Türkçe altyazı Turkish subtitles
0:00 Bir cinayet gizemi akşam yemeğine katıldığınızı hayal edin. Imagine you're at murder mystery dinner. 0:04 Başlangıçta, Malikanenin Lordu aniden yere yığılıyor ve göreviniz kimin yaptığını bulmak. Right at the start, the Lord of the Manor abruptly keels over and your task is to figure out, who done it? 0:13 Temizlikçi olabilir, uşak da olabilir. Could be the maid, could be the butler. 0:17 Ancak bir sorununuz var, kısa vadeli hafızanız çalışmıyor; son 10 dakikadan önceki ipuçlarını hatırlayamıyorsunuz. Bu durumda tahmininiz sadece rastgele bir tahminden ibaret olacak. But you've got a problem, your short term memory isn't working so We well. You can't remember any of the clues past the last 10 minutes. Well, that sort of situation, your prediction is going to be nothing better than just a random guess. 0:31 Şimdi, tam tersini hayal edin; yaptığınız her konuşmanın tüm kelimelerini hatırlayabiliyorsunuz. Well, imagine you have the opposite problem where you can remember every word of every conversation that you've ever had. 0:38 Birisi sizden eşinizin düğün yeminlerini özetlemenizi isterse, bunu yaparken zorlanabilirsiniz. If somebody asked you to outline your partner's wedding vows, well, you might have some trouble doing that. 0:46 İşlenecek o kadar çok kelime var ki, sadece akılda kalanları hatırlamak daha iyi olur. There's just so many words you'd need to process be much better than if you could just remember, well, the memorable stuff. 0:56 İşte bu noktada Long Short Term Memory devreye girer. And that's where something called Long Short Term Memory comes into play. 1:07 LSTM olarak da kısaltılan bu yapı, bir sinir ağına bağlamı tutması gereken bilgileri hatırlamasını ve artık geçerli olmayanları unutmasını sağlar. Also abbreviated as LSTM, it allows a neural network to remember the stuff that it needs to keep hold of context, but also to forget the stuff that well is no 1:22 Artık uygulanabilir değildir. longer applicable. 1:24 Örneğin bu harf dizisini ele alalım. So take, for example, this sequence of letters. 1:31 Dizideki bir sonraki harfi tahmin etmemiz gerekiyor. We need to predict what the next letter in the sequence is going to be. 1:36 Harflere tek tek bakarak bir sonraki harfi tahmin etmek zor; örneğin iki M var ve her birinin ardından farklı harfler geliyor. Well, just by looking at the letters individually, it's not obvious what the next sequence is, like we have to M's and they both have a different letter following them. 1:47 Peki, diziyi nasıl tahmin ederiz? So how do we predict the sequence? 1:49 Zaman serisini geriye doğru inceleyerek tüm harflere bakarsak, bağlamı kurabilir ve açıkça görebiliriz ki: "Benim adım..." Well, if we have gone back through the time series to look at all of the letters in the sequence, we can establish contacts and we can clearly see, oh yes, it's my name is. 1:59 Harflere değil de kelimelere bakarsak, tüm cümlenin "Benim adım Martin" olduğunu anlayabiliriz. And if we, instead of looking at letters, looked at words, we can establish that the whole sentence here says, my name is, oh yes, Martin. 2:10 Şimdi, bir tekrarlayan sinir ağı (RNN), LSTM'in bulunduğu yerdir. Now, a recurrent neural network is really where LSTM lives. 2:15 Aslında, LSTM bir tekrarlayan sinir ağı türüdür. So effectively, and LSTM is a type of recurrent neural network. 2:21 Tekrarlayan sinir ağı. Recurrent neural net. 2:24 Tekrarlayan sinir ağları, bir düğümün (node) bulunduğu ve bu düğümün veri aldığı şekilde çalışır. And recurrent neural networks work in the sense that they have a node, so there's a node here and this node receives some 2:38 giriş. input. 2:39 Yani biraz giriş verisi alıyoruz. So we've got some input coming in. 2:44 Bu giriş bir şekilde işleniyor, yani bir hesaplama yapılıyor ve bu bir çıktı üretiyor. That input is then processed in some way, so there's some kind of computation and that results in and output. 2:51 Bu oldukça standart bir şey. That's pretty standard stuff. 2:53 Ancak bir RNN düğümünü biraz farklı kılan şey, onun tekrarlayıcı olmasıdır. But what makes an RNN node a little bit different is the fact that it is recurrent. 2:59 Bu da demek oluyor ki döngüsel bir yapıya sahip; yani bir adımın çıktısı, bir sonraki adıma girişle birlikte verilir. And that means that it loops around. So the output of a given step is provided alongside the input in the next step. 3:10 Birinci adımda biraz giriş var. So step one has some input. 3:12 Bu işleniyor ve bir çıktı ortaya çıkıyor. It's processed and that results in some output. 3:16 İkinci adımda yeni bir giriş var, ama aynı zamanda önceki adımın çıktısını da alıyor. Bu, RNN'i biraz farklı kılan şey ve ona bir dizideki önceki adımları hatırlama yeteneği kazandırıyor. Then step two has some new input, but it also receives the output of the prior step as well. That is what makes an RNN a little bit different, and it allows it to remember previous steps in a sequence. 3:29 Örneğin "my name is I" gibi bir cümleye baktığımızda, bağlamı anlamak için çok geriye gitmemize gerek kalmıyor. So when we're looking at a sentence like my name, I, we don't have to go back too far through those steps to figure out what the context is. 3:38 Ancak RNN'ler uzun vadeli bağımlılık problemi olarak bilinen bir sorundan muzdariptir; yani zamanla daha fazla bilgi yığıldıkça, RNN'ler öğrenmede daha az etkili hale gelir. But RNN does suffer from what's known as the long term dependency problem, which is to say that over time, as more and more information piles up, then RNNs become less effective at learning 3:52 yeni şeyler. new things. 3:53 Bu yüzden adım için çok geriye gitmemize gerek yoktu, ancak bir saatlik ipuçlarıyla dolu bir cinayet gizemi akşam yemeğine geri dönüyorsak, işlenecek çok daha fazla bilgi var demektir. So while we didn't have to go too far back for my name, I, if we were going back through an hour's worth of clues that our murder mystery dinner, well, that's a lot more information that needs to be processed. 4:05 LSTM bu uzun vadeli bağımlılık problemine bir çözüm sunar ve bu, RNN'ye "internal state" adı verilen bir şey eklemektir. So the LSTM provides a solution to this long term dependency problem, and that is to add something called an internal state to the RNN 4:21 düğüm. node. 4:22 Şimdi, bir RNN girdisi geldiğinde, en azından durum bilgisi de alır. Now, when an RNN input comes in, it is receiving at least state information as well. 4:30 Böylece bir adım önceki adımın çıktısını, yeni adımın girdisini ve ayrıca LSTM durumundan gelen bazı durum bilgilerini alır. So a step receives the output from the previous step, the input of the new step, and also some state information from the LSTM state. 4:42 Peki bu durum nedir? Now what is this state? 4:45 Aslında bir hücredir. Well, it's actually a cell. 4:47 İçinde neler olduğunu bir göz atalım. Let's take a look at what's in there. 4:49 Bu bir LSTM hücresi ve üç bölümden oluşur. So this is an LSTM cell and it consists of three parts. 4:57 Her bölüm bir kapıdır. Each part is a gate. 4:59 Bir unutma kapısı vardır. There is a forget gate. 5:03 Bir giriş kapısı vardır. There's an input gate. 5:06 Ve bir çıkış kapısı vardır. And there's an output gate. 5:10 Şimdi unutma kapısı şöyle der: bu iç durumda saklanan hangi türdeki durum bilgisi unutulabilir, artık bağlam açısından ilgili değil; giriş kapısı ise şöyle der: Now the forget gate says, what sort of state information that's stored in this internal state here can be forgotten, it's no longer contextually relevant, the input gate 5:25 Bu çalışma depolama durum bilgisine hangi yeni bilgi eklenmeli ya da güncellenmelidir. says. What new information should we add or update into this working storage state information. 5:31 Ve çıkış kapısı şöyle der: bu durumda saklanan tüm bilgilerden hangisi bu özel örnekte çıkış olarak verilmelidir? And the output gate says of all the information that's stored in that state which part of it should be output in this particular instance? 5:40 Bu kapılara sıfır ile bir arasında değerler atanabilir; sıfır, kapının tamamen kapalı olduğu ve hiçbir şeyin geçmediği anlamına gelirken, bir ise kapının tamamen açık olduğu ve her şeyin And these gates can be assigned numbers between zero and one, where zero means that the gate is effectively closed and nothing gets through, and one means the gate is wide open and everything gets 5:53 geçtiği anlamına gelir. through. 5:54 Dolayısıyla her şeyi unutabiliriz ya da sadece birazını. So we can say, forget everything or just forget a little bit. 5:58 Her şeyi giriş durumuna ekleyebiliriz ya da sadece birazını; ayrıca her şeyi çıkış olarak verebiliriz ya da sadece bir miktarını, hatta hiç vermeyebiliriz. We can say add everything to the input state or add just a little bit and we can say output everything or just output a little bit of output, nothing at all. 6:06 Şimdi RNN hücresinde işlem yaparken, bize ek bağlam sağlayabilecek bu ekstra durum bilgisine sahibiz. So now when we're processing in our RNN cell we have this additional state information that can provide us with some additional context. 6:16 Örneğin, "Martin elma alıyor." gibi bir cümleyi ele alalım. So if we take an example of another sentence like "Martin is buying apples." 6:27 Bu durumda saklamak isteyebileceğimiz bazı bilgiler var. There's some information that we might want to store in this state. 6:33 Martin büyük ihtimalle erkek cinsiyetine işaret eder, bu yüzden bunu saklamak faydalı olabilir. Martin is most likely to derive to the gender of males, so we might want to stall that because that might be useful. 6:40 Elmalar çoğuldur, bu yüzden bunu ileride kullanmak üzere saklayabiliriz. Apples is a plural, so maybe we're going to store that is a plural for later on. 6:46 Şimdi cümle ilerledikçe, Jennifer'dan bahsetmeye başlar. Now, as this sentence continues to develop, it now starts to talk about Jennifer. 6:51 Bu noktada Jennifer hakkında, durum verimizde bazı değişiklikler yapabiliriz. Jennifer is, at this point, we can make some changes to our state data. 6:59 Dolayısıyla konuyu Martin'den Jennifer'a değiştirdik; artık Martin'in cinsiyetiyle ilgilenmiyoruz, bu kısmı unutabiliriz. So we've changed subjects from Martin to Jennifer, so we don't care about the gender of Martin anymore, so we can forget that part. 7:06 Ve Jennifer için en olası cinsiyetin kadın olduğunu söyleyip bunu saklayabiliriz. And we can say the most likely gender for Jennifer is female and store that instead. 7:12 Gerçekten de, bu şekilde LSTM'i, bir sıralı tahminin gerektiği ve bununla birlikte uzun vadeli bağımlılık verilerinin bulunduğu herhangi bir seriye uygulayabiliriz. And really, that is how we can apply this LSTM to any sort of series where we have a sequence prediction that's required and some long term dependency data to go alongside of it. 7:25 Şimdi, LSTM makine çevirisi için bazı tipik kullanım örnekleri iyi bir örnektir. Now, some, some typical use cases for using LSTM machine translation is a good one. 7:34 Ve bir diğeri, sohbet robotları; önceki bir adımda bulunan bilgiyi geri getirip daha sonra hatırlamamız gereken Soru&Cevap sohbet robotları. And another one, chat bots, a Q&A chat bots where we might need to retrieve some information that was in a previous step in that chat bot and recall it 7:47 Daha sonra. later on. 7:49 Zaman sıralı olaylar ve uzun vadeli bağımlılıkların olduğu tüm iyi örnekler. All good examples of where we have a time sequence of things and some long term dependencies. 7:55 Ve bir cinayet gizemi akşam yemeğine de STEM'i uygulasaydık, muhtemelen bize katilin uşak olduğunu tahmin ettirerek birincilik kazanabilirdik. And had we also applied stem to a murder mystery dinner, we probably could have won first prize by having it forecast to us that who done it was the butler. 8:06 Her zaman uşaktır. It's always the butler. 8:08 Herhangi bir sorunuz varsa aşağıya bir satır bırakın ve gelecekte bu tarz daha fazla video görmek istiyorsanız beğenmeyi ve abone olmayı düşünün. 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 consider liking and subscribing. 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.
LSTM, bir sinir ağının uzun vadeli bağlamı hatırlamasını ve gereksiz bilgileri unutmasını sağlayarak sekans tahminlerini iyileştiren bir mimaridir. LSTM is an architecture that improves sequence predictions by enabling a neural network to remember long-term context and forget unnecessary information.
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 →