Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret 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
Derin Öğrenme ve Makine Öğrenimi için PyTorch – Tam Kurs (8-10. bölümlerin açıklaması)
Derin Öğrenme ve Makine Öğrenimi için PyTorch – Tam Kurs
8. Bölüm
9. Bölüm
10. Bölüm
Derin Öğrenme ve Makine Öğrenimi için PyTorch – Tam Kurs (11-16. Bölümler)
Derin Öğrenme ve Makine Öğrenimi için PyTorch – Tam Kurs
Bölüm 11
Bölüm 12
Bölüm 13
Bölüm 14
Bölüm 15
Bölüm 16
Derin Öğrenme ve Makine Öğrenimi için PyTorch – Tam Kurs (17-22. bölümlerin açıklaması)
Derin Öğrenme ve Makine Öğrenimi için PyTorch – Tam Kurs
Bölüm 17
Bölüm 18
öğrenenler, sinir ağını PyTorch kodunda çoğaltmaya katılırlar. Eğitmen daha sonra PyTorch'ta küçük bir VGG evrişimli sinir ağı oluşturmaya devam ediyor ve araştırma makalelerinin yazarlarının gelecekte başvurmayı kolaylaştırmak için yeni model mimarileri adlandırdıklarını açıklıyor. Kod, bir PyTorch modeli oluştururken tipik parametreler olan giriş şekli, gizli birimler ve çıkış şekli ile başlatılır.
Bölüm 19
Bölüm 20
Bölüm 21
Bölüm 22
Derin Öğrenme ve Makine Öğrenimi için PyTorch – Tam Kurs (23-26. bölümlerin açıklaması)
Derin Öğrenme ve Makine Öğrenimi için PyTorch – Tam Kurs
Bölüm 23
Bölüm 24
Bölüm 25
Bölüm 26
Kara Kutu Yok Makine Öğrenimi Kursu - Kitaplıklar Olmadan Öğrenin
Kara Kutu Yok Makine Öğrenimi Kursu - Kitaplıklar Olmadan Öğrenin
00:00:00 - 01:00:00 Bu YouTube videosunda eğitmen, kitaplıklara güvenmeden makine öğreniminde nasıl kod yazılacağını öğreten Kara Kutu Yok Makine Öğrenimi Kursu sunuyor. Kurs, veri toplama, özellik çıkarma ve görselleştirme dahil olmak üzere çizimleri tanıyan bir web uygulaması oluşturma ve en yakın komşu ve K en yakın komşu gibi sınıflandırıcıları uygulama ile ilgili konuları kapsar. Eğitmen, makine öğreniminde verileri anlamanın önemini vurguluyor ve lise matematik ve programlama deneyimini tazelemesi gerekenler için kaynaklar öneriyor. Video, herhangi bir harici kitaplık olmadan JavaScript kullanarak veri oluşturucu görevi gören bir web sayfası oluşturma sürecini gösterir. Sunum yapan kişi ayrıca bir geri alma düğmesi ve bir ad giriş alanı oluşturma, çizimleri bir veri nesnesinde saklama ve yolları kullanıcının bilgisayarına kaydetme hakkında talimatlar da içerir. Son olarak video, node.js'de bir veri kümesi oluşturucunun nasıl oluşturulacağını ve JavaScript kullanarak her örnekle ilişkili verilerin nasıl oluşturulacağını gösterir.
01:00:00 - 02:00:00 Eğitmen bu YouTube videosunda, izleyicilere bir makine öğrenimi veri kümesi oluşturmayı ve kitaplıkları kullanmadan özellikleri çıkarmayı öğretiyor. Veri kümesinin, düğüm betikleri ve web uygulamaları arasında iletişim kurabilen ve bir veri görüntüleyici uygulaması oluşturabilen bir klasörde nasıl saklanacağını gösterirler. Eğitmen ayrıca Google grafiklerini kullanarak toplanan verilerin nasıl görselleştirileceğini ve tablo ve listedeki seçili öğelerin nasıl belirleneceğini ve vurgulanacağını gösterir. Genel olarak video, öğrencilerin yalnızca JavaScript kullanarak makine öğrenimi veri kümeleri oluşturması ve özellikleri ayıklaması için kapsamlı bir kılavuz sağlar. 02:00:00 - 03:00:00 "Kara Kutu Makine Öğrenimi Kursu Yok – Kitaplıklar Olmadan Öğrenin" videosu, makine öğrenimi kitaplıklarını kullanmadan çizimlerin özelliklerine göre nasıl sınıflandırılacağını gösterir. Video oluşturucu, manuel hatalardan kaçınmak için verileri incelemek için hızlı ve yanıt veren bir sisteme sahip olmanın önemini vurguluyor. HTML ve CSS ile dinamik kaplar kullanılarak grafiğe nasıl özellik ekleneceğini, arka planın nasıl gizleneceğini ve tahmin edilen etiketlerin ekranda nasıl görüntüleneceğini gösterirler. Video ayrıca normalleştirme ve standardizasyon gibi veri ölçeklendirme tekniklerini de içeriyor. Son olarak, video, K en yakın komşu sınıflandırıcısının nasıl uygulanacağını ve K en yakın komşu içindeki her bir etiketin sayısının nasıl sayılacağını gösterir.
03:00:00 - 03:50:00 "Kara Kutu Makine Öğrenimi Kursu Yok - Kitaplıklar Olmadan Öğrenin" adlı YouTube videosu, JavaScript ve Python gibi makine öğrenimi kitaplıklarını kullanmadan K-en yakın komşu sınıflandırmasıyla ilgili çeşitli konuları kapsar. Videoda, veri kümelerinin eğitim ve test kümelerine nasıl bölüneceği, eğitim ve test örneklerinin nasıl ayrı ayrı ele alınacağı ve verilerin normalleştirilmesi açıklanmaktadır. Eğitmen ayrıca bir sınıflandırıcının nasıl çalıştığını anlamada karar sınırlarının önemini tartışır, bir K-en yakın komşu (KNN) sınıflandırıcısının JavaScript'te nasıl uygulanacağını gösterir ve makine öğrenimi kitaplıklarını kullanmadan piksel tabanlı bir çizim oluşturur. Son olarak video, izleyicilere Python'un ek yeteneklerini keşfetme ve şimdiye kadar öğrendikleri üzerinde düşünme çağrısıyla sona eriyor.
Bölüm 1
Bölüm 2
Bölüm 3
4. Bölüm
MIT 6.034 "Yapay Zeka". Güz 2010. Ders 1. Giriş ve Kapsam
1. Giriş ve Kapsam
Bu video MIT 6.034 dersi "Yapay Zeka"ya bir giriş niteliğindedir. Profesör yapay zekanın tanımını ve önemini açıklıyor ve konuyu anlamak için önemli olan düşünme modellerini ve temsilleri tartışmaya devam ediyor. Son olarak, video, notun nasıl hesaplandığı ve sınav ile finalin neleri içereceği de dahil olmak üzere kursa kısa bir genel bakış sunar.
Anlatım 2. Akıl Yürütme: Hedef Ağaçları ve Problem Çözme
2. Akıl Yürütme: Hedef Ağaçları ve Problem Çözme
Bu video akıl yürütmeyi, ağaçları hedeflemeyi ve problem çözmeyi tartışıyor. "Problem azaltma" adı verilen bir tekniği tanıtır ve matematik problemlerini çözmek için nasıl kullanılabileceğini açıklar. Ayrıca, sorunları çözmek için buluşsal dönüşümlerin nasıl kullanılacağını ve karmaşık alanlardaki sorunları çözmek için bilginin nasıl kullanılabileceğini tartışır.
Anlatım 3. Akıl Yürütme: Hedef Ağaçları ve Kural Tabanlı Uzman Sistemler
3. Akıl Yürütme: Hedef Ağaçları ve Kural Tabanlı Uzman Sistemler
Bu video, kural tabanlı bir uzman sistemin nasıl çalıştığını açıklar. Sistem, daha geleneksel yöntemlerle çözülmesi zor olan sorunları çözmek için tasarlanmıştır. Sistem, kapılarla birbirine bağlanan ve sistemin belirli bir hayvanı kesin olarak tanımasını sağlayan birkaç kuraldan oluşur.
Anlatım 4. Arama: Önce Derinlik, Tepe Tırmanışı, Kiriş
4. Arama: Önce Derinlik, Tepe Tırmanışı, Kiriş
Bu YouTube videosunda Patrick Winston, Önce Derinlik, Tepe Tırmanışı, Işınlama ve Önce En İyi aramaları dahil olmak üzere farklı arama algoritmalarını tartışıyor. Örnek olarak bir harita kullanarak, her bir algoritmanın avantajlarını ve sınırlamalarını ve farklı arama yöntemlerini anlamanın problem çözme becerilerini nasıl geliştirebileceğini gösteriyor. Winston, Macbeth hikayesiyle ilgili soruları yanıtlamak için Genesis sistemini kullanarak akıllı sistemlerde arama algoritmalarının uygulanmasını da tartışıyor. Ayrıca bir Pyrrhic zaferi kavramını ve arama programlarının grafiklere bakarak ve bulgularını İngilizce olarak bildirerek bu tür durumları nasıl keşfedebileceğini tanıtıyor. Genel olarak, video, arama algoritmalarına ve bunların gerçek dünya senaryolarındaki pratik kullanımlarına kapsamlı bir genel bakış sağlar.
Anlatım 5. Arama: Optimal, Dal ve Sınır, A*
5. Arama: Optimal, Dal ve Sınır, A*
Video, Chicago ve Los Angeles arasındaki Route 66 örneğine odaklanarak, iki yer arasındaki en kısa yolu bulmak için çeşitli arama algoritmalarını tartışıyor. Video, buluşsal mesafe kavramını tanıtıyor ve yokuş tırmanma, ışın arama ve dal ve sınır gibi farklı arama algoritmalarına ilişkin örnekler sunuyor. Konuşmacı, aramayı optimize etmek için A* algoritmasında kabul edilebilir ve tutarlı buluşsal yöntemler kullanmanın önemini vurgular. Ayrıca video, en kısa yoldaki alt sınırları belirlemek için genişletilmiş bir liste ve havayolu mesafeleri kullanmanın etkinliğini not ediyor. Son olarak video, bir sonraki derste A* algoritmasının daha fazla ayrıntılandırılmasını tartışma vaadiyle sona eriyor.