WEBVTT 00:00.420 --> 00:07.320 Allison ne demek istediğini bilmeli, İnternet'in o devasa bilgisayar olduğunu bilmiyorum. 00:07.380 --> 00:10.870 Şu anda gerçekten büyük olan biri miydi. 00:11.010 --> 00:11.400 Ne demek istiyorsun. 00:11.440 --> 00:16.350 Birçok kişinin kullandığını ve iletişim kurmadığını bilmediğim şeylere ne yazarsın biliyorsundur. 00:16.410 --> 00:18.960 Sanırım NBC yazarları ve yapımcılarıyla iletişim kurabiliyorlar. 00:18.960 --> 00:21.180 Allison, Internetin ne kadar muhteşem 00:29.140 --> 00:30.590 olduğunu açıklayabilir misiniz? 00:30.670 --> 00:34.470 Sadece 20 yıl önce insanlar internetin ne olduğunu bile bilmiyordu. 00:34.510 --> 00:37.260 Ve bugün, hayatımızın bunun için olduğunu hayal bile edemiyoruz. 00:37.300 --> 00:39.560 Bu dersten ETA kazananlara hoş geldiniz. 00:39.580 --> 00:44.800 Benim adım Cora Menko ve yüklenici ile birlikte Lunda Pontmercy sizi 00:44.800 --> 00:45.570 süper heyecanlıydı. 00:45.610 --> 00:51.670 Ve bugün size ne için minnettar olduğumuz ve niçin şimdi toplanıp durduğuna ilişkin hızlı bir genel 00:51.670 --> 00:52.300 bakış sunacağız. 00:52.300 --> 00:53.590 Öyleyse başlayalım. 00:53.590 --> 00:57.640 O klibeye neden bir baktık ve bu fotoğrafın üstünde ne varmış. 00:57.670 --> 01:00.310 Peki o klibi 1994'ten miydi. 01:00.310 --> 01:03.110 Bu 1980'den itibaren bilgisayarın bir fotoğrafı. 01:03.220 --> 01:09.490 Ve biz biraz tarihe derinlemesine bakmamızın nedeni, sinir ağları derin öğrenme ile birlikte oldukça 01:09.490 --> 01:15.670 uzun bir süre dolaştıklarından ve şu anda şimdi topladıklarını ve dünyayı şu anda etkilemeye 01:15.670 --> 01:16.640 başlamış olmamızdan kaynaklanıyor. 01:16.750 --> 01:22.510 Ancak 80'li yıllara bakarsanız, 60'lı ve 70'li yıllarda icat edilmelerine 01:22.510 --> 01:30.760 rağmen 80'li yılların soğuk rüzgârını gerçekten eğilip yakalamış olsalar da, insanlar onlardan çok bahsediyorlar. 01:30.760 --> 01:35.890 çözeceğini ve ölümleri yavaş yavaş yapacaklarını değiştireceğini düşündü. önümüzdeki on yılda kapanacak. 01:35.890 --> 01:41.830 O bölgede çok araştırma vardı ve herkes, derin öğrenme ya da sinir ağlarının, dünyayı 01:41.860 --> 01:46.060 etkileyecek olan bu yeni şeyin, her şeyin tüm dünya sorunlarını 01:46.080 --> 01:51.210 Peki neden olan şey, nöral ağların neden hayatta kalmadığını ve dünyayı hangi şekilde değiştirmediğini 01:51.200 --> 01:51.750 anlamıştı. 01:51.940 --> 01:57.220 Bunun sebebi, şeyleri tahmin etmede o kadar iyi olmadıklarından yeterince iyi olmadıkları 01:57.270 --> 02:02.320 için modelleme ve dağınıklık açısından iyi değildir, sadece iyi bir icat değildir. 02:02.350 --> 02:03.400 Veya başka bir sebep var mı? 02:03.400 --> 02:08.410 için doğru standartlara ve doğru çalışması için derin öğrenime ulaşamamış olması gerçeğidir. 02:08.410 --> 02:15.640 Aslında başka bir sebep var ve neden önümüzde olduğu gerçeği, teknoloji geri döndüğümüzde, sinir ağlarını kolaylaştırmak için 02:15.700 --> 02:17.130 sinir ağlarını kolaylaştırmak 02:17.140 --> 02:21.880 Verilere ihtiyacınız olan iki şeye ihtiyacınız var ve çok fazla bilgiye ihtiyaç duyuyorsunuz ve bu veriyi işlemek 02:21.880 --> 02:25.960 ve kolaylaştırmak için güçlü bilgisayarlara gereksiniminiz olan işleme gücüne ihtiyacınız var ve bunu biliyorsunuz. 02:25.990 --> 02:32.900 Öyleyse, verilerin veri veya depolama alanının yıllar içinde nasıl geliştiğine bir göz atalım ve sonra 02:32.900 --> 02:34.880 teknolojinin nasıl geliştiğine bakacağız. 02:34.880 --> 02:39.350 Yani burada üç yıl 1956 1980 2017 var. 02:39.830 --> 02:43.220 Depolama 1956'da ne kadar geriye baktı. 02:43.280 --> 02:47.600 Peki bir sabit disk var ve bu sabit disk sadece beşte. 02:47.750 --> 02:54.980 Bir megabayt sabit disk bekleyin. Bu, beş megabaytlık bir forkliftte, bir uçakta başka 02:54.980 --> 03:01.040 bir yere taşınan sabit bir sürücü olan küçük bir odanın büyüklüğüdür. 03:01.370 --> 03:04.670 Ve saklama birimi de bu şekilde görünüyordu. 03:04.700 --> 03:11.360 1956'da bir şirkete ödemek zorunda kaldınız o gün iki buçuk bin dolar ödemek zorunda kaldım, bu 03:11.390 --> 03:16.400 sabit sürücüyü kiralamak için kiralamak, bir aylığına kiralamak ya da kiralamak değil. 03:16.400 --> 03:18.760 1980'de durum biraz gelişti. 03:18.800 --> 03:24.290 sabit disk var hala çok pahalı ve sadece 10 megabayt Yani bu bugün bir fotoğraf gibi. 03:24.290 --> 03:27.260 Yani burada üç buçuk bin dolarlık bir 10 megabayt 03:27.260 --> 03:36.840 Ve bugün 2017'de parmağınıza sığabilecek 150 GB'lık bir 256 gigabayt SD kartı var. 03:37.100 --> 03:43.790 Ve bir yıl sonra bu videoyu izliyorsanız veya 2019 veya 2025'te beğeniyorsanız muhtemelen hepinize gülersiniz çünkü 03:43.790 --> 03:47.240 o zamana kadar daha güçlü bir depolama kapasitesi vardır. 03:47.240 --> 03:52.910 Fakat yine de nokta, bunları tahta kıyas edersek duruyor ve biz de fiyat ve büyüklüğü 03:52.910 --> 03:58.370 göz önüne alarak, o sırada trendini takip eden her şeyin kapasitesini göz önüne alıyoruz. 03:58.370 --> 04:04.090 Böylece 1956'dan 1980'ye kadar kapasite iki kat arttı. 04:04.250 --> 04:12.380 yedi yıl, bu kadar zamandaki artışın değil, aynı zamanda büyük bir sıçrama olduğunu gösterdi teknolojik ilerleme. 04:12.380 --> 04:20.210 Ve sonra yaklaşık yirmi beş bin altı yüz kez arttı ve dönemin uzunluğunun 1956'dan 1980'e kadar 04:20.210 --> 04:24.610 farklı olmadığını biliyordu 1980'den 2013'e kadar 24 yıl otuz 04:24.890 --> 04:28.220 Ve bunun doğrusal bir eğilim olmadığını göstermesi duruyor. 04:28.220 --> 04:33.830 Bu, teknolojideki üstel gelişmedir ve fiyat ve boyut 04:33.910 --> 04:37.090 dikkate alındığında, milyonlarca artış olacaktır. 04:37.280 --> 04:40.540 Ve burada aslında bir logaritmik ölçekte bir grafik var. 04:40.640 --> 04:46.290 Sabit disk maliyetini gigabayt'a göre çizersek, bunun bir şey olduğunu göreceksiniz. 04:46.430 --> 04:49.880 Çok hızlı bir şekilde sıfıra yaklaşıyoruz. 04:49.910 --> 04:54.200 Şu anda, hiçbir şeye mal olmayan Dropbox ve Google Drive'da depolama alanı alabilirsiniz. 04:54.200 --> 05:01.280 Bulut depolaması ve bu devam edecek ve aslında yıllar geçtikçe daha da ileri gidiyor. 05:01.280 --> 05:05.860 Şu anda bilim adamları DNA'yı depolamaya çalışıyor. 05:05.960 --> 05:13.720 Şu anda oldukça pahalı, iki megabayt veri sentezlemek için 7000 dolar, ardından 2004'ün okuması için bir 05:13.730 --> 05:15.210 başka düşünce var. 05:15.230 --> 05:19.670 Fakat bu tür bir şey, sabitdiskin ve bu üstel eğriyle çok hızlı bir şekilde 05:19.670 --> 05:24.590 hafifletilecek olduğunu bildiğiniz uçağın bütün durumunu hatırlatıyor. Bundan 10 - 10 yıl sonra artık 20 05:24.590 --> 05:28.590 yıl içinde herkes DNA saklama alanını kullanıyor olacaksa biz bu yönde gidiyoruz. 05:28.660 --> 05:33.770 Ve burada bazı istatistikler vardır, bu yüzden biraz daha fazla bilgi edinmek isterseniz videoyu 05:33.770 --> 05:35.360 duraklatmayı daha da keşfedebilirsiniz. 05:35.360 --> 05:36.890 Bu doğadan gelen nokta com. 05:37.040 --> 05:44.990 Ve temel olarak tüm dünya verilerini sadece bir kilogram DNA depolama biriminde depolayabilir veya bir gram 05:44.990 --> 05:49.350 DNA depolama alanına yaklaşık 1 milyar terabayt veri depolayabilirsiniz. 05:49.350 --> 05:56.150 Bu ne kadar hızlı ilerlediğimizi göstermek için sadece bir şey ve bu nedenle 05:56.150 --> 06:02.840 süper serin süper sofistike modelleri yetiştirmek için yeterli veriye sahip olduğumuz aşamada olduğumuza 06:02.840 --> 06:04.280 karar verildi. 06:04.280 --> 06:08.350 O zamanlar 80'li yıllarda başlangıçta başlangıçta icat edildiğinde meyve suyu olmadı. 06:08.690 --> 06:15.740 Ve konuştuğumuz ikinci şey, kapasiteyi işleme koymaktır Yani burada log skalasında üstel bir 06:16.460 --> 06:17.850 eğri var. 06:17.850 --> 06:23.840 Burada ideal bir şekilde tasvir edilmiş, ancak sağda çünkü bu bir günlük terazisi ve bilgisayarlar bu 06:23.840 --> 06:24.410 şekilde gelişiyor. 06:24.410 --> 06:30.530 Bu durumda, bilgisayarın işlem kapasitesinin ne kadar hızlı geliştiğini muhtemelen duyduğunuz 06:30.530 --> 06:34.120 Moore Yasası adlı slaydı yayınlamaktan çekinmeyin. 06:34.310 --> 06:39.920 ya da 2045 hızıyla düşünüyoruz. kombine edilen tüm insanları aşacaktır. 06:39.920 --> 06:47.960 Şu anda ortalama bilgisayarın bin dolar karşılığında satın alabileceği yerlerde, bir sıçanın beyninin hızında düşünüyor 06:48.470 --> 06:54.740 ve iki ile beş arasında bir insan veya 20:23 hız, 2050 06:54.740 --> 07:01.610 Temel olarak, işlerin daha hızlı ve daha sonra o zaman hayal 07:01.610 --> 07:05.670 edebileceğimiz son derece güçlü bilgisayar çağına giriyoruz. 07:05.720 --> 07:08.490 Ve öğrenmeyi kolaylaştıran şey budur. 07:08.600 --> 07:14.510 Dolayısıyla tüm bunlar, bize ne hakkında konuştuğumuzun tam olarak ne olduğu konusunda tüm 07:14.510 --> 07:18.390 sinir ağı durumunun ne olduğunu derinlemesine öğreniyor sorusuna getiriyor. 07:18.410 --> 07:20.490 Ve muhtemelen bir resim veya böyle bir şey gördün. 07:20.570 --> 07:21.590 Öyleyse içine girelim. 07:21.590 --> 07:29.140 Bu beyefendiyi derin öğrenmek ne bitti Jeffrey Hinton, derin şeyin vaftiz babası olarak bilinir. 07:29.350 --> 07:37.030 80'li yıllarda derin öğrenme üzerine araştırma yaptı ve şu anda derin öğrenmede 07:37.030 --> 07:41.370 yayınladığı çok sayıda araştırma makalesi yaptı. 07:41.370 --> 07:42.920 Google'da çalışıyor. 07:43.030 --> 07:47.770 Konuşacağımız şeylerin birçoğu Jeffrey Hinton'dan geliyor ve çok şey 07:47.770 --> 07:48.260 görebilirsiniz. 07:48.300 --> 07:49.840 Pek çok YouTube videosu var. 07:49.840 --> 07:53.930 O şeyleri gerçekten iyi açıklıyor, bu yüzden onları kontrol etmenizi tavsiye ederim. 07:54.130 --> 07:59.140 Ve derin öğrenmenin arkasındaki fikir, insan beynine bakmaktır. 07:59.140 --> 08:01.710 Ve bu adam nörobilim gelmeye başlayacak. 08:01.750 --> 08:09.370 Bu derslerde ve burada yapmaya çalıştığımız, insan beyninin nasıl çalıştığını taklit etmektir. 08:09.400 --> 08:13.300 Ve biliyorsunuz ki, insan beyni hakkındaki her şeyi bilmediğinizi çok fazla bilmiyoruz ama 08:13.300 --> 08:16.730 hepimiz bunu taklit etmek ve yeniden yaratmak istediğimizin farkında olduğumuz küçük adam. 08:16.730 --> 08:17.230 Ve neden böyle. 08:17.230 --> 08:21.970 kopyalayabilirse, doğal seçimin bizim için zaten kararlaştırdığı şeyin etkisinde kalabiliriz. 08:22.300 --> 08:28.690 İnsanın beyni, bu gezegende, öğrenme becerilerini öğrenmek için öğrenme ve bunları uygulamak için en 08:28.990 --> 08:32.980 güçlü araçlardan biri gibi görünüyor çünkü bilgisayarlar bunu 08:32.980 --> 08:37.840 Karar vermiş olduğu bu tür algoritmaların hepsi, bu algoritmadan yararlanacak en iyi algoritmalardır. 08:37.840 --> 08:39.750 Neden bisiklet sürüşünü yeniden icat edelim. 08:39.880 --> 08:41.700 Bu yüzden nasıl çalıştığını görelim. 08:41.710 --> 08:50.260 Burada bazı nöronlar var, bu yüzden bu nöronlar cam üzerine bulaştırılmış ve daha sonra bazı 08:50.260 --> 08:52.210 renklerle mikroskop altında incelenmişler. 08:52.270 --> 08:57.310 bu temelde bir nöronun göründüğü şey bu İnsan beyninde olduğu gibi. 08:57.310 --> 09:02.700 Ve bu onların neye benzediğini görebiliyorsun, böylece bu dalları olan bir vücudu var, 09:02.710 --> 09:06.940 kuyruklardan hoşlanıyorlar ve böylece onları ortada çekirdek gibi görüyorlar ve 09:06.970 --> 09:12.310 Hepsi birlikte yaklaşık 100 milyar nöron var, çünkü bunlar bireysel nöronlar, bunlar 09:12.310 --> 09:17.380 aslında motor nöronlar, çünkü görme kolaylığı daha büyük ancak yine de insan 09:17.470 --> 09:19.740 beyninde yüz milyar nöron var. 09:20.000 --> 09:23.920 Ve yaklaşık bin kadar komşusuyla bağlantılıdır. 09:23.920 --> 09:26.590 Bu yüzden size bir resim vermek için neye benzediğini. 09:26.590 --> 09:32.140 Bu insan beyninin gerçek bir veri bölümüdür. 09:32.140 --> 09:38.950 Ve bu, beyninizin arkadaki kısmı olan serebellumdur. 09:38.950 --> 09:47.140 Torex gibi daha sorumludur ve sizin için bir denge ve bazı dil yetenekleri ve bunun gibi bir şey bulunduğunu 09:47.140 --> 09:47.680 biliyorsunuzdur. 09:47.680 --> 09:57.460 Bu yüzden sadece Vorst ne kadar çok nöronun milyarlarca, milyarlarca ve milyarlarca nöronun birbirine bağlandığını göstermek için varmış 09:57.460 --> 10:02.770 gibi görünüyor. Sanki orada beş beş yüz binlerce veya milyonlarca 10:02.770 --> 10:04.780 milyondan fazla nöron konuşuyoruz. 10:04.910 --> 10:08.350 Ve yeniden yaratmaya çalışacağımız şey de bu. 10:08.350 --> 10:11.700 Peki bunu bir bilgisayarda nasıl yaratacağız. 10:11.890 --> 10:20.200 Yapay bir sinir ağı olarak adlandırdığımız yapay bir yapı oluşturuyoruz, burada düğümler veya nöronlar var ve girdi 10:20.590 --> 10:26.500 değeri için bazı nöronlara sahip olacağız, böylece bunlar belirli bir durum hakkında 10:26.500 --> 10:27.340 bildiğiniz değerler. 10:27.340 --> 10:32.080 Mesela, her şeyi başlatmak için bir şeyler yazabileceğiniz bir şeyi öngörmek istediğiniz 10:32.080 --> 10:33.310 bir şeyi modelliyorsunuz. 10:33.310 --> 10:36.740 Tahmininiz kapalıysa buna buna giriş katmanı denir. 10:36.820 --> 10:38.100 Sonra çıktısın var. 10:38.140 --> 10:43.780 birisinin bankadan ayrılmasına mı yoksa bankada kalacağına da sürpriz olur. 10:43.930 --> 10:45.980 Öngörmek istediğiniz değer bu, 10:46.260 --> 10:50.530 Bu sahte bir işlem mi, bu gerçek bir işlemdir vb. 10:50.890 --> 10:52.420 Bu yüzden daha düşük çıktı olacak. 10:52.540 --> 10:55.330 Ve arasında gizli bir katman olacak. 10:55.330 --> 11:01.600 Dolayısıyla beyninizde görebildiğiniz kadar çok nöronunuz var, bu nedenle bazı bilgiler gözlerinizin içine 11:01.600 --> 11:04.990 kulakları burnunuza, yani temel olarak duyularınız geliyor. 11:05.140 --> 11:10.210 tahmin etmeden önce bu milyarlarca, milyarlarca ve milyarlarca nöronun hepsinden geçerek çıktıya çıkarmaya 11:10.240 --> 11:15.130 çalışmak değil aynı zamanda beyindeki modeli yapacağımız bütün konsept de budur . 11:15.130 --> 11:17.050 Ve bundan sonra sadece çıktıyı 11:17.050 --> 11:23.170 Dolayısıyla, çıktıdan önce bulunan bu gizli katmanlara ihtiyacımız var; bu nedenle giriş Lares 11:23.170 --> 11:26.580 nöronları, nöronların çıktıya bağlandığı gizli katman nöronlarına bağlandı. 11:26.880 --> 11:29.280 Ve bu yüzden bu oldukça hoş. 11:29.290 --> 11:30.550 Ancak bu ne hakkında. 11:30.550 --> 11:34.040 Buradaki derin öğrenme nerede ve neden burada daha derine inanılan derin bir şey değildir. 11:34.090 --> 11:41.090 Bu türden bir seçeneğe benzemekle birlikte, neredeyse hiç devam etmeyen sığ bir öğrenme 11:41.110 --> 11:41.890 dile getirilebilir. 11:41.890 --> 11:43.400 Peki neden üzüntü deniyor. 11:43.420 --> 11:50.020 Çünkü bunu daha ileri seviyeye götürürsek daha da ayrarsak tek bir vuruşla karşılaşmazsak orada 11:50.020 --> 11:58.180 çok sayıda ve çok sayıda gizli katman bulunur ve her şeyi insan beynindeki gibi her şeyi birbirine 11:58.180 --> 12:01.930 bağlayan her şeyi her şeyi birbirine bağlarız. 12:01.930 --> 12:08.290 Giriş değerlerinin insan beyninde olduğu gibi bu gizli katmanlarla işlenmesi de 12:08.290 --> 12:08.660 budur. 12:08.770 --> 12:12.380 Sonra bir çıktı değeri var ve şimdi biz derin bir öğrenme bahsediyoruz. 12:12.460 --> 12:15.910 Öğrenme çok soyut bir düzeyde budur. 12:15.940 --> 12:21.180 Ve derin derslere derinlemesine inceleyip inceleyeceğimiz diğer eğitimler ve sonunda 12:21.180 --> 12:26.480 planlamanın ne anlama geldiğini öğreneceksiniz ve projelerinize nasıl uygulayacağınızı öğreneceksiniz. 12:26.500 --> 12:31.910 Başlamak için bu bekleyişten heyecan duyuyorum ve bir sonraki öğreticiyi görmek için sabırsızlanıyorum. 12:31.950 --> 12:33.700 O zamana kadar derinlemesine öğrenmenin tadını çıkarın.