AlphaGo & Deep Learning - Computerphile Computerphile English (United Kingdom) Turkish

AlphaGo & Deep Learning - ComputerphileYouTube↗ IA↗(long shot)
Education 310.3K views 4.5K likes 353 dislikes 18 Mar 2016 Show Contributors 2

Computerphile 2.6M subscribers N/A YouTube↗

Contributed subtitles

English (United Kingdom) Eelco de Wit

Click to Play Video

(The Alpha Go has been using Deep Learning to make this happen then?)

(The Alpha Go bunu gerçekleştirmek için Deep Learning'i kullanıyor mu?)

That's... I mean the company that did that, well, now is Google, right?

Yani ... Bunu yapan şirket, yani, şimdi Google, değil mi?

But it's Deep Mind company that was a startup in London and Google acquired them at some point,

Ancak Londra’da bir başlangıç yapan Deep Mind şirketi ve Google bir noktada onları satın aldı.

before actually anyone knew what they were doing, right?

Aslında kimse ne yaptıklarını bilmiyordu, değil mi?

So they were smelling that it was something nice, right?

Yani güzel bir şey olduğunu kokuyorlardı, değil mi?

And, um, their, um -

Ve, um, onların, um -

Their best thing is that they're doing Deep Learning

En iyi şey, Derin Öğrenme yapıyor olmaları.

with Reinforcement Learning. Right?

Takviye Öğrenme ile. Sağ?

So Reinforcement Learning is the type

Yani Güçlendirme Öğrenme türü

of way you try to teach,

öğretmeye çalıştığın gibi

and Deep Learning is the type of algorithm

ve Derin Öğrenme algoritması türüdür

that you use to try to learn that.

Bunu öğrenmeyi denemek için kullandın.

Reinforcement Learning is exactly this thing of,

Takviye Öğrenme tam olarak bu şey,

I'm not gonna tell you exactly

Sana tam olarak söylemeyeceğim

what the output is.

çıktı nedir.

I'm just gonna tell you, What is the task,

Sana söyleyeceğim, görev nedir?

and I'm gonna tell you whether you're doing the task

ve sana görevi yapıp yapmadığını söyleyeceğim

well or bad. And it's gonna be your, uh,

iyi ya da kötü. Ve bu senin ...

your job, as an algorithm, to find the best way of doing this task.

İşiniz, bir algoritma olarak, bu görevi yapmanın en iyi yolunu bulmak.

The first idea that we have to understand is, what -

Anlamamız gereken ilk fikir, ne -

what we're trying to do with it, right, which is basically machine learning.

onunla ne yapmaya çalıştığımızı, doğru, bu temelde makine öğreniyor.

It's trying to automatically

Otomatik olarak çalışıyor

do some task that -

Bazı işler yapmak ki -

Well, we can do it by counting, usually, right?

Genelde saymakla yapabiliriz, değil mi?

We can do, basically, statistics.

Temel olarak istatistikleri yapabiliriz.

But if we have really a lot of numbers,

Ama eğer gerçekten çok sayıda numaramız varsa,

sona erebiliriz

doing some heuristics,

Bazı sezgisel araştırmalar yapmak,

what we can come up with.

ne bulabiliriz.

Then we might want to use computers

O zaman bilgisayar kullanmak isteyebiliriz

to actually learn

aslında öğrenmek

from these statistics in an optimum manner -

Bu istatistiklerden optimum şekilde -

Say, that the best way of

Diyelim ki, bu en iyi yol

finding this information out of

bu bilgiyi bulmak

these data that you have is following these rules, right?

Sahip olduğunuz bu veriler bu kuralları takip ediyor, değil mi?

So the computer does this for you.

Demek bilgisayar bunu senin için yapıyor.

This is the basic concept of machine learning.

Makine öğrenmenin temel konsepti budur.

One typical example is if you want to invest in, ah -

Tipik bir örnek yatırım yapmak istiyorsanız, ah -

either an exchange market, in the stock market -

Borsada, ya bir borsa -

something like that; and, uh,

bunun gibi bir şey; ve,

then, I guess the people that invest, they have

o zaman, sanırım yatırım yapan insanlar var

certain rules. Right? If you have

belirli kurallar. Sağ? Eğer varsa

the last five weeks going up in value,

son beş hafta değer kazanıyor,

then, overall, you expect that

o zaman genel olarak

this week will go down, because it's being,

bu hafta aşağı gidecek, çünkü

I don't know, like reaching a maximum;

Bilmiyorum, maksimuma ulaşmak gibi;

or this kind of idea, right?

ya da bu tür bir fikir, değil mi?

That, uh, you compute the

Bu, sen hesapladın

median of the last ten values, and

son on değerin ortancası ve

this gives you an idea of the *real* value,

bu size * gerçek * değerine dair bir fikir verir,

and if it's above that, it will go down;

ve eğer bunun üzerinde ise, aşağı inecektir;

and so forth. Right? But this is just basically

ve diğerleri. Sağ? Ama bu sadece temelde

heuristics that we *think* might work, right?

* Düşündüğümüz * çalışabileceğini sezgisel mi?

Then we can even, through experience,

O zaman deneyimle,

think that some are better than others,

bazılarının diğerlerinden daha iyi olduğunu düşünüyorum,

and so forth, right? But when we have, like,

ve diğerleri, doğru mu? Ama sahip olduğumuzda

50 values on the - of different stocks in the market,

Piyasadaki farklı stokların - üzerindeki 50 değer,

and we have, you know, like

ve biz biliyoruz ki

the currency exchange,

döviz değişimi

and we have many other factors, right?

ve diğer birçok faktör var, değil mi?

How to - How many rules can we find there?

Nasıl Yapılır - Orada kaç tane kural bulabiliriz?

How many heuristics? Right? This is just, almost

Kaç tane buluşsal? Sağ? Bu sadece, neredeyse

infinite number. So, uh -

sonsuz sayı. Yani, ah -

What you would like is,

İstediğin şey,

ideally, a way of choosing the best.

ideal olarak, en iyisini seçmenin bir yoludur.

And the computer has a capacity of checking them all.

Ve bilgisayarın hepsini kontrol etme kapasitesi var.

Right? You can do that, pen and paper.

Sağ? Bunu yapabilirsin, kalem ve kağıt.

You'd spend, like, 5 lifetimes doing it.

Bunu yapmak için 5 ömür harcayacaksın.

And, maybe, you know - by the time

Ve belki de bilirsin - o zaman

you finish, there's no stock market.

İşin bitince borsa yok.

But the computer does it, everything for you,

Ama bilgisayar yapar, senin için her şey.

very quickly. Right?

çok çabuk. Sağ?

The only thing is, it will not do something better

Tek şey, daha iyi bir şey yapmaz

than you can do, given enough time;

Yapabileceğinizden, yeterli zaman verildiğinde;

but it does it so much quicker

ama çok daha hızlı yapar

that you will never get there, right?

oraya asla varamayacaksın, değil mi?

So now we begin to see cases in which

Şimdi, hangi davaları görmeye başlıyoruz?

machine learning is actually doing

makine öğrenmesi aslında yapıyor

something better than humans, especially

özellikle insanlardan daha iyi bir şey

with very specific tasks

çok özel görevlerle

better than humans that are not experts

uzman olmayan insanlardan daha iyi

on that task. Right?

bu görevde. Sağ?

But, historically,

Ancak, tarihsel olarak

machine learning was always worse than

makine öğrenmesi her zaman daha kötüydü

an expert human doing something. Right?

Bir şeyler yapan uzman bir insan. Sağ?

So, one of the cases is this,

Demek olaylardan biri bu.

like, now-famous AlphaGo. Right?

gibi, şimdi ünlü AlphaGo. Sağ?

So, this is one of the few cases

Yani, bu birkaç davadan biri

in which machine learning has managed to beat -

hangi makine öğrenmenin yenmeyi başardığı -

to beat an expert. I mean, like

bir uzmanı yenmek için. Demek istediğim

the world expert on one specific problem. Right?

belirli bir problem için dünya uzmanı. Sağ?

And there's been this - all this

Ve bu oldu - hepsi bu

talking about why this is different from chess, right?

Bunun neden satrançtan farklı olduğu hakkında konuşmak, değil mi?

The main difference is that, for chess,

Ana fark, satranç için

you have a limited number of options, right?

sınırlı sayıda seçeneğiniz var, değil mi?

And, once you move one piece,

Ve bir kere bir parçayı oynattığın zaman,

then you have, I don't know how many options, right -

öyleyse, kaç seçenek bilmiyorum, doğru -

but again, a limited number.

ama yine, sınırlı sayıda.

So, you can organize that in a tree,

Yani bunu bir ağaçta düzenleyebilirsiniz.

and, more or less, check exhaustively.

ve, az ya da çok, ayrıntılı olarak kontrol edin.

You tell the program, This is what you want to do.

Programa söyle, yapmak istediğin bu.

Check all the options, and just

Tüm seçenekleri işaretleyin ve

do what is best according to

göre en iyisini yapın

what I told you that is good. Right?

sana söylediğim şey iyi. Sağ?

So, this is just a sheer competition of power

Yani, bu sadece bir iktidar rekabet gücü

in order to check the options. Right?

seçenekleri kontrol etmek için. Sağ?

This tells you, Our computers are really powerful.

Bu size, Bilgisayarlarımızın gerçekten güçlü olduğunu söylüyor.

Right? But it doesn't say anything about the algorithm itself.

Sağ? Fakat algoritmanın kendisi hakkında hiçbir şey söylemez.

Um, with Go, it's totally different

Um, Go ile tamamen farklı.

because there are so many options, that you cannot

çünkü yapabileceğiniz çok fazla seçenek var.

really check them. Right?

gerçekten onları kontrol et. Sağ?

A lot of people are repeating this fact, that there's

Bir çok insan bu gerçeği tekrar ediyor, orada

more Go positions than particles in the universe.

Evrendeki partiküllerden daha fazla Go pozisyonu.

The people in Deep Mind, which is the people

Derin Akıldaki insanlar, ki bu insanlar

that did this, have said that

Bunu yaptım, söyledik ki

they really don't know what kind of

Ne tür bir şey olduğunu gerçekten bilmiyorlar.

tactic the computer is following. Right?

taktik bilgisayar takip ediyor. Sağ?

They didn't really hard-code any tactic.

Gerçekten herhangi bir taktik kodlamadılar.

So, what they did is, um,

Yani, yaptıkları şey, um,

they created this machine learning algorithm

bu makine öğrenme algoritmasını yarattılar

that would play Go,

Bu Go oynayacak

right, and would play terribly.

doğru ve korkunç oynayacaktı.

It's just, you know, some random rules.

Sadece, bilirsin, bazı rastgele kurallar.

They didn't really have a clue how to implement that,

Bunun nasıl uygulanacağına dair ipucu yoktu.

so they started at some random

bu yüzden bazı rasgele başladılar

algorithm that would play Go terribly.

Go oynayacak bir algoritma korkunç git.

And the point is that they

Mesele şu ki onlar

pitted this, uh, this -

Bunu çukurlaştırdın, bu ...

this machine, this algorithm,

bu makine, bu algoritma,

against some other algorithm that would have

Diğer bazı algoritmalara karşı

different parameters. Right? Would play Go differently.

farklı parametreler. Sağ? Go farklı oynardı.

But you still wouldn't hard-code anything.

Ama yine de hiçbir şeyi zorlaştırmazsın.

You just would use some

Sadece biraz kullanırdın

parameters that would define how it would play,

nasıl oynayacağını tanımlayacak parametreler,

but you really don't know what the meaning of

ama ne anlama geldiğini gerçekten bilmiyorsun

these parameters are. Right? And they would play against each other.

bu parametreler. Sağ? Ve birbirlerine karşı oynayacaklardı.

And at some point, after, I don't know, 100 matches,

Ve bir noktada, sonra, bilmiyorum, 100 maç,

one would win. Right?

biri kazanacaktı. Sağ?

And then you say, OK, this one is better.

Ve sonra diyorsun ki, tamam, bu daha iyi.

And then, you keep these parameters, you change them somehow,

Ve sonra, bu parametreleri saklarsın, bir şekilde değiştirirsin,

and you keep on doing that for a very, very long time.

ve çok, çok uzun bir süredir bunu yapmaya devam ediyorsun.

It's a bit like evolution. There is a part of

Bu biraz evrim gibidir. Bir parçası var

computer science that is called evolutionary computing.

bilgisayar bilimi denilen evrimsel bilgi işlem.

So I don't want to - this is -

Yani istemiyorum - bu -

this is slightly different thing. Right?

bu biraz farklı bir şey. Sağ?

But the concept is, you have

Ama kavram şu ki, sen varsın

a parameter space, right?

bir parametre alanı değil mi?

And this will tell you all the possible ways

Ve bu size mümkün olan tüm yolları söyleyecektir.

to play Go, according to

göre, Go oynamak

your certain machine learning algorithm.

belirli makine öğrenim algoritmanız.

It will have certain possibilities

Bazı olasılıklara sahip olacak

that are specific to that algorithm.

bu algoritmaya özgüdür.

Ama sen sahipsin

a lot of parameters, and each

bir sürü parametre ve her biri

parameter can take a real value,

parametre gerçek bir değer alabilir

so, you have infinte possibilities.

öyleyse, daha düşük olasılıklara sahipsin.

And the question is how to find the best parameters

Ve soru, en iyi parametreleri nasıl bulacağınızdır.

to play Go. Most machine learning algorithms

Go oynamak için. Çoğu makine öğrenme algoritması

they have, you search for the optimum parameters

onlar, optimum parametreleri araştırıyorsun

in some other way.

başka bir şekilde.

This - This was a specific of a

Bu - bu belirli bir

type of problems that are called

çağrılan sorunların türü

Reinforcement Learning, where you -

Güçlendirme Öğrenme, neredesin -

ah, you basically tell them

ah, temelde onlara söyle

what you want to do, but, ah,

ne yapmak istiyorsun ama

you are not sure what is the

ne olduğundan emin değilsin

correct way of doing it. Right? And,

Bunu yapmanın doğru yolu. Sağ? Ve,

that's why Deep Mind says,

Bu yüzden Deep Mind diyor

We don't really know. Because they didn't

Gerçekten bilmiyoruz. Çünkü yapmadılar

give the examples for the machine to imitate.

makinenin taklit etmesi için örnekler verin.

They said, OK, try to learn by yourself. Right?

Dediler ki, tamam, kendin öğrenmeye çalış. Sağ?

This is what you want to do,

Yapmak istediğin bu,

what we want you to do. Just learn how to do it.

ne yapmanı istiyoruz. Sadece nasıl yapılacağını öğren.

Every time that the machine learning

Makine öğrendiği her zaman

decides a move, right?

harekete karar verir, değil mi?

So, this is what the algorithm is learning.

Demek algoritmanın öğrendiği şey bu.

We have this configuration; what is my

Bu yapılandırmaya sahibiz; gözlerimi nedir

next move? You are not specifying,

sonraki haraket? Belirtmiyorsun

"The best move is *this*" because no one knows.

"En iyi hamle * bu *" çünkü kimse bilmiyor.

Right? I mean, the idea is that they beat

Sağ? Demek istediğim, fikir şu ki, onlar dövdüler

the world champion. So, you know, maybe

dünya şampiyonu. Yani bilirsin belki

now, the algorithm was able

Şimdi, algoritma başardı

to figure out "Which next move is better?"

"Hangi sıradaki hamle daha iyi?"

better than the world champion. Right?

dünya şampiyonundan daha iyi. Sağ?

So, there's no [golden standard to imitate here.] [unsure] Right?

Yani, [burada taklit edecek altın standart yok] [emin değil] Doğru mu?

That's the difference, in essence.

Aslında, fark budur.

(I suppose I don't really understand the game Go,)

(Sanırım Go oyununu gerçekten anlamadım)

(so that doesn't help much.) Yes. (But I suppose, and the biggest thing)

(bu pek yardımcı olmaz.) Evet. (Ama sanırım en büyük şey)

(here is, um, feel free to kind of correct me,)

(işte, beni düzeltmekte özgürsün,)

(but, in Chess, you can brute-force it.)

(ama, Chess'de onu kaba bir şekilde zorlayabilirsin.)

Yeah. Yeah. (And in Go, you can't.)

Evet. Evet. (Ve Go, sen yapamazsın.)

Yeah. (Would that be fair?)

Evet. (Bu adil olur mu?)

That is - That is very fair. Yeah.

Bu - Bu çok adil. Evet.

I mean, you still have to do it smartly,

Yani, yine de akıllıca yapmalısın.

to brute-force it for Chess, because you

satranç için kaba kuvvet için, çünkü sen

have to find a way to tell the computer

bilgisayara söylemenin bir yolunu bulmak zorundayım

whether a move is a smart

Bir hareketin akıllı olup olmadığı

move or not, down the line. Right?

satır aşağı doğru hareket ettirin veya çekmeyin. Sağ?

But you still would check all the consequences

Ama yine de tüm sonuçlarını kontrol edersin

of your move, right? But this is

Hamlenin, değil mi? Ama bu

kind of the standard. You put a bit

standardın cinsi. Biraz koy

of domain knowledge, and you put brute force. Right?

alan bilgisinin ve kaba kuvvet koymak. Sağ?

The Go is a totally different game.

Go tamamen farklı bir oyundur.

So, this is really fair assessment of it.

Yani, bu gerçekten adil bir değerlendirme.

(So, basically, there were two sets of algorithms)

(Yani, temel olarak, iki algoritma grubu vardı)

(working against each other; and every time)

(birbirlerine karşı çalışmak; ve her zaman)

(one did a bit better than the other, they thought,)

(biri diğerinden biraz daha iyi yaptı, diye düşündüler,)

(Something about that is better.) Yes.

(Bununla ilgili bir şey daha iyidir.) Evet.

So, this, uh - There were two different

Yani, bu, ah - İki farklı vardı

set of parameters, right,

Parametre seti, doğru

of the same algorithm. Right? So the decisions

Aynı algoritmanın. Sağ? Yani kararlar

that it would take would be different.

alacaktı farklı olurdu.

The algorithm was the same. It was a neural network.

Algoritma aynıydı. Bir sinir ağıydı.

And, uh, basically,

Ve, temel olarak

what you tell is, the input is,

söylediğin şey, giriş olduğu,

What is the configuration. Right?

Yapılandırma nedir? Sağ?

And then you have a certain structure that will

Ve sonra yapacak belli bir yapıya sahipsin.

you know, like, decide on the move. Right?

bilirsin, harekete karar ver. Sağ?

But this structure is, uh -

Ama bu yapı ...

You need some parameters.

Bazı parametrelere ihtiyacınız var.

That is what, in the end, decides.

Sonunda karar budur.

Right? What - So -

Sağ? Ne yani -

To see the difference, for example -

Farkı görmek için, örneğin -

You can - You can see that you have a function

Yapabilirsin - Bir fonksiyonun olduğunu görebilirsin.

that will take the input and decide on the output.

Bu girdiyi alır ve çıktıya karar verir.

This function, you can decide that it's a linear function.

Bu işlev, bunun doğrusal bir işlev olduğuna karar verebilirsiniz.

Right? So, it's just a line, or a plane. Right?

Sağ? Yani, sadece bir çizgi ya da bir uçak. Sağ?

The traditional, you know, like, regressing a line. Right?

Geleneksel, bilirsin, bir çizgide gerileme. Sağ?

And, um, this is,

when you modify the parameters of the line,

Satır parametrelerini değiştirdiğinizde,

this is more or less the same.

bu aşağı yukarı aynıdır.

You change the slope of the line. You change

Çizginin eğimini değiştiriyorsunuz. Sen değiş

the height of the line. Right?

çizginin yüksekliği. Sağ?

And this gives you different lines, right?

Ve bu size farklı çizgiler verir, değil mi?

So this is exactly the same, but

Yani bu tamamen aynı, ama

instead of having a line, it was, like, much more complex a function.

bir çizgiye sahip olmak yerine, çok daha karmaşık bir işlevdi.

(So that would be in two dimensions.)

(Yani bu iki boyutta olurdu.)

(But there are just so many more dimensions in it.)

(Ama içinde çok fazla boyut var.)

Yeah, it was not only about the dimensions.

Evet, sadece boyutlarla ilgili değildi.

It's also about the way that

Aynı zamanda böyle

the parameters are structured. Right?

parametreler yapılandırılmıştır. Sağ?

And this is why we use the word "deep" on it, right?

Ve işte bu yüzden "derin" kelimesini kullanıyoruz, değil mi?

So, a line is what we call a

Öyleyse, çizgi dediğimiz şey

shallow structure

of the variables. Because you just have

değişkenlerin. Çünkü sadece sahipsin

some inputs, and you multiply

by some values, and you get the output. Right?

Bazı değerlere göre, ve çıktı almak. Sağ?

So, in a difference with deep learning,

Yani, derin öğrenme ile bir fark,

or, well, deep algorithms in general,

veya genel olarak derin algoritmalar,

is you have a certain input,

Belli bir girişiniz var mı

then you get some intermediate variables

o zaman bazı orta değişkenleri elde edersiniz

by doing the same. It's like if you

aynısını yaparak. Senin gibi

fit a line, and then you fit another line,

bir satıra sığdır ve sonra başka bir satıra sığdır

and another line, and another line,

ve başka bir satır ve başka bir satır,

and then, when you input some values,

ve sonra bazı değerleri girdiğinizde,

it will give you certain values. Right?

Size belirli değerler verecektir. Sağ?

So you have, like, predictions. Right?

Demek tahminlerin var. Sağ?

These predictions are not the ultimate thing that you

Bu tahminler sizin için nihai bir şey değil.

need; they are intermediate values

gerek; ara değerler

that, at the same time, input to another

Aynı zamanda, başka bir giriş

layer of prediction. Right? And you

tahmin katmanı. Sağ? Ya sen

go doing like that. Right? So -

git böyle yap. Sağ? Yani -

The input to one layer is the output of the previous layer. Right?

Bir katmana giriş önceki katmanın çıktısıdır. Sağ?

And this hierarchical structure is much more powerful

Ve bu hiyerarşik yapı çok daha güçlü

in the sense of what kind of functions,

ne tür fonksiyonlar anlamında,

what kind of - the flexibility of the functions. Right?

ne tür - fonksiyonların esnekliği. Sağ?

You can model much more complex things

Çok daha karmaşık şeyleri modelleyebilirsiniz

with many less variables. Right?

daha az değişkenle. Sağ?

And this is - This is a magnificent trade-off that gives it a lot of power.

Ve bu - Bu ona çok fazla güç veren muhteşem bir takas.

You can go back and find historical examples;

Geri dönüp tarihsel örnekler bulabilirsiniz;

endless historical examples,

sonsuz tarihsel örnekler

of people claiming that something fantastic is right around the corner,

köşede fantastik bir şey olduğunu iddia eden insanların

when in fact it isn't. [voices overlapping] We should get a shell. OK?

aslında olmadığı zaman. [örtüşen sesler] Bir kabuk almalıyız. TAMAM?

And we did. OK?

Ve biz yaptık. TAMAM?

So that's a good start, right? We know our program works.

Yani bu iyi bir başlangıç, değil mi? Programımızın çalıştığını biliyoruz.

Similar videos:

Deep Learning - Computerphile
Computerphile
392.2K views 6.1K likes 280 dislikes 19 Apr 201675% match

Deep Learning - Computerphile
Computerphile
125.2K views 3.6K likes 45 dislikes 06 Jun 201875% match

Deep Dream (Google) - Computerphile
Computerphile
618.9K views 13K likes 127 dislikes 26 Aug 201632% match

Machine Learning Methods - Computerphile
Computerphile
173.7K views 3.3K likes 55 dislikes 02 Sep 201531% match

Deep Learned Super-Sampling (DLSS) - Computerphile
Computerphile
198.6K views 6.9K likes 74 dislikes 22 Feb 201928% match

Inside a Neural Network - Computerphile
Computerphile
347.3K views 6.4K likes 67 dislikes 30 Jun 201625% match

K-means & Image Segmentation - Computerphile
Computerphile
198.8K views 4.3K likes 43 dislikes 14 Sep 201624% match

Scaling Blockchains - Computerphile
Computerphile
124.6K views 3.8K likes 144 dislikes 01 Nov 201723% match

P vs NP on TV - Computerphile
Computerphile
527.4K views 7.8K likes 537 dislikes 08 Feb 201422% match

Web vs Internet (Deep Dark Web Pt1) - Computerphile
Computerphile
404.6K views 6.3K likes 159 dislikes 17 Jun 201622% match

AI Language Models & Transformers - Computerphile
Computerphile
124.1K views 3.9K likes 91 dislikes 26 Jun 201922% match

Botnets - Computerphile
Computerphile
170.8K views 3.8K likes 122 dislikes 30 Mar 201622% match

Marco's Set-Up - Computerphile
Computerphile
106.6K views 2.6K likes 197 dislikes 05 Apr 201622% match

PDF, What is it FOR? - Computerphile
Computerphile
409K views 12K likes 144 dislikes 16 Sep 201621% match

Unicorn AI - Computerphile
Computerphile
339.5K views 7.8K likes 189 dislikes 04 Jul 201921% match

Why C is so Influential - Computerphile
Computerphile
1.6M views 22.5K likes 1.6K dislikes 25 Aug 201721% match

Lambda Calculus - Computerphile
Computerphile
803.9K views 19.5K likes 567 dislikes 27 Jan 201721% match

Raspberry Pi 4 on the Raspberry Pi 4 - Computerphile
Computerphile
131.1K views 3.2K likes 189 dislikes 21 Aug 201921% match

Secrets of the Deep Dark Web (Deep Dark Web Pt2) - Computerphile
Computerphile
1.5M views 16.6K likes 1K dislikes 22 Jun 201621% match

JSON, not Jason - Computerphile
Computerphile
190.7K views 4.6K likes 191 dislikes 09 May 201920% match

Mac or PC? - Computerphile
Computerphile
587.9K views 9.7K likes 314 dislikes 21 May 201420% match

Computing Limit - Computerphile
Computerphile
358.4K views 11.3K likes 443 dislikes 03 Nov 201720% match

MegaProcessor - Computerphile
Computerphile
360.9K views 15.5K likes 101 dislikes 02 May 201720% match

Where GREP Came From - Computerphile
Computerphile
644.1K views 23.4K likes 152 dislikes 06 Jul 201820% match

The Dreaded 404 - Computerphile
Computerphile
114.8K views 2.3K likes 418 dislikes 28 Dec 201620% match

Turing Complete - Computerphile
Computerphile
144.7K views 3.4K likes 38 dislikes 05 Jul 201620% match

Bitcoin Problems - Computerphile
Computerphile
307.7K views 5.3K likes 599 dislikes 12 Feb 201620% match

Low Spec Gaming - Computerphile
Computerphile
129.6K views 5.6K likes 225 dislikes 02 Jul 201920% match

Google Tango - Computerphile
Computerphile
115K views 2.7K likes 52 dislikes 14 Mar 201720% match

Settings Privacy About Contact Donate