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 21. Bir TSP Algoritmasını Ayarlama
Ders 21. Bir TSP Algoritmasını Ayarlama
Bu YouTube videosu, yıllardır ortalıkta dolaşan NP-zor bir sorun olan gezici satış elemanı sorununa (TSP) odaklanmaktadır. Konuşmacı, daha iyi bir minimum kapsayan ağaç algoritması uygulamak, derleyici optimizasyonunu etkinleştirmek ve bir tablo arama algoritması kullanmak için mesafe hesaplamasını değiştirmek gibi, arama alanını optimize etmek ve TSP algoritmasını daha hızlı hale getirmek için aramayı budamak için çeşitli algoritmalar ve yaklaşımlardan geçer. Arama alanını sınırlandırma ve programları hız ve performans için optimize etmek üzere yaratıcı düşünme ihtiyacı, TSP ve diğer ilgili sorunların çözümüne ilişkin değerli bilgiler sağlayan video boyunca vurgulanmaktadır.
Bu videoda konuşmacı, önbelleğe alma, tembel değerlendirme ve verileri bir hash tablosunda depolama gibi TSP algoritmasını optimize etmek için çeşitli teknikleri tartışıyor ve ampirik verilerin sezgi üzerindeki önemini vurguluyor. Ayrıca TSP problemini çözme konusundaki deneyimlerini ve performans mühendisliğinin mesleğindeki önemini paylaşıyor. Konuşmacı, artımlı geliştirme ve özyinelemeli oluşturma da dahil olmak üzere kod optimizasyon sürecine ilişkin içgörüler sağlar ve uygulanması kolay olduğu için dinleyicileri bu teknikleri kullanmaya teşvik eder. Son olarak konuşmacı, performans mühendisliğini sürdürdüğü ve çeşitli Google hizmetlerini iyileştiren algoritmalar geliştirdiği için ve kariyeri boyunca edindiği dostluklar için minnettarlığını ifade ediyor.
Ders 22. Grafik Optimizasyonu
Ders 22. Grafik Optimizasyonu
Video, grafik kavramını, onu temsil etmenin çeşitli yollarını ve grafik algoritmalarının verimliliğini artırmak için optimizasyon tekniklerini tartışıyor. Konuşmacı, ilişkilerin modellenmesinde grafik uygulamalarını ve bir hedefe ulaşmanın en kısa yolunu veya en ucuz yolunu bulmanın yanı sıra kenarları eklemek, silmek veya taramak için grafikleri bellekte depolamanın en uygun yollarını araştırıyor. Video ayrıca, negatif değerleri filtrelemek için önek toplamlarıyla paralel genişlik öncelikli arama algoritmasının uygulanmasının yanı sıra, bit vektörleri kullanılarak grafik aramalarında önbellek performansının optimizasyonunu da kapsar. Son olarak, konuşmacı, güvenilirlik ve tutarlılığı sağlamak için koddaki determinizmin önemini vurgulayarak, on milyon köşesi ve yüz milyon kenarı olan rastgele bir grafik üzerindeki deneylerinden bahsediyor.
Video ayrıca, doğru min operatörünün uygulanması, deterministik paralel BFS kodu, yön optimizasyon tekniği ve grafik sıkıştırma dahil olmak üzere çeşitli grafik optimizasyon tekniklerini tartışır. Yön optimizasyon tekniği, sınır geniş olduğunda ve diğer grafik algoritmalarına uygulandığında gelen kenarları keşfetmek için aşağıdan yukarıya bir yaklaşım içerirken, grafik sıkıştırma, ardışık kenarlar arasındaki farkları kodlayarak ve kullanılan bit sayısını azaltarak bellek kullanımını azaltmayı amaçlar. Bu değerleri saklamak için. Ek olarak video, nerede iyi çalışıp nerede çalışmadıklarını belirlemek için farklı grafik türleri üzerinde optimizasyonları test etmenin önemini vurguluyor.
Ders 23. Dinamik Dillerde Yüksek Performans
Ders 23. Dinamik Dillerde Yüksek Performans
Bu videoda, Julia programlama diline odaklanılarak, yüksek düzeyli, dinamik olarak yazılmış dillerde performans açısından kritik kod yazmanın zorlukları tartışılıyor. Julia, C ve Fortran gibi daha düşük seviyeli dillerle aynı seviyede performans sunarken yüksek seviyeli, etkileşimli yetenekler sağlamayı amaçlamaktadır. Julia'nın birden çok tür için çalışan genel kod yazma yeteneği, yerleşik meta programlama ve optimize edilmiş kod yolları, büyük vandermonde matrisleri oluşturma ve özel işlevlerde belirli polinomlar için optimize edilmiş kod gibi durumlarda onu Python'dan daha hızlı hale getirir. Ek olarak Julia'nın optimize edilmiş kod yolları, kutuları Python'dan çok daha hızlı ayırır ve bu da onu diziler gibi dinamik veri yapılarıyla uğraşmak için daha iyi bir seçim haline getirir. Son olarak, video, Julia'nın farklı bağımsız değişkenler için bir işlevin farklı sürümlerine ve türlerin yinelemeli olarak çıkarılmasına izin veren birden çok gönderme ve tür çıkarım yeteneklerini tartışıyor.
Bu videoda ayrıca Julia'da parametrik polimorfizmin nasıl çalıştığı ve sonsuz tip aileleri oluşturmaya nasıl izin verdiği açıklanmaktadır. X ve Y için parametrelere sahip bir nokta tipi gibi parametreleştirilmiş bir tip tanımlayarak ve bu parametreleri real'in bir alt tipine ayarlayarak, belirli bir alt tip ile "örneklenebilen" bir tipler kümesinin tamamı oluşturulabilir. Ek olarak, konuşmacı Julia'nın iş parçacığı oluşturma, çöp toplama ve dağıtılmış bellek paralelliği uygulama yetenekleri ve kitaplıklarının yanı sıra tanımlayıcılar için geniş Unicode desteğini tartışıyor. Ayrıca, uygun ve açıklayıcı isimlere sahip değişkenlere sahip olmanın önemi vurgulanmakta ve konuşmacı Julia teknolojisinin Silk teknolojisi ile birleştirilmesini araştıran ve gelecekte yeni gelişmelere yol açabilecek bir projeden bahsetmektedir.
Richard Feynman: Makineler Düşünebilir mi?
Richard Feynman: Makineler Düşünebilir mi?
"Richard Feynman: Makineler Düşünebilir mi?" adlı videoda Feynman, makinelerin aritmetik, problem çözme ve büyük miktarda veri işleme gibi birçok konuda insanlardan daha iyi olmasına rağmen, makinelerin asla insan benzeri düşünme ve zekaya ulaşamayacağını savunuyor. Makineler, ışık ve mesafedeki değişimler gibi karmaşıklıklardan dolayı görüntüleri tanımakta zorlanır ve bilgisayarlar kalıpları tanısa da yeni fikirleri ve ilişkileri kendi başlarına keşfedemezler. Feynman ayrıca, California'daki deniz oyunları şampiyonasını kazanmak için bir buluşsal yöntemler listesi kullanan Lumic adlı bir adamın örneğine atıfta bulunarak, hava durumu tahmini ve diğer karmaşık görevler için makine kullanmanın etkililiğini tartışıyor. Feynman, akıllı makineler yapmak için, geliştiricilerin sinsice gelişen psikolojik çarpıtmalardan kaçınmalarını ve bunun yerine, makineler zekanın gerekli zayıflıklarını gösterdiğinden, emekten kaçınmanın yeni yollarını bulmaya odaklanmalarını öneriyor.
Göz Yapay Zekada: Ilya Sutskever
Göz Yapay Zekada: Ilya Sutskever
Ilya Sutskever, bu videoda yapay zeka ile ilgili çeşitli konuları tartışıyor. Yapay zeka ve makine öğrenimine olan ilk ilgisini paylaşıyor ve Jeff Hinton ile yaptığı işbirliğinin evrişimli sinir ağı AlexNet'in geliştirilmesine nasıl yol açtığını açıklıyor. Sutskever ayrıca, dil modellerinin zorluklarından ve sınırlamalarından da bahsediyor ve onların sadece istatistiksel düzenlilikleri öğrenmekten daha fazlasını yaptıklarını ve fikirleri ve kavramları temsil etmenin önemli bir başarı olduğunu savunuyor. Ayrıca yapay zeka eğitiminde büyük miktarda veriye ve daha hızlı işlemcilere olan ihtiyacı tartışıyor ve bireylerin sistemlerin nasıl davranması gerektiğini belirtmek için veri girdiği yüksek bant genişliğine sahip bir demokrasi biçimi olasılığını öneriyor.
Makine Öğrenimi için Matematik - Çok Değişkenli Analiz - Tam Çevrimiçi Uzmanlık
Makine Öğrenimi için Matematik - Çok Değişkenli Analiz - Tam Çevrimiçi Uzmanlık
Bölüm 1
Bölüm 2
Bölüm 3
4. Bölüm
ETL Konuşmacı Serisi: Ilya Sutskever, OpenAI
ETL Konuşmacı Serisi: Ilya Sutskever, OpenAI
OpenAI'nin kurucu ortağı ve baş bilim adamı Ilya Sutskever, "ETL Konuşmacı Serisi: Ilya Sutskever, OpenAI" başlıklı bir YouTube videosunda büyük dil modelleri, yapay nöronların arkasındaki öncül, yapay zekadaki bilinç ve finansal yapı gibi konuları tartışıyor. kar amacı gütmeyen yapay zeka kuruluşları. Sutskever, OpenAI'nin başarısı için teknik ilerlemenin ve iyi araştırma yapmanın önemini vurguluyor ve yapay zeka ve girişimcilikle ilgilenen öğrencileri benzersiz fikirlerini keşfetmeye teşvik ediyor. Ayrıca, derin öğrenme yığınının ve uzmanlık eğitiminin çeşitli katmanlarındaki iyileştirmelerin gelecekte büyük bir etki yaratacağını tahmin ediyor. Son olarak, sunucular anlayışlı tartışması için Sutskever'e teşekkür eder ve onu gelecekteki etkinlikler için tekrar davet ederken aynı zamanda izleyicileri girişimcilik ve yenilikçilik hakkında daha fazla kaynak için Stanford e-köşe web sitesine yönlendirir.
Ilya Sutskever (OpenAI Baş Bilim İnsanı) - Bina AGI, Hizalama, Casuslar, Microsoft ve Aydınlanma
Ilya Sutskever (OpenAI Baş Bilim İnsanı) - Bina AGI, Hizalama, Casuslar, Microsoft ve Aydınlanma
OpenAI Baş Bilim İnsanı Ilya Sutskever, bu videoda GPT'nin yasa dışı kullanım potansiyeli, AI sistemlerinde güvenilirliğin önemi, AGI oluşturmada insan-makine işbirliğinin rolü, AGI'nin yazılım ve donanım sınırlamaları ve akademik araştırmanın potansiyeli. AGI inşasında yanlış hizalama olasılığını azaltmak için bir yaklaşım kombinasyonunun gerekli olacağına ve insanüstü yapay zeka için gereken atılımların, geriye dönüp bakıldığında mutlaka atılımlar gibi gelmeyebileceğine inanıyor. Ayrıca öğretim modellerinde insan katkısının değerini vurguluyor ve dil modellerinin etkisinin dijital dünyanın ötesine geçebileceğini öne sürüyor.
1. Ders: Kodlayıcılar için Pratik Derin Öğrenme 2022
1. Ders: Kodlayıcılar için Pratik Derin Öğrenme 2022
"Ders 1: Pratik Derin Öğrenme for Coders 2022" adlı bu YouTube videosunda eğitmen kursu tanıtıyor, derin öğrenmedeki hızlı değişim hızını vurguluyor ve Python kullanarak "kuş ya da kuş değil" sistemi oluşturmanın kolaylığını gösteriyor. Kurs, lineer cebir ve hesabın gözden geçirilmesiyle başlamak yerine, insanlara önce modellerin nasıl oluşturulacağını ve konuşlandırılacağını göstermeyi amaçlıyor ve sesleri veya fare hareketlerini sınıflandırabilen görüntü tabanlı algoritmalar da dahil olmak üzere bir dizi derin öğrenme modelini kapsayacak. Eğitmen, kodlama gereksinimlerini azaltmak için veri bloğu oluşturmanın, özellik algılayıcıları anlamanın ve önceden eğitilmiş modelleri kullanmanın önemini vurgular. Kurs aynı zamanda segmentasyon ve tablo analizini de kapsar ve fast.ai kodlamayı azaltmaya ve sonuçları iyileştirmeye yardımcı olan en iyi uygulamaları sağlar.
Video, derin öğrenmeye ve çeşitli alanlardaki uygulamalarına bir giriş sağlar. Sunucu, model eğitimi süreci ve daha iyi performans için modelin ağırlığını güncellemek amacıyla kaybı hesaplamanın önemi dahil olmak üzere makine öğreniminin temellerini tartışıyor. Ders iki modeli kapsar: tablo halinde öğrenme ve işbirliğine dayalı filtreleme. Sunucu ayrıca, yeni girişimlere, bilimsel makalelere ve iş tekliflerine yol açan geçmiş öğrenci projelerinden örnekler de dahil olmak üzere kod oluşturma ve paylaşmada Jupyter not defterlerinin kullanışlılığını vurgulamaktadır. Ana çıkarım, hevesli derin öğrenicilerin, değerli geri bildirim ve deneyim kazanmak için deneyler yapmaları ve çalışmalarını toplulukla paylaşmaları gerektiğidir.
2. Ders: Kodlayıcılar için Pratik Derin Öğrenme 2022
2. Ders: Kodlayıcılar için Pratik Derin Öğrenme 2022
Bu YouTube video serisi, kodlayıcılar için derin öğrenmeye bir giriş sağlar. Veri hazırlama, model oluşturma ve makine öğrenimi modeli dağıtma gibi konuları kapsar.
Bu videoda hacker Jeremy Howard, insanlara derin öğrenmeyi kullanarak kendi web uygulamalarını nasıl oluşturacaklarını öğretiyor. Git'te bir projenin nasıl kurulacağını, kucaklaşan yüz alanının eğitilecek bir modeli yüklemek için nasıl kullanılacağını, doğal dil işlemeyi ve metnin nasıl tanınacağını kapsar.