3. Tarihçe
• 50’li yıllar: İstatistiksel uygulamalardan Machine Learning
uygulamalarına geçiş
• 70’li yıllar: İlk «Yapay Zeka Kışı»
• 80’li yıllar: Yapay Sinir Ağları teorisinde yeni gelişmelerle yeşeren yeni
araştırmalar
• 90’lı yıllar: Veri odaklı anlayışla birlikte sembolik mantığa dayanan
Yapay Zeka yerine Machine Learning’e odaklanılması
• 2010 ve sonrası: «Büyük Veri» konsepti sonrası veri odaklı
algoritmalarda gelişimin hız kazanması, ve Deep Learning’in yükselişi.
7. • Yapay zeka, pek çok konuda insanlara yapabildikleri şeyleri daha iyi
yapmalarında yardımcı olacak.
8.
9. Açık Kaynaklı Yapay Zeka
• En gelişmiş yapay zeka kütüphanelerinin ve de hatta veri kümelerinin
açık kaynaklı hale gelmesi; yapay zeka uygulamaları ve araştırmalarını
herkes için erişilebilir kılıyor.
10. Moravec Paradoksu
• Bilinçdışına tersine mühendislik yapmaya çalışıyoruz.
• Basitçe; bize kolay gelen işler yapay zeka için zor, bize zor gelen işler
yapay zeka için kolay.
11. Skynet
• Makineler neden dünyayı ele geçirmeyecek?
- Daha zeki bir varlık, daha baskıcı bir
varlık anlamına gelmez.
- Yapay zeka algoritmalarının
istenmeyen yan etkilerini daha
henüz bir genel yapay zeka ortaya
çıkmadan konuşuyor ve bunları
önlemeye çalışıyoruz.
- Ve de bir genel yapay zekanın
önümüzdeki 100 yıl içinde ortaya
çıkıp çıkmayacağından kimse emin
değil.
12. Yapay Zeka ve Machine Learning
Machine Learning kısaca, yapay zekanın «öğrenme» problemine
çözümler sunan bir disiplindir.
Büyük oranda uygulamalı istatistik ve optimizasyonu temel alır.
19. Bu şey neden çalışıyor?
• Tam olarak emin değiliz. Ama en mantıklı ve en güncel teori, derin
yapay sinir ağlarının datanın oturduğu koordinat düzlemini
«bükmesi»dir.
Kaynak: colah.github.io
20. Deep Learning’in Yükselişi
• Deep Learning’in temeli olan yapay sinir ağları fikri onlarca yıl önce
ortaya atılmış, ve küçük başarılar kaydedilmişti.
• Güncel yükselişin en büyük sebeplerinden biri, yeterli büyüklükte veri
kümelerinin erişilebilir hale gelmesiydi.
• Diğer bir sebep de, bu yapay sinir ağlarını kısa sürede optimize
etmemizi sağlayan donanımın (GPU) gelişmesiydi. Haftalar, aylar
sürebilen bir «öğretme» işlemi artık saatler içerisinde bitebiliyordu.
21. GPU
• Deep Learning’in matematiksel yoğunluğuna sebep olan matris
işlemleri GPU’larda CPU’lara nazaran 50 kat daha hızlı yapılabiliyor.
• Hatta bugün, bu algoritmalara daha uygun işlem birimleri
geliştirilmektedir.
• Google, kendi yazdığı Tensorflow kütüphanesine özel bir donanım
olan TPU’yu (Tensor Processing Unit) kullanmaktadır.
22.
23. Sahne Tanımlama
• NeuralTalk2
• Google Show and Tell
• Artık nesne tanıma yetmiyor, nesnelerin kombinasyonundan anlamlar
çıkartılıyor.
24. Çeviri
• Thing Translator
• Google çeviri hizmeti, herhangi bir ileri dilbilimsel araştırmaya gerek
duymadan, yalnızca veri yığınlarıyla yapay sinir ağını «eğitme» yoluyla
bugün Türkçe ve İngilizce gibi birbirinden uzak dillerde dahi etkin bir
çeviri yapabilmektedir.
25. Konuşma Tanıma
• Yakın zamana kadar en zor işlerden biriydi.
• 2012 yılından itibaren «Recurrent Neural Network» konsepti bu
alanda etkin bir şekilde uygulanmaya başlandı.
• Küçük optimizasyonlar ve büyük veri kümeleriyle bu gelişim aynı teori
üzerinde hala devam etmektedir.
26.
27. AlphaGo
• Go oyununun yapay zekanın kolaylıkla başarılı olamayacağı bir oyun
olduğu düşünülürdü.
• Ama aslında, büyük örüntüleri öğrenme üzerine kurulu Deep Learning
algoritmalarıyla bunu başarmak mümkündü.
• 2015 Ekim’inde ilk defa bir bilgisayar, go oyununda bir insanı yendi.
29. Keras
Araştırma ve prototipleştirme sürecinin
kısaltılması yapay zeka araştırmaları için çok
büyük bir önem taşımaktaydı.
Bu yüzden, Tensorflow’un veya Theano’nun
üstünde çalışabilen, bir deep learning
algoritması yazmayı olabildiğince
kolaylaştırabilen Keras doğdu.
Artık birkaç satır kodla bir yapay sinir ağı
oluşturulup «eğitilebiliyor».
30. Nasıl Öğrenirim?
• Online eğitim programları bugünlerde en çok veri bilimi ve yapay zeka
üzerinde duruyorlar.