“`html
Kelime sayısı: 2000
Okuma süresi: 30 dakika
Hedef kitle:
- Yapay zeka ile ilgilenen ancak Bilgisayar Bilimi konusunda sağlam bir geçmişe sahip olmayan donanım yapımcıları
İÇİNDEKİLER
Yapay Zeka ile Başlamak İsteyen Donanım Geliştiricileri için Bir Deneme
Özetle
1. ‘Yapay Zeka’ Nedir
2. Uygulama & Bazı Harika Projeler
3. İlgili Ürünler
4. Kurs & Temel Eğitim
Özetle
Yapay zeka günümüzde popüler bir konu ve ilgili ürünler çevrimiçi mağazamızda iyi satılıyor. Ancak bazı müşterilerimizin – geleneksel donanım geliştiricileri – genellikle bilgisayar bilimi konusunda sağlam bir geçmişe sahip olmadığını görüyoruz.
Bu makalenin amacı, derin öğrenme yolculuğuna başlamak isteyen ancak henüz arka plan bilgisi olmayan geliştiriciler için ilgi ve genel bir anlayış oluşturmaktır. Bu makalede, acemilerin ortak ilgi alanlarını ve sorunlarını listeleyeceğim. Ve bu yazının son kısmında, başlangıç için bazı kurs ve kitaplar önereceğim.
1. ‘Yapay Zeka’ Nedir
Yapay zeka günümüzde yaygın. “Veri Madenciliği”, “Yapay Zeka”, “Yapay Sinir Ağı”…… oldukça kafa karıştırıcı değil mi? Kapitalistler ve bilgisayar bilimcileri her yıl binlerce yeni terim yaratıyor, ancak *gerçekten ne olduklarını asla açıklamıyorlar.
Vikipedi’de şöyle deniyor:
Yapay zeka (AI), bazen makine zekası olarak adlandırılan, makineler tarafından sergilenen zekadır; bu, insanların ve hayvanların sergilediği doğal zekaya karşıt bir durumdur.
Ancak, eğer bu terim akademik bir terminoloji olarak kullanılmıyorsa, genellikle bu terimi Yapay Sinir Ağı’nı ifade etmek için kullanıyoruz. Çünkü son yıllarda bu teknolojinin patlayıcı gelişimi, çok fazla hesaplama ürünü ve ticari tanıtım ile sonuçlandı ve bu da ‘yapay zeka’ teriminin anlamını yavaş yavaş değiştirdi. Şimdi işletmeler “yapay zeka ürünleri” dediğinde, genellikle sinir ağı işlemlerini hızlandırmak için kullanılan ürünleri kastediyorlar.
Bazı reklamlar ve ‘öğreticiler’ size aşağıdaki gibi bir resim gösterecek, bu da beynimizdeki nöronları hatırlatıyor. Ancak aslında, nöronlar sadece zarif bir benzetmedir. Bilgisayar biliminde ‘Sinir Ağları’ terimi tamamen matematiksel bir problemdir. Ve eğer algoritmayı anlamıyorsanız, bu resim hiçbir şey ifade etmez.
Bu yüzden derin öğrenmeye girmek istiyorsanız, yapmanız gereken ilk şey terimlerin arkasındaki matematiksel prensipleri anlamaktır. Bugün algoritmayı detaylı bir şekilde açıklamak istemiyorum, bilmeniz gereken şey, Sinir Ağları modüllerinin Lise Matematik Dersinizdeki basit bir problemin uzak akrabaları olduğudur. Bu yazının son kısmında, acemiler için bazı kurs ve kitaplar önereceğim.
Derin öğrenme genç bir deneysel konudur ve her gün güncellenmektedir. Eğer bunu ustalaşmak istiyorsanız, en önemli şey bir konu veya gerçek bir problem seçmek ve ilgili makaleleri mümkün olduğunca okumaktır.
2. Uygulama & Bazı Harika Projeler
Görüş
İnsanlar için herhangi bir nesneyi sadece ona bakarak tanımak birkaç saniye içinde yapılabilir, bu onlar için gerçekten kolaydır, ancak makinenin nesneyi tanıması söz konusu olduğunda, bu Hinton ve Alex Krizhevsky 2012’de ImageNet şampiyonluğunu kazanana kadar gerçekten karmaşık bir şeydi.
O zamandan beri Sinir Ağı, Görüş alanında, özellikle sınıflandırma ve segmentasyon problemlerinde hakim oldu ve konvolüsyonel sinir ağı son yıllarda sayısız yarışmayı kazanan en önde gelen yaklaşımlardan biridir. Görüntü tanıma konusunda olağanüstü sonuçlar elde etmiştir.
Nvidia, Jetson Nano için birçok Görüş Demosu oluşturdu ve biz de bunlardan ikisini sınıflandırma ve yüz tanıma olarak test ettik:
Sanat
Google Magenta
Yaratıcı süreçte bir araç olarak makine öğreniminin rolünü araştıran açık kaynaklı bir araştırma projesidir. Bu proje grubu, AI destekli Doodle Johann Sebastian Bach’ı Kutlama ile kamuoyuna tanınmıştır.
“`
Ve burada daha fazla etkileşim için bazı demo örnekleri:
Magic Sketchpad Her seferinde bir doodle çizmeye başladığınızda, Sketch RNN bunu tamamlamaya ve seçtiğiniz kategoriyle eşleştirmeye çalışır.
Piano Genie Makine öğrenimi kullanarak piyanist gibi davranarak eğlenin.
Latent Loops Farklı ölçeklere ayarlanmış bir matris üzerinde melodiler çizin, üretilen melodik döngülerin bir paletini keşfedin ve bunları kullanarak daha uzun kompozisyonlar dizin. Google’ın Pie Shop’u tarafından inşa edilmiştir.
LOT & Sensörler
Akıllı Park Yeri
Yoğun trafik ortamlarında bir aracı park etmek, genellikle boş bir yer ararken fazla zaman harcamaya neden olur ve bu da sıkışıklıklara ve çevresel kirliliğe yol açar. Boş park yerleri hakkında rehberlik bilgisi eksikliği, verimsiz park etme davranışının bir nedenidir. Akıllı park sensörleri ve teknolojileri, sürücüleri boş park yerlerine yönlendirerek park etme verimliliğini artırır. Şu anda, açık otopark için böyle bir sensör veya teknoloji kullanılmamaktadır. Bu nedenle, hala yapılacak bir şey var.
Dağıtık Park Yeri İşgali için Derin Öğrenme
İnsan Aktivite Tanıma için LSTM’ler İnsan Aktivite Tanıma (HAR), yaygın bilişim ve İnsan-Bilgisayar Etkileşimi alanında önemli bir araştırma alanıdır. Mobil veya giyilebilir sensörler kullanarak aktiviteleri tanımak için, uygun sensörler kullanılarak veriler toplanır, segmentlere ayrılır, gerekli özellikler çıkarılır ve aktiviteler ayrımcı modeller (SVM, HMM, MLP vb.) kullanılarak kategorize edilir. Bu projede, geliştiriciler LSTM kullandı ve son doğruluk %91 ile, zirve değerleri %93.25 gibi bir seviyeye ulaştı.
Doğal Dil İşleme (NLP)
Bilgi çağında, Doğal Dil İşleme (NLP) geniş bir kullanım yelpazesi ile talebini ifade etmektedir. Önceden NLP, statik verilerle ilgileniyordu. Günümüzde NLP, önemli ölçüde metin, sözlük veritabanı ve desen tanıma ile ilgilenmektedir. Derin Öğrenme (DL) yöntemi, yapay Sinir Ağı (NN) ile doğrusal olmayan süreçleri tanıdığında, NLP araçları giderek daha doğru ve verimli hale gelmektedir ve bu bir tartışma başlatmaktadır.
NLP-progress Bu proje, Doğal Dil İşleme (NLP) alanındaki ilerlemeleri takip etmeyi ve en yaygın NLP görevleri ile bunlara karşılık gelen veri setleri hakkında güncel bir genel bakış sunmayı amaçlamaktadır.
Tıbbi Bilgiler
Yapay Zeka, tıp dünyasını dönüştürüyor. AI, doktorların daha hızlı ve daha doğru teşhisler koymasına yardımcı olabilir. Bir hastalığın riskini önceden tahmin edebilir. Araştırmacıların genetik varyasyonların hastalıklara nasıl yol açtığını anlamalarına yardımcı olabilir. Doktorların tıbbi görüntüleri analiz etme yeteneklerini artırır. Kişiselleştirilmiş tıbbın geleceğini ilerletiyor.
Şu anda, bu algoritmaları kullanarak hastalık teşhis sistemlerindeki hataları teşhis etmek için tıbbi görüntüleme uygulamalarının zenginleştirilmesi için önemli çabalar geliştirilmektedir. Makine ve derin öğrenme algoritmaları, erken hastalık belirtilerini tahmin etmek için tıbbi görüntülemede önemli yollar olarak öne çıkmaktadır. Derin öğrenme teknikleri, özellikle konvolüsyonel ağlar, tıbbi görüntüleri incelemek için özel bir metodoloji geliştirmiştir. Bu algoritmaların hastalıkların incelenmesi ve otomatik karar verme için kullanılabileceği dikkate alınmaktadır.
Tıbbi Görüntüleme için Derin Öğrenme Araç Seti (DLTK)
DLTK, TensorFlow’un üzerine yazılmış bir Python neural networks araç setidir. Hızlı prototipleme sağlamak için düşük bir giriş eşiği ile geliştirilmiştir ve tıbbi görüntüleme uygulamalarında yeniden üretilebilirliği sağlamak için özel bir odaklanma ile tasarlanmıştır. Amacı, topluluğa en son yöntemler ve modeller sunmak ve bu heyecan verici alandaki araştırmaları hızlandırmaktır.
Diğerleri
LotteryPredict Bu demo, loto tahmin etmek için LSTM ve TensorFlow kullandı.
3. İlgili Ürünler
AI günümüzde her yerdedir, tüketici uygulamalarından kurumsal uygulamalara kadar. Geliştiriciler, bunu gömülü ve robotik alanda uygulamaya çalışmaya başladılar, ancak geleneksel gömülü geliştirme kartlarının performansı açıkça yetersizdir. Intel, Nvidia, Google ve Huawei gibi çok uluslu şirketler, derin öğrenme ürünlerini piyasaya sürdüler ve bunlar arasında Jetson Nano son zamanlarda en fazla dikkat çeken ürün olmuştur; bu, orta boyutlu sinir ağlarını gömülü sistemlerde uygun fiyatlarla ve ultra düşük güç tüketimi ile dağıtma imkanı sunmaktadır. Sipeed ve Firefly gibi küçük şirketler de belirli alt alanlar için kendi ürünlerini piyasaya sürdüler. İşte bazı örnekler.
NVIDIA® Jetson Nano™ Geliştirici Kiti, modern AI iş yüklerini eşi benzeri görülmemiş bir boyut, güç ve maliyetle çalıştırmak için hesaplama performansı sunar. Geliştiriciler, öğrenciler ve yapımcılar artık görüntü sınıflandırma, nesne tespiti, segmentasyon ve konuşma işleme gibi uygulamalar için AI çerçevelerini ve modellerini çalıştırabilirler.
Google Coral Geliştirici Kartı
Coral Geliştirici Kartı, eMMC, SOC, kablosuz radyo ve Google’ın Edge TPU’sunu içeren çıkarılabilir bir sistem modülü (SOM) ile donatılmış bir tek kartlı bilgisayardır. Hızlı cihaz içi ML çıkarımı gerektiren IoT cihazları ve diğer gömülü sistemler için mükemmeldir.
Sipeed MAix Go Suit for RISC-V AI+IoT
MAIX, AI’yi kenarda çalıştırmak için tasarlanmış Sipeed’in özel modülüdür, buna AIoT diyoruz. Küçük fiziksel ve güç ayak izi ile yüksek performans sunar, bu da kenarda yüksek doğrulukta AI dağıtımını mümkün kılar ve rekabetçi fiyatı, herhangi bir IoT cihazına entegre edilmesini sağlar. Gördüğünüz gibi, Sipeed MAIX, Google edge TPU’ya oldukça benziyor, ancak bir hızlandırıcı değil, ana kontrolör olarak işlev görüyor, bu nedenle AP+edge TPU çözümüne göre daha düşük maliyetli ve düşük güç tüketimlidir.
Intel Movidius MA245X AI Kiti Intel Movidius Stick ile Uyumlu
Tak ve AI düşüncesiyle, Horned Sungem (HS), tüm geliştiricilerin, öğrencilerin, AI meraklılarının ve tutkunlarının kendi AI uygulamalarını kolayca oluşturmalarını sağlamak için en basit ve en kullanışlı AI cihazı olmayı hedeflemektedir. Derin öğrenme çerçevelerine veya karmaşık kütüphanelere bağımlılık olmadan, cihazınız Horned Sungem’i USB portuna takıp kısa bir kurulum betiği çalıştırdıktan sonra dünyayı görüp anlamaya hazır olacaktır.
Hikey970, 4 x Cortex A73, 4 x Cortex A53 ile güçlendirilmiş Kirin970 SOC tarafından desteklenen Süper Kenar AI Hesaplama Platformudur. Hikey970, 6GB LPDDR4 RAM, 64GB UFS depolama, Gigabit Ethernet, GPS, PCIE Gen2 ve CAN ile donatılmıştır. Dünyanın ilk özel NPU AI platformu olarak, Hikey970, Huawei HiAI hesaplama mimarisini ve CPU, GPU AI ve AI hızlandırması için özel olarak tasarlanmış Sinir Ağı çerçevelerini entegre eder. Ayrıca, Huawei’nin HiAI SDK’sı ile birlikte gelir. Hikey 970, Derin Öğrenme, Robotlar, Otomobil ve Akıllı Şehir gibi en çok uygulama alanında kullanılabilir.
4. Kurs & Ön Bilgi Eğitimi
Kitaplar
- Sinir Ağları ve Derin Öğrenme Bu, dünyadaki Sinir Ağları üzerine en dostane ders kitaplarından biridir, rahatsız edici terimler olmadan ve tamamen ücretsiz ve çevrimiçidir. Ancak bu kitaptaki kod biraz eski ve eğer c++ ile tanışık iseniz, ilkeleri anlamak için bunları kullanabilirsiniz.
- Python ile Derin Öğrenme Bu kitap, derin öğrenmeyi sıfırdan keşfetmek veya derin öğrenme konusundaki anlayışınızı genişletmek isteyen herkes için yazılmıştır. İster uygulamalı bir makine öğrenimi mühendisi, ister yazılım geliştirici, ister üniversite öğrencisi olun, bu sayfalarda değer bulacaksınız.
- Veri Analizi için Python Klasik bir Veri Analizi eğitimi ve hala güncel.
Kurs
-
TensorFlow ile Derin Öğrenmenin Yaratıcı Uygulamaları Bu kurs, sizi derin öğrenme ile tanıştırır: yapay zeka algoritmaları oluşturmanın en son yaklaşımı.
-
Stanford CS231n: Görsel Tanıma için Konvolüsyonel Sinir Ağları Bu kurs, derin öğrenme mimarilerinin detaylarına derinlemesine bir bakış sunar ve bu görevler için uçtan uca modeller öğrenmeye odaklanır, özellikle görüntü sınıflandırma üzerine.
-
UC Berkeley AI-Sys Bahar 2019 Bu kurs, AlexNet gibi klasik yapıdan, AI uygulamalarının bir sonraki neslini daha iyi desteklemek için sistem tasarımlarındaki en son trendlere ve AI’nın sistemlerin mimarisini ve performansını optimize etme uygulamalarına kadar geniş bir yelpazeyi kapsar. Öğrenciler için en değerli kısım, sağladığı Zorunlu Okuma Listesi’dir.
Videolar
- ScaledML 2019
- Bilgisayar Mimarisi Tarihinde Yeni Bir Altın Çağ, Zorluklar ve Fırsatlar.
- SysML 18: Perspektifler ve Zorluklar.
- David Silver tarafından RL Kursu
Okuduğunuz için teşekkürler!