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 9 Derin Öğrenme 2: Üretken modeller, GAN'lar, Değişken Otomatik Kodlayıcılar (VAE'ler) (MLVU2019)
9 Derin Öğrenme 2: Üretken modeller, GAN'lar, Değişken Otomatik Kodlayıcılar (VAE'ler) (MLVU2019)
Video, derin öğrenme projeleri için bölünmüş veriler, transfer öğrenme ve üretken modellere odaklanma dahil olmak üzere derin öğrenme ile ilgili çeşitli konuları kapsar. Konuşmacı, rasgele sonuçlar ve olasılık dağılımları oluşturmak için sinir ağlarını kullanma kavramını araştırıyor ve üretken rakip ağlar ve otomatik kodlayıcılar gibi farklı eğitim üreteç yöntemlerini açıklıyor. Ayrıca, veri işleme ve boyut azaltma gibi çeşitli makine öğrenimi uygulamalarında GAN'ları, koşullu GAN'ları, steganografiyi ve otomatik kodlayıcıların önemini araştırıyorlar. Konuşmacı, çok fazla etiketlenmiş veri olmadan verilerin üst düzey manipülasyonları için gizli alanda verilerin manipüle edilmesini ve varyasyonel otomatik kodlayıcılar gibi alternatif bir yaklaşıma duyulan ihtiyacı tartışır.
Videonun bu ikinci bölümü, diğer modellerde sıklıkla görülen mod çökmesi sorununu ele almayı amaçlayan bir üretken model türü olan varyasyonel otomatik kodlayıcıları (VAE'ler) araştırıyor. Girdiyi gizli alana kodlamak ve girdi alanına geri kodunu çözmek için iki sinir ağı kullanılır, bu da hem kodlamanın hem de kod çözmenin optimizasyonuna olanak tanır. Konuşmacı, kayıp işlevini, ağı optimize etmek için kullanılabilecek bir KL sapma terimine ve beklenen bir log olabilirlik terimine ayırır. VAE'lerde bir beklentiyi maksimize etmenin zorlukları açıklanır ve bu sorunun üstesinden gelmenin bir yolu olarak yeniden parametrelendirme hilesi tartışılır. Konuşmacı, VAE'leri GAN'lar ve PCA gibi diğer tekniklerle karşılaştırır ve VAE'lerin daha güçlü olmakla birlikte eğitilmesinin daha zor olduğu sonucuna varır.
Ders 10 Ağaç Modelleri ve Grupları: Karar Ağaçları, AdaBoost, Gradient Boosting (MLVU2019)
10 Ağaç Modeli ve Topluluğu: Karar Ağaçları, AdaBoost, Gradient Boosting (MLVU2019)
Videonun bu ilk bölümü, örnek uzayını bölümlere ayırarak ve her bölüm için bir sınıf seçerek çalışan, sınıflandırma ve regresyon için kullanılan popüler bir makine öğrenimi modeli olan karar ağaçlarını tanıtıyor. Videoda ayrıca karar ağaçlarının bilgi kazanımı kullanılarak nasıl eğitilebileceği ve budamanın aşırı uydurmayı azaltmaya nasıl yardımcı olabileceği tartışılıyor. Konuşmacı, modeller arasında adaleti sağlamak için verileri eğitim, doğrulama ve test setlerine ayırmanın önemini vurgular. Ek olarak, video, yüksek değişkenlik ve istikrarsızlık gibi sorunları ele almak için çoklu karar ağaçlarının veya diğer modellerin eğitildiği ve birleştirildiği toplu öğrenmeyi tartışıyor. Yükseltme aynı zamanda, sınıflandırıcıların sıralı olarak eğitilmesini ve topluluğu iyileştirmek için verilerin yeniden ağırlıklandırılmasını içeren bir model topluluk tekniği olarak tanıtılmıştır. Son olarak, topluluğu iyileştirmek için bir kayıp fonksiyonunu en aza indiren sınıflandırıcıları seçen Adaboost algoritması açıklanmaktadır.
Videonun bu ikinci bölümü, AdaBoost ve gradyan güçlendirme dahil olmak üzere çeşitli ağaç modellerini ve gruplarını kapsar. AdaBoost, sınıflandırıcının performansına dayalı olarak veri örneklerini ağırlıklandıran sınıflandırma modelleri için popüler bir güçlendirme yöntemidir. Gradyan artırma, sabit işlevli bir model başlatmayı, artıkları hesaplamayı, etiketli artıklara yeni bir model uydurmayı ve onu topluluğa eklemeyi içerir. Konuşmacı, gradyan artırma ile AdaBoost arasındaki farkları açıklıyor ve sonuçları karıştırabilecekleri için toplulukların araştırmalarda pek kullanılmadığını belirtiyor. Ek olarak, torbalama varyansı azaltır ve artırma önyargıyı azaltır.
Anlatım 11 Sıralı Veriler: Markov Modelleri, Kelime Katıştırmaları ve LSTM'ler
11 Ardışık Veri: Markov Modelleri, Kelime Katıştırmaları ve LSTM'ler
Bu videoda konuşmacı, makine öğreniminde karşılaşılan, zamana veya sıraya göre düzenlenmiş sayısal veya sembolik veriler gibi farklı sıralı veri türlerini tartışıyor. Bu sorunların üstesinden gelmek için Markov modellerini, kelime gömmelerini ve LSTM'leri modeller olarak tanıtıyorlar. Video, doğrulama kavramı ve üzerinde test edilen belirli bir şeyden önce gerçekleşen veriler üzerinde eğitim dahil olmak üzere, sıralı verilerle eğitim ve tahmin sürecini özetliyor. Ek olarak, konuşmacı, farklı uzunluklardaki dizilerin nasıl ele alınacağı ve zaman modellemesi dahil olmak üzere sinir ağları ile dizilerin nasıl modelleneceğini ve zaman içinde geri yayılımı kullanarak tekrarlayan bir sinir ağının eğitim sürecini açıklar. Son olarak, video, tekrarlayan sinir ağları bir şeyleri hızla unuttuğunda Markov modelleriyle iyileştirilebilen, diziden etikete sınıflandırmanın özelliklerini kapsar.
Video, Markov modelleri ve sınırlamaları, Uzun Kısa Süreli Bellek (LSTM) ağları ve bunların avantajları, metin ve görüntü üretimi için LSTM'lerin kullanılması, öğretmen zorlama teknikleri ve görüntü alt yazısı dahil olmak üzere sıralı veri işlemeyle ilgili bir dizi konuyu kapsar. Konuşmacı, LSTM yapısı ve içerdiği çeşitli kapıların yanı sıra, Shakespeare metin oluşturma ve resim alt yazısı oluşturma gibi görevler için bu ağlardan nasıl eğitilip örnek alınacağına ilişkin ayrıntılı açıklamalar sağlar. Daha basit modellerden LSTM'ler gibi daha güçlü olanlara kadar, dizi işleme için mevcut olan yöntemlerin yelpazesiyle birlikte, kelime düzeyinde LSTM'leri iyileştirmek için katmanları gömme kullanımının önemi de tartışılmaktadır.
12 Matris modeli: Tavsiye sistemleri, PCA ve Grafik evrişimleri
12 Matris modeli: Tavsiye sistemleri, PCA ve Grafik evrişimleri
Videonun ilk bölümünde konuşmacı, matris modellerini ve bunların ürün tavsiyeleri, haberler ve sosyal ağlar için kullanılabilecek tavsiye sistemlerindeki uygulamalarını tartışıyor. Tavsiye sistemleri, açık ve örtülü geri bildirimin yanı sıra yan bilgilere dayanır ve uygun şekilde tasarlanmamışsa yanlış bilgileri yaymak için manipüle edilebilir. Matris çarpanlara ayırma, UTM'yi R'ye mümkün olduğunca yakın hale getirmek için U ve M matrislerini bulma optimizasyon problemi ile kullanıcı davranışına dayalı derecelendirmeleri tahmin etmek için yaygın bir yöntemdir ve kareli hata yöntemleriyle çözülür ve Frobenius normunu hesaplar. Konuşmacı ayrıca bu sorunu gradyan inişini kullanarak optimize etme yöntemlerini tartışıyor ve işbirlikçi filtreleme için gradyan güncelleme kuralını açıklıyor. Ayrıca konuşmacı, kullanıcı ve film yanlılığını kontrol etme, örtük beğenileri kullanma ve site bilgilerini dahil etme dahil olmak üzere matris çarpanlarına ayırma modelini iyileştirmenin beş yolunu ele alıyor. Son olarak, konuşmacı klasik makine öğrenimi ortamındaki matris çarpanlara ayırmanın gücünü, matris çarpanlarına ayırmadaki PCA'nın uzantılarını ve veri depolamada grafik modellerin kullanışlılığını tartışıyor.
Videonun ikinci kısmı, düğüm sınıflandırması ve bağlantı tahmini için grafik konvolüsyonları dahil olmak üzere tavsiye sistemleri için çeşitli matris modelleri sunar. Grafik konvolüsyonları, komşuluk matrisini orijinal yerleştirmelerle çarparak düğüm yerleştirmelerini karıştırır, ancak bu yaklaşımın büyük sosyal grafikleri temsil etmede sınırlamaları vardır. Geleneksel doğrulama yöntemleri, öneri sistemlerinde kullanılan karma özellik modelleri için çalışmaz, bu nedenle özelliklerin değil, yalnızca eğitim seti etiketlerinin saklandığı, transdüktif öğrenmeye ihtiyaç vardır. Ek olarak, zaman ve derecelendirme verilerinin modellenmesi, zaman damgası verilerinin ve transdüktif öğrenmenin dikkate alınmasını gerektirir. Video, dersin bir özeti ve aşağıdaki pekiştirmeli öğrenme tartışmasının bir ön izlemesi ile sona eriyor.
13 Takviyeli Öğrenme: Policy Gradients, Q Learning, AlphaGo, AlphaStar (MLVU2019)
13 Takviyeli Öğrenme: Policy Gradients, Q Learning, AlphaGo, AlphaStar (MLVU2019)
Video, robotik direk dengeleme arabası ve tic-tac-toe oyunu gibi örnekleri tartışarak, takviyeli öğrenmeye ve temel bileşenlerine bir giriş sağlar. Konuşmacı, ayırt edilemeyen işlevler, ödül almadaki gecikme ve kredi atama problemi dahil olmak üzere pekiştirmeli öğrenmenin zorluklarını derinlemesine araştırır. Kredi atama sorunu, rastgele arama, politika gradyanları ve Q-öğrenme gibi tekniklerle ele alınır; burada konuşmacı her bir algoritmayı, faydalarını ve sınırlamalarını açıklar. Q-öğrenme algoritması, Q-değerlerini temsil etmek için büyük bir sayı tablosu kullanılarak nasıl çalıştığına dair bir açıklama ile daha ayrıntılı olarak tartışılmaktadır. Sunum, derin Q-learning ve AlphaGo'nun takviyeli öğrenme alanında nasıl devrim yarattığının bir açıklamasıyla sona eriyor.
14 İnceleme: Tümevarımsal Önyargı, Algoritmik Önyargı, Makine öğreniminin sosyal etkisi (MLVU2019)
14 İnceleme: Tümevarımsal Önyargı, Algoritmik Önyargı, Makine öğreniminin sosyal etkisi (MLVU2019)
Videonun bu ilk bölümü, kayıp fonksiyonları, derin öğrenme sistemleri, tümevarımsal ve algoritmik önyargı ve makine öğrenimindeki açık problemler dahil olmak üzere makine öğrenimi konularının kapsamlı bir incelemesini sunar. Konuşmacı, veri bilimi sürecinde metodolojinin ve gerçek dünya kullanım durumlarının önemini vurgular ve ertelemeyi incelemek ve üstesinden gelmek için ipuçları sağlar. Konuşmacı ayrıca makine öğrenimi kavramlarının anlaşılmasını geliştirmeye yönelik stratejileri tartışır ve ileri öğrenim için kaynaklar sunar. Son olarak video, makine öğrenimi modellerinde genelleme sorununu ve model performansını iyileştirmede tümevarımsal önyargıların önemini vurgular.
Videonun ikinci bölümü, tümevarımsal önyargı, algoritmik önyargı ve makine öğreniminin sosyal etkisi dahil olmak üzere makine öğrenimiyle ilgili çeşitli konuları tartışıyor. Tümevarımsal önyargı, nedensellik, kompozisyon ve genelleme problemlerini çözmek için bir sinir ağına yerleştirilebilir. Bununla birlikte, bu yaklaşımın, modellenmemiş değişkenlere karşı azaltılmış sağlamlık dahil olmak üzere sınırlamaları da vardır. Makine öğrenimi modelleri verilerdeki önyargıları güçlendirirse, algoritmik önyargı devam ettirilebilir. Bu, yüz tanıma algoritmalarının renkli insanları tanıyamadığı veya ABD yargı sisteminde siyah insanlara karşı önyargılı kullanılan algoritmalar gibi durumlarda sorunlu olabilir. Bu sistemlerin sorumlu bir şekilde geliştirilmesi, önyargıların sürdürülmesinden kaçınmak ve karar verme süreçlerinde adaleti teşvik etmek için önemlidir.
Python'da Görüntüleri ve Videoları Segment Any Modelini (SAM) Kullanarak Segmente Ayırın | YOLOv5 | YOLOv8 ve SAM
Python'da Görüntüleri ve Videoları Segment Any Modelini (SAM) Kullanarak Segmente Ayırın | YOLOv5 | YOLOv8 ve SAM
Bu video, çeşitli görevler için resimlerden ve videolardan nesneleri tanımlayabilen ve çıkarabilen bir yapay zeka modeli olan Segment Everything Modelini (SAM) tanıtıyor. SAM, 11 milyar görüntü ve 1,1 milyar maskeden oluşan devasa bir veri kümesi üzerinde eğitilmiştir ve çeşitli segmentasyon görevlerinde güçlü performansa sahiptir. Video, gerekli paketlerin nasıl kurulacağı, önceden eğitilmiş model kontrol noktalarının nasıl indirileceği ve Python kullanılarak görüntüler ve videolar üzerinde segmentasyon yapılması da dahil olmak üzere yerel bir sistemde SAM kullanımına yönelik adım adım talimatlar sağlar. Video ayrıca, ilgilenilen nesnelerin etrafında sınırlayıcı kutular oluşturmak için SAM'in YOLOv5 veya YOLOv8 ile nasıl kullanılacağını gösterir. SAM'in animasyonda da potansiyel uygulamaları vardır.
YOLOv8 Kursu - YOLOv8 ve Flask Kullanan Gerçek Zamanlı Nesne Algılama Web Uygulaması - Web Kamerası/IP Kamera
YOLOv8 Kursu - YOLOv8 ve Flask Kullanan Gerçek Zamanlı Nesne Algılama Web Uygulaması - Web Kamerası/IP Kamera
YOLOv8 Kursu, izleyicilere YOLOv8 ve Flask kullanarak gerçek zamanlı bir nesne algılama web uygulaması oluşturma konusunda rehberlik eden bir dizi eğitimdir. Eğitimler, Python ve PyCharm gibi gerekli yazılımların yüklenmesini, sanal ortam oluşturulmasını, paketlerin yüklenmesini ve görüntülerde ve web kameralarında nesne algılamanın test edilmesini kapsar. Öğreticiler ayrıca çıktıyı tensörlerden tamsayılara dönüştürmeyi, algılanan nesneleri etiketlemeyi ve çıktı videosunu algılamalarla kaydetmeyi de kapsar. İzleyicilere YOLOv8'i Flask ile nasıl entegre edecekleri ve gerçek zamanlı nesne algılama web uygulamasını hem video hem de canlı web kamerası yayınlarında nasıl çalıştıracakları gösteriliyor.
Videonun ikinci bölümünde sunum yapan kişi, kişisel koruyucu ekipman tespiti için özel bir modelin eğitimini ve çıkarımını sergilemenin yanı sıra, canlı web kamerası beslemeleri ve videolarında nesne tespiti için Flask ve YOLOv8 kullanarak bir web uygulamasının nasıl oluşturulacağını gösterir. Web uygulamasının bir ana sayfası, bir video sayfası ve her sayfa için CSS stili olan canlı bir web kamerası besleme sayfası vardır ve sunum yapan kişi, proje için kullanılan HTML ve Flask dosyalarını gözden geçirir. Video, bir veri kümesini içe aktarma, YOLOv8 modeli eğitimi için hazırlama, modeli eğitme, sonuçları analiz etme ve modeli demo videolarda test etme sürecini gösterir. Genel olarak video, gerçek zamanlı bir nesne algılama web uygulaması geliştirmek ve test etmek için kapsamlı bir eğitim sağlar.
Sunum yapan kişi, kişisel koruyucu ekipman (PPE) veri kümesi üzerinde eğitilmiş YOLOv8 modelini kullanan bir web uygulamasında yapılan değişiklikleri de tartışır. Değişiklikler, sınıf adlarına göre sınırlayıcı kutulara ve etiket dikdörtgenlerine farklı renkler atamak için kodun değiştirilmesini ve sınırlayıcı kutuların ve dikdörtgenlerin görünmesi için 0,5'in üzerinde bir güven puanının ayarlanmasını içerir. Sunum yapan kişi, bir videoda ve canlı web kamerası yayınında KKD öğelerinin başarılı bir şekilde algılandığını göstererek kursun sonunu işaret eder.
YOLOv8 ve DeepSORT Kullanarak Gerçek Zamanlı Nesne İzleme | Araç Sayımı (Giriş ve Çıkış Yapan Araçlar)
YOLOv8 ve DeepSORT Kullanarak Gerçek Zamanlı Nesne İzleme | Araç Sayımı (Giriş ve Çıkış Yapan Araçlar)
Video, bir otoyol yoluna giren ve çıkan araç sayısını saymak için YOLOv8 ve DeepSORT kullanılarak gerçek zamanlı nesne izlemenin uygulanmasını göstermektedir. Sunucu, GitHub deposunu klonlama, gerekli paketleri yükleme, dizini ayarlama ve izleme komut dosyasını inceleme ile başlayan adım adım bir kılavuz sağlar. Öğretici, benzersiz kimlikler oluşturmak ve sınıf adlarını belirlemek için çift uçlu kuyrukların, ön işlemenin, maksimum olmayan regresyonun ve Derin SORT işlevinin kullanımını kapsar. Sunucu ayrıca ekranda bir çizgi kullanarak araç sayma özelliğinin nasıl ekleneceğini açıklıyor ve bir aracın izi bu çizgiyle her kesiştiğinde sayı artıyor. Kullanıcı arabirimi, belirli bir işlev kullanılarak ayarlanır. Son olarak sunum yapan kişi, betiğin mevcut çıktısının hat ile kesişmeleri nasıl tespit edebildiğini ve alana giren ve çıkan araçları nasıl sayabildiğini gösterir.
YOLOv8 Kullanarak Gerçek Zamanlı Nesne Bölümleme ve İzleme | Araç Sayımı (Giriş ve Çıkış)
YOLOv8 Kullanarak Gerçek Zamanlı Nesne Bölümleme ve İzleme | Araç Sayımı (Giriş ve Çıkış)
Bu eğitim videosu, YOLOv8 ve derin sıralama algoritmasını kullanarak gerçek zamanlı nesne segmentasyonu ve izlemeyi uygulamaya odaklanır. Spesifik olarak, belirli bir alana giren ve çıkan farklı araç alt türlerinin nasıl sayılacağını ve ayırt edileceğini gösterir. Eğitim, hız tahmini, yön ölçümü ve doğru segmentasyon ve kimlikleri ve izleriyle her aracın izlenmesi dahil olmak üzere çeşitli hususları kapsar. Sunucu ayrıca bunu çeşitli IDE'lerde uygulamak için gerekli adımları sağlar ve Patreon destekçileri için son kodu sunar.