öncelikle twitter'ıma abone olun, teknolojiyle ilgili tweetler atıyorum

Seride bir speedrun daha, hadi başlayalım

Az önce sana takviyeli öğrenme (RL) memesini uyguladım:

1. yazıyı aç (doğru bir şey yap)
2. meme'i (ödülü) alırsın

Ne yemmiş o öyle.. aman Tanrım..

Peki meme-Kelvin'in RL'nin ne olduğunu öğrenmesi neden zor? Çünkü Konsepti anlamak yerine RL'nin uygulamasını öğrenmek istiyor, BU NEDENLE meme-KELVIN!

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 uygulamaları değil ML Kavramlarını öğrenirsiniz , 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 - 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.

Çözülecek algoritmalar ve problemler: ev fiyatlarını tahmin etme (doğrusal regresyon), bir müşterinin bir ürünü satın alıp almayacağına karar verme (karar ağaçları)

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.

Çözülecek algoritmalar ve sorunlar: Benzer müzik zevklerine sahip kişileri gruplandırma (k-ortalama kümeleme), çok fazla bilgi kaybetmeden görüntüleri sıkıştırma (ana bileşen analizi)

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.

Çözülecek algoritmalar ve problemler: Bir robota yürümeyi öğretmek (Q-öğrenme), bir programı satranç oynaması için eğitmek (politika eğimi yöntemleri)

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.

Örnek: Bir bitki türünü tanımlamaya yardımcı olmak için bir yaprağın uzunluğunu ve genişliğini kullanma

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.

Çözülecek algoritmalar ve problemler: Görüntülerdeki nesneleri tanıma (ileri beslemeli sinir ağları), dilleri çevirme (radyal tabanlı fonksiyon ağları)

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.

Çözülecek algoritmalar ve sorunlar: fotoğraflardaki yüzleri algılama (LeNet-5), görüntülerdeki farklı hayvan türlerini tanımlama (AlexNet, VGG)

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.

Çözülecek algoritmalar ve problemler: Hisse senedi fiyatlarını tahmin etme (Uzun Kısa Süreli Bellek, LSTM), belirli bir stile dayalı metin oluşturma (Kapılı Tekrarlayan Birimler, GRU)

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.

Örnek: Belirli kedi türlerini tanımak için birçok köpek türü üzerinde eğitilmiş bir modelin (örneğin ResNet) kullanılması

6. Düzenleme Teknikleri

Bu teknikler, programın verilerden çok fazla şey öğrenmesini önlemeye yardımcı olur; bu da aşırı uyum gibi sorunlara yol açabilir

DUR 🏁

tamamlandı: 0 dk, 52 sn

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 twit kuşunu takip etmeyi düşünün <3

Her neyse, sadece metni beğendiyseniz ve daha fazlasını istiyorsanız veya sosyal ağlarda eğlenceye bağımlıysanız Twitter'ı takip edebilirsiniz.

ya da kimseyi takip etme, kimseyi dinleme! kendi yolunu çiz!

Aslında tweetlerimi takip etmeni istiyorum, sadece bir satıştı.

"REACT'ı 43 saniyede öğrenin" adlı makalemi inceleyin