Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Geoffrey Hinton ve Yann LeCun, 2018 ACM AM Turing Ödülü Dersi "Derin Öğrenme Devrimi"
Geoffrey Hinton ve Yann LeCun, 2018 ACM AM Turing Ödülü Dersi "Derin Öğrenme Devrimi"
Geoffrey Hinton ve Yann LeCun, 2018 ACM AM Turing Ödülünü kazandı ve derin öğrenme devrimi üzerine bir konferans verdi.
Derste, derin öğrenmenin bilgisayar biliminde nasıl devrim yarattığını ve hayatın çeşitli yönlerine fayda sağlamak için nasıl kullanılabileceğini tartıştılar. Ayrıca derin öğrenmenin zorlukları ve alanın geleceği hakkında konuştular.
Derin öğrenmenin teorik olarak anlaşılması önemli olsa da, karmaşık durumlarda karar vermenin hala insanlara bağlı olduğunu belirttiler. Ayrıca, otonom sürüşte evrimsel hesaplama ve diğer yapay zeka biçimlerinin potansiyelini tartıştılar.
Bu Kanadalı Dahi Modern Yapay Zekayı Yarattı
Bu Kanadalı Dahi Modern Yapay Zekayı Yarattı
Bir AI öncüsü olan Geoff Hinton, yaklaşık 40 yıldır bilgisayarların insanlar gibi öğrenmesini sağlamak için çalışıyor ve Yapay Zeka alanında devrim yarattı. Hinton, Frank Rosenblatt'ın 1950'lerde geliştirilen beyni taklit eden bir sinir ağı olan algılayıcısından ilham aldı. Hinton'un kararlılığı yapay zeka alanında bir çığır açtı. 80'lerin ortalarında Hinton ve işbirlikçileri, birçok şekilde çalışmaya başlayan çok katmanlı bir sinir ağı, derin bir sinir ağı yarattı. Ancak, yaklaşık 2006 yılına kadar, süper hızlı çipler ve internette üretilen büyük miktarda veri Hinton'un algoritmalarına sihirli bir destek verene kadar gerekli verilerden ve bilgi işlem gücünden yoksundu - bilgisayarlar bir görüntüde ne olduğunu tanımlayabilir, konuşmayı tanıyabilir ve dilleri çevirebilirdi. 2012'de Kanada bir yapay zeka süper gücü haline geldi ve sinir ağları ile makine öğrenimi New York Times'ın ön sayfasında yer aldı.
Geoffrey Hinton: Derin Öğrenmenin Temelleri
Geoffrey Hinton: Derin Öğrenmenin Temelleri
Yapay zekanın vaftiz babası Geoffrey Hinton, derin öğrenmenin temellerine genel bir bakış sunuyor. Bu konuşmada Hinton, konuşma ve nesne tanıma, görüntü bölümleme ve doğal yazılı dili okuma veya üretmeye uygulandığı şekliyle sinir ağlarının ilerlemelerini inceliyor.
Geoffrey Hinton, derin öğrenmenin temellerini, özellikle geri yayılım algoritmasını ve evrimini tartışıyor. Hinton, derin öğrenmenin erken el yazısı tanımayı nasıl etkilediğini ve sonunda 2012 ImageNet yarışmasını kazanmaya nasıl yol açtığını açıklıyor. Ayrıca girdi, çıktı ve ortada aynı sembolleri kullanan geleneksel sembolik yapay zekaya göre nöral aktivite vektörlerini kullanan derin öğrenmenin üstünlüğünü vurguluyor. Makine çevirisi sistemlerindeki gelişmeler, görüntü tanıma ve bunların doğal muhakeme için kombinasyonu, tıbbi görüntülerin yorumlanmasında derin öğrenme potansiyeli ile birlikte tartışılmaktadır. Hinton, gerçek doğal dil işlemeyi başarmak için insan beyniyle karşılaştırılabilir parametrelere sahip sinir ağlarına duyulan ihtiyacı vurgulayarak bitiriyor.
Derin Öğrenme Kahramanları: Andrew Ng, Geoffrey Hinton ile röportaj yapıyor
Derin Öğrenme Kahramanları: Andrew Ng, Geoffrey Hinton ile röportaj yapıyor
Derin öğrenmenin önde gelen isimlerinden Geoffrey Hinton, Andrew Ng ile yaptığı röportajda yolculuğunu ve alana katkılarını tartıştı. Kelime gömmelerinin kökenlerinden, sınırlı Boltzmann makinelerindeki gelişmelerden ve hızlı ağırlıklar ve kapsüller üzerine yaptığı son çalışmalardan bahsediyor. Hinton, denetimsiz öğrenmenin derin öğrenme ilerlemelerindeki önemli rolüne dikkat çekiyor ve öğrencilere geniş çapta okumalarını, büyük ölçekli projeler üzerinde çalışmalarını ve benzer ilgi alanlarına sahip danışmanlar bulmalarını tavsiye ediyor. Hinton, bilgisayarların göstererek öğrendiği bilgi işlemde önemli bir değişiklik olduğuna inanıyor ve üniversitelerin bu yeni yaklaşım için araştırmacı yetiştirmede endüstriyi yakalaması gerektiği konusunda uyarıda bulunuyor.
Derin Öğrenme Kahramanları: Andrew Ng, Yann LeCun ile röportaj yapıyor
Derin Öğrenme Kahramanları: Andrew Ng, Yann LeCun ile röportaj yapıyor
Andrew Ng ve Yann LeCun arasındaki bu röportajda LeCun, yapay zekaya ve sinir ağlarının keşfine olan erken ilgisinden bahsediyor. Ayrıca evrişimli sinir ağları ve CNN'lerin arkasındaki tarih üzerine yaptığı çalışmaları anlatıyor. LeCun, 90'ların ortalarında sinir ağlarına ilgi duymamasına rağmen bu alanda nasıl ısrar ettiğini ve sonunda CNN'ler üzerindeki çalışmasının bilgisayarla görme alanını devraldığını anlatıyor. Ayrıca, AlexNet ekibinin 2012 ImageNet yarışmasını kazandığında bilgisayar görüşünde belirleyici anı tartışıyor ve yapay zeka ve makine öğreniminde kariyer arayanlara açık kaynak projelerine katkıda bulunarak veya algoritmalar uygulayarak kendilerini faydalı hale getirmelerini tavsiye ediyor.
Derin Öğrenme Kahramanları: Andrew Ng, Ian Goodfellow ile röportaj yapıyor
Derin Öğrenme Kahramanları: Andrew Ng, Ian Goodfellow ile röportaj yapıyor
Andrew Ng ile yaptığı bir röportajda Ian Goodfellow, derin öğrenmeye olan tutkusundan ve Stanford'da okurken bu alana nasıl ilgi duymaya başladığından bahsediyor. Goodfellow, üretken çekişmeli ağları (GAN'lar) icadından ve bunların derin öğrenmedeki potansiyelinden bahsederken aynı zamanda GAN'ları daha güvenilir hale getirme ihtiyacını vurguluyor. Yapay zeka ve derin öğrenme hakkındaki düşüncesinin, teknolojiyi yalnızca yapay zeka ile ilgili görevlerde çalıştırmaktan derin öğrenme modellerinin tüm potansiyelini keşfetmeye kadar yıllar içinde nasıl geliştiğini yansıtıyor. Goodfellow ayrıca yapay zekaya dahil olmak isteyenler için tavsiyelerde bulunarak, iyi kod yazmanın ve makine öğrenimi algoritmalarına baştan itibaren güvenlik oluşturmanın çok önemli olduğunu belirtiyor.
Derin Öğrenme Kahramanları: Andrew Ng, Andrej Karpathy ile röportaj yapıyor
Derin Öğrenme Kahramanları: Andrew Ng, Andrej Karpathy ile röportaj yapıyor
Andrew Ng ile yaptığı bir röportajda Andrej Karpathy, Geoff Hinton ile bir sınıf aracılığıyla derin öğrenmeye girişini ve ImageNet görüntü sınıflandırma yarışmasında nasıl insan ölçütü haline geldiğini tartışıyor. Yazılım derin ağları performansını aştığında ve çevrimiçi bir kurs oluşturarak başkalarına bunu öğretmeye karar verdiğinde şaşırtıcı sonuçlardan bahsediyor. Karpathy ayrıca yapay zekanın geleceğini ve alanın muhtemelen nasıl iki yörüngeye ayrılacağını tartışıyor: uygulamalı yapay zeka ve AGI. Derin öğrenme alanına girmek isteyenlere, her şeyi sıfırdan uygulayarak tüm yığını tam olarak anlamalarını tavsiye ediyor.
Derin Öğrenme Kahramanları: Andrew Ng, Apple Yapay Zeka Araştırma Direktörü Ruslan Salakhutdinov ile röportaj yapıyor
Derin Öğrenme Kahramanları: Andrew Ng, Apple Yapay Zeka Araştırma Direktörü Ruslan Salakhutdinov ile röportaj yapıyor
Apple'da Yapay Zeka Araştırma Direktörü Ruslan Salakhutdinov, derin öğrenmenin evrimini, üretken modellerin ve denetimsiz öğrenmenin eğitimindeki zorlukları ve derin öğrenme araştırmasındaki heyecan verici sınırları tartışıyor. Ayrıca araştırmacıları farklı yöntemler keşfetmeye ve yenilik yapmaktan korkmamaya teşvik ediyor.
Salakhutdinov, diyaloga dayalı sistemler ve metni akıllıca okuyabilen sistemler oluşturmanın önemini ve daha insan benzeri öğrenme becerilerine ulaşmanın nihai hedefini vurguluyor.
Derin Öğrenme Kahramanları: Andrew Ng, Yoshua Bengio ile röportaj yapıyor
Derin Öğrenme Kahramanları: Andrew Ng, Yoshua Bengio ile röportaj yapıyor
Andrew Ng, Yoshua Bengio ile röportaj yapıyor ve derin öğrenmeyle ilgili çeşitli konuları tartışıyorlar. Bengio, derin öğrenmeye nasıl başladığını ve sinir ağları hakkındaki düşüncesinin nasıl geliştiğini anlatıyor. Ayrıca, kelime dizileri için kelime yerleştirmeleri geliştirmeye ve otomatik kodlayıcı yığınlarıyla derin öğrenmeye yaptığı katkıları tartışıyor. Ek olarak Bengio, denetimsiz öğrenmenin önemini ve derin öğrenme ile beyin arasındaki ilişkiyi anlamaya olan ilgisini vurguluyor.
Bengio, büyük zorlukların üstesinden gelmek için derin öğrenme bilimini ve uygun araştırmayı anlama ihtiyacını vurguluyor. Son olarak, derin öğrenmede bir kariyer için güçlü bir temel matematik bilgisi ihtiyacına ve sürekli eğitimin önemine odaklanırlar.
Derin Öğrenme Kahramanları: Andrew Ng, Pieter Abbeel ile röportaj yapıyor
Pieter Abbeel, Andrew Ng ile yaptığı bu röportajda derin pekiştirmeli öğrenmenin zorluklarını ve potansiyelini tartışıyor. Keşif, kredi tahsisi ve olumsuz örnekler üretme konusunda daha fazla çalışmaya ihtiyaç olduğunu belirtiyor. Abbeel, robotlara otonom yaşamayı öğretirken güvenlik endişelerini ve güvenli öğrenme verileri toplamanın önemini de vurguluyor. Bireylere popüler çerçevelerle uygulamalı uygulama yapmalarını tavsiye ediyor ve deneyimli profesyonellerden mentorluk almanın faydalarını öneriyor. Ek olarak, makinelere başarı hedefleri vermede takviyeli öğrenmeye ihtiyaç olduğunu öne sürüyor ve takviyeli öğrenme bileşenini eklemeden önce davranışsal klonlamanın ve denetimli öğrenmenin önemine dikkat çekiyor.