öncelikle   abone olun, teknolojiyle ilgili tweetler atıyorum twitter'ıma    bir speedrun daha, hadi başlayalım  Seride  Az önce sana takviyeli öğrenme (RL) memesini uyguladım:  yazıyı aç (doğru bir şey yap)  meme'i (ödülü) alırsın  Ne yemmiş o öyle.. aman Tanrım..  Peki meme-Kelvin'in RL'nin ne olduğunu öğrenmesi neden zor? Çünkü   RL'nin   istiyor, BU NEDENLE meme-KELVIN! Konsepti anlamak yerine uygulamasını öğrenmek   Yeni bir şey, araç, teknoloji veya herhangi bir şey öğrendiğinizde, onun uygulamalarıyla başlamazsınız; aracın çözdüğü fikirlerle, kavramlarla ve problemlerle başlarsınız!  Wo Kelvin, işte burada: Güçlendirmeli Öğrenmeyi (RL) anlamak için, doğru hamleleri yaparak puan kazandığınız bir video oyunu oynadığınızı düşünün.  Takviyeli öğrenme buna benzer - bir program kararlar alarak ve eylemlerine göre ödüller veya cezalar alarak öğrenir  Bu sadece START-WITH-IDEAS ilkesinin Takviyeli Öğrenmeye uygulanmasının bir örneğiydi. Ama ML'nin tamamını 52 saniyede nasıl öğreneceğinizi anlatacağıma söz verdim...   HIZ KOŞUSU!  52 saniyede ML öğrenmek için   , sonra PyTorch'ta veya istediğiniz herhangi bir kütüphane adında uygulamaları Google'da (veya GPT'de) ararsınız, her neyse, önümüzdeki yıl değişecek ve sorun değil, fikirler çok daha uzun süre aynı kalacak -  uygulamaları değil ML Kavramlarını öğrenirsiniz fikirleri takip edin!  Makine Öğrenmesi Fikirleri  1. Gözetimli Öğrenme  Gözetimli öğrenmede, bir programa cevaplı örnekler kullanılarak öğretilir (etiketli veri olarak adlandırılır). Bu, programın örnekler ve cevaplar arasındaki bağlantıyı öğrenmesine yardımcı olur, böylece daha önce görmediği yeni örnekler için cevapları tahmin edebilir.    ev fiyatlarını tahmin etme (doğrusal regresyon), bir müşterinin bir ürünü satın alıp almayacağına karar verme (karar ağaçları) Çözülecek algoritmalar ve problemler:  2. Gözetimsiz Öğrenme  Burada program, cevapları olmayan örneklere (etiketlenmemiş veriler) bakar ve bunlar içinde kalıplar veya gruplar bulmaya çalışır. Bu, benzer öğeleri bir araya getirme veya verileri tanımlamak için gereken bilgi miktarını azaltma gibi görevlerde yardımcı olabilir.    Benzer müzik zevklerine sahip kişileri gruplandırma (k-ortalama kümeleme), çok fazla bilgi kaybetmeden görüntüleri sıkıştırma (ana bileşen analizi) Çözülecek algoritmalar ve sorunlar:  3. Güçlendirme Öğrenimi  Takviyeli öğrenmede, program bir şeyleri deneyerek ve ödül veya ceza şeklinde geri bildirim alarak karar vermeyi öğrenir. Amaç, zamanla daha iyi kararlar almak ve sorunları daha etkili bir şekilde çözmektir.    Bir robota yürümeyi öğretmek (Q-öğrenme), bir programı satranç oynaması için eğitmek (politika eğimi yöntemleri) Çözülecek algoritmalar ve problemler:  4. Özellik Mühendisliği  Bu, programın daha iyi öğrenmesine yardımcı olmak için ham verilerden önemli bilgileri (özellikleri) seçme sürecidir. Bazen bu, uzman bilgisi ve yaratıcılık kullanılarak yeni özellikler oluşturmayı içerir.    Bir bitki türünü tanımlamaya yardımcı olmak için bir yaprağın uzunluğunu ve genişliğini kullanma Örnek:  5. Model Değerlendirmesi  Bir makine öğrenimi modelinin ne kadar iyi performans gösterdiğini kontrol etmek, iyi çalışıp çalışmadığını görmek için önemlidir. Doğruluk, kesinlik, geri çağırma, F1 puanı ve ortalama karesel hata gibi ölçümler genellikle bir modelin performansını kontrol etmek için kullanılır.  ⏲️ 24 saniye kaldı, tamam!  Derin Öğrenmeyi de ele alalım!  Derin Öğrenme Fikirleri  1. Sinir Ağları (NN)  Bu gerçekten soyut. Bir NN'yi sütunlar halinde sıralanmış ve birbirlerine farklı kuvvetlerle (bağlantılar aracılığıyla) soldan sağa ping atan beyin nöronları olarak düşünebilirsiniz — bir nöronun (her katmanda) pinglendiği kuvvet bir sonraki pingi ve dolayısıyla nihai sonucu tanımlar.    Görüntülerdeki nesneleri tanıma (ileri beslemeli sinir ağları), dilleri çevirme (radyal tabanlı fonksiyon ağları) Çözülecek algoritmalar ve problemler:  2. Geri yayılım  Bir hata yaptığınızda, bundan ders çıkarırsınız ve tekrarlamamaya çalışırsınız. Geri yayılım, bir programın aynı şeyi yapmasının bir yoludur.  Programın nerede hata yaptığını anlamasına ve doğru cevapları bulma konusunda daha iyi olmasına yardımcı olur.  3. Evrişimsel Sinir Ağları (CNN'ler)  CNN'ler, resim gibi ızgara benzeri verileri anlayabilen özel sinir ağlarıdır.  Desenleri öğrenmelerine ve çizgiler, şekiller gibi resmin parçalarını tanımalarına yardımcı olan katmanları vardır.    fotoğraflardaki yüzleri algılama (LeNet-5), görüntülerdeki farklı hayvan türlerini tanımlama (AlexNet, VGG) Çözülecek algoritmalar ve sorunlar:  4. Tekrarlayan Sinir Ağları (RNN'ler)  RNN'ler, bir dizi sayı veya kelime gibi bir dizi halinde gelen verilerle çalışmak üzere tasarlanmıştır.  Önceki girdileri hatırlayabilir ve bu bilgileri daha iyi kararlar almak için kullanabilirler.    Hisse senedi fiyatlarını tahmin etme (Uzun Kısa Süreli Bellek, LSTM), belirli bir stile dayalı metin oluşturma (Kapılı Tekrarlayan Birimler, GRU) Çözülecek algoritmalar ve problemler:  5. Transfer Öğrenme  Bu, daha önce çok şey öğrenmiş bir program modelinin, sınırlı verilerle yeni bir görev üzerinde çalışacak şekilde ince ayarlanmasıdır.  Programın daha hızlı öğrenmesine ve daha iyi performans göstermesine yardımcı olur çünkü önceki öğrenmelerinden yararlı şeyleri zaten biliyordur.    Belirli kedi türlerini tanımak için birçok köpek türü üzerinde eğitilmiş bir modelin (örneğin ResNet) kullanılması Örnek:  6. Düzenleme Teknikleri  Bu teknikler, programın verilerden çok fazla şey öğrenmesini önlemeye yardımcı olur; bu da aşırı uyum gibi sorunlara yol açabilir  DUR 🏁    0 dk, 52 sn  tamamlandı:   İşte bu kadar, şimdi gidip ajanlarınızı eğitin, Kelvin çözmek istediğiniz algoritmalar ve problemler için uygulamaları Google'da arayın!  Bir aracı kullanmaya başlamak için, aracın çözdüğü bir problemle başlarsınız ve problemi çözmek için hangi Kavram(lar)ın kullanıldığını öğrenirsiniz. "Bir araçla bir şey nasıl yapılır" gibi uygulamayı kafanızda tutmayın, karmaşıktır ve her şey zaten kafanıza sığmaz.   Fikirleri öğrenin, uygulamaları Google'da arayın.  Bir uygulamayı 5~10 kez Google'da arattıktan sonra ezberleyeceksiniz, sonra teknoloji eskimiş olacak ve unutacaksınız, sorun değil, her zaman olur  Fikirlerin unutulması zordur, uzun süre hafızanızda kalırlar  Hoşça kalın ve bir sonraki drag yarışında görüşmek üzere    Bekle bakalım!  Eğitim sistemlerinin uygulamaya odaklı ve faydalı olmasını istiyorsanız   düşünün <3 twit kuşunu takip etmeyi  Her neyse, sadece metni beğendiyseniz ve   veya sosyal ağlarda eğlenceye bağımlıysanız Twitter'ı takip edebilirsiniz. daha fazlasını istiyorsanız  ya da kimseyi takip etme, kimseyi dinleme! kendi yolunu çiz!   Aslında tweetlerimi takip etmeni istiyorum, sadece bir satıştı.    adlı makalemi inceleyin "REACT'ı 43 saniyede öğrenin"

This story contains new, firsthand information uncovered by the writer.

Follow The Blue Bird

Read My Stories

Bu ses hikayenin orijinal dilinde üretilmiştir!

Çok uzun; Okumak

Make resilience your competitive advantage

Makine Öğrenimi Anlayışınızı Hızlandırın... 52 Saniyede 🏎️

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Telegram: Kripto Adası'nın anakaraya olan köprüsü

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Telegram: Kripto Adası'nın anakaraya olan köprüsü

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Bu 18 Geliştirici Aracıyla Üretkenliğinizi Artırın 🚀🔥

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps