Türkçe altyazı Turkish subtitles
0:01 En sevdiğim makine öğrenimi algoritmalarından biri Üretici Çekişmeli Ağlar'dır (GAN). One of my favorite machine learning algorithms is Generative Adversarial Networks, or GAN. 0:09 İki yapay zeka modelini birbirine karşı koyar, bu yüzden "çekişmeli" kısmı vardır. It pits two AI models off against each other, hence the "adversarial" part. 0:16 Çoğu makine öğrenimi modeli bir tahmin üretmek için kullanılır. Now, most machine learning models are used to generate a prediction. 0:22 Bu yüzden bazı giriş eğitim verileriyle başlarız. So we start with some input training data. 0:27 Ve bu verileri modelimize veririz. And we feed that into our model. 0:31 Model daha sonra bir çıktı şeklinde tahmin yapar. A model then makes a prediction in the form of output. 0:39 Ve bu tahmini çıktıyı eğitim veri setindeki beklenen çıktı ile karşılaştırabiliriz. And we can compare the predicted output with the expected output from the training data set. 0:47 Beklenen çıktı ve gerçek tahmin edilen çıktıya dayanarak, modelimizi nasıl güncelleyeceğimizi belirleyerek daha iyi çıktılar elde ederiz. And then based upon that expected output and the actual predicted output, we can figure out how we should update our model to create better outputs. 1:05 Bu, denetimli öğrenmenin bir örneğidir. That is an example of supervised learning. 1:10 GAN, denetimsiz öğrenmenin bir örneği olup kendini etkili bir şekilde denetler ve iki altmodelden oluşur. A GAN is an example of unsupervised learning, it effectively supervises itself, and it consists of two submodels. 1:20 Yani bir jeneratör altmodelimiz var. So we have a generator submodel. 1:29 Ve bir ayırt edici (discriminator) altmodelimiz var. And we have a discriminator submodel. 1:39 Jeneratörün görevi sahte giriş veya sahte örnekler yaratmaktır. Now, the generator's job is to create fake input or fake samples. 1:53 Ayırt edicinin görevi verilen bir örneği alıp bunun sahte bir örnek mi yoksa alanın gerçek bir örneği mi olduğunu anlamaktır. And the discriminator's job is to take a given sample and figure out if it is a fake sample or if it's a real sample from the domain. 2:12 Ve burada çekişmeli doğa ortaya çıkar. And therein lies the adversarial nature of this. 2:17 Jeneratör sahte örnekler yaratır ve bunları ayırt ediciye gönderir. We have a generator creating fake samples and sending them to a discriminator. 2:23 Ayırt edici verilen bir örneği inceler ve "Bu jeneratörün sahte örneği mi?" diye düşünür. The discriminator is taking a look at a given sample and figuring out, "Is this a fake sample from the generator? 2:29 Ya da "Bu alan setinden gerçek bir örnek mi?" Or is this a real sample from the domain set?" 2:35 Bu tür senaryolar genellikle görüntü üretiminde uygulanır. Now, this sort of scenario is often applied in image generation. 2:41 İnternette jeneratörlerin sahte 3D modeller, sahte yüzler, sahte kediler ve benzeri şeyler yaratmak için kullanıldığı birçok görüntü vardır. There are images all over the internet of generators that have been used to create fake 3D models, fake faces, fake cats and so forth. 2:53 Bu aslında, jeneratörün örnekler oluşturma, modelini güncelleme gibi bir dizi döngüyü tekrarlayarak çalışır; böylece o kadar ikna edici bir örnek yaratana dek devam eder ki, hem ayrıştırıcıyı hem de biz insanları yanıltabilir. So this really works by the generator iterating through a number of different cycles of creating samples, updating its model and so forth until it can create a sample that is so convincing that it can fool a discriminator and also fool us humans as well. 3:14 Şimdi, diyelim ki bir çiçek üzerinden nasıl çalıştığını örnekleyelim. So let's let's take an example of how this works with, let's say, a flower. 3:21 Gerçekçi sahte çiçekler oluşturacak bir jeneratör eğiteceğiz ve bunu başlatmak için öncelikle ayrıştırıcı modelimizi bir çiçek fotoğrafının nasıl göründüğünü tanıyacak şekilde eğitmemiz gerekiyor. So we are going to train a generator to create really convincing fake flowers, and the way that we start by doing this is we need to, first of all, train our discriminator model to recognize what a picture of a flower looks like. 3:37 Alanımız, birçok çiçek fotoğrafı; bunları ayrıştırıcı modeline besleyecek ve ona bu çiçek görüntülerini oluşturan tüm özellikleri incelemesini söyleyeceğiz. So our domain is lots of pictures of flowers, and we will be feeding this into the discriminator model and telling it to look at all of the attributes that make up those flower images. 3:48 Renkleri, gölgeleri, şekilleri ve benzerlerini inceleyin. Take a look at the colors, the shading, the shapes and so forth. 3:53 Ayrıştırıcı gerçek çiçekleri tanımada iyi hale geldiğinde, ona hiç çiçek olmayan şekiller de sunacağız. And when our discriminator gets good at recognizing real flowers, then we'll feed in some shapes that are not flowers at all. 4:00 Ve bu şekilleri çiçek olmayanlar olarak ayırt edebileceğinden emin olun. And make sure that it can discriminate those as being not-flowers. 4:05 Bu süreç boyunca jeneratörümüz dondurulmuştu, hiçbir şey yapmıyordu. Now, this whole time our generator here was frozen, it wasn't doing anything. 4:10 Ancak ayrıştırıcı alanımızdaki şeyleri tanımada yeterince iyi hale geldiğinde, jeneratörü devreye sokarak bu şeylerin sahte versiyonlarını yaratmaya başlarız. But we're our discriminator gets good enough at recognizing things from our domain, then we apply our generator to start creating fake versions of those things. 4:21 Jeneratör, rastgele bir giriş vektörü alacak ve bunu kullanarak kendi sahte çiçeğini oluşturacak. So a generator is going to take a random input vector and it is going to use that to create its own fake flower. 4:34 Bu sahte çiçek görüntüsü ayrıştırıcıya gönderilir ve artık bir karar vermesi gerekir: Bu çiçek resmi alanımızdaki gerçek şey mi, yoksa jeneratörden gelen sahte bir örnek mi? Now, this fake flower image is sent to the discriminator, and now the discriminator has a decision to make: is that image of a flower the real thing from the domain, or is it a fake from the generator? 4:50 Şimdi cevap hem jeneratöre hem de ayrıştırıcıya açıklanır. Now, the answer is revealed to both the generator and the discriminator. 4:56 Çiçek sahteydi ve buna dayanarak jeneratör ile ayrıştırıcı davranışlarını değiştirecek. The flower was fake and based upon that, the generator and discriminator will change their behavior. 5:06 Bu sıfır toplamlı bir oyundur; her zaman bir kazanan ve bir kaybeden vardır. This is a zero sum game, there's always a winner and a loser. 5:10 Kazanan mutlu bir şekilde değişmeden kalır. The winner gets to remain blissfully unchanged. 5:13 Modeli hiç değişmezken, kaybeden kendi modelini güncellemek zorundadır. Their model doesn't change at all, whereas the loser has to update their model. 5:17 Dolayısıyla ayrıştırıcı bu çiçeğin sahte bir görüntü olduğunu başarıyla fark ederse, ayrıştırıcı değişmeden kalır. So if the discriminator successfully spotted that this flower was a fake image, then lead discriminator remains unchanged. 5:26 Ancak jeneratör daha iyi sahteler üretmek için modelini değiştirmek zorunda kalır. But the generator will need to change its model to generate better fakes. 5:31 Tersine, jeneratör ayrıştırıcıyı yanıltacak bir şey yaratıyorsa, ayrıştırıcı modeli kendini güncelleyerek sahte örnekleri daha iyi tespit edebilecek hale gelmelidir, Whereas if the reverse is true and the generator is creating something that fools the discriminator, the discriminator model will need to be updated itself in order to better be able to tell where we have a fake sample coming in, 5:46 böylece daha az kolay yanıltılır. so it's fooled less easily. 5:49 Ve işte bu şeylerin temel çalışma şekli budur; bunu çok, çok kez yineleyerek jeneratör o kadar iyi hale gelir ki ayırıcı artık sahte ürünlerini ayırt edemez. And that's basically how these things work, and we go through many, many iterations of this until the generator gets so good that the discriminator can no longer pick out its fakes. 6:02 Ve böylece istediğimiz her şeyi yapacak çok başarılı bir jeneratör inşa etmiş oluruz. And there we have built a very successful generator to do whatever it is we wanted it to do. 6:09 Şimdi, özellikle görüntüler söz konusu olduğunda jeneratör ve ayırıcı genellikle CNN'ler olarak uygulanır. Now, often in terms of images, the generator and the discriminator implemented as CNNs. 6:18 Bunlar Konvolüsyonel Sinir Ağlarıdır. These are Convolutional Neural Networks. 6:21 CNN'ler, görüntü verisindeki desenleri tanımanın ve nesne tespitine girişmenin harika bir yoludur. CNN's are a great way of recognizing patterns in image data and entering into sort of the area of object identification. 6:31 CNN'ler hakkında ayrı bir videomuz var, ancak bu senaryoda jeneratör ve ayırıcıyı gerçekten uygulamanın harika bir yoludur. We have a whole separate video on CNNs, but they're a great way to really implement the generator and discriminator in this scenario. 6:40 Ancak bir GAN'ın tüm süreci sadece internette kullanılacak çok iyi sahte çiçekler ya da kedi resimleri yaratmakla sınırlı değildir. But the whole process of a GAN, isn't just to create really good fake flowers or fake cat images for the internet. 6:49 Bunu her türlü kullanım senaryosuna uygulayabilirsiniz. You can apply it to all sorts of use cases. 6:51 Örneğin, video kare tahmini alalım. So take, for example, video frame prediction. 6:57 Kameradan alınan belirli bir video karesini girdilersek, GAN'ı bu dizideki bir sonraki karenin nasıl görüneceğini tahmin etmek için kullanabiliriz. If we fit in a particular frame of video from a camera, we can use a GAN to predict what the next frame in this sequence will look like. 7:07 Bu, yakın gelecekte neler olacağını tahmin etmenin harika bir yolu olup örneğin bir gözetim sisteminde kullanılabilir. This is a great way to be able to predict what's going to happen in the immediate future and might be used, for example, in a surveillance system. 7:15 Eğer bir sonraki olası durumu belirleyebilirsek, buna dayanarak bir eylemde bulunabiliriz. If we can figure out what is likely to happen next, we can take some action based upon that. 7:21 Ayrıca yapabileceğiniz başka şeyler de var; örneğin görüntü iyileştirme. There's also other things you can do, like image enhancement. 7:25 Dolayısıyla düşük çözünürlüklü bir görüntümüz varsa, GAN'ı kullanarak her pikseli belirleyip daha yüksek çözünürlüklü bir versiyonunu oluşturabiliriz. So if we have a kind of a low resolution image, we can use a GAN to create a much higher resolution version of the image by figuring out what each individual pixel is and then creating a higher resolution version of that. 7:39 Ve bunu tamamen görüntülerle ilgili olmayan şeyler için de kullanabiliriz; örneğin şifreleme gibi. And we can even go as far as using this for things that are not related to images at all, like encryption. 7:45 Yine bu GAN yinelemeleriyle çok iyi bir jeneratör oluşturarak, gönderici ve alıcı tarafından şifrelenip çözülebilen ancak kolayca yakalanamayan güvenli bir şifreleme algoritması yaratabiliriz. But we can create a secure encryption algorithm that can be decrypted and encrypted by the sender and receiver, but cannot be easily intercepted, again by going through these GAN iterations to create a really good generator. 7:59 İşte bu da GAN'dır. So that's GAN. 8:00 Bu, genç, etkilenebilir ve değişmemiş jeneratörünüzü bir sahtecilik ustasına dönüştürerek botların savaşıdır. It's the battle of the bots where you can take your young, impressionable and unchanged generator and turn it into a master of forgery. 8:11 Herhangi bir sorunuz varsa, lütfen aşağıya bir satır bırakın. If you have any questions, please drop us a line below. 8:13 Ve gelecekte bu tür daha fazla video görmek istiyorsanız, lütfen beğenin ve abone olun. 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.
GAN'lar, bir üreteç ve bir ayırt edici modelin birbirine karşı yarıştığı, sahte örnekler üreten ve gerçek ile sahteyi ayırt eden bir yapay zeka algoritmasıdır. GANs are an artificial intelligence algorithm in which a generator and a discriminator model compete against each other, producing fake samples and distinguishing between real and fake ones.
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 →