How Face ID Works... Probably - Computerphile Computerphile English Turkish

How Face ID Works... Probably - ComputerphileYouTube↗ IA↗(long shot)
Education 194.3K views 5K likes 66 dislikes 01 Nov 2018 Show Contributors 1

Computerphile 2.6M subscribers N/A YouTube↗

Contributed subtitles

Turkish İhsan SOYDEMİR

Click to Play Video

Don't mind me I'm just shuttling pictures of computer barb people's basis. It's not at all weird Oh

Sadece Computerphile'dakilerin fotoğraflarını karıştırıyorum, garip bir şey yok! Allaah, dağıttık! Yüz Tanıma (Computerphile) Çeviri: İhsan SOYDEMİR

In the last video we talked about how do you find faces quickly in an image?

Son videoda, bir görüntüde yüzleri hızlı bir şekilde nasıl tespit edeceğimizden bahsettik.

that's I guess nowadays only half the story if you want to unlock a face of your phone or

Ama sanırım, "tespit etmek" (detection) bu işin sadece yarısı. Yüz algılama özelliği ile telefonunuzu açmak mı istiyorsunuz?

You want to unlock it with your computer or you want to just recognize who's in a picture?

Bilgisayarınızın kilidini açmak mı istiyorsunuz yoksa sadece resmin içinde kim olduğunu görmek mi istiyorsunuz?

That's face recognition not face detection. We can't just train a classifier

Bu yüz tanıma(recognation), yüz tespit etmek değil.

We can't just say here's 1,500 images of Shawn and 1,500 images of Mike what work out what the difference is because it will do that and then I'll say well here's a picture of Steve and it will

Bu iş için bir sınıflandırıcı(classifier) eğitilemez. Şu şekilde eğitemeyiz: "Al sana 1500 tane Mike fotoğrafı! 1500 tane de Shawn fotoğrafı! Farklarını öğren" Çünkü böyle yaparsak mesela yeni bi' fotoğraf geldi ismi Steve olsun...

Go

"Ne bu ya? Mike mı?"

Mike you know because it's only got two options like so then we have to retrain it and you'll notice that when you sign up For your phone the first time and it recognizes your face

Niye? Çünkü sadece iki seçeneği var (Mike veya Shawn), o yüzden onu tekrar eğitmeliyiz. Düşünün! Telefonunu aldınız, bi' kez yüzünüzü tanıttınız... Ve bu kadar!

It doesn't have to train a network right because that would take way too long. How does it do it?

Herhangi bir sinir ağı eğitmiyor değil mi? Zaten bu çok uzun sürerdi! İyi de bunu nasıl yapıyor?

Will be answer is basically we train a network to distinguish the differences between faces rather than actually recognizing individual faces

Cevap şu: Basitçe... direkt olarak yüzün kime ait olduğunu bulması için değil, yüzlerin farklarını birbirinden ayırt etmesi için bir ağ kuruyoruz.

I've got some printer here with his max

İşte Max'ın fotoğrafı!

Here's me Shawn and Dave and so on right I've got lots of lots of computer power hosts in here

Shawn var, Dave var, bir sürü var... Computerphile hocaları falan işte!

So what I could do is I could say well here's a picture of Max and here's a picture of Mike

Şimdi, Max'ın fotoğrafı var Mike'ın var...

So I have some you know

some convolutional layers or something and I have a network here and that goes all the way deep network up to a

bazı "evrişimli katmanlar"(convolutional layers) ve burada bir ağım var ve bu ağa kadar uzanan bir derin ağa oradan sınıflandırmaya uzanıyor.

classification but lights up with Max or Mike

Max ya da Mike çıktısını verecek.

The problem is that we bring in Shawn and everything's ruined you're put in a funny face

Sorun şu ki: Mesela, Shawn’u getirelim her şey mahvolacak. Sırıtsa bile kurtarmaz!

That doesn't help the standard way of training a network which is giving it an image and a label and saying learn to be better

Bu, bir resim ve bir etiket veren ve daha iyi olmayı öğrenen bir ağın standart eğitim tarzına yardımcı olmaz.

With predicting that isn't going to work because we don't know how many people are going to use this system

Bu işe yaramaz çünkü bu sistemi kaç kişinin kullanacağını bilmiyoruz.

We can't put them all in

Hepsini, hepsini koyamayız!

All right, otherwise companies have been tapping you up for face pictures before they even release the phone we say well

Yani diğer türlü, şirketler telefonlarını çıkarmadan önce bizden fotoğraflarımızı isterlerdi. Ee o zaman...

Why don't we train a network to instead of saying bitties? Definitely someone to just say these are their features, right?

O zaman, bir ağı eğitirken "Bak bu Mike'dır" yerine neden "Mike'ın özellikleri bunlar!" demiyoruz ki, değil mi?

And hopefully when we if it's good at it, it will say that their features are different to someone else's features. That's the idea

Öyle umuyoruz, eğer bu konuda iyi olursak, özelliklerinin başkalarının özelliklerinden farklı olduğunu söyleyebilecektir. Olay bu!

So what we're actually doing is we're training a network to separate people out

Yani aslında yaptığımız şey, insanları ayırmak için bir ağ eğitiyoruz.

Let's say you put me in and this network that I'm designing has a lot of layers in it all the way along here

Hadi benim fotoğrafımı koyalım, ve tasarladığım bu ağın, buralarda bir çok katmana sahip olduğunu varsayalım.

But instead of outputting a single decision as to who this is it outputs a series of numbers

Ancak bunun kim olduğuna ilişkin tek bir karar vermek yerine, bir dizi sayı çıkarır.

So let's say a vector of numbers here like this

Bu yüzden burada böyle bir sayı vektörü olsun

I didn't maybe matter how many there are for now

Şu an için kaç tane olduğu önemli değil

and what we're saying is when we put me in these numbers need to be different than when we put

yani beni bu sayılara koyduğumuzda...

Maxine or when we put let's see

Max'i koyduğumuzdan farklı olmalı! Ya da...

Who else we got Dave right when we put Dave in his numbers come out different to mine, right?

Dave'i başkalarına koyduğumuzda Dave'in sayı dizisi benimkinden farklı geliyor, değil mi?

And it's those numbers which are kind of like a fingerprint for each person. So, how do we do this?

Ve bu her insan için parmak izi gibi olan rakamlar. Peki bunu nasıl yapıyoruz?

We use a special kind of learning or a special kind of loss function called a triplet loss

Özel bir öğrenme türü, üçlü kayıp(triplet loss) olarak adlandırılan özel bir kayıp fonksiyonu kullanıyoruz

Right all this is one of the ways you can do it. There were a few

Bunu yapabileceğiniz birkaç tane yolu vardı. Ben birini anlatacağım.

So what we say is we say what we put in three images at once

Üç fotoğrafı bir anda koyalım

here's two images of me and one image of Dave and what we want to do if

"işte benim iki fotoğrafım ve Dave'in bir fotoğrafı" yapmak istediğimiz...

We want to change the network so that when we put these fujas through these two are rated very similar and these two pairs

Ağı öyle değiştirmek istiyoruz ki, bu ikili çok benzer, bu ikili ise

Are rated is very different

çok farklı derecelendirildi.

And actually what we'd usually do is we label this one and anchor this one a positive sample and this one a negative sample

Ve aslında bunu yaptığımız şey, bunu etiketliyoruz ve bunu pozitif bir örnek ve buna negatif bir örnek(sample) veriyoruz.

So we're saying but a distance between these two has to be very similar and the distance between these has to be very far apart

Yani diyoruz ama bu ikisi arasındaki mesafenin çok benzer olması ve bunların arasındaki mesafenin çok uzak olması gerekiyor.

So let's imagine it was only two numbers out. So we're putting ourselves on a sort of 2d. Grid, right?

Yani sadece iki sayı olduğunu hayal edelim. Yani kendimizi bir tür 2B'ye koyuyoruz. Izgara, değil mi?

So this this is variable one and this is available to that come out of our network, right?

Öyleyse bu birinci değişken, bu ikinci değişken... Bunlar eğittiğimiz ağlardan gelen çıktılar, değil mi?

So this is our network like my anchor is is a picture of me a positive sample and a negative sample, which is Dave

Ağımız şöyle olacak: Sabit olan benim fotoğrafım, pozitif işaret de benim, negatif ise Dave.

so I put them through the network and what we trained it to do is separate out the pictures of me in the pictures of

Onları ağa koydum. Ağı öyle bi' eğittim ki benim fotoğraflarım ile Dave'ınkileri ayırması gerek

Dave so I maybe get put over here

Bu yüzden buraya konabilirim

So I get a very high value for - and a very low value for number one. Let's say all right

Bu yüzden 2 için çok yüksek bir değer elde ediyorum - ve 1 numara için çok düşük bir değer.

Dave gets a very high value for number one and a very low value for number two

Farzedin ya... Dave, 1numara için çok yüksek bir değer ve 2 numara için çok düşük bir değer alır

And then we start to repeat this process with different pairs of people and different positives and different negative samples. So let's say I

Ve sonra bu süreci farklı çiftler ve farklı pozitif ve farklı negatif örneklerle tekrarlamaya başlarız. Yani diyelim ki

Mean, why did I shuffle these? That's a real?

Neden, bunları neden karıştırdım? Asıl soru bu.

Okay. So let's say two pictures of op miles. That's why he's not nice to avoid my printer and one picture of Sean, right?

Tamam. Öyleyse iki tane Miles fotoğrafı gösterelim. 1 tane de Sean

So maybe what miles gets put over here near me, which is not so good

Yani belki de Miles'ı buraya yaklaştırıyor, iyi bişey değil...

But we'll get to that and then you're put over here like this and then maybe later on

Ve sonra buraya bu şekilde koyulduktan sonra belki daha sonra

We have two pictures of me and one of Rob which moves Rob down here a little bit and then Dave gets put over here

Burada Rob'u biraz aşağıya doğru hareket ettiren Rob ve Rob'un iki fotoğrafı var.

And you know max gets put over here somewhere negative values are also allowed and what we're trying to do

Şimdi, Dave buraya, Max buraya konur, negatif değerler de izin verilir ve yapmaya çalıştığımız şey

Is make sure that everyone is nicely separate, okay?

Herkesin birbirinden ayrı olduğundan emin ol, tamam mı?

now if you do this for just a few people what you're actually doing is just classifying them but if you do this for

Şimdi bunu sadece birkaç kişi için yaparsanız, aslında yaptığınız şey sadece onları sınıflandırmaktır, ancak bunu

Thousands of different humans of all different ethnicities and different poses and different lighting conditions eventually

Farklı etnik grupların binlerce farklı insanı için farklı pozlar ve farklı aydınlatma koşulları sonunda yaparsanız

The network is going to start to learn how to I mean actually that's not right because Dave's far away from Dave, right?

ağ, doğru şekilde öğrenmeye başlayacaktır çünkü Dave Dave'den uzaktadır, değil mi?

So hopefully we start to come together

Umarım bir araya gelmeye başlarız

But that's you've got a train for a long time

Ama bu uzun süreli bir eğitimin var.

And let's not let Steve off. The hook is Steve over here high value of two high value of one, whatever

Ve bırak Steve kalsın. Steve, burada iki yüksek değerin yüksek değeri.

That means the interesting thing about this is we're not performing a classification which is performing a dimensionality reduction

Bununla ilgili ilginç olan şey, dimensionality reduction(boyutsal indirgeme) yapan bir sınıflandırma yapmıyoruz.

We're saying how do we represent people as just these two numbers right or in the case of actual?

İnsanları sadece iki sayı ile nasıl temsil ettiğimize bakıyoruz.

Deployments of this maybe 128 or 256 numbers somewhere in this space

128 veya 256 sayı olabilir. Burda bi yerde...

when you put my face in I'll appear and when you put Steve's face in it'll peer somewhere else and this actually solves a really

yüzümü içine koyduğunuzda ben görüneceğim ve Steve'in yüzünü koyduğunuzda başka bir yere aktaracak ve bu gerçekten gerçekten

Nice problem right? It's called the one-shot learning problem

Güzel sorun değil mi? Tek vuruş(one-shot) öğrenme problemi deniyor

How do we convince a phone to let me in having only seen one ever picture of my face?

Beni bizi bir kere görerek telefonumu kilidi açmaya nasıl ikna ederiz?

Which is when I first, you know

İlk önce bu, biliyorsun

Calibrated it the first time and the answer is we don't train a neural network to classify me

İlk defa tanıttığımız zaman. Beni sınıflandırması için sinir ağını eğitmiyoruz

We just use the existing network that we trained on thousands of thousands of people doing this

Sadece binlerce, on binlerce insan üzerinde eğittiğimiz mevcut ağı beni buraya bir yere koymak için kullanıyoruz.

To put me somewhere on here and then we record that location and then when I come in again and try and unlock the phone

Koyduğumuz o yeri kaydediyoruz ve sonra tekrar geldiğimde telefonu açmaya çalışıyorum.

Do does my new image go to the same place in this space as my last one?

Yeni resmim bu alandaki son yerimle aynı yere mi gidiyor?

So let's say I get put over here with a high value of two and a low value of one

Öyleyse buraya yüksek bir 2 değeri ve düşük 1 değeri olan bir yere koyduğumu söyleyeyim

I take another picture of myself on my camera and I come in over here and it goes well, that's pretty close

Fotoğraf makinemde kendime başka bir fotoğraf çekiyorum ve buraya geldim ve iyi gidiyor, bu oldukça yakın

Okay, we'll let them unlock the phone. Right but max comes in and gets put over here that's judged as to higher difference and

Tamam, telefonun kilidini açalım. Doğru ama Max gelir ve daha yüksek bir fark olarak değerlendirilen buraya koyulur.

Access is denied, right this is how it works

Erişim engellendi, işte böyle çalışıyor

And this is really clever because it means that the actual decision making process on whether you're allowed in or not

Ve bu gerçekten zekice, çünkü izin verilip verilmediğine dair gerçek karar verme süreci anlamına geliyor.

It's based on just the distance of these numbers right in which case is like 128 numbers. Sure. This is

Bu sayıların tam olarak uzaklığı bu örnekte 128 sayı kadardır. ( Tamam....

Susceptible to problems

bu biraz kırılgan değil mi)

So it is and this is one of the things that Apple for example with their face ID

Yani bu, Apple'ın örneğin yüz tanıması(faceID) ile olan şeylerden biri.

Have yeah, if you bear in mind, of course haven't told me how they do it, right?

Evet, eğer akıllı olursanız, tabiki nasıl yaptıklarını bana söylemediler değil mi?

So nor would they but we can presume it works something like this. We have a depth camera as well

Ama bunun böyle bir şey çalıştığını varsayabiliriz. Derin bir kameramız var

But they will have included in their training set

Ama onların eğitim setine dahil olacaklar.

pictures of people in masks and pictures of people with different hair and pictures of people in strange locations and things

Bir sürü fotoğraf... Maskeli ve farklı saç ve insanların garip yerlerde ve böyle bir çok....

So the network learned to ignore those things, right?

Yani ağ bu tip şeyleri görmezden gelmeyi öğrendi, değil mi?

If you never showed it to the network, you're right B will just miss classifier all the time

Ağa hiç göstermediysen, haklısın her zaman yanlış sınıflandıracak.

That's that's the problem

If you only train this to separate me in day when you put Steve in its behavior is going to be undefined

Sadece Dave ile beni ayırt etmesi için eğitirseniz Steve'i koyunca ne yapacağını tanımlayamayız

Right, so but that's kind of how neural networks work. They often undefined you hope that you put in a good enough training set

Doğru, ama yapay sinir ağları böyle çalışır. Genellikle tanımsızdırlar. Yerinince güzel bi dataset(eğitim verisi) sağlarsın,

So but for the vast majority

Yani büyük çoğunluk için

99.999% of cases it works very consistently and it says no they come out over here, which is not close enough

Vakaların %99,999'u çok tutarlı bir şekilde çalışıyor ve buralarda dışarı çıkmadıklarını söylüyor, ki bu yeterince yakın değil.

So we're not unlocking the phone

Yani telefonun kilidini açmıyoruz

The interesting thing is it's much harder to gain this system than it is to gain a system based on simple decision-making, right?

İlginç olan şey, böyle bi sistem oluşturmak, basit bir karar verme sürecine dayanan bir sistem elde etmekten çok daha zordur.

So yes, you might be able to trick this to unlock a phone once or twice, right?

Yani evet, bir veya iki kez bir telefonun kilidini açmak için bunu kandırabilirsin, değil mi?

But if you try and recreate that same process with my face and unlock my phone, for example

Ama aynı süreci yüzümle yeniden başlatıp yeniden açarsanız, örneğin telefonumun kilidini açarsanız

maybe you won't have as much luck because

belki de çok şansın olmayacak çünkü

Exactly how its network works isn't clear even to the people that chain to trained it

Ağın tam olarak nasıl çalıştığı onu eğiten insanlar için bile net değildir.

Which is quite kind of its strength in this case, right? Maybe it's security for obscurity, right?

Belki de gücü burada. Belki de belirsizlik onun için güvenlik, değil mi?

Maybe there's a certain thing you can hold up in front and it'll always unlock right?

Belki de ekrana gösterebileceğin belli bir şey var ve her zaman kilidi açıyor?

It doesn't seem very likely but we don't know until we find those things. So

Çok olası görünmüyor ama biz bunları bulana kadar bilmiyoruz. Yani

It's the air as an interesting one for further study

Evet, bu da ilginç konuymuş aslında... Bakarız bi ara

I guess you were mentioning these features here people will ensure that as what can arise we've got all the hair

( Bu... Özelliklerden bahsettiniz sanırım, insanlar emin olacaklar mı? Saçlar var...)

We've got I mean, is that what's going on?

Demek istediğim, bu devam ediyor mu?

Okay, we don't know right so we call this feature space for latent space

Tamam, bilmiyoruz ki, bu nedenle uzamsal alan için bu özellik alanını kullanıyoruz

It's a kind of space just before

Bu daha önce bir tür boşluk

Classification where it's you've got features but these features in a deep network are or mean

Sahip olduğunuz özelliklere sahip sınıflandırma, ancak bu özellikler derin bir ağda veya

We've had a look at sort of inside and your network before and they kind of a sort of

Ağınıza daha önce bir baktık ve bir çeşit

Combinations of edges and things like this it is going to be bored leaf or something trained on human faces

Kenarların kombinasyonları ve bunun gibi şeyler sıkılmış yaprak ya da insan yüzlerinde eğitilen bir şey olacak

It's going to be broadly the kind of face related features because otherwise it wouldn't work as a as a trained network

Genel olarak yüzle ilgili özelliklerden biri olmalı çünkü aksi takdirde eğitimli bir ağ olarak çalışmaz

But exactly what it does. We don't know does it wait hairs more important than eye color

Ama tam olarak ne yapar? Biz bilmiyoruz kılları göz renginden daha önemli kılıyor mu?

I don't know and neither do the people that run it I expect they're trained with different haircuts

Bilmiyorum ve bunu eğiten mühendisler de bilmiyor. Farklı saç kesimleriyle eğittiklerini sanıyorum.

So so that they forego this kind of issue

Böylece böylesi bir sorunu önlediler

But of course you have to be careful doing that, right?

Ama tabi ki bunu yaparken dikkatli olmalısın, değil mi?

Because if you can shave your head and still unlock the phone, is that as secure as a phone

Çünkü kafanı traş edebilir ve hala telefonun kilidini açarsan,

But you couldn't do that on my it's not usable

bunu yapamadığın bir telefon kadar güvenli midir? Tamam, eskiler o kadar kullanışlı değil...

So that's the other reason they do it, but you get the idea but you've noticed from this two dimensional space

Zaten ondan yüz tanıma çıktı ama olayı anladınız. Bu iki boyutlu alanı...

Which I've done just for simplicity. It becomes difficult to separate out everyone in this space. So who else have we got?

...sadece basitleştirmek için yaptım. Bu alanda herkesi ayırmak zor oluyor. Başka kim var?

So you're in here you're in over here. So maybe your images are here blobs. Images are here

Yani buradasın şurdasın. Belki de senin resimlerin burada lekeler var. Görüntüler burada

They start to take up quite a lot of room one got a few of them

Bir kaçı alan oldukça fazla yer almaya başladılar.

And that's a bit of a weird one, right? So that goes over here and and and maxes over here

Ve bu biraz garip bir şey değil mi? Yani bu buraya gider ve burada Max olsun...

So it's getting a bit cluttered, right?

Yani biraz dağınıklaşıyor, değil mi?

So the decision on whether to unlock a phone becomes more difficult, so we don't usually do this in two dimensions

Bu dağınıklık, bir telefonun kilidini açmaya karar vermenin zorlaşması anlamına geliyor. Bu yüzden genellikle bunu iki boyutta yapmıyoruz.

We do it in 128 or 256 dimensions. So but spacing these things out for many many people is much much easier

Bunu 128 veya 256 boyutta yapıyoruz. Ama bu şeyleri ayırmak birçok insan için çok daha kolay

I would say that it's likely that someone on earth will be able to unlock

Hatta dünya üzerinde herhangi biri buradakine o kadar benzer ki

Someone's phone like this because they look similar enough to them

onun telefonunun kilidini açabilir.

But the chances of that person being the one that steals your phone is pretty slim so I really wouldn't worry about it too much

Ama o kişinin (size aşırı benzeyen) telefonunuzu çalan kişi olma ihtimali oldukça zayıf...

And this pixel was going to be always three. So that's going to be 12

...bu yüzden çok fazla endişelenmiyorum. Ve bu piksel her zaman 3 olacaktı. Yani bu 12 olacak

14 23 and now we fast forward while I do a bit of math in my head 8

14 23 ve şimdi kafamda biraz matematik yaparken ileriye doğru ilerliyoruz 8

On a computer. This is much much faster likely to be on a network which is limited in what it can connect to

Bilgisayarda. Bu, ağa bağlanabileceği kadarıyla sınırlı bir ağda bulunma olasılığının çok daha hızlıdır.

It's probably likely to be able to connect to other board management controllers on the same network

Büyük ihtimalle aynı ağdaki diğer yönetim kurulu denetleyicilerine bağlanabilme olasılığı yüksektir.

Similar videos:

Deep Learning - Computerphile
Computerphile
392.2K views 6.1K likes 280 dislikes 19 Apr 201635% match

Resizing Images - Computerphile
Computerphile
360.9K views 8.5K likes 115 dislikes 02 Sep 201632% match

Inside a Neural Network - Computerphile
Computerphile
347.3K views 6.4K likes 67 dislikes 30 Jun 201632% match

CNN: Convolutional Neural Networks Explained - Computerphile
Computerphile
718K views 11.2K likes 142 dislikes 20 May 201629% match

How Computer Memory Works - Computerphile
Computerphile
728.7K views 11.6K likes 385 dislikes 23 Jun 201429% match

How to Choose a Password - Computerphile
Computerphile
1M views 21.1K likes 235 dislikes 20 Jul 201628% match

Password Cracking - Computerphile
Computerphile
3M views 60.3K likes 1K dislikes 13 Jul 201628% match

How Blurs & Filters Work - Computerphile
Computerphile
423.4K views 8.8K likes 120 dislikes 02 Oct 201528% match

Deep Dream (Google) - Computerphile
Computerphile
618.9K views 13K likes 127 dislikes 26 Aug 201627% match

Finding the Edges (Sobel Operator) - Computerphile
Computerphile
359.3K views 6.9K likes 50 dislikes 04 Nov 201527% match

Dijkstra's Algorithm - Computerphile
Computerphile
1.1M views 23.1K likes 392 dislikes 04 Jan 201726% match

Onion Routing - Computerphile
Computerphile
1.1M views 24.4K likes 255 dislikes 31 May 201726% match

Maze Solving - Computerphile
Computerphile
1M views 21.8K likes 295 dislikes 24 Feb 201726% match

Buffer Overflow Attack - Computerphile
Computerphile
1.5M views 32.2K likes 320 dislikes 02 Mar 201625% match

ALGOL 60 at 60 - Computerphile
Computerphile
73.7K views 3.1K likes 20 dislikes 04 Jun 202025% match

PDF, What is it FOR? - Computerphile
Computerphile
409K views 12K likes 144 dislikes 16 Sep 201624% match

Why C is so Influential - Computerphile
Computerphile
1.6M views 22.5K likes 1.6K dislikes 25 Aug 201724% match

SHA: Secure Hashing Algorithm - Computerphile
Computerphile
874.6K views 14.8K likes 394 dislikes 11 Apr 201724% match

End to End Encryption (E2EE) - Computerphile
Computerphile
450.6K views 11.2K likes 168 dislikes 30 Mar 201724% match

TOR Hidden Services - Computerphile
Computerphile
859.3K views 16.2K likes 242 dislikes 09 Jun 201724% match

Slow Loris Attack - Computerphile
Computerphile
962.6K views 31.1K likes 265 dislikes 09 Nov 201624% match

Mac or PC? - Computerphile
Computerphile
587.9K views 9.7K likes 314 dislikes 21 May 201423% match

Lambda Calculus - Computerphile
Computerphile
803.9K views 19.5K likes 567 dislikes 27 Jan 201723% match

How Secure Shell Works (SSH) - Computerphile
Computerphile
741.8K views 16.7K likes -1 dislikes 31 Jan 201923% match

Cookie Stealing - Computerphile
Computerphile
992.7K views 17.2K likes 210 dislikes 01 Jun 201623% match

Physics of Computer Chips - Computerphile
Computerphile
552.2K views 13.7K likes 207 dislikes 19 Aug 201623% match

50 Years of Computer Science: Professor Brailsford Q&A - Computerphile
Computerphile
81.3K views 3K likes 17 dislikes 22 Apr 202023% match

Internationalis(z)ing Code - Computerphile
Computerphile
911.6K views 32.5K likes 495 dislikes 04 Aug 201422% match

Wana Decrypt0r (Wanacry Ransomware) - Computerphile
Computerphile
1.4M views 30.1K likes 640 dislikes 15 May 201722% match

Parsing Explained - Computerphile
Computerphile
134.2K views 3.6K likes 45 dislikes 13 Nov 201922% match

Settings Privacy About Contact Donate