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
Ders 6. Arama: Oyunlar, Minimax ve Alpha-Beta
6. Arama: Oyunlar, Minimax ve Alpha-Beta
Video, Dreyfus'un bilgisayarların satranç oynayamayacağına dair ünlü sözünden başlayarak AI'da oyun oynamanın tarihini tartışıyor. Konuşmacılar, eğer-o zaman kurallarının oyun oynama programlarında nasıl etkili olmadığını ve daha derin analiz ve strateji gerektiğini açıklar. Oyun arama verimliliğini optimize etmek için minimax algoritmasını ve alfa-beta budama kavramını tanıtıyorlar. Video ayrıca sigorta poliçelerinin maliyetini en aza indirme ve kademeli derinleştirme gibi teknikleri de araştırıyor. Konuşmacı, buldozer zekası önemli olsa da, insanların kendi kafalarında sahip oldukları zeka türüyle aynı olması gerekmediği sonucuna varıyor.
Ders 7. Kısıtlamalar: Çizgi Çizimlerini Yorumlama
7. Kısıtlamalar: Çizgi Çizimlerini Yorumlama
Video, basit nesneleri görebilen bir bilgisayar yaratma girişimiyle başlayan, çizgi çizimlerini yorumlamak için bir kısıtlama tatmin probleminin gelişimini tartışıyor. Deneyci Guzman'ın çalışması analiz edildi ve David Huffman'ın Guzman'ın programından daha iyi bir teori geliştirmesine izin veren kısıtlamalarla basit bir matematik dünyasında çalışma yaklaşımına yol açtı. Video, çizimlerdeki çizgileri ve kavşakları kataloglamak ve kategorize etmek için kullanılan kelime dağarcığını, beş oktantın malzemeyle dolu olma olasılığını ve nesnelerin inşa edilebilirliğini test etmek için kısıtlamaların kullanımını araştırıyor. Video ayrıca çizgi çizimlerini yorumlamak için etiket kullanmanın zorluğunu, Waltz'ın algoritmasını ve çizim analizinde çatal tepe noktalarını ele alma sürecini tartışıyor. Bu projede geliştirilen kısıtlamalar, harita renklendirme ve çizelgeleme gibi çok fazla kısıtlama içeren problemlerin çözümünde uygulamalara sahiptir.
mavi perspektifin simetrik zıttı. Konuşmacı ayrıca, çatal tarzı ve L tarzı bağlantı noktaları oluşturabilen köşeleri ve kalan çizgiyi sınır olarak T şekilleri oluşturabilen belirsiz nesneleri inceler. Son olarak konuşmacı, nesneler bir noktada bir araya geldiğinde altı yüzlü köşelerin de oluşturulabileceğinden bahseder.
Ders 8. Kısıtlamalar: Arama, Etki Alanı Azaltma
8. Kısıtlamalar: Arama, Etki Alanı Azaltma
Bu video, özellikle arama ve etki alanı azaltma bağlamında, problem çözmedeki kısıtlamalar kavramını tartışıyor. Konuşmacı, aramaya başlamadan önce kısıtlamaların olasılıkları daraltmak için nasıl kullanılabileceğini göstermek için bir haritadaki durumlara renk atama örneğini kullanır. Konuşmacı ayrıca, yalnızca ödevleri kontrol etmek veya her şeyi göz önünde bulundurmak gibi kısıtlamaları ele almaya yönelik farklı yaklaşımları araştırır ve kısıtlamaya dayalı problem çözmenin başka bir uygulaması olarak kaynak planlama kavramını sunar. Genel olarak video, kısıtlamaların karmaşık sorunları verimli bir şekilde çözmek için nasıl kullanılabileceğine dair kapsamlı bir genel bakış sunar.
Ders 9. Kısıtlamalar: Görsel Nesne Tanıma
9. Kısıtlamalar: Görsel Nesne Tanıma
Bu videoda Patrick Winston, David Marr'ın nesnelerin kenar tabanlı bir tanımını, yüzey normallerini ve genelleştirilmiş silindirleri oluşturma fikirleri de dahil olmak üzere görsel nesneleri tanımanın zorluklarını tartışıyor. Konuşmacı ayrıca görsel nesne tanıma için hizalama teorisi ve orta boyutlu özelliklerin konumunu hesaplamak için korelasyon algoritmalarını kullanma dahil olmak üzere farklı yöntemleri de araştırıyor. Winston, aynı boyutlara sahip olmayan doğal nesneleri tanımanın zorluklarını ve görsel tanımada bağlam ve hikaye anlatımının önemini, içen bir kedi örneğini kullanarak vurguluyor. Video boyunca, çeşitli kavramları açıklamak için gösteriler ve örnekler sunuyor. Genel olarak, konuşmacı görsel tanımanın zorluklarını vurgular ve öğrencileri bu alanda araştırmaya devam etmeye teşvik eder.
Anlatım 10. Öğrenmeye Giriş, En Yakın Komşular
10. Öğrenmeye Giriş, En Yakın Komşular
Bu YouTube videosunda Profesör Winston, öğrenme konusunu tanıtıyor ve iki tür öğrenmeyi tartışıyor: düzenliliğe dayalı öğrenme ve geri bildirime dayalı öğrenme. En yakın komşu öğrenimi, sinir ağları ve güçlendirme gibi düzenliliğe dayalı öğrenme tekniklerine odaklanır. En yakın komşu öğrenimi, bir değer vektörü üreten ve daha sonra en yakın eşleşmeyi bulmak ve bir nesnenin ne olduğunu belirlemek için bir olasılıklar kitaplığından alınan vektörlerle karşılaştırılan bir özellik algılayıcı içerir. Konuşmacı, bu yöntemin nasıl uygulanabileceğine dair çeşitli örnekler verir. Ayrıca, bir nesnenin kategorisini tanımlamak için karar sınırlarının nasıl kullanılabileceğini tartışıyor. Farklı durumlar arasındaki benzerlik ilkesi tanıtılır ve öğrenmeyi büyük ölçüde etkilediği için uyku yönetiminin önemi vurgulanır. Son olarak, düzensizlik sorununa, "neyin önemli olduğu" sorununa ve istatistiksel teknikleri kullanarak verileri normalleştirmenin önemine değiniyor.
Anlatım 11. Öğrenme: Kimlik Ağaçları, Düzensizlik
11. Öğrenme: Kimlik Ağaçları, Düzensizlik
MIT profesörü Patrick Winston, verileri kullanarak vampirleri tanımlamak için bir tanıma mekanizması oluşturma kavramını ve Occam's Razor'u tatmin eden küçük ve uygun maliyetli bir tanımlama ağacı oluşturmanın önemini açıklıyor. Tüm olası ağaçları hesaplamak bir NP problemi olduğundan, ağacı inşa etmek için buluşsal mekanizmaların kullanılmasını önerir. Winston, hangi bireylerin vampir olduğunu belirlemek için bir gölge testi, sarımsak testi, ten rengi testi ve aksan testi kullanmayı önerir ve bozukluk ölçümüne dayalı bir testin genel kalitesini bulmak için setlerdeki bozukluğun nasıl ölçüleceğini açıklar. Video ayrıca, tanımlama ağaçlarının sayısal verilerle nasıl kullanılabileceğini ve ağacın, kural tabanlı davranışa dayalı basit bir mekanizma oluşturmak için bir dizi kurala dönüştürülebileceğini de tartışıyor.
Ders 12a: Sinir Ağları
12a: Sinir Ağları
Bu video, sinir ağları ile ilgili bir dizi konuyu kapsar. Konuşmacı sinir ağlarının tarihini tartışarak başlar ve Geoff Hinton tarafından yapılan ve alanı dönüştüren önemli çalışmayı vurgular. Daha sonra bir nöronun anatomisi ve ayrıca girdilerin toplanma ve işlenme şekli tartışılır. Ardından video, sinir ağlarının fonksiyon yaklaşıklayıcıları olarak nasıl işlev gördüğünü ve yokuş tırmanma ve eğimli iniş kullanılarak performansın nasıl iyileştirilebileceğini inceliyor. Kısmi türevlerin hesaplanmasını kolaylaştırmak için zincir kuralı tanıtılır ve konuşmacı dünyanın en basit sinir ağının bu yaklaşım kullanılarak nasıl eğitilebileceğini gösterir. Sinir ağı için optimal hız sabiti de tartışılıyor ve konuşmacı iki giriş ve çıkışlı daha karmaşık bir sinir ağı sunuyor. Son olarak, büyük ağlar aracılığıyla yolların potansiyel üstel patlaması sorununu ele almak için yeniden kullanım ilkesi tanıtıldı. Genel olarak video, sinir ağlarındaki harika fikirlerin sahada önemli bir etkiye sahip olsalar bile genellikle basit ve gözden kaçırmanın kolay olduğunu vurguluyor.
Ders 12b: Derin Sinir Ağları
12b: Derin Sinir Ağları
Bu video, ilgili hesaplama süreci, evrişimli sinir ağları, otomatik kodlama algoritmaları, çıkış katmanındaki parametreleri ayarlama, softmax ve evrişimli ağlarla geri yayılım dahil olmak üzere derin sinir ağlarıyla ilgili çeşitli konuları kapsar. Video aynı zamanda yerel maksimum, genişleyen ağlar ve nöral ağ öğrenimi gibi kavramları incelerken, aynı zamanda derin nöral ağların görüntü işlemede nasıl çalıştığını gösteriyor. Genel olarak, video, güçlü yönleri ve sınırlamaları da dahil olmak üzere derin sinir ağlarıyla ilgili ana kavramlara kapsamlı bir genel bakış sağlar.
Anlatım 13. Öğrenme: Genetik Algoritmalar
13. Öğrenme: Genetik Algoritmalar
Bu video, evrimi taklit eden ve karmaşık problemleri çözmemizi sağlayan genetik algoritma kavramını tartışıyor. Kromozomlar yoluyla genetik kalıtım süreci, mutasyonlar ve çapraz geçişler için seçenekler içeren ikili kromozomlar kullanılarak parçalanır ve simüle edilir. Adayların hayatta kalma olasılıkları ve sıralaması, doğru uygulandığında etkinliği gösteren bir örnekle açıklanır. Yerel maksimumların üstesinden gelmenin zorluğu ve simüle edilmiş tavlama tekniğinin tanıtılması tartışılmıştır. Kural tabanlı bir uzman sistem oluşturma projesi ve blok benzeri nesnelerden oluşan yaratıkların evrimi de dahil olmak üzere, genetik algoritmaların pratik uygulamaları sergileniyor. Öğretim görevlisi, çeşitliliğin başarılarında kilit bir bileşen olduğuna dikkat çekerek, genetik algoritmaların kökenleri ve başarısı üzerine derinlemesine düşünür.
Anlatım 14. Öğrenme: Seyrek Uzaylar, Fonoloji
14. Öğrenme: Seyrek Alanlar, Fonoloji
Videonun bu bölümünde Profesör Winston, insanların nasıl öğrendiğine ilişkin araştırmalarla ilgili mekanizmalar olarak Seyrek Uzaylar ve Fonoloji kavramlarını tanıtıyor. Görsel ipuçlarının dilde algıladıklarımızı nasıl etkileyebileceğini göstermek için örnekler kullanarak dil öğrenimi söz konusu olduğunda gördüklerimizle duyduklarımız arasındaki etkileşimi tartışıyor. Konuşmacı, konuşma seslerini tanımak ve üretmek için tasarlanmış bir makinenin kayıtlar, bir dizi sözcük, kısıtlamalar ve fonemler için bir arabellek dahil olmak üzere öğelerini ve bağlantılarını açıklar. Ayrıca, "kediler" ve "köpekler" sözcükleriyle ilişkili ayırt edici özelliklere bakmanın bir sınıf örneğini kullanarak, öğrenmek için olumlu ve olumsuz örnekler kullanarak sesbilgisindeki kalıpları genelleştirme tekniğini açıklıyor. Son olarak, bir sorunu daha iyi anlamak ve çözmek için mekanizmanın işlevine uyan kısıtlamalar yaratmanın ve görsel bir temsili dahil etmenin önemini tartışıyor.