çizgi iyi bir şey değil

so you will use a quadratic function, right?

yani ikinci dereceden bir işlev kullanacaksınız, değil mi?

Because, like, you know maybe, larger houses, there are more uhh

Çünkü, bilirsin, belki daha büyük evler, daha çok ahh var.

they are not so easy to come by so

onlar gelmek kolay değil

and you still have higher ends

ve hala daha yüksek sonuçlara sahipsin

so, things will not go linearly

öyleyse işler doğrusal olmayacak

So, there's a curve line, for those who are not mathematical. It's a curve line

Yani matematiksel olmayanlar için bir eğri çizgisi var. Bu bir eğri çizgisi

yes, it's a curve line that will involve more

evet, daha fazlasını içerecek bir eğri çizgisi

variables, right?

değişkenler değil mi?

and this means that you can feed things that are not so straight

ve bu çok düz olmayan şeyleri besleyebileceğiniz anlamına gelir

so you have more flexibility in what you can model

yani modelleyebileceğiniz şeyde daha fazla esnekliğiniz var

This comes at the cost of having more variables to describe the model.

Bu, modeli tanımlamak için daha fazla değişkene sahip olmak pahasına geliyor.

And there's always this type of relation

Ve her zaman böyle bir ilişki vardır.

you have more power to represent something and then

bir şeyi temsil etmek için daha fazla gücün var

and you can cut through a thick of relations

ve kalın bir ilişkiyi kesebilirsin

so how to...which kind of model is best

öyleyse nasıl ... hangi model en iyisidir

this is not something that is clear at all

bu hiç net olmayan bir şey değil

it's not like, "just throw as many variables as you can"

"Mümkün olduğu kadar çok değişken atmak" gibi değil

and we'll feed better

ve daha iyi besleneceğiz

because you will be doing something that's called overfeeding

çünkü aşırı beslenme denen bir şey yapacaksın

which is, you would be overestimating how well you do things

yani, işleri ne kadar iyi yaptığını abartıyor olmalısın

so maybe if you put enough variables

belki yeterince değişken koyarsan

and you have a set of points, right?

ve bir takım puanların var, değil mi?

and then you will do this and you say

ve sonra bunu yapacaksın ve

okay, I exactly predict everything

tamam, tam olarak her şeyi tahmin ediyorum

but then reality is that at some point you will get something there

ama gerçek şu ki, bir noktada orada bir şey alacaksın.

and you're totally wrong

ve sen tamamen yanılıyorsun

So, many parameters makes things hard

Bu yüzden birçok parametre işleri zorlaştırıyor

en iyi hale getirmek için

so, in a plot structure...you have all of these

yani, bir arsa yapısında ... bunların hepsine sahipsin

and then you have this variable that is a summation

ve sonra bir toplamı olan bu değişken var

and this is your output

ve bu sizin çıktınız

and what you can do, as opposed to this, a deep structure

ve yapabileceğiniz şey, bunun aksine, derin bir yapı

so a flat structure is just kind of traditional machine learning

bu yüzden düz bir yapı sadece geleneksel bir makine öğrenmesi türüdür

Neural networks is something that has been around for a very long time.

Yapay sinir ağları uzun zamandır etrafta olan bir şey.

and neural network can be either shallow

ve sinir ağı sığ olabilir

shallow is better, it's a better name

sığ daha iyi, daha iyi bir isim

shallow structure or

or it can be a deep structure

ya da derin bir yapı olabilir

Shallow learning, we add everything together

Sığ öğrenme, her şeyi bir araya getiriyoruz

we come up with a number

bir sayı bulduk

That number gives us, "how good is this or how bad is that"

Bu sayı bize “bu ne kadar iyi ya da ne kadar kötü”

Deep learning, other stuff's going on, right?

Derin öğrenme, başka şeyler oluyor, değil mi?

Yeah, so there's some variables in the middle

Evet, ortada bazı değişkenler var.

in between your input, the values that you are able to measure

girişiniz arasında ölçebileceğiniz değerler

like the size of the flat or the year of construction

dairenin büyüklüğü veya yapım yılı gibi

and something happens that tells you some intermediate variables

ve size bazı ara değişkenleri söyleyen bir şey olur

and then from these intermediate variables you will get the output

ve sonra bu ara değişkenlerden çıktı alacaksınız

you will get the prediction, or maybe

Tahminde bulunacaksınız, ya da belki

you will put yet another intermediate set of variables

bir başka ara değişken grubu daha koyacaksınız

So, uhm...There are some compound concepts that might

Yani, uhm ... Olabilecek bazı bileşik kavramlar var.

be good for predicting

tahmin etmek için iyi ol

what you want to know. If you could have

ne bilmek istiyorsun. Eğer yapabilseydin

direct prediction of this kind of structure

bu tür bir yapının doğrudan tahmini

that would tell you what is the price

bu sana fiyatın ne olduğunu söylerdi

but maybe, the most relevant variables, in order to decide

fakat belki de en uygun değişkenler

what is the pricing is not one

fiyat nedir tek değil

of these things that were inputted

girilen bu şeylerden

you might have to find some concepts that relate to a subset of this

bunun bir alt kümesi ile ilgili bazı kavramları bulmanız gerekebilir.

in a certain way and that this is the real important

belli bir şekilde ve bunun asıl önemli olduğu

so, for example, you might want to have

yani, sahip olmak isteyebilirsiniz

either a very large house with

ya çok büyük bir ev

several bathrooms

or you might want to have a small house and that having one bathroom

ya da küçük bir evin olması gerekebilir.

is not a problem

this type of concept is a combination of more than one...you cannot decide

bu tür bir konsept birden fazla birleşiyorsa ... karar veremezsin

having one bathroom is bad

bir banyo yapmak kötü

because it depends on the number of square meters of the house

çünkü evin metrekare sayısına bağlıdır.

the idea is that with deep learning, this thing right here will not be the price

Fikir şudur ki, derin öğrenme ile, buradaki tam da bu fiyat olmayacak

this will be this intermediate concept

bu, bu ara konsept olacak

you will say, for example, I will create a concept

Mesela, ben bir konsept yaratacağım.

that you have bathrooms

banyoların var

and number of rooms

ve oda sayısı

one one variable

and then these other things in here will not really matter

ve sonra buradaki diğer şeyler gerçekten önemli olmayacak

and then you can have something here that is basically

Ve sonra burada temel olarak bir şey olabilir

square meters...like, it's an important variable

metrekare ... gibi, önemli bir değişken

independently of anything else

her şeyden bağımsız

so, we will keep these. These are the only things that matter

bu yüzden bunları saklayacağız. Önemli olan tek şey bunlar.

for this variable, right?

bu değişken için değil mi?

You know, maybe the year is a really good thing to have a new flat but maybe

Bilirsin, belki de yıl yeni bir daireye sahip olmak için gerçekten iyi bir şeydir ama belki

if the property is more than 100 years old

mülk 100 yıldan daha eskiyse

suddenly it becomes really good

aniden gerçekten iyi olur

and maybe you want to have a concept that says

ve belki de söyleyen bir konsepte sahip olmak istersiniz

"Is this a new property or..."

"Bu yeni bir mülk mü yoksa ..."

you will have yet another concept that says "it's a historic property", right?

"tarihi bir özellik" diyen başka bir konseptiniz olacak, değil mi?

and this will depend on the year but the type of relation

ve bu yıla bağlı olacaktır, ancak ilişki türü

will be different because suddenly

aniden farklı olacak çünkü

it's not that old is bad

o kadar eski değil kötü

all becomes good

her şey iyi olur

so you have to have all this set of intermediate concepts

bu yüzden tüm bu ara kavramlara sahip olmalısınız

in a way that now you can use them to decide

Şimdi karar vermek için onları kullanabileceğin bir şekilde

on the pricing of your house

evinizin fiyatlandırılması üzerine

and these will be more meaningful, more representative

ve bunlar daha anlamlı, daha temsili olacak

of what people see

insanların gördüklerinden

than just having the pure basic measure of things

sadece temel şeylerin saf ölçüsüne sahip olmaktan çok

so, once you mix and combine some of these

yani, bir kez bunları karıştırıp birleştirdiğinizde

will give you attributes

size nitelikler verecek

that are better in order to predict

tahmin etmek için daha iyi

but you can just do it again and again, right?

ama tekrar tekrar yapabilirsin, değil mi?

so, there's no reason why you have to combine these things

bu yüzden, bunları birleştirmek zorunda olmanız için hiçbir neden yok

sadece bir kere

and suddenly you want, I don't know, for whatever reason you might

ve aniden istediğini, bilmiyorum, ne nedenle olursa olsun

have a lot of market for

çok pazarlamak

very old houses that

çok eski evler ki

an even number of rooms and bathrooms

eşit sayıda oda ve banyo

and then you create yet another layer

ve sonra başka bir katman oluştur

so instead of having these connections directly

bu bağlantıları doğrudan yapmak yerine

to the pricing of the

fiyatlandırması için

house, you have yet another connection

ev, başka bir bağlantın var

we said that we have house with

evimiz olduğunu söyledik

that is really old so it just went up in value because it's a historical building

Bu gerçekten eski, bu yüzden sadece değeri yükseldi çünkü tarihi bir bina

and then you have a very good configuration of

ve sonra çok iyi bir yapılandırma

rooms and bathrooms, right?

oda ve banyolar değil mi?

so this means that, for example, this variable here

yani bu, örneğin, buradaki değişken

that captures whether a good balance of rooms and bathrooms

Bu, iyi bir oda ve banyo dengesi olup olmadığını yakalar

will have a high value

değeri yüksek olacak

we say that this variable is active

bu değişkenin aktif olduğunu söylüyoruz

this will mean that, yeah, you have this variable active

bunun anlamı, evet, bu değişken aktif

you have this one...there was the one representing

buna sahipsin ... temsil eden de vardı

whether the building was becoming historical

binanın tarihi olup olmadığı

and with these two things having high value

ve bu iki şeyin değeri yüksek

then you have a high value also for

o zaman için de yüksek bir değere sahip

this variable over here

buradaki değişken

that will mean that you get really high

Bu gerçekten çok yüksek olduğun anlamına gelir

selling price in the end

sonunda satış fiyatı

instead, if you have a really bad

bunun yerine, eğer gerçekten kötüysen

combination of room, bathroom

oda, banyo kombinasyonu

this variable here will have very low

buradaki değişken çok düşük olacak

value and then, instead of this variable

değer ve sonra bu değişken yerine

you will have the other one

diğerine sahip olacaksın

being active and

you will have a low selling value

düşük satış değerine sahip olacaksın

or lower than the other case

veya diğer davadan daha düşük

so these represent a kind of choices that

bu yüzden bunlar bir seçenek

actually you can make

aslında yapabilirsin

when you reason about things

bir şey hakkında sebep olduğunda

So, what do you want?

Yani ne istiyorsun?

We want, not only, like, square meters

Sadece metrekare gibi değil

rooms, bathrooms

odalar, banyolar

you actually take decisions based on

aslında dayalı kararlar alıyorsun

the combinations, right?

kombinasyonlar değil mi?

so, you will say, "Well, you know, it is a large flat"

yani, "Biliyorsun, büyük bir daire" diyeceksin.

"but the distribution is really good", right?

"ama dağıtım gerçekten iyi", değil mi?

So, this is a kind of combination of two

Yani, bu iki tür bir kombinasyonudur

variables, having good distribution large

değişkenler, iyi dağılımlı büyük

maybe if the flat was large enough you wouldn't

belki daire yeterince büyük olsaydı

care so much about the distribution

dağıtıma çok dikkat et

and you can keep having this hierarchical

ve bu hiyerarşik olmaya devam edebilirsiniz

grouping of different variables

farklı değişkenlerin gruplandırılması

and the good thing about machine learning

ve makine öğrenmesi ile ilgili iyi şeyler

is that in the same way that you reason

bu senin neden yaptığın şekilde mi

try to find a correlation

bir korelasyon bulmaya çalış

that will explain these things together

bu birlikte açıklayacak

the machine is able to find grouping of different variables

Makine farklı değişkenlerin gruplandırmasını bulabilir

in a way that you basically have no idea what it means

temelde ne anlama geldiği hakkında hiçbir fikriniz yok.

but the machine knows that this is useful to take a decision

ancak makine bunun bir karar almak için yararlı olduğunu biliyor

So, the machine is trying out various different things and you've told me what the end point is.

Böylece, makine çeşitli farklı şeyler deniyor ve bana son noktanın ne olduğunu söylediniz.

And it worked out what...could you

Ve neyi çözdü ...

Exactly... the machine will be able to say, "Okay, in order to get an accurate prediction

Kesinlikle ... makine doğru bir tahmin alabilmek için "Tamam, diyebilecek.

you have to group these variables"

bu değişkenleri gruplandırmanız gerekiyor "

and create this kind of decision, right?

ve bu tür bir karar yaratın, değil mi?

So, if you meet all these conditions

Yani, tüm bu şartları yerine getirirseniz

then this thing will have a high value

o zaman bu şeyin değeri yüksek olacak

and whenever this thing happens and some other decisions like that

ve ne zaman bu şey olursa ve bunun gibi bazı kararlar

happen as well and they have high values

de olur ve onların değeri yüksektir

then this thing will happen

o zaman bu şey olacak

and you can get going really deep

ve gerçekten çok derinleşebilirsin

in this sense, right?

Bu anlamda doğru mu?

Uhm, but the idea is that

Uhm, ama fikir şu ki

You will take decisions based on these decisions

Bu kararlara dayanarak kararlar alacaksınız.

based on the input

girişe dayalı

values, right? So, you will

değerler değil mi? Yani yapacaksın

combine your inputs into some decisions that are intermediate

girdilerinizi ara kararlarla birleştirin

that are not really the pricing

bu gerçekten fiyatlandırma değil

and then you will have another

ve sonra bir tane daha olacak

layer that will decide on the price

fiyat konusunda karar verecek katman

If it tolerates you, it will give you some idea

Size tahammül ederse, size bir fikir verecektir.

of what's happening and you can sort of

Neler oluyor ve sen

I'm just gonna represent the other paddles...so we got two objects with the identical interfaces

Sadece diğer kürekleri temsil edeceğim ... yani aynı arayüze sahip iki nesnemiz var

one to represent the paddle on the left, one to represent the paddle on the right

biri kürek solda, biri kürek sağda

Similar videos:

Deep Learning - Computerphile
Computerphile
125.2K views 3.6K likes 45 dislikes 06 Jun 2018100% match

AlphaGo & Deep Learning - Computerphile
Computerphile
310.3K views 4.5K likes 353 dislikes 18 Mar 201675% match

Deep learning
Audiopedia
243 views 0 likes 0 dislikes 14 Aug 201467% match

What is Deep Learning?
Udacity
102.1K views 227 likes 3 dislikes 06 Jun 201667% match

Inside a Neural Network - Computerphile
Computerphile
347.3K views 6.4K likes 67 dislikes 30 Jun 201658% match

Deep Learned Super-Sampling (DLSS) - Computerphile
Computerphile
198.6K views 6.9K likes 74 dislikes 22 Feb 201942% match

Deep Dream (Google) - Computerphile
Computerphile
618.9K views 13K likes 127 dislikes 26 Aug 201639% match

K-means & Image Segmentation - Computerphile
Computerphile
198.8K views 4.3K likes 43 dislikes 14 Sep 201638% match

PDF, What is it FOR? - Computerphile
Computerphile
409K views 12K likes 144 dislikes 16 Sep 201637% match

Why C is so Influential - Computerphile
Computerphile
1.6M views 22.5K likes 1.6K dislikes 25 Aug 201737% match

Lambda Calculus - Computerphile
Computerphile
803.9K views 19.5K likes 567 dislikes 27 Jan 201736% match

How Face ID Works... Probably - Computerphile
Computerphile
194.3K views 5K likes 66 dislikes 01 Nov 201835% match

Computing Limit - Computerphile
Computerphile
358.4K views 11.3K likes 443 dislikes 03 Nov 201734% match

Where GREP Came From - Computerphile
Computerphile
644.1K views 23.4K likes 152 dislikes 06 Jul 201834% match

Web vs Internet (Deep Dark Web Pt1) - Computerphile
Computerphile
404.6K views 6.3K likes 159 dislikes 17 Jun 201634% match

Password Cracking - Computerphile
Computerphile
3M views 60.3K likes 1K dislikes 13 Jul 201633% match

Parsing Explained - Computerphile
Computerphile
134.2K views 3.6K likes 45 dislikes 13 Nov 201933% match

Inside the CPU - Computerphile
Computerphile
280.2K views 6.2K likes 94 dislikes 22 Mar 201733% match

ALGOL 60 at 60 - Computerphile
Computerphile
73.7K views 3.1K likes 20 dislikes 04 Jun 202033% match

How to Choose a Password - Computerphile
Computerphile
1M views 21.1K likes 235 dislikes 20 Jul 201632% match

Mac or PC? - Computerphile
Computerphile
587.9K views 9.7K likes 314 dislikes 21 May 201432% match

What is Bootstrapping? - Computerphile
Computerphile
375.1K views 5.5K likes 287 dislikes 19 Mar 201431% match

Finding the Edges (Sobel Operator) - Computerphile
Computerphile
359.3K views 6.9K likes 50 dislikes 04 Nov 201531% match

Dijkstra's Algorithm - Computerphile
Computerphile
1.1M views 23.1K likes 392 dislikes 04 Jan 201730% match

How Secure Shell Works (SSH) - Computerphile
Computerphile
741.8K views 16.7K likes -1 dislikes 31 Jan 201930% match

Onion Routing - Computerphile
Computerphile
1.1M views 24.4K likes 255 dislikes 31 May 201730% match

Maze Solving - Computerphile
Computerphile
1M views 21.8K likes 295 dislikes 24 Feb 201730% match

Physics of Computer Chips - Computerphile
Computerphile
552.2K views 13.7K likes 207 dislikes 19 Aug 201630% match

50 Years of Computer Science: Professor Brailsford Q&A - Computerphile
Computerphile
81.3K views 3K likes 17 dislikes 22 Apr 202030% match

Internationalis(z)ing Code - Computerphile
Computerphile
911.6K views 32.5K likes 495 dislikes 04 Aug 201429% match

Settings Privacy About Contact Donate