Türkçe altyazı Turkish subtitles
0:00 Sinir ağları hakkında beş dakikada bilmeniz gereken beş şey. Birincisi: Sinir ağları düğüm katmanlarından oluşur. Bir giriş düğümü katmanı, bir gizli katman, Here are five things to know about neural networks in under five minutes. Number one: neural networks are composed of node layers. There is an input node layer, there is a hidden layer, 0:16 ve bir çıkış katmanı vardır. Bu sinir ağları, insan beyninin davranışını yansıtarak bilgisayar programlarının yapay zeka ve and there is an output layer. And these neural networks reflect the behavior of the human brain, allowing computer programs to recognize patterns and solve common problems in the fields of AI and 0:30 derin öğrenme alanlarında kalıpları tanımasını ve yaygın sorunları çözmesini sağlar. Aslında, kafamızda çalışan o son derece doğal sinir ağından ayırt etmek için buna yapay sinir ağı veya ANN demeliyiz. Şimdi, deep learning. In fact, we should be describing this as an artificial neural network, or an ANN, to distinguish it from the very un-artificial neural network that's operating in our heads. Now, 0:44 her düğümü veya yapay nöronu kendi başına bir doğrusal regresyon modeli olarak düşünün. Bu da ikincisi. Doğrusal regresyon, gelecekteki olayları tahmin etmek için kullanılan bir matematiksel modeldir. Düğümler arasındaki bağlantıların ağırlıkları, her bir girdinin çıktı üzerindeki etkisini belirler. Dolayısıyla her think of each node, or artificial neuron, as its own linear regression model. That's number two. Linear regression is a mathematical model that's used to predict future events. The weights of the connections between the nodes determines how much influence each input has on the output. So each 1:02 düğüm, girdi verileri, ağırlıklar, bir sapma veya eşik ve ardından bir çıktıdan oluşur. Veriler, ileri beslemeli ağ olarak bilinen yapıda, sinir ağındaki bir katmandan diğerine aktarılır. node is composed of input data, weights, a bias, or a threshold, and then an output. Now data is passed from one layer in the neural network to the next in what is known as a feed forward network. 1:17 Üçüncüsü: Bunu açıklamak için, sinir ağımızdaki tek bir düğümün sörf yapmaya gitmeli miyiz kararını verirken nasıl görünebileceğini düşünelim. Gitme veya gitmeme kararı, tahmin edilen sonucumuzdur veya yhat olarak bilinir. Kararımızı etkileyen üç faktör olduğunu varsayalım. Dalgalar Number three: to illustrate this, let's consider what a single node in our neural network might look like to decide should we go surfing. The decision to go or not is our predicted outcome or known as our yhat. Let's assume there are three factors influencing our decision. Are the 1:36 iyi mi, evet için 1, hayır için 0. Dalgalar güçlü, bu yüzden x1 eşittir 1, evet için 1. Kuyruk boş mu, maalesef hayır, bu yüzden 0 alır. Ve sonra dışarıda köpek balığı var mı diye düşünelim, wave's good, 1 for yes or 0 for no. The waves are pumping, so x1 equals 1, 1 for yes, Is the lineup empty, well unfortunately not, so that gets a 0. And then let's consider is it shark-free out 1:52 bu x3 ve evet, köpek balığı saldırısı bildirilmedi. Şimdi her karara, 0'dan 5'e kadar bir ölçekte önemine göre bir ağırlık atıyoruz. Diyelim ki dalgalar için, buna 1 puan vereceğiz, hmm, bu önemli, ona 5 verelim. Ve kalabalık için, bu w2. there, that's x3 and yes, no shark attacks have been reported. Now to each decision we assign a weight based on its importance on a scale of 0 to 5. So let's say that the waves, we're going to score that 1, eh, so this is important, let's give it a 5. And for the crowds, that's w2. 2:12 Hmm, o kadar da önemli değil, ona 2 verelim. Ve köpek balıkları için, ona 4 puan verelim. Şimdi bu değerleri formüle koyarak istenen çıktıyı elde edebiliriz. Yani yhat eşittir Eh, not so important, we'll give that a 2. And sharks, well, we'll give that a score of a 4. Now we can plug in these values into the formula to get the desired output. So yhat equals 2:28 (1 * 5) + (0 * 2) + (1 * 4), ardından 3'ü çıkarırız, bu bizim eşik değerimiz, ve bu bize 6 değerini verir. 6, 0'dan büyüktür, bu yüzden bu düğümün çıktısı 1'dir -- sörf yapmaya gidiyoruz. (1 * 5) + (0 * 2) + (1 * 4), then minus 3, that's our threshold, and that gives us a value of 6. Six is greater than 0, so the output of this node is 1 -- we're going surfing. 2:50 Ve ağırlıkları veya eşik değerini ayarlarsak, farklı sonuçlar elde edebiliriz. And if we adjust the weights or the threshold, we can achieve different outcomes. 2:54 Dördüncüsü: Evet, ama ama ama dördüncüsü, sinir ağları zaman içinde öğrenmek ve doğruluklarını artırmak için eğitim verilerine dayanır. Algoritmayı eğitmek için etiketli veri setlerinde gözetimli öğrenmeden yararlanıyoruz. Number four: well, yes, but but but number four, neural networks rely on training data to learn and improve their accuracy over time. We leverage supervised learning on labeled datasets to train the algorithm. 3:08 Modeli eğitirken, maliyet fonksiyonu olarak bilinen bir şey kullanarak doğruluğunu değerlendirmek istiyoruz. As we train the model, we want to evaluate its accuracy using something called a cost function. 3:17 Sonuçta, amaç, herhangi bir gözlem için uyumun doğruluğunu sağlamak için maliyet fonksiyonumuzu en aza indirmektir ve bu, modelin eğitim veri setine uymak için ağırlıklarını ve sapmalarını ayarladığı, gradyan inişi olarak bilinen süreçte gerçekleşir, bu da modelin hata oranını azaltmak için Ultimately, the goal is to minimize our cost function to ensure the correctness of fit for any given observation, and that happens as the model adjusts its weights and biases to fit the training data set, through what's known as gradient descent, allowing the model to determine the direction 3:33 takas edeceği yönü belirlemesini sağlar, veya daha spesifik olarak, maliyet fonksiyonunu en aza indirmesini. Ve son olarak, beşincisi: Burada açıkladığımız ileri beslemeli sinir ağı dışında birçok türde sinir ağı vardır. Örneğin, evrişimli sinir ağları, yani CNN'ler, bunlar to take to reduce errors, or more specifically, minimize the cost function. And then finally, number five: there are multiple types of neural networks beyond the feed forward neural network that we've described here. For example, there are convolutional neural networks, known as CNNs, which 3:50 görsel tanıma gibi kalıpları belirlemek için uygun benzersiz bir mimariye sahiptir. Ve yinelemeli sinir ağları, yani RNN'ler, geri besleme döngüleriyle tanımlanır ve RNN'ler, satış tahmini gibi gelecekteki olaylar hakkında tahminler yapmak için zaman serisi verileri kullanılarak başlıca olarak kullanılır, have a unique architecture that's well suited for identifying patterns like image recognition. And there are recurrent neural networks, or RNNs, which are identified by their feedback loops and RNNs are primarily leveraged using time series data to make predictions about future events like 4:08 satış tahmini gibi. Yani, beş dakikada beş şey. Sinir ağları hakkında daha fazla bilgi edinmek için bu videolara göz atın. sales forecasting. So, five things in five minutes. To learn more about neural networks, check out these videos. 4:16 İzlediğiniz için teşekkürler. Thanks for watching. 4:17 Sorularınız varsa, lütfen aşağıdan bize yazın. Ve gelecekte bu tür daha fazla video görmek isterseniz, lütfen Beğen ve Abone Ol. If you have any questions, please drop us a line below. And if you want to see more videos like this in the future, please Like and Subscribe. Altyazı bilgisayarımda üretildi ve videoyla ilerler; bir satıra tıklayın, o ana atlasın. Subtitles generated on my computer; they follow the video — click a line to jump there.
Bu videoda yapay sinir ağlarının katmanları, düğüm modelleri ve ağırlık‑bias ilişkileriyle nasıl çalıştığı beş dakikada anlatılıyor. In this video, the operation of artificial neural networks—including their layers, node models, and weight‑bias relationships—is explained in five minutes.
Bu video youtube.com üzerinde yayımlandı; buradaki oynatıcı YouTube’undur. Türkçe özet ve altyazı AiPulse için hazırlanmıştır. This video is published on youtube.com ; the player here is YouTube’s. The Turkish summary and subtitles are prepared for AiPulse .
YouTube’da izle Watch on YouTube AI Kritik → AI Critique →