<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Atakan Yenel on Medium]]></title>
        <description><![CDATA[Stories by Atakan Yenel on Medium]]></description>
        <link>https://medium.com/@atakanyenel?source=rss-66a3fb249c37------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*1r_RgKRDY1HPTvxs_pV8YQ.jpeg</url>
            <title>Stories by Atakan Yenel on Medium</title>
            <link>https://medium.com/@atakanyenel?source=rss-66a3fb249c37------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 14:19:13 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@atakanyenel/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Basecamp operasyon bütçesinin sadece %15’i Ruby’e harcanıyor.]]></title>
            <link>https://medium.com/@atakanyenel/basecamp-operasyon-b%C3%BCt%C3%A7esinin-sadece-15i-ruby-e-harcan%C4%B1yor-ac09d863bb89?source=rss-66a3fb249c37------2</link>
            <guid isPermaLink="false">https://medium.com/p/ac09d863bb89</guid>
            <category><![CDATA[programlama]]></category>
            <category><![CDATA[yazılım]]></category>
            <category><![CDATA[startup]]></category>
            <category><![CDATA[türkçe]]></category>
            <category><![CDATA[teknoloji]]></category>
            <dc:creator><![CDATA[Atakan Yenel]]></dc:creator>
            <pubDate>Sat, 13 Nov 2021 00:28:35 GMT</pubDate>
            <atom:updated>2021-11-13T00:28:35.524Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9_z62lNS_WJAkgR-YbXUJQ.jpeg" /><figcaption>Ruby on Rails kullanan bazı şirketler</figcaption></figure><p>Basecamp’in tüm versiyonlarını ve eski uygulamalarımızı çalıştırmak için her yıl 3 milyon dolar harcıyoruz. Bu gider, şirket içi veri sunucularımız ve bulut operasyonlarımıza dağılmış durumda. 7 kişilik operasyon takımımız bu bütçenin dışında. Bu sadece internet, makineler, güç vb. bütçesi.</p><p>Bu bütçede bir sürü gider var. En büyük madde, 4,5 petabyte dosyayı depolamak için her yıl harcadığımız milyon dolarlar. Eskiden yedeklilik ve erişilebilirlik için bu veriyi 3 ayrı merkezde kendimiz depoluyorduk ama son hesap ve operasyon güçlüğü sonuç vermedi. Bu sebeple, artık çok bölgeli yedeklilik kurulumuyla S3 kullanıyoruz.</p><p>Bundan sonrası karmaşık. Hepsi MySQL çalıştıran veritabanlarımıza çok fazla para harcıyoruz. Arama özelliğimize güç veren ElasticSearch kümelerimiz var. Bize önbellek sağlayan bir Redis sunucu sürümüz var. Kafka hattımız ve analitik için Big Query var. Veri merkezleri ve bulutumuz arasında doğrudan iletişim sağlayan bağlantı hatlarımız var.</p><p>Şu ana kadar konuştuğum her şey, programlama dilinden ya da Framework’ten bağımsız olarak, her şekilde çalıştırmamız gereken altyapı. Python, PHP, Rust, Go, C++, hangi dili çalıştırırsak çalıştıralım, hala veritabanına, aramaya ve dosya depolamaya ihtiyacımız var.</p><p>Şimdi programlama diline ve Framework’e ne kadar harcadığımızı konuşalım. <strong>%15</strong> civarında. Bütün uygulama ve iş sunucularımızın fiyatı bu. Sahiden de Ruby on Rails çalıştıran makineler. Yani 3 milyon dolarlık bütçemizin yanında 450 bin dolar. Bu kadar.</p><p>Şimdi Ruby on Rails’da yaptığımız he şeyi iki katı hızda yapabildiğiniz harika bir teknoloji olduğunu hayal edin ! Bu bize yılda 225 bin dolar kazandırır. Basecamp olarak yılbaşında çalışanlarımıza verdiğimiz hediyelere daha çok para harcıyoruz. Bu gerçek anlamda iki katı hızında olduğunuzu, yani sadece makinelerin yarısına ihtiyacınız olduğunu düşünürseniz. Mikro hız kıyaslamaları ne derse desin, bu o kadar da kolay bir iş değil.</p><p>Şimdi bir cevher bulduğumuzu hayal edin. İşlemci giderini 10 katı kadar azaltan bir cevher. Uygulamalar ve iş sunucusu giderlerimizi gerçek dışı bir şekilde yılda 45 bin dolara indirdiğimizi düşünürsek, yılda 400 bin dolar civarı tasarruf ederiz. Bu tasarruf Basecamp’te ortalama iki yazılımcının maaşlarını ödemeye bile yetmez!</p><p>Şimdi bu kazancın neye mal olduğunu düşünelim. Basecamp’te 15 kişilik yazılımcı takımımıza bütün operasyon giderimizden daha çok para ödüyoruz. Bu takımı sadece %15 oranında daha az üretken yapsak, bu bize Ruby on Rails’e harcadığımızdan çok daha fazlaya mal olur.</p><p>Ruby on Rails ile çalışmak bir lüks, evet. Her şirket yazılımcılarına BaseCamp kadar iyi ödeyemez, o yüzden belki oranlar başka yerlerde farklıdır. Belki diğer şirketlerin uygulamaları daha işlemci odaklıdır. Ama çoğu SaaS şirketi bizimle aynı durumda. Programlama dillerini ve web framework’lerini çalıştırmak için harcadıkları para , bütün operasyon giderlerinin sadece küçük bir kısmı.</p><p>Basecamp gibi bir şirket için , programlama dili ve framework seçimini, hangisinin yazılımcılarınızı en mutlu, en üretken, en motive yapacağından farklı bir sebep için seçmek saçmalık olur. Maliyeti ne olursa olsun, buna değer. Sadece kar/zar için de değer, ama daha da önemlisi, insan mutluluğu ve potansiyeli için de değer.</p><p>Bu yüzden Ruby kullanıyoruz. Bu yüzden Rails kullanıyoruz. Doğru bir pazarlık.</p><p>Yukarıdaki yazı, 2019 yılında Basecamp şirketinin CEO’su <a href="https://medium.com/u/54bcbf647830">DHH</a> tarafından yazılmış(<a href="https://m.signalvnoise.com/only-15-of-the-basecamp-operations-budget-is-spent-on-ruby/">orjinal hali</a>), şirketin onayı ile Türkçe’ye çevrilmiştir.</p><p><strong>Benim düşüncelerim</strong>: Ruby on Rails, benim için de eğer bir Sofware as a Service şirketi kursam, kullanacağım dil olurdu. Böyle bir proje için, daha üretken olabildiğim başka bir dil yok. Eğer şirket büyür de, bir şekilde Ruby on Rails’ın performansı, müşteri trafiğini karşılayamaz hale gelirse, sadece o zaman başka bir sisteme geçmeyi planlarım. Zaten şirket o duruma geldiğinde, bu tarz bir projeyi hayata geçirebilecek, daha büyük bir yazılımcı takımına ve bütçeye sahip olur. Ama başlarken Ruby on Rails ile başlamak, sizi zaman alan ama son ürüne hiç bir faydası olmayan, teknolojiyi seçmeye çalışırken karşılaşacağınız bir çok sorudan kurtarır ve böylelikle tamamen uygulamanızın ama mantığına yoğunlaşabilirsiniz. Eğer gerçekten hızlı olması gereken, işlemci ağırlıklı bir uygulama geliştiriyorsanız da, veriyi kullanıcıdan Ruby on Rails ile alın ve arka planda kendi uygulamanıza gönderip, sonucunu tekrar Ruby on Rails ile kullanıcıya sunun (Tabi ki her zaman istisnalar vardır). Şu anda hiç bir şekilde Ruby on Rails yazmamama rağmen, teknolojiyi aktif olarak takip edip, güncel kalmaya çalışıyorum, böylece yazılımda yeni ortaya çıkan problemlerde eksik kalıp kalmadıklarını görebiliyorum.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ac09d863bb89" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenimi Eğlencelidir: 3.Kısım]]></title>
            <link>https://medium.com/deep-learning-turkiye/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-3-k%C4%B1s%C4%B1m-2253856ad79c?source=rss-66a3fb249c37------2</link>
            <guid isPermaLink="false">https://medium.com/p/2253856ad79c</guid>
            <category><![CDATA[teknoloji]]></category>
            <category><![CDATA[medium-turkish]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[yazılım]]></category>
            <dc:creator><![CDATA[Atakan Yenel]]></dc:creator>
            <pubDate>Sat, 09 Mar 2019 18:24:09 GMT</pubDate>
            <atom:updated>2019-03-29T19:55:32.126Z</atom:updated>
            <content:encoded><![CDATA[<h3>Makine Öğrenimi Eğlencelidir! 3. Kısım: Derin Öğrenme ve Evrişimli Sinir Ağları</h3><p>Derin Öğrenme (Deep Learning) ile ilgili sonu gelmeyen hikayeler okumaktan ve ne anlama geldiğini bilmemekten yoruldunuz mu? Hadi bunu değiştirelim!</p><p>Bu sefer fotoğraflardaki objeleri derin öğrenme kullanarak tanıyan programları nasıl yazacağımızı öğreneceğiz. Başka bir deyişle, Google Fotoğraflar’ın fotoğrafta ne olduğundan yola çıkarak fotoğraflarınızı aramanızı sağlayan kara büyüsünü açıklayacağız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/858/1*RbIR-ImUIuFLu36Ju4QlRg.gif" /><figcaption>Google artık kendi fotoğraflarınızı sadece tanımından yola çıkarak aramanızı sağlıyor. Etiketlenmiş olmasa bile. Peki bu nasıl çalışıyor? (Ocean: Okyanus)</figcaption></figure><p>Aynı <a href="https://medium.com/@ozgurs/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-2ad33ae37bea">1.</a> ve <a href="https://medium.com/bili%C5%9Fim-hareketi/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-2-k%C4%B1s%C4%B1m-6b464cbdf40c">2.</a> kısımdaki gibi bu kısım da makine öğrenmesine merakı olan ama nereden başlayacağını bilmeyenler için. Amaç herkes için erişilebilir olmak. Bu da çok fazla genelleme yapacağız ve çok fazla detayı atlayacağız demek ama kimin umrunda? Eğer bu yazı bir kişiyi bile makine öğrenmesiyle ilgili daha ilgili hale getirirse, görev tamamlanmış demektir.</p><p><em>(Eğer </em><a href="https://medium.com/@ozgurs/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-2ad33ae37bea"><em>1.</em></a><em> ve </em><a href="https://medium.com/bili%C5%9Fim-hareketi/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-2-k%C4%B1s%C4%B1m-6b464cbdf40c#.ble3ussxu"><em>2</em></a><em>. kısmı okumadıysanız, şimdi okuyun!)</em></p><h3>Objeleri Derin Öğrenme ile Tanımak</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/267/1*IFLEizxbvs2Pk2t2nsTfXA.png" /><figcaption>Karikatürün aslına buradan ulaşabilirsiniz (<a href="https://xkcd.com/1425/">xkcd #1425</a>)</figcaption></figure><p>Daha önce <a href="https://xkcd.com/1425/">bu ünlü xkcd karikatürünü </a>görmüş olabilirsiniz.</p><p>Buradaki komik kısım şu; 3 yaşındaki bir çocuk bile bir kuşun fotoğrafını tanıyabilir ama bilgisayarların bunu yapmasını sağlamak 50 yılı aşkın süredir en iyi bilgisayar bilimcilerinin kafasını meşgul ediyor.</p><p>Son birkaç yılda, Derin Evrişimli Sinir Ağları (Deep Convolutional Neural Networks) kullanarak obje tanımlamaya iyi bir yaklaşım getirmeyi başardık. Bu bir bilim kurgu romanından seçilmiş rastgele birkaç kelime gibi duruyor ama teker teker baktığınızda arkasındaki fikir gerçekten anlaşılır.</p><p>Hadi o zaman — Kuşları tanımamızı sağlayan bir program yazalım.</p><h3>Basit Bir Başlangıç</h3><p>Kuş fotoğraflarını tanıyan bir program yazmadan önce, çok daha kolay bir şeyi tanımayı öğrenelim — el yazısıyla yazılmış bir 8&#39;i.</p><p>2. Kısımda, sinir ağlarının nasıl bir sürü basit nöronu birbirine bağlayarak karmaşık problemleri çözebileceğini öğrenmiştik. Bir evin sahip olduğu yatak odası sayısı, ne kadar büyük olduğu ve hangi mahallede olduğu üzerinden, o evin fiyatını tahmin eden bir sinir ağı yapmıştık:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*Pg2_S_sH9Psa-b8U1HDOjQ.png" /></figure><p>Aynı zamanda makine öğreniminde ana fikrin; aynı çok amaçlı algoritmaları, farklı veriler üzerinde uygulayarak, farklı sorunları çözmek olduğunu da biliyoruz. O zaman buradaki aynı sinir ağını el yazısını tanıması için modifiye edelim. Bu işi basitleştirmek için sadece tek bir harfi tanımaya çalışacağız — sayıyla “8”.</p><p>Makine öğrenmesi sadece elinizde veri varsa işe yarar — tercihen çok fazla veri. Bu yüzden, başlamak için sürülerce el yazısı “8”e ihtiyacımız var. Şansımıza, araştırmacılar tam da bu amaç için<a href="http://yann.lecun.com/exdb/mnist/"> MNIST el yazısı veri seti </a>oluşturmuşlar. MNIST 18x18lik format halinde 60,000 adet el yazısıyla yazılmış rakam görseli sağlıyor. Veri setindeki bazı “8&quot;ler:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*M07y4LTD5HEoD3ZbbxRDcQ.jpeg" /><figcaption>MNIST veri setinden alınmış bazı 8&#39;ler.</figcaption></figure><h3>Aslında Her Şey Sadece Sayıdır</h3><p>2. kısımda yaptığımız sinir ağı, girdi olarak sadece 3 sayı aldı (“3” yatak odası, “2000” metrekare, vb.). Ama şimdi sinir ağında görüntü işlemek istiyoruz. Nasıl olacak da bir sinir ağına, sayılar yerine görseller göndereceğiz?</p><p>Cevap çok kolay. Bir sinir ağı girdi olarak sayı alır. Bir bilgisayar için, bir görsel sadece her bir pikselin ne kadar karanlık olduğunu gösteren bir matristir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/581/1*6UcQdP-1yFoUotb-QnDWsg.gif" /></figure><p>Bir sinir ağına görsel verebilmek için, 18x18&#39;lik bir görüntüyü 324 sayı uzunluğunda bir dizin olarak düşüneceğiz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*mWcpiMO8LM3jTuu9qjl22Q.png" /></figure><p>324 adet girdiyi analiz edebilmek için, sinir ağımızı 324 adet girdi düğümü olacak şekilde büyüteceğiz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*NYxdy8VrVosKTvFzvbT9qA.png" /></figure><p>Artık sinir ağımızın bir yerine iki tane çıktısı olduğunu fark edin. İlk çıktı, bir görselin “8” olma olasılığını tahmin edecek, diğeri ise “8” olmama olasılığını. Tanımlamak istediğimiz her bir tür obje için farklı bir çıktı tanımlayarak, sinir ağımızı objeleri gruplara göre sınıflandırmak için kullanabiliriz.</p><p>Sinir ağımız eskisine göre çok daha büyük (3 yerine 324 adet girdi!). Ancak herhangi bir modern bilgisayar göz kırpmadan birkaç yüz girdilik bir sinir ağının üstesinden gelebilir. Bu bir cep telefonunda bile düzgünce çalışır.</p><p>Artık geriye kalan, sinir ağımızı “8” olan ve “8” olmayan görsellerle eğitmek, böylece bize aradaki farkı söyleyebilir. Sistemi “8”lerle beslerken, ona görselin “8” olma olasılığının 100%, “8” olmama olasılığının 0% olduğunu söyleyeceğiz. Karşı örnekler için de tam tersini yapacağız.</p><p>Eğitme verimizin bir bölümü:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*UsARa4r6x_ZuZATcxFqJ6A.jpeg" /><figcaption>tatlı mı tatlı eğitme verisi…</figcaption></figure><p>Bu tarzda bir sinir ağını modern bir bilgisayarda birkaç dakikada eğitebiliriz. Bittiğinde, “8”leri gayet yüksek bir olasılıkla tahmin eden bir sinir ağına sahip olacağız. 1980&#39;ler sonu görüntü tanıma dünyasına hoşgeldiniz.</p><h3>Tünel Vizyonu</h3><p>Görsel tanımayı kurmak için sinir ağını basitçe piksellerle beslememiz gerçekten havalı. Makine öğrenmesi sihirli bir şey. <em>Gerçekten?</em></p><p>Öncelikle, iyi haber, “8” tanıma cihazımız sayının tam ortada olduğu basit görüntülerde gerçekten de iyi çalışıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YPHyB2Pghi0jmblEPkIJcQ.png" /></figure><p>Şimdi kötü haber:</p><p>“8” tanıma cihazımız, eğer sayı görüntünün tam ortasında değilse hiç bir şekilde çalışmıyor. Küçücük bir pozisyon değişikliği her şeyi mahvediyor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uRLhOpfMjA1IPKlEuWPJiA.png" /></figure><p>Bunun nedeni, ağımız sadece “8”in tam ortada olduğu bir kalıptan öğrendi. Tam ortada olmayan bir “8”in ne olduğu hakkında hiç bir fikri yok. Sadece ve sadece tek bir kalıp biliyor.</p><p>Bu gerçek hayatta çok da kullanışlı değil. Gerçek hayatta sorunlar bu kadar düz ve basit değiller. Bu yüzden sinir ağımızın “8”in tam ortada olmadığı durumlarda da çalışmasını sağlamalıyız.</p><h4>Kaba Güç fikri no. 1: Kayan Pencere ile Aramak</h4><p>Çoktan tam ortadaki “8”i bulan iyi bir program yarattık. Görseli daha küçük parçalara ayırıp, teker teker, tam ortada “8”e sahip daha küçük alanlar bulmaya çalışsak?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/950/1*Ykb_m9VBu7GhOj-bwYqSYA.gif" /></figure><p>Bu yaklaşıma kayan pencere deniyor. Bu kaba güç çözümü. Sınırlı birkaç durumda iyi çalışıyor ama hiç verimli değil. Aynı görseli arka arkaya kontrol etmeniz ve farklı boyutlardaki görselleri aramanız gerekiyor. Bundan daha iyisini yapabiliriz!</p><h4>Kaba Güç Fikri no. 2: Daha Çok Veri ve Derin Sinir Ağı</h4><p>Ağımızı eğitirken, ona sadece tam ortada olan “8”ler gösterdik. Ya “8”in farklı boyutlarda ve farklı yerlerde olduğu görseller dahil, ağımızı daha fazla veri ile eğitirsek?</p><p>Daha çok veri toplamamıza gerek bile yok. Bizim için “8”in farklı yerlerde olduğu görseller üreten bir betik yazabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0w_TRPxkxZZ6WvYMKgqjPg.png" /><figcaption>Eğitme verimizin farklı versiyonlarını yaratarak yapay bir eğitme verisi oluşturduk. Bu çok kullanışlı bir yöntem!</figcaption></figure><p>Bu yöntemi kullanarak, sonsuz bir eğitim verisi tedarik edebiliriz.</p><p>Ağımızı daha büyük hale getirmek için, birkaç katman daha düğüm ekliyoruz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vjSS8Z-wTKD-jvecjp0M8w.png" /></figure><p>Buna “derin sinir ağı” deniyor çünkü geleneksel sinir ağlarından daha çok katmana sahip.</p><p>Bu fikir 1960&#39;lardan bu yana var. Ancak yakın zamana kadar, bu büyüklükle bir sinir ağını eğitmek çok yavaştı. Ne zaman ki normal bilgisayar işlemcimiz yerine 3 boyutlu ekran kartlarını (ki çok hızlı matris çarpımı için dizayn edilmişlerdir) kullanmayı çözdük, büyük sinir ağlarıyla çalışmak kolay bir hale geldi. Hatta <a href="https://playoverwatch.com/en-us/">Overwatch</a> oynamak için kullandığınız NVIDIA GeForce GTX 1080 video kartı, sinir ağlarını inanılmaz derecede hızlı eğitmek için kullanılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*UEo9-rAT3O71m9SP8yKFRQ.png" /></figure><p>Sinir ağımızı büyütsek ve onu çok hızlı eğitebilsek bile, bu bizi çözüme kadar götürmeyecek. Görselleri ağımızda nasıl işlediğimiz konusunda daha akıllı olmalıyız.</p><p>Bir düşünün. Bir sinir ağını, sanki görselin yukarısındaki “8” ve aşağısındaki “8” iki farklı objeymiş gibi eğitmek çok mantıklı değil.</p><p>Öyle bir çözüm olmalı ki, sinir ağımız görselin neresinde olursa olsun, “8”in aynı obje olduğunu fazladan eğitime gerek kalmadan anlayacak kadar akıllı olmalı. Şansımıza, böyle bir çözüm var!</p><h3>Çözüm Evrişim</h3><p>Bir insan olarak, doğal olarak bir görselin hiyerarşik ve kavramsal yapısını sezgisel olarak biliyoruz. Şu fotoğrafa göz atın:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*koHKIk6yutxUmCM-pgIydg.jpeg" /><figcaption>Oğlumun sebepsiz bir fotoğrafı (not: Gerçek yazarın, çevirmenin değil :) )</figcaption></figure><p>Anında fotoğrafın hiyerarşisini anlayabiliyoruz:</p><ul><li>Yer beton ve çim ile kaplı</li><li>Bir çocuk var</li><li>Çocuk oyuncak bir atın üzerinde oturuyor</li><li>At çimin üzerinde</li></ul><p>En önemlisi, <em>çocuk </em>fikrini, hangi yüzeyde oturduğuna bakmazsızın tanıyabiliyoruz. Çocuğun görünebileceği her faklı yüzey için, <em>çocuk</em> fikrini sıfırdan öğrenmemize gerek yok.</p><p>Şu anda bizim sinir ağımız bunu yapamıyor. Görselin farklı bir yerindeki “8”in tamamen farklı bir obje olduğunu düşünüyor. Bir objeyi görselde hareket ettirmenin onu farklı bir obje yapmadığını anlayamıyor. Bu olası her pozisyon için objeyi tekrar öğrenmesini gerektiriyor. Kötü bir durum.</p><p>Sinir ağımıza dönüştürmenin değişmezliği <em>(translation invariance) </em>anlayışını aşılamamız gerekiyor. Görselin neresinde olursa olsun, “8”, “8”dir.</p><p>Bunu evrişim denilen bir işlem ile yapacağız. Evrişim fikri biraz bilgisayar biliminden biraz da biyolojiden geliyor (örn: Kedilerin görüntüleri nasıl işlediğini anlamak için beyinlerine garip sondalar yapan çılgın bilim adamları).</p><h3>Evrişim nasıl çalışır?</h3><p>Sinir ağımızı, imajlarımızla bir bütün olarak beslemek yerine, bir objenin nerede olursa olsun aynı olduğu avantajını kullanan çok daha akıllıca bir şey yapacağız.</p><p>Adım adım neler yapacağımız-</p><h4>Adım 1: Görseli üst üste binen parçalara bölmek</h4><p>Kayan pencere fikrimize benzer olarak, asıl görselin üzerinden bir pencere kaydıralım ve her bir sonucu ayrı bir görsel olarak kaydedelim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zKKaDD_qirYW8RVN7X9KSw.png" /></figure><p>Bunu yaparak asıl görselimizi aynı boyuta sahip 77 farklı görsele dönüştürdük.</p><h4>Adım 2: Her bir görseli küçük bir sinir ağına beslemek</h4><p>Önceden, bütün bir imajı, “8” olduğunu anlamak için sinir ağına besliyorduk. Şimdi de aynısını yapacağız ancak bunu her bir görsel parçası için ayrı ayrı yapacağız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/758/1*tEH-7TF3uVXfehlS-0x72g.png" /><figcaption>Bunu her bir parça için 77 defa tekrar edin.</figcaption></figure><p>Ancak, <strong>büyük bir hilemiz var: </strong>Her bir görsel parçası için <strong>aynı sinir ağı ağırlıklarını</strong> tutacağız. Başka bir deyişle, her bir parçaya aynı davranıyoruz. Eğer herhangi bir parçada ilginç bir şey çıkarsa, o parçayı işaretleyeceğiz.</p><p><strong>Adım 3: Her parçanın sonucunu yeni bir dizine kaydetmek</strong></p><p>Küçük parçaların asıl görseldeki dizilimini kaybetmek istemiyoruz. Bu yüzden her bir parçanın işlenmesinden çıkan sonucu asıl görselle aynı dizilime sahip iki boyutlu bir dizine kaydediyoruz. Şöyle görünüyor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*D3rReGHW__6GbS0LV_n9Rg.png" /><figcaption>Ç.N: ortadaki kutuda “küçük sinir ağı” yazıyor.</figcaption></figure><p>Başka bir deyişle, büyük bir görselle başladık ve asıl resimde nerelerin daha ilginç olduğunu gösteren biraz daha küçük bir dizinle bitirdik.</p><p><strong>Adım 4: Alt örnekleme</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*Blq106YSdlwkYpKP6t8yNA.png" /></figure><p>Dizinin boyutunu küçültmek için <a href="https://computersciencewiki.org/index.php/Max-pooling_/_Pooling">max-pooling</a> <em>(Tr: maksimum örnekleme)</em> denilen bir algoritma kullanıyoruz. Adı çok havalı ama kendisi değil!</p><p>Dizindeki her 2x2lik kareye bakıp en büyük sayıyı tutacağız:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*SZ1seE9hpY-l0pqw0lAgOQ.png" /></figure><p>Buradaki amaç, eğer 2x2lik bir alanda ilginç bir parça bulduysak, sadece en ilginç olanını tutuyoruz. Bu en ilginç kısımları korurken dizinimizi küçültmemizi sağlıyor.</p><p><strong>Son Adım: Tahmin etmek</strong></p><p>Şu ana kadar, dev bir görseli görece küçük bir dizine indirgedik.</p><p>Hazır olun. Dizinimiz sadece birkaç sayı, yani onu da başka bir sinir ağına girdi olarak kullanabiliriz. Bu son sinir ağı görselin eşleşip eşleşmediğine karar verecek. Bunu yukarıdaki evrişim adımından ayırmak için, buna “tamamen bağlı” ağ diyoruz.</p><p>Baştan sona 5 adımlık hattımız böyle görünüyor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Pb_K4GHw_ZXXwP09Hul7Gg.png" /></figure><h4>Daha da fazla adım eklemek</h4><p>Görsel işleme hattımız birkaç adımdan oluşuyor: Evrişim, max-pooling ve sonunda da tam bağlı sinir ağı.</p><p>Gerçek hayattaki problemleri çözerken, bu adımlar istediğiniz kadar birleştirilip kümelendirilebilir! 2, 3 hatta 5 tane evrişim katmanına sahip olabilirsiniz. Max-pooling algoritmasını dizini küçültmek için nerede isterseniz kullanabilirsiniz.</p><p>Ana fikir, büyük bir görsel ile başlayıp onu tek bir sonuca ulaşana kadar adım adım küçültmek. Ne kadar çok evrişim katmanına sahipseniz, ağınız da o kadar karmaşık şekilleri anlayabilir.</p><p>Örneğin, ilk katman keskin kenarları tanıyabilir, ikincisi keskin kenar bilgisini kullanarak kuş gagasını tanımlayabilir, üçüncüsü gaga bilgisini kullanarak bütün bir kuşu tanımlayabilir.</p><p>Daha gerçekçi (makalelerde görebileceğiz türden) bir derin evrişimli sinir ağı buna benzer:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vhuuTIB0tl1Ka39itIIoHQ.png" /></figure><p>Bu durumda 224x224lük bir görselle başlayıp, iki defa evrişim ve max-pooling, 3 defa daha evrişim, sonra bir daha max-pooling uygulayıp, en sonunda 2 adet tam bağlı katman elde etmişler. Sonuç olarak görsel 1000 ayrı kategoriden birine sınıflandırılmış!</p><h4>Doğru Ağı Kurmak</h4><p>Peki görsel sınıflandırmanızın çalışması için hangi adımları birleştirmeniz gerektiğini nasıl bileceksiniz?</p><p>Açıkcası, bunu sadece deneyerek ve test ederek bulabilirsiniz. Doğru değişkenleri ve yapıyı bulana kadar 100 tane sinir ağı eğitmeniz gerekebilir. Makine öğrenmesi çok fazla deneme yanılma içerir!</p><h3>Kuş Tanıyıcımızı Kurmak</h3><p>Artık bir görselin kuş olup olmadığını anlayan bir program yazacak kadar şey biliyoruz.</p><p>Her zamanki gibi, başlamak için veriye ihtiyacımız var. Bedava <a href="https://www.cs.toronto.edu/~kriz/cifar.html">CIFAR10 veri seti</a> 6,000 adet kuş görseli ve 52,000 adet kuş olmayan görsel içeriyor. Daha da fazla veriye sahip olmak için 12,000 adet kuş görseline sahip <a href="http://www.vision.caltech.edu/visipedia/CUB-200-2011.html">Caltech-UCSD Birds-200–2001 veri setini</a> de ekleyeceğiz.</p><p>Birleştirilmiş veri setimizden birkaç kuş örneği:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-dkqSWgMn70anjr2I5ZPPQ.png" /></figure><p>Burada da 52,000 adet kuş olmayan görsel:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FcnTkoA3CbkeUyxibf8w9w.png" /></figure><p>Bu veri seti bizim amacımız için uygun ama 72,000 adet düşük çözünürlükte görüntü gerçek hayat uygulamaları için hayli küçük. Eğer Google kalitesinde performans istiyorsanız, milyonlarca görüntüye ihtiyacınız var. Makine öğrenmesinde, daha fazla veriye sahip olmak, daha iyi algoritmaya sahip olmaktan neredeyse her zaman daha önemli. Artık Google’ın size neden zevkle sınırsız fotoğraf saklama alanı verdiğini biliyorsunuz. Tatlı mı tatlı verinizi istiyorlar.</p><p>Sınıflandırıcımızı yapmak için <a href="http://tflearn.org/">TFLearn</a> kullanacağız. TFLearn Google’ın <a href="https://www.tensorflow.org/">TensorFlow</a> derin öğrenme kütüphanesini saran ve daha basit bir arayüz sunan bir paket. Bu paket, evrişimli sinir ağları kurmayı, katmanlarımızı tanımladığımız birkaç satırlık kod yazmak kadar kolay kılıyor.</p><p>İşte ağımızı tanımladığımız ve eğittiğimiz kod bloğu:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/35db7d453c72d8d9a7a15193f2095c2a/href">https://medium.com/media/35db7d453c72d8d9a7a15193f2095c2a/href</a></iframe><p>Eğer güçlü bir RAM’e sahip bir video kartıyla (Nvidia GeForce GTX 980 Ti gibi) eğitiyorsanız bu işlem bir saatten az sürecek. Eğer normal bir işlemci ile çalışıyorsanız, çok daha uzun sürebilir.</p><p>Eğitme devam ettikçe, doğruluğu yükselecek. İlk geçişten sonra, doğruluk %75.4&#39;tü. 10 geçişten sonra, %91.7 oldu. 50&#39;ye yakın geçişten sonra, %95.5&#39;e dayandı ve fazladan eğitim etki etmedi, yani durabilirsiniz.</p><p>Tebrikler! Programımız artık görsellerdeki kuşları tanımlayabiliyor.</p><h3><strong>Ağımızı Test Etmek</strong></h3><p>Artık ağımızı eğittiğimize göre, onu kullanabiliriz! <a href="https://gist.github.com/ageitgey/a40dded08e82e59724c70da23786bbf0">Buradaki betik</a> tek bir görsel alıp kuş olup olmadığını tahmin ediyor.</p><p>Ağımızın ne kadar etkili olduğunu görebilmek için, onu çok fazla görselle test etmeliyiz. Yarattığımız veri setinde 15,000 görsel onaylama kısmı için arkada tutuluyordu. Bu 15,000 görseli ağımızda denediğimizde %95&#39;lik oranla hepsini doğru tahmin etti.</p><p>Bu bayağı iyi görünüyor, değil mi? Değişir…</p><h4>%95&#39;lik doğruluk ne kadar doğru?</h4><p>Ağımız %95&#39;lik bir doğruluğu olduğunu iddia ediyor. Bu çok fazla farklı anlama gelebilir.</p><p>Örneğin, ya veri setimizin sadece %5&#39;i kuş ve geri kalan %95&#39;i kuş değilse? Her görsele “kuş değil” diyen bir program %95 oranla doğru olurdu. Ancak %100 işe yaramaz olurdu.</p><p>Genel doğruluktan ziyade sayılara daha yakından bakmalıyız. Bir sınıflandırma sisteminin ne kadar iyi olduğunu anlamak için, sadece başarısız olduğu zamanların oranına değil, nasıl başarısız olduğuna da bakmalıyız.</p><p>Tahminlerimizi sadece <strong>doğru</strong> veya <strong>yanlış</strong> olarak nitelendirmek yerine, onları 4 ayrı sınıfa kategoriye ayıralım.</p><p>Öncelikle, ağımızın başarıyla “kuş” olarak adlandırdığı kuşlara bakalım. Bunlara <strong>doğru pozitif</strong> deniyor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3YLppq6ZlIKW-YPq_7mxVg.png" /><figcaption>Wow! Ağımız bir sürü farklı bir kuşu başarıyla tanıyabiliyor.</figcaption></figure><p>İkinci olarak, ağımızın “kuş değil” dediği, kuş olmayan görsellere bakalım. Bunlar <strong>doğru negatifler</strong>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CN1J9eGyhG2kn75cpSoL2g.png" /><figcaption>Atlar ve kamyonlar bizi kandıramaz!</figcaption></figure><p>Üçüncü olarak, “kuş” sandığımız ancak kuş olmayan görsellere bakalım. Bunlar <strong>yanlış pozitifler</strong>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9efHQBhmhwqokOr5UR3-rA.png" /><figcaption>Bir çok uçak, kuş olarak tanımlanmış. Bu akla uygun.</figcaption></figure><p>Son olarak da, “kuş” olarak tanımlayamadığımız bazı kuş görselleri. Bunlar <strong>yanlış negatifler</strong>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XNQBKcPms401Sn1pgEsVVQ.png" /><figcaption>Bu kuşlar bizi kandırdı. Deve kuşları, kuş olarak sayılıyor mu ki?</figcaption></figure><p>15,000 görsellik onaylama setimizi kullanarak, her bir tahminimizin bu 4 kategoriye ayrılmış hali:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*n4LO6P6os299yDUb75LCJQ.png" /></figure><p>Neden sonucumuzu böyle parçalara bölüyoruz? Çünkü her yanlış eşit yaratılmamıştır.</p><p>MRI görüntüsünden kanseri tanımamızı sağlayan bir program yazdığımızı düşünün. Eğer kanseri belirliyorsak, yanlış pozitifleri, yanlış negatiflere tercih ederiz. Yanlış negatifler en kötü sonuç olur — Bu programın birine kanser olmadığını söylemesi ama o kişinin aslında kanser olması demek.</p><p>Genel doğruluğa bakmak yerine, <a href="https://veribilimcisi.com/2017/07/14/dogrulukaccuracy-kesinlikprecision-hataerror-nedir/">hassasiyet ve duyarlılık</a> metriklerini hesaplıyoruz. Bu metrikler bize ne kadar iyi olduğumuza dair daha anlaşılır bir resim sunuyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*boCD1fuewcJA1rdjLTzCjQ.png" /><figcaption>“/” =&gt; bölü</figcaption></figure><p>Bu kuş tahmini yaptığımız durumların %97&#39;sinde haklıydık anlamına geliyor. Aynı zamanda, veri setindeki kuşların sadece %90&#39;ını bulduğumuzu da söylüyor. Başka bir deyişle, her kuşu bulamayabiliriz ancak bulduğumuzda, onun kuş olduğundan fazlasıyla eminiz.</p><h3>Bir Sonraki Adım</h3><p>Artık derin evrişimli ağların temellerini bildiğimize göre, ellerinizi farklı mimariye sahip sinir ağlarıyla kirletmek için <a href="https://github.com/tflearn/tflearn/tree/master/examples#tflearn-examples">tflearn ile gelen örneklere</a> göz atabilirsiniz. Çoğu içine gömülü veri setiyle geliyor, böylece kendi verinizi bulmanıza gerek yok.</p><p>Artık makine öğrenmesinin başka dallarını öğrenmeye başlamaya yetecek kadar da biliyorsunuz. Neden <a href="http://karpathy.github.io/2016/05/31/rl/">atari oyunları oynamayı öğrenen algoritmalara</a> <em>(ing. kaynak)</em> bakmıyorsunuz?</p><p>Eğer bu yazıyı beğendiyseniz, yazarın<a href="http://eepurl.com/b9fg2T"> Machine Learning is Fun! e-posta grubuna kayıt olabilirsiniz.</a> Yazar sadece enteresan ve yeni şeyler bulduğunda mail atıyor. Bunun gibi yazılar yazdığında haberdar olmanızın en iyi yolu bu.</p><p>Ayrıca yazara Twitter ile <a href="https://twitter.com/ageitgey">@ageitgey</a>, <a href="/service/mailto:ageitgey@gmail.com">e-posta ile</a> veya <a href="https://www.linkedin.com/in/ageitgey">linkedIn</a> üzerinden ulaşabilirsiniz.</p><p>Yazarın izniyle çevrilmiştir. Yazının kendisine <a href="https://medium.com/@ageitgey/machine-learning-is-fun-part-3-deep-learning-and-convolutional-neural-networks-f40359318721">buradan</a> ulaşabilirsiniz. Bana da buradan <a href="/service/mailto:atakanyenel@gmail.com">e-posta </a>ile ulaşabilirsiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2253856ad79c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-3-k%C4%B1s%C4%B1m-2253856ad79c">Makine Öğrenimi Eğlencelidir: 3.Kısım</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Programlama Dilleri Üzerine]]></title>
            <link>https://medium.com/@atakanyenel/programlama-dilleri-%C3%BCzerine-1ef76d7d0144?source=rss-66a3fb249c37------2</link>
            <guid isPermaLink="false">https://medium.com/p/1ef76d7d0144</guid>
            <category><![CDATA[go]]></category>
            <category><![CDATA[programlama]]></category>
            <category><![CDATA[teknoloji]]></category>
            <category><![CDATA[türkçe]]></category>
            <dc:creator><![CDATA[Atakan Yenel]]></dc:creator>
            <pubDate>Fri, 23 Mar 2018 12:47:23 GMT</pubDate>
            <atom:updated>2018-03-23T12:47:23.309Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazıda elimin değdiği programlama dilleriyle tecrübelerimi samimi bir dille anlatıp, hepsine bir kulp takıp, yazının sonunda da <a href="https://golang.org/">Go</a>’yu öveceğim.</p><p>C<strong>++: </strong>İlk göz ağrım. Bence öğrencilere programlama öğretmek için harika bir dil. Dinamik değil, böylece öğrenciler derleyici(compiler) diye bir şeyin varlığından haberdar oluyor; Türü kesin( strongly typed) , yani değişkenlerin başına string, int yazıyorsunuz ve öğrencilere farklı tipleri öğretiyorsunuz. Aynı zamanda dünyadaki çoğu oyunun bu dille yazıldığını söyleyerek öğrencilerin ilgisini çekebiliyorsunuz. C++ modern bir dil değil ve web programlama gibi şeyler yapacaksanız baya eksik kalıyor ama eğer tam olarak ne yapacağınızı biliyorsanız ve onu optimize şekilde programlayabilecek adamınız varsa kullanın tabi.</p><p><strong>Python: </strong>C++ size bilgisayarınızda “{“ tuşunun yerini öğrettiyse , Python unutturacak. Python’ın dinamik bir dil olması bazen baya zaman kaybına sebep oluyor. Eğer PyCharm gibi bir IDE’de çalışmıyorsanız, fonksiyonlara yanlış parametre yolladığınız için kodunuzun çalışmaması ve bunu farketmemeniz çok muhtemel. Fonksiyona yanlış bir obje yollayıp , hata ayıklayın durun. Tabi bu bütün dinamik dillerde geçerli. Onun dışında, yazılım mühendisliği projemi ve bitirme tezimi Python ile yazdım, yani yavaş mavaş ama bu kadar insanın python kullanmasının da bir sebebi var tabi. Eğer hız çok önemli değilse, bu dille yapamayacağınız şey yok gibi.</p><p><strong>Ruby: </strong>Ruby ile website yapmanızı sağlayan Rails framework’ü hariç, insanlar bu dili neden kullanıyorlar hiç anlamıyorum. Dinamik dillerin her sorunu geçerli, hem de o kadar kuralsız bir syntaxi var ki , bir program yazıp syntax error almanız çok zor. Bu kötü bir şey, çünkü bu programınızın doğru çalışacağı anlamına gelmiyor. “:” işaretini değişkenin neresine koyduğunuza göre değişkenin türü değişiyor. Rails ise bu dilin altın yumurtlayan tavuğu, alın dere tepe kullanın, öğrenmesi zor ama bir kere çözdünüz mü webte her şeyi yaparsınız.</p><p><strong>Java: </strong>Bu dili kullanıyorsam , emin olun başka bir seçeneğim olmadığı içindir. En sonki java projemin sebebi, kullandığımız programın(Apache Kafka) sadece Java için kütüphane sunuyor olmasıydı. Maven olmadan Java ile yapabilecekleriniz bence sınırlı. Endüstriyel programların çoğu hala Java ile yazılıyor, tabi ki hayatının 20 yılını Java ile geçiren insanlar Java’nın yapabildiklerine benden daha çok hakimdir. O yüzden Javayla ilgili bir yere kadar yorum yapabiliyorum.</p><p><strong>C# ve PHP: </strong>İkisini de stajlarımda kullandım ve endüstride hala bunu kullanmalarının sebebi bu dillerin artık yıllarca denenmiş ve çalıştığına emin olunmuş olması. Bu diller neredeyse benle aynı yaştalar ve endüstrinin içinde bulunmadan bu dillerin olayını çözmek zor.</p><p><strong>NodeJS: </strong>Hayır. Dünyanın her yerinde bu dil var artık ama nedenini kesinlikle anlamış değilim. Evet Javascript syntax’i , anladık, ama bu dili normal hale getirmek için üzerine yeni sistemler ekleye ekleye bitiremediler. Flow veya TypeScript bunun örnekleri. Evet birbirini bloklamayan bir processler yapısı var ama bu kodu bazen o kadar anlaşılmaz yapıyor ki, yeni yeni özellikler ekleyip bunu da çözmeye çalışıyorlar.(await ve promise) En çok pakete bu dil sahip, ama bu paketlerin çok kaliteli olduğu anlamına gelmiyor. Bu dilin hayatıma tek katkısı React Native oldu sanırsam.</p><p><strong>GO: </strong>Geliyor gönlümün efendisi. Bu dile ilk baktığımda “Amaaan” demiştim ama sonra iyi şeyler okudum ve ilk defa bilgisayarıma indirip denediğimden beri bu dile hayranım. Statik bir dil ama o kadar hızlı derleniyor ki sanki dinamik bir dil kullanıyorsunuz. Kendi kütüphanesi baya iyi ve eğer C++ veya C biliyorsanız , Go ile iki saat geçirin, Go’yu da öğrenmiş olacaksınız. Bir şeyler yazarken, dil önünüze çıkmıyor, siz programınıza odaklanabiliyorsunuz. Herhangi bir editörde bunu programlayabilirsiniz ve hemen hatalarınızı gösterir size. Harika bir formatlama ve test etme sistemi var. Dilin hızı , paralelliği veya eş zamanlılığı gibi özelliklerine girmiyorum bile. Bu dili yapan insanlar zeki ve bunu hissediyorsunuz. Bu dile kesinlikle bir şans verin. Türkçe kaynakları da var.</p><p>Bu dillerin benim yazdıklarım dışında da iyi ve kötü özellikleri vardır tabi. Bunlar benim tecrübelerim oldu, kullandığımız diller düşünce yapımızı etkiliyor ve belki ben bazı dillerden farklı düşünüyorumdur. Yazıya katılmamanız tamamen anlaşılabilir, bu yüzden sadece tek bir programlama dili yok.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1ef76d7d0144" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenmesi Eğlencelidir! 2. Kısım]]></title>
            <link>https://medium.com/deep-learning-turkiye/makine-%C3%B6%C4%9Frenmesi-e%C4%9Flencelidir-2-k%C4%B1s%C4%B1m-f50c820f8f57?source=rss-66a3fb249c37------2</link>
            <guid isPermaLink="false">https://medium.com/p/f50c820f8f57</guid>
            <category><![CDATA[medium-turkish]]></category>
            <category><![CDATA[programlama]]></category>
            <category><![CDATA[yazılım]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[teknoloji]]></category>
            <dc:creator><![CDATA[Atakan Yenel]]></dc:creator>
            <pubDate>Mon, 26 Feb 2018 06:01:04 GMT</pubDate>
            <atom:updated>2018-02-26T06:01:04.090Z</atom:updated>
            <content:encoded><![CDATA[<h4>Makine Öğrenmesi kullanarak Super Mario Bölümleri yaratmak</h4><p>Bu yazı serisinin birinci kısmına aşağıdaki linkten ulaşabilirsiniz.</p><p><a href="https://medium.com/turkce/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-2ad33ae37bea">Makine Öğrenimi Eğlencelidir!</a></p><p>İlk kısımda, makine öğrenmesinin(MÖ) genetik (genetic) algoritmalar kullanarak veri kümemizden -o veriye özel kod yazmadan- ilginç çıkarımlar yapabilmek olduğunu söylemiştik.(Eğer<a href="https://medium.com/turkce/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-2ad33ae37bea#.1c1ugw9hk"> birinci kısmı </a>okumadıysanız, şimdi okuyun!).</p><p>Bu sefer soysal algoritmalardan birini çok havalı bir şey yaparken göreceğiz-İnsanlar yaratmış gibi duran bilgisayar oyunu bölümleri yaratırken. Bir <a href="https://tr.wikipedia.org/wiki/Yapay_sinir_a%C4%9Flar%C4%B1">sinir ağı</a>(neural network) yapacağız, onu hali hazırdaki Super Mario bölümleri ile besleyeceğiz ve onun yeni bölümler yaratmasını izleyeceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*aXcI487bc3eB-Gb1ezUQCg.gif" /><figcaption>Algoritmamızın yaratacağı bölümlerden biri</figcaption></figure><p>Birinci kısım gibi, bu kısım da makine öğrenmesi ile ilgilenen ancak nereden başlayacağını bilmeyenler için. Amaç herkes için ulaşılabilir olmak- Bu da çok fazla genelleme yapacağız ve çok fazla detayı atlayacağız demek. Ancak kimin umrunda ? Eğer bu yazı herhangi bir kişiyi bile MÖ’ye daha ilgili hale getirirse, görev tamamlanmış demektir.</p><h3>Daha Akıllı Tahminler Yapmak</h3><p>Birinci kısımda, özelliklerine bakarak bir evin fiyatını tahmin eden basit bir algoritma yaptık. Şekildeki gibi, bir eve ait veri verildiğinde:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*tzN3MZMnGMjAX59GGnsPMQ.png" /></figure><p>Bu basit tahmin fonksiyonunu elde ettik:</p><pre>def ev_satis_fiyati_tahmin_et(oda_sayisi, genislik, muhit):<br> fiyat= 0</pre><pre># Bir tutam bundan<br> fiyat+= oda_sayisi* <strong>0.123</strong></pre><pre># birazcık şundan<br> fiyat+= genislik* <strong>0.41</strong></pre><pre># Bir ölçü de bundan ekleyelim<br> fiyat+= muhit* <strong>0.57</strong></pre><pre>return fiyat</pre><p>Başka bir deyişle; bir evin fiyatını, evin özelliklerini her bir özelliğin<strong> ağırlığı</strong> ile çarparak hesapladık. Sonrasında da bu sayıları toplayarak evin tahmini fiyatını elde ettik.</p><p>Kodu kullanmak yerine, bu fonksiyonu bir diyagram kullanarak gösterelim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*ysIi2_QSIgZIOsznFFBi2w.png" /><figcaption>Oklar fonskiyonumuzdaki ağırlıkları simgeliyor.</figcaption></figure><p>Ancak bu algoritma sadece girdi ve çıktıların arasında doğrusal ilişki bulunan basit problemlerde işe yarıyor. Ya ev fiyatları arkasındaki gerçek bu kadar basit değilse? Mesela, belki de muhit, büyük ve küçük evler için çok önemliyken orta büyüklükteki evler için hiç önemli değil. Bu tarz karmaşık detayları kendi modelimizde nasıl yakalayabiliriz ?</p><p>Daha akıllı olabilmek adına, bu algoritmayı her uç durumu yakalayan farklı ağırlıklarla birkaç sefer çalıştırabiliriz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*M8HIvJD1zqGobowxbDPEkg.png" /><figcaption>Problemi 4 farklı şekilde çözmeyi deneyelim</figcaption></figure><p>Şimdi 4 farklı tahmini fiyatımız var. Bu 4 farklı fiyat tahminini tek bir fiyat oluşturmak için birleştirelim. Yine aynı algoritmayı kullanacağız( ama farklı ağırlıklar vereceğiz )!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/777/1*ztrtvgUGfEXEdSlAoDKyVw.png" /></figure><p>Yeni süper cevabımız problemi çözmek için yaptığımız 4 farklı girişimi birleştiriyor. Bu sayede, basit bir modelden daha fazla durumu yakalayabiliyoruz.</p><h3>Sinir Ağı Nedir ?</h3><p>Tahmin için yaptığımız 4 girişimi tek bir büyük diyagrama koyalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*GkHwF2dInQET_SL8r-BfbA.png" /></figure><p>Bu bir sinir ağı! Her bir düğüm(node) veri girdisi almayı, ona ağırlıkları uygulamayı ve çıktıyı hesaplamayı biliyor. Bu düğümlerden bir çoğunu birbirine bağlayarak karmaşık fonksiyonları modelleyebiliriz.</p><p>Bu açıklamayı kısa ve öz tutmak adına atladığımız çok konu var ( veri ölçekleme ve aktivasyon fonksiyonu), ama en önemli konu bu basit fikrin bile çalıştığı:</p><ul><li>Bir veri kümesi alıp , verileri ağırlıkları ile çarparak bir çıktı elde eden basit bir tahmin fonksiyonu oluşturduk. Bu basit fonksiyona <strong>nöron</strong>(sinir hücreleri) adını verelim.</li><li>Bir sürü basit <strong>nöron</strong>’u birbirine bağlayarak, tek bir nöronda modellenemeyecek kadar karmaşık fonksiyonları modelleyebiliriz.</li></ul><p>Aynı LEGO gibi! Tek bir LEGO parçası kullanarak çok fazla şey yaratamayız, ancak elimizde yeteri kadar basit lego parçası varsa, onları birbirine takarak her şeyi yaratabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/623/1*nC9k4Ae5LlKBkN9a-3B-Ag.png" /><figcaption>sadece legolardan yapılmış bir zebra…</figcaption></figure><h3>Sinir Ağımıza hafıza kazandırmak…</h3><p>Bu ana kadar gördüğümüz sinir ağları, aynı veriyi girdiğinizde hep aynı çıktıyı veriyor. Herhangi bir hafızası yok. Programlama terimlerine göre, belleksiz bir algoritma(stateless algoritm).</p><p>Çoğu durumda( evin fiyatını tahmin etmek gibi), bu tam olarak istediğimiz şey. Ancak bu modelin yapamadığı bir şey de, zaman içinde veride oluşan örüntülere(pattern) cevap verebilmek.</p><p>Farz edin ki size klavyeyi veriyorum ve sizden bir hikaye yazmanızı istiyorum. Ancak siz başlamadan önce, yazacağınız ilk harfi tahmin etmem gerekiyor. Hangi harfi tahmin etmeliyim ?</p><p>Dil bilgimi kullanarak doğru harfi tahmin etme şansımı arttırabilirim. Örneğin , büyük olasılıkla kelimelerin başında çok kullanılan bir harfi yazacaksınız. Eğer sizin daha önceden yazdığınız hikayelere bakarsam, hikayelerde çoğunlukla kullandığınız ilk kelimelere dayanarak olasılıkları daha da azaltabilirim. Bir kere bütün veriye sahip oldum mu, her harf için o harfle başlama olasılığınızın ne kadar olduğunu hesaplayan bir sinir ağı kurabilirim.</p><p>Modelimiz buna benzer:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*4oHvA2epDM8tDKWcZj_r5w.png" /><figcaption>Girdi: Geçmişte yazılmış hikayeler -&gt; Sinir ağımız -&gt; Çıktı: tahmini ilk harfiniz</figcaption></figure><p>Problemi biraz daha zor hale getirelim. Mesela hikayenin herhangi bir yerinde yazacağınız bir sonraki harfi tahmin etmeye çalışayım. Bu çok daha ilginç bir problem.</p><p>Ernest Hemingway’in<a href="https://tr.wikipedia.org/wiki/G%C3%BCne%C5%9F_de_Do%C4%9Far_(roman)"> <em>Güneş de Doğar</em></a><em> </em>kitabının ilk birkaç kelimesine bakalım.</p><blockquote>Robert Cohn bir zamanlar orta sıklet bir boksö</blockquote><p>Bir sonraki harf ne olacak ?</p><p>Muhtemelen tahmininiz ‘r’ harfi — kelime büyük olasılıkla <em>boksör</em> olacak. Bunu cümlede hali hazırda gördüğümüz harflere ve Türkçe’deki yaygın kelimeleri bilmemize dayanarak söylüyoruz. Ayrıca, ‘orta sıklet’ kelimesi de bize boks ile ilgili konuştuğumuza dair fazladan ipucu veriyor.</p><p>Başka bir deyişle, bir sonraki harfi tahmin etmek, eğer ondan hemen önce gelen harfleri ve Türkçe kuralları bilgimizi de hesaba katarsak baya kolay.</p><p>Bu problemi sinir ağı ile çözmek için, modelimize hafıza eklememiz gerekiyor. Sinir ağımıza cevabı sorduğumuz her seferde, ara hesaplamaları da kaydediyoruz ve bir sonraki seferde bunları da girdi olarak tekrar kullanıyoruz. Böylece modelimiz, tahminlerini, yakın zamanda gördüğü bilgilere dayanarak belirleyebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*MJM6hsMHCIT4nOvSLeV1lg.png" /><figcaption>Alt metin: Modelin anlık durumunu kaydet ve bir sonraki hesaplamada kullan.</figcaption></figure><p>Modelimizin durumunun kaydını tutmak, hikayenin sadece ilk harfinin değil, her seferinde bir sonraki harfin de tahmin edilmesini sağlar.</p><p>Bu<a href="http://www.yapay-zeka.org/modules/wiwimod/index.php?page=RNN"> <em>Yinelenen</em></a> Sinir Ağlarının (RNN) temel fikri. Ağı kullandığımız her an güncelliyoruz. Bu da onun tahminlerini en son ne gördüğüne bakarak güncellemesini sağlıyor. Yeteri kadar hafıza verdiğimiz durumda, zaman içinde veri içindeki örüntüleri de modelleyebilir.</p><h3>Tek bir harfin ne faydası var ?</h3><p>Bir hikayedeki tek bir harfi tahmin etmek çok da kullanışlı değil. Amaç ne ki ?</p><p>Güzel bir kullanım yeri cep telefonu klavyelerindeki otomatik tahmin özelliği olabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*DU74IrmABm0W-AZdnss1pQ.png" /><figcaption>Bir sonraki harf büyük olasılıkla ‘t’.</figcaption></figure><p>Ya bunu en uç noktaya taşırsak ? Ya modelimize tekrar ve tekrar bir sonraki harfi tahmin etmesini söylersek — sonsuza kadar ? Ondan eksiksiz bir hikaye yazmasını istemiş oluruz!</p><h3>Hikaye üretmek</h3><p>Hemingway’in cümlesinde ilk kelimeyi nasıl tahmin edebileceğimizi gördük. Şimdi Hemingway’in tarzında yeni bir hikaye üretmeyi deneyelim.</p><p>Bunu yapmak için, <a href="http://cs.stanford.edu/people/karpathy/">Andrej Karpathy</a>’nin yazdığı <a href="https://github.com/karpathy/char-rnn">Yinelenen Sinir Ağı uygulamasını</a> kullanacağız. Andrej Stanford Üniversitesinde<a href="http://www.derinogrenme.com/2015/07/21/derin-ogrenme-deep-learning-nedir/"> Derin Öğrenme </a>araştırmacısı ve <a href="http://karpathy.github.io/2015/05/21/rnn-effectiveness/">RNN ile yazı üretmek</a>(<em>ç.n. ingilizce kaynak) </em>üzerine harika bir giriş yazısı yazmış. <a href="https://github.com/karpathy/char-rnn">Modeliyle ilgili tüm kodu Github’da</a> görebilirsiniz.</p><p>Modelimizi <em>Güneş De Doğar</em>’ın tamamından yaratacağız. 84 farklı harf kullanan(noktalama, büyük harf, küçük harf dahil) 362,239 karakter. Bu veri boyutu gerçek hayattaki uygulamalarda kullanılan veri boyutuna göre oldukça küçük. Hemingway’in tarzının çok iyi bir modelini üretmek için birkaç kat daha fazla metine sahip olmak çok daha iyi olur. Ancak şimdilik örnek olarak bu büyüklük yeterli.</p><p>RNN’yi eğitmeye yeni yeni başladığımızda, harfleri tahmin etmede o kadar başarılı değil. 100 kere yinelen bir eğitimden sonra ürettiği metin:</p><blockquote>hjCTCnhoofeoxelif edElobe negnk e iohehasenoldndAmdaI ayio pe e h’e btentmuhgehi bcgdltt. gey heho grpiahe.<br>Ddelnss.eelaishaner” cot AAfhB ht ltny<br>ehbih a”on bhnte ectrsnae abeahngy<br>amo k ns aeo?cdse nh a taei.rairrhelardr er deffijha</blockquote><p>Görebileceğiniz gibi bazı kelimelerin arasında boşluk olacağını çözmüş ancak şimdilik hepsi bu kadar.</p><p>1000 adet yinelemeden sonra, durum biraz daha umut verici görünüyor:</p><blockquote>hing soor ither. And the caraos, and the crowebel for figttier and ale the room of me? Streat was not to him Bill-stook of the momansbed mig out ust on the bull, out here. I been soms<br>inick stalling that aid.<br> “Hon’t me and acrained on .Hw’s don’t you for the roed,” In’s pair.”<br> “Alough marith him.”</blockquote><p>Model basit cümle yapısını tanımaya başladı. Cümlelerin sonuna nokta koyuyor ve hatta konuşma bile alıntılıyor. Birkaç kelime anlaşılabilir ancak metnin çoğunluğu hala anlamsız.</p><p>Birkaç bin yinelemeden sonra, metin gayet iyi görünüyor(<em>ç.n. buradaki metni Türkçe’ye çevirirken metnin robotik havasını bozmamak adına dil bilgisi hatalarını tutup, anlam değil kelime bazlı çeviri yaptım)</em>:</p><blockquote>Kafenin kapısının oraya gitti. Bir kasaba yatağı gibiydi.<br> “Ben olduğumu biliyordun mu”<br> “Lanetlenmiş biz” Bill dedi.<br> “Ben tehlikeliydim” dedim. “sen o onu yaptı ve seni güzel bir pelerinlerdim diye düşünüyor” dedim.<br> “Takside garip görünemem”<br> “biliyordun ben buyum ancak” dedi Brett.<br> “Her şekilde kavga mı ?”<br> “Onu yapmayı yapıyor.”<br> “Sen yapıyor musun?”<br> “Otur,” dedim ben. “Keşke adamla küçük yapmasaydım”<br> “Onu buldun”<br> “Bilmiyorum.”<br> “Görüyorsun sohbetlerden özür dilerim,” dedi Bill. “O arkadan bir arkadaş ve seni gerçekten sarhoş yapıyor diye düşünüyorsun”</blockquote><p>Bu noktada algoritma Hemingway’in kısa , doğrudan diyalog şablonunu yakalamış. Hatta birkaç cümle anlamlı gibi duruyor.</p><p>Bunu kitaptan gerçek bir kesit ile karşılaştıralım:</p><blockquote>Barın içinde birkaç kişi vardı ve dışarıda, tek başına, Harvey Stone oturuyordu.<br>Önünde bir tabak yığını vardı ve traş olması gerekiyordu.<br>“Otur” dedi Harvey ,”Ben de seni arıyordum.”<br>“Sorun nedir?”<br>“Hiçbir şey. Sadece seni arıyordum.”<br>“Yarışlara gittin mi?”<br>“Hayır. Pazardan beri gitmedim”<br>“devletten(ABD) neler duydun?”<br>“Hiçbir şey. Kesinlikle hiçbir şey.”<br>“Sorun nedir?”</blockquote><p>Örüntülere harf harf baktığı halde, algoritmamız kabul edilebilir görünen bir ve düzgün biçimli bir düz yazı üretmeyi başarabildi. Bu baya inanılmaz!</p><p>Metni tamamen sıfırdan da üretmemiz gerekmiyor. Algoritmayı ilk birkaç harfi verip besleyebilir ve ondan sadece son harfleri bulmasını isteyebiliriz.</p><p>Eğlenme amaçlı, kendi hayali kitabımız için algoritmamızı “Er” , “He” ve “The S” harfleriyle besleyerek yeni bir kitap başlığı ve yazar adı üretebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*frcOndTIVclAzrB1wY5fDw.png" /><figcaption>Gerçek kitap solda ve bizim bilgisayar tarafından üretilen kitabımız sağda.</figcaption></figure><p>Fena değil!</p><p>Ancak <strong>asıl akıl almaz kısım</strong> bu algoritmanın herhangi bir verideki örüntüleri anlayabilir olması. Kolayca gerçekmiş gibi görünen <a href="https://gist.github.com/nylki/1efbaa36635956d35bcc">yemek tarifleri </a>ya da<a href="https://medium.com/@samim/obama-rnn-machine-generated-political-speeches-c8abd18a2ea0#.h8b5lvyww"> taklit Obama konuşmaları</a> uydurabilir. Ancak kendimizi neden insan dili ile sınırlayalım ? Aynı mantığı bir örüntüye sahip her veriye uygulayabiliriz.</p><h3>Gerçekten Mario yapmadan Mario yapmak</h3><p>2015 yılında, Nintendo Wii U oyun konsolu için <a href="http://supermariomaker.nintendo.com/">Super Mario Maker™</a>’ı çıkarttı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/779/1*kTk1ua0xu02Iw2YTfSeGZw.png" /><figcaption>Her çocuğun rüyası!</figcaption></figure><p>Oyun konsol üzerinde kendi Super Mario bölümünüzü yaratmanıza izin veriyor ve sonrasında bu bölümü internete yükleyip arkadaşlarınızla paylaşabiliyorsunuz. Bölümünüze orijinal Mario oyunlarındaki düşmanları ve güç arttırıcıları da ekleyebiliyorsunuz. Super Mario oynayarak büyüyen insanlar için sanal bir LEGO seti gibi.</p><p>Yapay Hemingway metinleri üreten modelimizi , yapay Super Mario Kardeşler bölümleri üretmek için kullanabilir miyiz ?</p><p>Öncelikle, modelimizi eğitmek için bir veri kümesine ihtiyacımız var. 1985&#39;te çıkarılan Super Mario oyununun bütün açık alan bölümlerini alalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*KoBhR_RpcJ0iH7v4RDW9PQ.png" /></figure><p>Bu oyunun 32 bölümü var ve bütün açık alan bölümleri aynı tarza sahip. Bunlara bağlı kalacağız.</p><p>Her bölümün dizaynını almak için , oyunun orijinal kopyasını aldım ve oyunun hafızasından bölüm tasarımlarını çeken bir program yazdım. Super Mario kardeşler 30 yıllık bir oyun ve internette bölümlerin, oyunların hafızasında nasıl saklandığını çözmenizi sağlayacak bir sürü kaynak bulabilirsiniz. Eski bir bilgisayar oyunundan bölüm tasarımlarını çekmek eğlenceli bir programlama egzersizi ve bir gün denemelisiniz.</p><p>Oyunun ilk bölümü (Eğer oynadıysanız büyük olasılıkla hatırlarsınız):</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YwdLy9MLGmalfogayPIliQ.gif" /></figure><p>Dikkatlice bakarsak, bölümün nesnelere sahip bir ızgaradan yapıldığını görebiliriz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*BYgGv-u6qebTb4eFVYYbBA.png" /></figure><p>Bu ızgarayı , her sembolün bir nesneyi temsil ettiği bir karakter diziniyle resmedebiliriz:</p><pre>--------------------------<br>--------------------------<br>--------------------------<br>#??#----------------------<br>--------------------------<br>--------------------------<br>--------------------------<br>-##------=--=----------==-<br>--------==--==--------===-<br>-------===--===------====-<br>------====--====----=====-<br>=========================-</pre><p>Bölümdeki her nesneyi bir sembolle değiştirdik:</p><ul><li>‘-’ boş alan</li><li>‘=’ katı nesne</li><li>‘#’ kırılabilir tuğla</li><li>‘?’ para kutusu</li></ul><p>… vb., her farklı nesne için farklı bir karakter kullanıyoruz.</p><p>En sonunda elimde buna benzer metin dosyaları oluştu:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*d0k5nJPkUvalKoG2hGjMxg.png" /><figcaption>Bölümün metin olarak temsili</figcaption></figure><p>Metin dosyasını satır satır okursak, Mario bölümlerinin çok bir şablona sahip olmadığını görürüz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/648/1*ljYHl0LZgRPBYtL08E6bwQ.png" /><figcaption>Satır satır okuduğunuzda yakalayacak bir şablon yok. Satırların çoğu da boş</figcaption></figure><p>Şablonlar eğer veriyi sütun sütun okumaya başlarsanız ortaya çıkıyor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*Qm8Yfv63c_KGIzZR7OmmCw.png" /><figcaption>Sütun Sütun okuduğunuza şablonlar ortaya çıkmaya başlıyor. Örneğin her sütun ‘=’ ile bitiyor.</figcaption></figure><p>Algoritmamızın verideki şablonları düzgünce bulabilmesi için, onu sütun sütun beslememiz gerekiyor. Verimizin en kullanışlı gösterim şeklini bulmak ( adına özellik seçimi deniyor) , Makine Öğrenmesi algoritmalarını iyi kullanabilmenin anahtarlarından biri.</p><p>Modeli eğitmek için, metin dosyamı 90 derece döndürmem gerekiyor. Bu da karakterlerin modele, şablonun daha kolay görülebileceği şekilde gireceğini garanti ediyor.</p><pre>-----------=<br>-------#---=<br>-------#---=<br>-------?---=<br>-------#---=<br>-----------=<br>-----------=<br>----------@=<br>----------@=<br>-----------=<br>-----------=<br>-----------=<br>---------PP=<br>---------PP=<br>----------==<br>---------===<br>--------====<br>-------=====<br>------======<br>-----=======<br>---=========<br>---=========</pre><h3>Modelimizi Eğitmek</h3><p>Aynı Hemingway kesitinde olduğu gibi, modelimiz onu eğitmeye devam ettikçe daha iyi hale geliyor.</p><p>Azıcık eğitmeden sonara , modelimiz çöp üretiyor:</p><pre>--------------------------<br>LL+&lt;&amp;=------P-------------<br>--------<br>---------------------T--#--<br>-----<br>-=--=-=------------=-&amp;--T--------------<br>--------------------<br>--=------$-=#-=-_<br>--------------=----=&lt;----<br>-------b<br>-</pre><p>‘-’ ve ‘=’’lerin çok olması gerektiğine dair bir fikri var ama başka da bir şey yok. Şimdilik herhangi bir şablon fark edememiş.</p><p>Birkaç bin tekrardan sonra, çıktı bir şeylere benzemeye başlıyor:</p><pre>--<br>-----------=<br>----------=<br>--------PP=<br>--------PP=<br>-----------=<br>-----------=<br>-----------=<br>-------?---=<br>-----------=<br>-----------=</pre><p>Modelimiz her satırın uzunluğunun eşit olması gerektiğini anlamış. Ayrıca Mario’nun mantığını da anlamaya başlamış: Mario’daki borular(‘p’ harfi) hep 2 kutu genişliğindeler ve en az 2 kutu yüksekliğindeler, yani verideki ‘p’ler hep 2x2 yığınlar halinde bulunmalı. Bu baya iyi!</p><p>Çok fazla tekrardan sonra, modelimiz tamamen geçerli çıktı üretmeye başlıyor:</p><pre>--------PP=<br>--------PP=<br>----------=<br>----------=<br>----------=<br>---PPP=---=<br>---PPP=---=<br>----------=</pre><p>Bütün bir bölüme karşılık gelen veriyi üretelim ve tekrar yatay hale getirelim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*UrdOQKyL6Ydt-y5p14Gv6A.png" /><figcaption>Modelimiz tarafından yaratılmış bütün bölüm!</figcaption></figure><p>Bu veri baya iyi görünüyor. Fark etmemiz gereken birkaç harika nokta var:</p><ul><li>Aynı gerçek Super Mario bölümlerindeki gibi <a href="http://www.mariowiki.com/latiku">Latiku’yu</a>(bulutların üzerinde gezen canavar) bölümün başına koymuş.</li><li>Havadaki boruların havada asılı kalmayıp, katı nesnelerin üzerinde durması gerektiğini biliyor.</li><li>Düşmanları mantıklı yerlere koyuyor.</li><li>Oyuncunun yoluna, onun ileri gitmesini engelleyecek hiçbir nesne koymuyor.</li><li>Super Mario Kardeşler’deki gerçek bir bölüm gibi <em>hissettiriyor, </em>çünkü onların tarzından yararlandı.</li></ul><p>Son olarak, bu bölümü alalım ve Super Mario Maker’da yaratalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/546/1*mx7knp61S5P4qTz_USc-BA.jpeg" /><figcaption>Super Mario Maker’a girildikten sonra bölümümüz.</figcaption></figure><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F_-Gc6diodcY%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D_-Gc6diodcY&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F_-Gc6diodcY%2Fhqdefault.jpg&amp;key=d04bfffea46d4aeda930ec88cc64b87c&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/c55d3666a355cb77850e110fec0d6a75/href">https://medium.com/media/c55d3666a355cb77850e110fec0d6a75/href</a></iframe><p>Kendiniz de oynayabilirsiniz!</p><p>Eğer Super Mario Maker’ınız varsa, bu bölümü <a href="https://supermariomakerbookmark.nintendo.net/courses/4AC9-0000-0157-F3C3">internet üzerinden yer işaretlerinize ekleyerek</a> veya <a href="https://supermariomakerbookmark.nintendo.net/courses/4AC9-0000-0157-F3C3">4AC9–0000–0157-F3C3</a> kodunu kullanarak oynayabilirsiniz.</p><h3>Oyuncaklara Karşı Gerçek Hayattaki Uygulamalar</h3><p>Bizim modelimizi geliştirmek için kullandığımız yinelenen sinir ağı algoritması gerçek hayattaki şirketlerin tercüme ve konuşma tanıma gibi zor problemler için kullandığı algoritmalarla aynı tipte. Bizim modelimizi son teknoloji yerine bir oyuncak yapan sebep ise çok az veriden üretilmiş olması. Çok iyi bir model üretmek için Super Mario’da yeteri kadar fazla veri yok.</p><p>Eğer Nintendo gibi, kullanıcılar tarafından yaratılmış yüz binlerce bölüme erişimimiz olsaydı, harika bir model yaratabilirdik. Ancak yapamıyoruz-çünkü Nintendo bize izin vermiyor. Büyük şirketler ellerindeki veriyi bedavaya vermezler.</p><p>Makine öğrenmesi daha fazla endüstride daha da önemli hale geldikçe, modelinizi eğitmek için ne kadar veriye sahip olduğunuz , iyi ve kötü program arasındaki farkı belirleyecek. Bu yüzden Google ve Facebook gibi şirketlerin sizin verinize bu kadar çok ihtiyacı var.</p><p>Örnek olarak, Google yakın zamanda büyük çaplı Makine Öğrenmesi uygulamaları yapmaya yarayan <a href="https://www.tensorflow.org/">TensorFlow</a> yazılım kitini açık kaynaklı hale getirdi. Google’ın bu kadar önemli ve kabiliyetli bir teknolojiyi bedava vermesi büyük bir olay. Google Çeviri’nin arkasındaki teknoloji de bu bahsettiğimiz yazılım.</p><p>Google’ın her dille ilgili sahip olduğu veri hazinesine sahip olmadan, Google Çeviri’ye rakip bir uygulama çıkartamazsınız. Google’a avantajı sağlayan elindeki veri. Google Haritalar’daki konum geçmişinize veya Facebook konum geçmişinize bakıp sizin gittiğiniz her yeri kaydettiklerini farkettiğinizde bunu düşünün.</p><h3>İleriki Okumalar</h3><p>Makine Öğrenmesinde, bir problemi çözmek için tek bir yol yok. Verinizi nasıl işleyeceğinizi ve hangi algoritmayı seçeceğinize karar verirken önünüzde sınırsız seçenek var. Genellikle <a href="https://en.wikipedia.org/wiki/Ensemble_learning">birden fazla yaklaşımı birleştirmek</a> size tek bir yaklaşımdan daha iyi bir sonuç verecektir.</p><p>Okuyucular bana Super Mario bölümleri yaratmak için kullandıkları ilginç teknikleri yolladılar:</p><ul><li><a href="http://amykhoover.com/">Amy K. Hoover</a>’ın takımı <a href="http://julian.togelius.com/Hoover2015Composing.pdf">oyundaki her bir objeyi ( borular, yer, bloklar) sanki bütün bir senfonide tek bir sesmiş gibi</a> ifade eden bir teknik kullanmışlar. Fonskiyonal iskele denen bu yöntemle, sistem sadece belli bir obje için bir bölüm oluşturabiliyor. Mesela bir bölümün bir tarafını kendiniz oluşturup , algoritmanın boruları ve para kutularını onun üzerine eklemesini sağlayabilirsiniz.</li><li><a href="http://forskning.mah.se/en/id/tsstda">Steve Dahlskog</a>’ın ekibi verideki her bir sütunu <a href="http://bilgisayarkavramlari.sadievrenseker.com/2011/04/23/n-gram/">n-gram</a> kelimeler gibi düşünüp, <a href="http://julian.togelius.com/Dahlskog2014Linear.pdf">büyük bir yinelenen sinir ağından daha kolay bir algoritmayla bölümler üretmeyi</a> mümkün kılıyor.</li></ul><p>Eğer bu yazıyı beğendiyseniz, yazarın<a href="http://eepurl.com/b9fg2T"> Machine Learning is Fun! eposta grubuna kayıt olabilirsiniz.</a> Yazar sadece enterasan ve yeni şeyler bulduğunda mail atıyor. Bunun gibi yazılar yazdığında haberdar olmanızın en iyi yolu bu.</p><p>Ayrıca yazara Twitter ile <a href="https://twitter.com/ageitgey">@ageitgey</a>, <a href="/service/mailto:ageitgey@gmail.com">mail ile</a> veya <a href="https://www.linkedin.com/in/ageitgey">linkedin</a> üzerinden ulaşabilirsiniz.</p><p>Yazarın izniyle çevrilmiştir. Yazının kendisine <a href="https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471#.62v585nmz">buradan</a> ulaşabilirsiniz. Bana da buradan <a href="/service/mailto:atakanyenel@gmail.com">mail </a>ile ulaşabilirsiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f50c820f8f57" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/makine-%C3%B6%C4%9Frenmesi-e%C4%9Flencelidir-2-k%C4%B1s%C4%B1m-f50c820f8f57">Makine Öğrenmesi Eğlencelidir! 2. Kısım</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Dijital Finansın Geleceği]]></title>
            <link>https://medium.com/@atakanyenel/dijital-finans%C4%B1n-gelece%C4%9Fi-7b843f073fa1?source=rss-66a3fb249c37------2</link>
            <guid isPermaLink="false">https://medium.com/p/7b843f073fa1</guid>
            <category><![CDATA[finance]]></category>
            <category><![CDATA[teknoloji]]></category>
            <category><![CDATA[türkçe]]></category>
            <category><![CDATA[fintech]]></category>
            <dc:creator><![CDATA[Atakan Yenel]]></dc:creator>
            <pubDate>Fri, 24 Feb 2017 20:41:10 GMT</pubDate>
            <atom:updated>2017-02-25T19:28:38.925Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BCSWZ6feWxO_SeJ5f6SLww.jpeg" /></figure><p><em>Teknoloji hayatımızın her alanına yayılmaya devam ederken, yeni hedef cüzdanlarımız. Internet, mont ceplerinde nakit para aradığımız yılları bitirebilir mi ?</em></p><p>JR. by Campaign dergisinin 2017 şubat sayısında çıkan yazımı buradan okuyabilirsiniz. Aşağıdaki linkten yazının basılı haline ulaşabilirsiniz.</p><p><a href="http://joom.ag/sB9W/p36">JR. by Campaign February 2017</a></p><p>Arkadaşlarımızı, fotoğraflarımızı ve müziğimizi dijitalleştirmişken, fiziksel olarak hâlâ para banknotlarına bağlıyız. Kredi kartları her ne kadar günlük hayatta kullandığımız nakit para ihtiyacını azaltsa da, bu defa da kredi kartlarına ve bankalara bağlı hale geliyoruz. Üstelik yemek sipariş ettiğinizde pos makinesini unutan kuryelerden tutun, “<em>Aa kartımı evde unutmuşum”</em>a kadar uzanan muhtemel sorunlardan dolayı, kredi kartları her zaman kullanılabilir değiller. Peki en son ne zaman cep telefonunuzu yanınıza almayı unuttunuz? Bunu fark eden girişimciler paranızı güvenli bir şekilde internete aktarmanın ve para trafiğinizi hızlandırmanın yollarını arıyorlar.</p><p>Şu anda bile dünyadaki paranın sadece %10’u banknot nakit halde bulunuyor. Bu oran hepimizin hayatında da hemen hemen aynı. Maaşınız banka hesabınıza yatıyor, harcamalarınızın çoğunu kredi kartından yapıyorsunuz ve nakit kullandığınız alanlar giderek daralıyor. Hedef bu alanları daha da daraltmak ve her harcamayı mobilden yapabilmek. Finans Teknolojileri ya da kısaca FinTech, gelecek 20 yılda geleneksel bankaların rakibi olmak için emin adımlarla geliyor.</p><p>Peki bu konuda, dünyanın çeşitli ülkelerinde ne gibi ilerlemeler var? Gelin birkaç örneğe göz gezdirelim.</p><p><strong>Kenya</strong></p><p>Kenya, belki de hiç tahmin etmeyeceğimiz şekilde dünyanın en büyük mobil bankacılık altyapısına sahip. Kenyalıların küçük çapta para transferlerini birbirlerine kontör yollayarak yaptıklarını fark eden Vodafone, gerçek para transferinin yapılabildiği M-PESA sistemini geliştirmiş. M-PESA uygulaması kullanıcıların büfeler gibi her yerde bulunan ve bir bankayla anlaşması olmayan işletmelerden para çekmesine ve para yatırmasına olanak sağlıyor. Sistem aynı zamanda fatura ödemelerinde ve market alışverişlerinde de kullanılabiliyor. Sistemin şu anda sadece Kenya’da 17 milyon kullanıcısı bulunuyor. Facebook CEO’su Mark Zuckerberg de Facebook Messenger’a entegre etmek istediği bu sistemi yerinde görmek için bu yıl Kenya’ya ve M-PESA kullanan diğer ülkelere bir gezi düzenledi. Gezide Zuckerberg, Nijerya ve Kenya’da bulunan Start-up merkezlerini ziyaret etti. Mobil para transferlerinin dışında Facebook’un bedava ve herkes tarafından ulaşılabilir internet projesi <em>internet.org</em> ile ilgili görüşmeler de yapan CEO, karısıyla birlikte kurduğu Chan Zuckerberg vakfı üzerinden de Afrika’daki teknoloji start-uplarına milyon dolarlarca yardım yapıyor.</p><p><strong>İsveç</strong></p><p>İsveç’te geçen yıl yapılan harcamaların sadece %2’si nakit para ile yapıldı ve Avrupa’da bu oranın altına inmeyi başaran ikinci bir ülke yok. İsveç’in nakit parayı bırakmaya karar vermesinin sebebi geçmişte yaşadığı güvenlik problemleri olmuş. 2009’da yaşanan Vastberga soygununda hırsızların bir helikopterle para deposunun üstüne inmesi ve –raporlara göre- 6.5 milyon dolar çalması, ekonomistlerin kağıt paranın risklerini görmesini sağlamış. İsveç’te şu anda çoğu dükkan, market ve kafe nakitle ödeme kabul etmiyor. Onun yerine kredi kartınızı mobil cihazlara okutmanızı sağlayan bir kart okuma aparatıyla kartınızdan ödemeyi alıyorlar<em>. iZettle</em> adlı bu uygulama toplu taşımada bile kullanılıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/999/1*TpqMlv8QzME3Pa_R8ClC7A.png" /><figcaption>iZettle Harici kart okuyucu ile her telefon bir pos cihazı</figcaption></figure><p>Bir diğer uygulama ise <em>Swish.</em> Swish uygulamasıyla karşınızdaki kişiye sadece o kişinin telefon numarasını bilerek para gönderebiliyorsunuz. Uygulamanın yaratıcıları, hedef kullanıcı kitlesi olarak okul velilerini seçmişler. Okul etkinliklerini düzenleyen velilere ortak ödemeler için hep bir para akışı olması gerektiğinden, para transferini kolaylaştırmak için bütün velilere bu uygulamayı indirtebileceğini düşünen ekip, bu amacında başarılı da olmuş. Şu anda İsveç’te 30 yaş altı yetişkinlerin yüzde 90’ı Swish kullanıyor.</p><p><strong>Bitcoin</strong></p><p>Dijital paranın en iyi ve popüler örneği 2008’de ortaya çıkan Bitcoin. Bitcoin’e kısaca internetin para birimi diyebiliriz. Bitcoin borsada işlem görmesine rağmen (şu anda 1 bitcoin 791 dolara karşılık geliyor), hiçbir bankaya bağlı değil ve transferlerinde de herhangi bir bankanın onayını gerektirmiyor. Dolayısıyla bu transferler takip edilemiyor, bu da Bitcoin’i internetin karanlık yerlerinde çok daha popüler hale getiriyor. Bitcoin sistemine katılmak için herhangi bir yere başvuru yapmanız da gerekmiyor. Hemen şimdi bir Bitcoin cüzdanı programı indirip (örn. <em>Bitcoin Core</em>), siz de para transferi yapmaya başlayabilirsiniz. Bitcoin’in arkasındaki şifreleme teknolojisi (ilgilisine: <em>Blockchain </em>) hala geliştiriliyor ve geleceğin finansının temel taşı olmaya aday. Şu anki haliyle ilgili en büyük sıkıntı ise, para transferinizin karşı tarafa ulaşmasının ortalama 40 dakika sürmesi. Bu da sizi şimdilik<em> </em>bakkal alışverişinizi yaparken Bitcoin kullanmaktan alıkoyuyor.</p><p><strong>Amazon, iTunes, Steam…</strong></p><p>Şifreleme temelli para birimlerini aslında hayatımızın başka alanlarında şu an aktif olarak kullanıyoruz. Fark etmişsinizdir, elektronik dükkanlarında iTunes, Steam,Amazon vb. firmalara ait para kartları bulunur. Bu kartlar içindeki kodu kullanarak, kartın tutarı kadar parayı kredi kartınız olmasa bile hesabınıza yükleyebilir ve harcama yapabilirsiniz. Bu açıdan bakıldığında yukarıda saydığım şirketler elektronik mağazalarını kendi ATM’leri ve şubeleri olarak kullanıyorlar. Siz de para yatırır gibi elinizdeki nakit parayı elektronik ortama aktarıyorsunuz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/831/1*0yWbS2Wojb2J8P1f8Mm5PA.jpeg" /></figure><p><strong>Türkiyede Dijital Finans</strong></p><p>Türkiye’de dijital finans alanında 200’ün üzerinde girişim mevcut. Dijital ortamda yapılan işlem hacmi 20 milyar dolarken, bu alana yapılan yatırımın tutarı da 15,8 milyon dolar. Start-up’ların yanı sıra, FinTech’le Türkiye’nin geleneksel bankaları da ilgileniyor. BKM (Bankalararası Kart Merkezi) ülkemizdeki FinTech uzmanı açığını kapatmak için teknik eğitimler düzenlerken, Finansbank da <em>Enpara</em> ile Türkiye’nin ilk şubesiz dijital bankasını kurdu. Şubesiz bankalar bütün işlemlerinizi internet üzerinden yapmanıza izin veriyor ve sadece para yatırma, çekme işlemleri için ATM’leri kullanıyorsunuz. Bunun bankaya olan faydasını Enpara’nın internet sitesinden alınmış aşağıdaki alıntıyla özetleyebiliriz.</p><p><em>Bizim tek bir</em><strong><em> </em></strong><em>şubemiz bile olmadığı için doğal olarak kira, elektrik, su, doğalgaz, temizlik,</em><strong><em> </em></strong><em>çay, kahve, kalem, kağıt gibi masraflarımız da olmuyor.</em></p><p>Türkiye’de en hızlı büyüyen FinTech start-up’larından biri olan <em>Payguru</em>, TFF maç biletleri, BiTaksi uygulaması ve feribot seferleri için mobil ödeme olanağı sunuyor. Benzer bir şirket olan <em>Birleşik Ödeme Hizmetleri</em> ise belediyeler ile ortak çalışarak elektronik ortamda fatura tahsilatı yapma alanında uzmanlaşmış. Kendi dijital parasına “Parra” demeye karar veren şirket, ilerde bu teknolojisini akıllı kentlere entegre etmek istiyor.</p><p>Türkiye’deki FinTech haberlerini takip etmek için <a href="http://fintechistanbul.org/">bu linki</a> kullanarak Fintech İstanbul’un sayfasını ziyaret edebilirsiniz.</p><p>Fintech’in sürekli çalışabilmesi için sistemin para transferi yapan herkes tarafından benimsenmiş olması gerekiyor, bu da şu an için Fintech’in önündeki en büyük engel. Eğer oturduğunuz yerdeki market para transferi için online bir sistem kullanmıyorsa, ne yazık ki siz de geleneksel sistemleri kullanmak zorundasınız. Ancak dünya’nın son 20 yıl içinde ne kadar hızlı değiştiğine bakarsak, bu günlerin de geleceğini söyleyebiliriz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7b843f073fa1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenimi Eğlencelidir! 2. Kısım]]></title>
            <link>https://medium.com/bili%C5%9Fim-hareketi/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-2-k%C4%B1s%C4%B1m-6b464cbdf40c?source=rss-66a3fb249c37------2</link>
            <guid isPermaLink="false">https://medium.com/p/6b464cbdf40c</guid>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[programlama]]></category>
            <category><![CDATA[teknoloji]]></category>
            <category><![CDATA[medium-turkish]]></category>
            <category><![CDATA[yazilim]]></category>
            <dc:creator><![CDATA[Atakan Yenel]]></dc:creator>
            <pubDate>Fri, 13 Jan 2017 08:24:17 GMT</pubDate>
            <atom:updated>2017-01-13T08:24:17.627Z</atom:updated>
            <content:encoded><![CDATA[<h4>Makine Öğrenimi kullanarak Super Mario Bölümleri yaratmak</h4><p>Bu yazı serisinin birinci kısmına aşağıdaki linkten ulaşabilirsiniz.</p><p><a href="https://medium.com/turkce/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-2ad33ae37bea">Makine Öğrenimi Eğlencelidir!</a></p><p>İlk kısımda, makine öğrenmesinin(MÖ) soysal(generic) algoritmalar kullanarak veri kümemizden -o veriye özel kod yazmadan- ilginç çıkarımlar yapabilmek olduğunu söylemiştik.(Eğer<a href="https://medium.com/turkce/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-2ad33ae37bea#.1c1ugw9hk"> birinci kısmı </a>okumadıysanız, şimdi okuyun!).</p><p>Bu sefer soysal algoritmalardan birini çok havalı bir şey yaparken göreceğiz-İnsanlar yaratmış gibi duran bilgisayar oyunu bölümleri yaratırken. Bir <a href="https://tr.wikipedia.org/wiki/Yapay_sinir_a%C4%9Flar%C4%B1">sinir ağı</a>(neural network) yapacağız, onu hali hazırdaki Super Mario bölümleri ile besleyeceğiz ve onun yeni bölümler yaratmasını izleyeceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*aXcI487bc3eB-Gb1ezUQCg.gif" /><figcaption>Algoritmamızın yaratacağı bölümlerden biri</figcaption></figure><p>Birinci kısım gibi, bu kısım da makine öğrenmesi ile ilgilenen ancak nereden başlayacağını bilmeyenler için. Amaç herkes için ulaşılabilir olmak- Bu da çok fazla genelleme yapacağız ve çok fazla detayı atlayacağız demek. Ancak kimin umrunda ? Eğer bu yazı herhangi bir kişiyi bile MÖ’ye daha ilgili hale getirirse, görev tamamlanmış demektir.</p><h3><strong>Daha Akıllı Tahminler Yapmak</strong></h3><p>Birinci kısımda, özelliklerine bakarak bir evin fiyatını tahmin eden basit bir algoritma yaptık. Şekildeki gibi, bir eve ait veri verildiğinde:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*tzN3MZMnGMjAX59GGnsPMQ.png" /></figure><p>Bu basit tahmin fonksiyonunu elde ettik:</p><pre>def ev_satis_fiyati_tahmin_et(oda_sayisi, genislik, muhit):<br> fiyat= 0</pre><pre># Bir tutam bundan<br> fiyat+= oda_sayisi* <strong>0.123</strong></pre><pre># birazcık şundan<br> fiyat+= genislik* <strong>0.41</strong></pre><pre># Bir ölçü de bundan ekleyelim<br> fiyat+= muhit* <strong>0.57</strong></pre><pre>return fiyat</pre><p>Başka bir deyişle; bir evin fiyatını, evin özelliklerini her bir özelliğin<strong> ağırlığı</strong> ile çarparak hesapladık. Sonrasında da bu sayıları toplayarak evin tahmini fiyatını elde ettik.</p><p>Kodu kullanmak yerine, bu fonksiyonu bir diyagram kullanarak gösterelim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*ysIi2_QSIgZIOsznFFBi2w.png" /><figcaption>Oklar fonskiyonumuzdaki ağırlıkları simgeliyor.</figcaption></figure><p>Ancak bu algoritma sadece girdi ve çıktıların arasında doğrusal ilişki bulunan basit problemlerde işe yarıyor. Ya ev fiyatları arkasındaki gerçek bu kadar basit değilse? Mesela, belki de muhit, büyük ve küçük evler için çok önemliyken orta büyüklükteki evler için hiç önemli değil. Bu tarz karmaşık detayları kendi modelimizde nasıl yakalayabiliriz ?</p><p>Daha akıllı olabilmek adına, bu algoritmayı her uç durumu yakalayan farklı ağırlıklarla birkaç sefer çalıştırabiliriz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*M8HIvJD1zqGobowxbDPEkg.png" /><figcaption>Problemi 4 farklı şekilde çözmeyi deneyelim</figcaption></figure><p>Şimdi 4 farklı tahmini fiyatımız var. Bu 4 farklı fiyat tahminini tek bir fiyat oluşturmak için birleştirelim. Yine aynı algoritmayı kullanacağız( ama farklı ağırlıklar vereceğiz )!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/777/1*ztrtvgUGfEXEdSlAoDKyVw.png" /></figure><p>Yeni süper cevabımız problemi çözmek için yaptığımız 4 farklı girişimi birleştiriyor. Bu sayede, basit bir modelden daha fazla durumu yakalayabiliyoruz.</p><h3><strong>Sinir Ağı Nedir ?</strong></h3><p>Tahmin için yaptığımız 4 girişimi tek bir büyük diyagrama koyalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*GkHwF2dInQET_SL8r-BfbA.png" /></figure><p>Bu bir sinir ağı! Her bir düğüm(node) veri girdisi almayı, ona ağırlıkları uygulamayı ve çıktıyı hesaplamayı biliyor. Bu düğümlerden bir çoğunu birbirine bağlayarak karmaşık fonksiyonları modelleyebiliriz.</p><p>Bu açıklamayı kısa ve öz tutmak adına atladığımız çok konu var ( veri ölçekleme ve aktivasyon fonksiyonu), ama en önemli konu bu basit fikrin bile çalıştığı:</p><ul><li>Bir veri kümesi alıp , verileri ağırlıkları ile çarparak bir çıktı elde eden basit bir tahmin fonksiyonu oluşturduk. Bu basit fonksiyona <strong>nöron</strong>(sinir hücreleri) adını verelim.</li><li>Bir sürü basit <strong>nöron</strong>’u birbirine bağlayarak, tek bir nöronda modellenemeyecek kadar karmaşık fonksiyonları modelleyebiliriz.</li></ul><p>Aynı LEGO gibi! Tek bir LEGO parçası kullanarak çok fazla şey yaratamayız, ancak elimizde yeteri kadar basit lego parçası varsa, onları birbirine takarak her şeyi yaratabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/623/1*nC9k4Ae5LlKBkN9a-3B-Ag.png" /><figcaption>sadece legolardan yapılmış bir zebra…</figcaption></figure><h3><strong>Sinir Ağımıza hafıza kazandırmak…</strong></h3><p>Bu ana kadar gördüğümüz sinir ağları, aynı veriyi girdiğinizde hep aynı çıktıyı veriyor. Herhangi bir hafızası yok. Programlama terimlerine göre, belleksiz bir algoritma(stateless algoritm).</p><p>Çoğu durumda( evin fiyatını tahmin etmek gibi), bu tam olarak istediğimiz şey. Ancak bu modelin yapamadığı bir şey de, zaman içinde veride oluşan şablonlara(pattern) cevap verebilmek.</p><p>Farz edin ki size klavyeyi veriyorum ve sizden bir hikaye yazmanızı istiyorum. Ancak siz başlamadan önce, yazacağınız ilk harfi tahmin etmem gerekiyor. Hangi harfi tahmin etmeliyim ?</p><p>Dil bilgimi kullanarak doğru harfi tahmin etme şansımı arttırabilirim. Örneğin , büyük olasılıkla kelimelerin başında çok kullanılan bir harfi yazacaksınız. Eğer sizin daha önceden yazdığınız hikayelere bakarsam, hikayelerde çoğunlukla kullandığınız ilk kelimelere dayanarak olasılıkları daha da azaltabilirim. Bir kere bütün veriye sahip oldum mu, her harf için o harfle başlama olasılığınızın ne kadar olduğunu hesaplayan bir sinir ağı kurabilirim.</p><p>Modelimiz buna benzer:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*4oHvA2epDM8tDKWcZj_r5w.png" /><figcaption>Girdi: Geçmişte yazılmış hikayeler -&gt; Sinir ağımız -&gt; Çıktı: tahmini ilk harfiniz</figcaption></figure><p>Problemi biraz daha zor hale getirelim. Mesela hikayenin herhangi bir yerinde yazacağınız bir sonraki harfi tahmin etmeye çalışayım. Bu çok daha ilginç bir problem.</p><p>Ernest Hemingway’in<a href="https://tr.wikipedia.org/wiki/G%C3%BCne%C5%9F_de_Do%C4%9Far_(roman)"> <em>Güneş de Doğar</em></a><em> </em>kitabının ilk birkaç kelimesine bakalım.</p><blockquote>Robert Cohn bir zamanlar orta sıklet bir boksö</blockquote><p>Bir sonraki harf ne olacak ?</p><p>Muhtemelen tahmininiz ‘r’ harfi — kelime büyük olasılıkla <em>boksör</em> olacak. Bunu cümlede hali hazırda gördüğümüz harflere ve Türkçe’deki yaygın kelimeleri bilmemize dayanarak söylüyoruz. Ayrıca, ‘orta sıklet’ kelimesi de bize boks ile ilgili konuştuğumuza dair fazladan ipucu veriyor.</p><p>Başka bir deyişle, bir sonraki harfi tahmin etmek, eğer ondan hemen önce gelen harfleri ve Türkçe kuralları bilgimizi de hesaba katarsak baya kolay.</p><p>Bu problemi sinir ağı ile çözmek için, modelimize hafıza eklememiz gerekiyor. Sinir ağımıza cevabı sorduğumuz her seferde, ara hesaplamaları da kaydediyoruz ve bir sonraki seferde bunları da girdi olarak tekrar kullanıyoruz. Böylece modelimiz, tahminlerini, yakın zamanda gördüğü bilgilere dayanarak belirleyebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*MJM6hsMHCIT4nOvSLeV1lg.png" /><figcaption>Alt metin: Modelin anlık durumunu kaydet ve bir sonraki hesaplamada kullan.</figcaption></figure><p>Modelimizin durumunun kaydını tutmak, hikayenin sadece ilk harfinin değil, her seferinde bir sonraki harfin de tahmin edilmesini sağlar.</p><p>Bu<a href="http://www.yapay-zeka.org/modules/wiwimod/index.php?page=RNN"> <em>Yinelenen</em></a> Sinir Ağlarının(YNN) temel fikri. Ağı kullandığımız her an güncelliyoruz. Bu da onun tahminlerini en son ne gördüğüne bakarak güncellemesini sağlıyor. Yeteri kadar hafıza verdiğimiz durumda, zaman içinde veri içindeki şablonları da modelleyebilir.</p><h3><strong>Tek bir harfin ne faydası var ?</strong></h3><p>Bir hikayedeki tek bir harfi tahmin etmek çok da kullanışlı değil. Amaç ne ki ?</p><p>Güzel bir kullanım yeri cep telefonu klavyelerindeki otomatik tahmin özelliği olabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*DU74IrmABm0W-AZdnss1pQ.png" /><figcaption>Bir sonraki harf büyük olasılıkla ‘t’.</figcaption></figure><p>Ya bunu en uç noktaya taşırsak ? Ya modelimize tekrar ve tekrar bir sonraki harfi tahmin etmesini söylersek — sonsuza kadar ? Ondan eksiksiz bir hikaye yazmasını istemiş oluruz!</p><h3><strong>Hikaye üretmek</strong></h3><p>Hemingway’in cümlesinde ilk kelimeyi nasıl tahmin edebileceğimizi gördük. Şimdi Hemingway’in tarzında yeni bir hikaye üretmeyi deneyelim.</p><p>Bunu yapmak için, <a href="http://cs.stanford.edu/people/karpathy/">Andrej Karpathy</a>’nin yazdığı <a href="https://github.com/karpathy/char-rnn">Yinelenen Sinir Ağı uygulamasını</a> kullanacağız. Andrej Stanford Üniversitesinde<a href="http://www.derinogrenme.com/2015/07/21/derin-ogrenme-deep-learning-nedir/"> Derin Öğrenme </a>araştırmacısı ve <a href="http://karpathy.github.io/2015/05/21/rnn-effectiveness/">YNN ile yazı üretmek</a>(<em>ç.n. ingilizce kaynak) </em>üzerine harika bir giriş yazısı yazmış. <a href="https://github.com/karpathy/char-rnn">Modeliyle ilgili tüm kodu Github’da</a> görebilirsiniz.</p><p>Modelimizi <em>Güneş De Doğar</em>’ın tamamından yaratacağız. 84 farklı harf kullanan(noktalama, büyük harf, küçük harf dahil) 362,239 karakter. Bu veri boyutu gerçek hayattaki uygulamalarda kullanılan veri boyutuna göre oldukça küçük. Hemingway’in tarzının çok iyi bir modelini üretmek için birkaç kat daha fazla metine sahip olmak çok daha iyi olur. Ancak şimdilik örnek olarak bu büyüklük yeterli.</p><p>YNN’yi eğitmeye yeni yeni başladığımızda, harfleri tahmin etmede o kadar başarılı değil. 100 kere yinelen bir eğitimden sonra ürettiği metin:</p><blockquote>hjCTCnhoofeoxelif edElobe negnk e iohehasenoldndAmdaI ayio pe e h’e btentmuhgehi bcgdltt. gey heho grpiahe.<br>Ddelnss.eelaishaner” cot AAfhB ht ltny<br>ehbih a”on bhnte ectrsnae abeahngy<br>amo k ns aeo?cdse nh a taei.rairrhelardr er deffijha</blockquote><p>Görebileceğiniz gibi bazı kelimelerin arasında boşluk olacağınızı çözmüş ancak şimdilik hepsi bu kadar.</p><p>1000 adet yinelemeden sonra, durum biraz daha umut verici görünüyor:</p><blockquote>hing soor ither. And the caraos, and the crowebel for figttier and ale the room of me? Streat was not to him Bill-stook of the momansbed mig out ust on the bull, out here. I been soms<br>inick stalling that aid.<br> “Hon’t me and acrained on .Hw’s don’t you for the roed,” In’s pair.”<br> “Alough marith him.”</blockquote><p>Model basit cümle yapısını tanımaya başladı. Cümlelerin sonuna nokta koyuyor ve hatta konuşma bile alıntılıyor. Birkaç kelime anlaşılabilir ancak metnin çoğunluğu hala anlamsız.</p><p>Birkaç bin yinelemeden sonra, metin gayet iyi görünüyor(<em>ç.n. buradaki metni Türkçe’ye çevirirken metnin robotik havasını bozmamak adına dil bilgisi hatalarını tutup, anlam değil kelime bazlı çeviri yaptım)</em>:</p><blockquote>Kafenin kapısının oraya gitti. Bir kasaba yatağı gibiydi.<br> “Ben olduğumu biliyordun mu”<br> “Lanetlenmiş biz” Bill dedi.<br> “Ben tehlikeliydim” dedim. “sen o onu yaptı ve seni güzel bir pelerinlerdim diye düşünüyor” dedim.<br> “Takside garip görünemem”<br> “biliyordun ben buyum ancak” dedi Brett.<br> “Her şekilde kavga mı ?”<br> “Onu yapmayı yapıyor.”<br> “Sen yapıyor musun?”<br> “Otur,” dedim ben. “Keşke adamla küçük yapmasaydım”<br> “Onu buldun”<br> “Bilmiyorum.”<br> “Görüyorsun sohbetlerden özür dilerim,” dedi Bill. “O arkadan bir arkadaş ve seni gerçekten sarhoş yapıyor diye düşünüyorsun”</blockquote><p>Bu noktada algoritma Hemingway’in kısa , doğrudan diyalog şablonunu yakalamış. Hatta birkaç cümle anlamlı gibi duruyor.</p><p>Bunu kitaptan gerçek bir kesit ile karşılaştıralım:</p><blockquote>Barın içinde birkaç kişi vardı ve dışarıda, tek başına, Harvey Stone oturuyordu.<br>Önünde bir tabak yığını vardı ve traş olması gerekiyordu.<br>“Otur” dedi Harvey ,”Ben de seni arıyordum.”<br>“Sorun nedir?”<br>“Hiçbir şey. Sadece seni arıyordum.”<br>“Yarışlara gittin mi?”<br>“Hayır. Pazardan beri gitmedim”<br>“devletten(ABD) neler duydun?”<br>“Hiçbir şey. Kesinlikle hiçbir şey.”<br>“Sorun nedir?”</blockquote><p>Şablonlara harf harf baktığı halde, algoritmamız kabul edilebilir görünen bir ve düzgün biçimli bir düz yazı üretmeyi başarabildi. Bu baya inanılmaz!</p><p>Metni tamamen sıfırdan da üretmemiz gerekmiyor. Algoritmayı ilk birkaç harfi verip besleyebilir ve ondan sadece son harfleri bulmasını isteyebiliriz.</p><p>Eğlenme amaçlı, kendi hayali kitabımız için algoritmamızı “Er” , “He” ve “The S” harfleriyle besleyerek yeni bir kitap başlığı ve yazar adı üretebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*frcOndTIVclAzrB1wY5fDw.png" /><figcaption>Gerçek kitap solda ve bizim bilgisayar tarafından üretilen kitabımız sağda.</figcaption></figure><p>Fena değil!</p><p>Ancak <strong>asıl akıl almaz kısım</strong> bu algoritmanın herhangi bir verideki şablonları anlayabilir olması. Kolayca gerçekmiş gibi görünen <a href="https://gist.github.com/nylki/1efbaa36635956d35bcc">yemek tarifleri </a>ya da<a href="https://medium.com/@samim/obama-rnn-machine-generated-political-speeches-c8abd18a2ea0#.h8b5lvyww"> taklit Obama konuşmaları</a> uydurabilir. Ancak kendimizi neden insan dili ile sınırlayalım ? Aynı mantığı bir şablona sahip her veriye uygulayabiliriz.</p><h3><strong>Gerçekten Mario yapmadan Mario yapmak</strong></h3><p>2015 yılında, Nintendo Wii U oyun konsolu için <a href="http://supermariomaker.nintendo.com/">Super Mario Maker™</a>’ı çıkarttı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/779/1*kTk1ua0xu02Iw2YTfSeGZw.png" /><figcaption>Her çocuğun rüyası!</figcaption></figure><p>Oyun konsol üzerinde kendi Super Mario bölümünüzü yaratmanıza izin veriyor ve sonrasında bu bölümü internete yükleyip arkadaşlarınızla paylaşabiliyorsunuz. Bölümünüze orijinal Mario oyunlarındaki düşmanları ve güç arttırıcıları da ekleyebiliyorsunuz. Super Mario oynayarak büyüyen insanlar için sanal bir LEGO seti gibi.</p><p>Yapay Hemingway metinleri üreten modelimizi , yapay Super Mario Kardeşler bölümleri üretmek için kullanabilir miyiz ?</p><p>Öncelikle, modelimizi eğitmek için bir veri kümesine ihtiyacımız var. 1985&#39;te çıkarılan Super Mario oyununun bütün açık alan bölümlerini alalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*KoBhR_RpcJ0iH7v4RDW9PQ.png" /></figure><p>Bu oyunun 32 bölümü var ve bütün açık alan bölümleri aynı tarza sahip. Bunlara bağlı kalacağız.</p><p>Her bölümün dizaynını almak için , oyunun orijinal kopyasını aldım ve oyunun hafızasından bölüm tasarımlarını çeken bir program yazdım. Super Mario kardeşler 30 yıllık bir oyun ve internette bölümlerin, oyunların hafızasında nasıl saklandığını çözmenizi sağlayacak bir sürü kaynak bulabilirsiniz. Eski bir bilgisayar oyunundan bölüm tasarımlarını çekmek eğlenceli bir programlama egzersizi ve bir gün denemelisiniz.</p><p>Oyunun ilk bölümü (Eğer oynadıysanız büyük olasılıkla hatırlarsınız):</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YwdLy9MLGmalfogayPIliQ.gif" /></figure><p>Dikkatlice bakarsak, bölümün nesnelere sahip bir ızgaradan yapıldığını görebiliriz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*BYgGv-u6qebTb4eFVYYbBA.png" /></figure><p>Bu ızgarayı , her sembolün bir nesneyi temsil ettiği bir karakter diziniyle resmedebiliriz:</p><pre>--------------------------<br>--------------------------<br>--------------------------<br>#??#----------------------<br>--------------------------<br>--------------------------<br>--------------------------<br>-##------=--=----------==-<br>--------==--==--------===-<br>-------===--===------====-<br>------====--====----=====-<br>=========================-</pre><p>Bölümdeki her nesneyi bir sembolle değiştirdik:</p><ul><li>‘-’ boş alan</li><li>‘=’ katı nesne</li><li>‘#’ kırılabilir tuğla</li><li>‘?’ para kutusu</li></ul><p>… vb., her farklı nesne için farklı bir karakter kullanıyoruz.</p><p>En sonunda elimde buna benzer metin dosyaları oluştu:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*d0k5nJPkUvalKoG2hGjMxg.png" /><figcaption>Bölümün metin olarak temsili</figcaption></figure><p>Metin dosyasını satır satır okursak, Mario bölümlerinin çok bir şablona sahip olmadığını görürüz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/648/1*ljYHl0LZgRPBYtL08E6bwQ.png" /><figcaption>Satır satır okuduğunuzda yakalayacak bir şablon yok. Satırların çoğu da boş</figcaption></figure><p>Şablonlar eğer veriyi sütun sütun okumaya başlarsanız ortaya çıkıyor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*Qm8Yfv63c_KGIzZR7OmmCw.png" /><figcaption>Sütun Sütun okuduğunuza şablonlar ortaya çıkmaya başlıyor. Örneğin her sütun ‘=’ ile bitiyor.</figcaption></figure><p>Algoritmamızın verideki şablonları düzgünce bulabilmesi, onu sütun sütun beslememiz gerekiyor. Verimizin en kullanışlı gösterim şeklini bulmak ( adına özellik seçimi deniyor) , Makine Öğrenmesi algoritmalarını iyi kullanabilmenin anahtarlarından biri.</p><p>Modeli eğitmek için, metin dosyamı 90 derece döndürmem gerekiyor. Bu da karakterlerin modele, şablonun daha kolay görülebileceği şekilde gireceğini garanti ediyor.</p><pre>-----------=<br>-------#---=<br>-------#---=<br>-------?---=<br>-------#---=<br>-----------=<br>-----------=<br>----------@=<br>----------@=<br>-----------=<br>-----------=<br>-----------=<br>---------PP=<br>---------PP=<br>----------==<br>---------===<br>--------====<br>-------=====<br>------======<br>-----=======<br>---=========<br>---=========</pre><h3>Modelimizi Eğitmek</h3><p>Aynı Hemingway kesitinde olduğu gibi, modelimiz onu eğitmeye devam ettikçe daha iyi hale geliyor.</p><p>Azıcık eğitmeden sonara , modelimiz çöp üretiyor:</p><pre>--------------------------<br>LL+&lt;&amp;=------P-------------<br>--------<br>---------------------T--#--<br>-----<br>-=--=-=------------=-&amp;--T--------------<br>--------------------<br>--=------$-=#-=-_<br>--------------=----=&lt;----<br>-------b<br>-</pre><p>‘-’ ve ‘=’’lerin çok olması gerektiğine dair bir fikri var ama başka da bir şey yok. Şimdilik herhangi bir şablon fark edememiş.</p><p>Birkaç bin tekrardan sonra, çıktı bir şeylere benzemeye başlıyor:</p><pre>--<br>-----------=<br>----------=<br>--------PP=<br>--------PP=<br>-----------=<br>-----------=<br>-----------=<br>-------?---=<br>-----------=<br>-----------=</pre><p>Modelimiz her satırın uzunluğunun eşit olması gerektiğini anlamış. Ayrıca Mario’nun mantığını da anlamaya başlamış: Mario’daki borular(‘p’ harfi) hep 2 kutu genişliğindeler ve en az 2 kutu yüksekliğindeler, yani verideki ‘p’ler her 2x2 yığınlar halinde bulunmalı. Bu baya iyi!</p><p>Çok fazla tekrardan sonra, modelimiz tamamen geçerli çıktı üretmeye başlıyor:</p><pre>--------PP=<br>--------PP=<br>----------=<br>----------=<br>----------=<br>---PPP=---=<br>---PPP=---=<br>----------=</pre><p>Bütün bir bölüme karşılık gelen veriyi üretelim ve tekrar yatay hale getirelim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*UrdOQKyL6Ydt-y5p14Gv6A.png" /><figcaption>Modelimiz tarafından yaratılmış bütün bölüm!</figcaption></figure><p>Bu veri baya iyi görünüyor. Fark etmemiz gereken birkaç harika nokta var:</p><ul><li>Aynı gerçek Super Mario bölümlerindeki gibi <a href="http://www.mariowiki.com/latiku">Latiku’yu</a>(bulutların üzerinde gezen canavar) bölümün başına koymuş.</li><li>Havadaki boruların havada asılı kalmayıp, katı nesnelerin üzerinde durması gerektiğini biliyor.</li><li>Düşmanları mantıklı yerlere koyuyor.</li><li>Oyuncunun yoluna, onun ileri gitmesini engelleyecek hiçbir nesne koymuyor.</li><li>Super Mario Kardeşler’deki gerçek bir bölüm gibi <em>hissettiriyor, </em>çünkü onların tarzından yararlandı.</li></ul><p>Son olarak, bu bölümü alalım ve Super Mario Maker’da yaratalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/546/1*mx7knp61S5P4qTz_USc-BA.jpeg" /><figcaption>Super Mario Maker’a girildikten sonra bölümümüz.</figcaption></figure><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F_-Gc6diodcY%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D_-Gc6diodcY&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F_-Gc6diodcY%2Fhqdefault.jpg&amp;key=d04bfffea46d4aeda930ec88cc64b87c&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/c55d3666a355cb77850e110fec0d6a75/href">https://medium.com/media/c55d3666a355cb77850e110fec0d6a75/href</a></iframe><p>Kendiniz de oynayabilirsiniz!</p><p>Eğer Super Mario Maker’ınız varsa, bu bölümü <a href="https://supermariomakerbookmark.nintendo.net/courses/4AC9-0000-0157-F3C3">internet üzerinden yer işaretlerinize ekleyerek</a> veya <a href="https://supermariomakerbookmark.nintendo.net/courses/4AC9-0000-0157-F3C3">4AC9–0000–0157-F3C3</a> kodunu kullanarak oynayabilirsiniz.</p><h3>Oyuncaklara Karşı Gerçek Hayattaki Uygulamalar</h3><p>Bizim modelimizi geliştirmek için kullandığımız yinelenen sinir ağı algoritması gerçek hayattaki şirketlerin tercüme ve konuşma tanıma gibi zor problemler için kullandığı algoritmalarla aynı tipte. Bizim modelimizi son teknoloji yerine bir oyuncak yapan sebep ise çok az veriden üretilmiş olması. Çok iyi bir model üretmek için Super Mario’da yeteri kadar fazla veri yok.</p><p>Eğer Nintendo gibi, kullanıcılar tarafından yaratılmış yüz binlerce bölüme erişimimiz olsaydı, harika bir model yaratabilirdik. Ancak yapamıyoruz-çünkü Nintendo bize izin vermiyor. Büyük şirketler ellerindeki veriyi bedavaya vermezler.</p><p>Makine öğrenmesi daha fazla endüstride daha da önemli hale geldikçe, modelinizi eğitmek için ne kadar veriye sahip olduğunuz , iyi ve kötü program arasındaki farkı belirleyecek. Bu yüzden Google ve Facebook gibi şirketlerin sizin verinize bu kadar çok ihtiyacı var.</p><p>Örnek olarak, Google yakın zamanda büyük çaplı Makine Öğrenmesi uygulamaları yapmaya yarayan <a href="https://www.tensorflow.org/">TensorFlow</a> yazılım kitini açık kaynaklı hale getirdi. Google bu kadar önemli ve kabiliyetli bir teknolojiyi bedava vermesi büyük bir olay. Google Çeviri’nin arkasındaki teknoloji de bu bahsettiğimiz yazılım.</p><p>Google’ın her dille ilgili sahip olduğu veri hazinesine sahip olmadan, Google Çeviri’ye rakip bir uygulama çıkartamazsınız. Google’a avantajı sağlayan elindeki veri. Google Haritalar’daki konum geçmişinize veya Facebook konum geçmişinize bakıp sizin gittiğiniz her yeri kaydettiklerini farkettiğinizde bunu düşünün.</p><h3>İleriki Okumalar</h3><p>Makine Öğrenmesinde, bir problemi çözmek için tek bir yol yok. Verinizi nasıl işleyeceğinizi ve hangi algoritmayı seçeceğinize karar verirken önünüzde sınırsız seçenek var. Genellikle <a href="https://en.wikipedia.org/wiki/Ensemble_learning">birden fazla yaklaşımı birleştirmek</a> size tek bir yaklaşımdan daha iyi bir sonuç verecektir.</p><p>Okuyucular bana Super Mario bölümleri yaratmak için kullandıkları ilginç teknikleri yolladılar:</p><ul><li><a href="http://amykhoover.com/">Amy K. Hoover</a>’ın takımı <a href="http://julian.togelius.com/Hoover2015Composing.pdf">oyundaki her bir objeyi ( borular, yer, bloklar) sanki bütün bir senfonide tek bir sesmiş gibi</a> ifade eden bir teknik kullanmışlar. Fonskiyonal iskele denen bu yöntemle, sistem sadece belli bir obje için bir bölüm oluşturabiliyor. Mesela bir bölümün bir tarafını kendiniz oluşturup , algoritmanın boruları ve para kutularını onun üzerine eklemesini sağlayabilirsiniz.</li><li><a href="http://forskning.mah.se/en/id/tsstda">Steve Dahlskog</a>’ın ekibi verideki her bir sütunu <a href="http://bilgisayarkavramlari.sadievrenseker.com/2011/04/23/n-gram/">n-gram</a> kelimeler gibi düşünüp, <a href="http://julian.togelius.com/Dahlskog2014Linear.pdf">büyük bir yinelenen sinir ağından daha kolay bir algoritmayla bölümler üretmeyi</a> mümkün kılıyor.</li></ul><p>Eğer bu yazıyı beğendiyseniz, yazarın<a href="http://eepurl.com/b9fg2T"> Machine Learning is Fun! eposta grubuna kayıt olabilirsiniz.</a> Yazar sadece enterasan ve yeni şeyler bulduğunda mail atıyor. Bunun gibi yazılar yazdığında haberdar olmanızın en iyi yolu bu.</p><p>Ayrıca yazara Twitter ile <a href="https://twitter.com/ageitgey">@ageitgey</a>, <a href="/service/mailto:ageitgey@gmail.com">mail ile</a> veya <a href="https://www.linkedin.com/in/ageitgey">linkedin</a> üzerinden ulaşabilirsiniz.</p><p>Yazarın izniyle çevrilmiştir. Yazının kendisine <a href="https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471#.62v585nmz">buradan</a> ulaşabilirsiniz. Bana da buradan <a href="/service/mailto:atakanyenel@gmail.com">mail </a>ile ulaşabilirsiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6b464cbdf40c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/bili%C5%9Fim-hareketi/makine-%C3%B6%C4%9Frenimi-e%C4%9Flencelidir-2-k%C4%B1s%C4%B1m-6b464cbdf40c">Makine Öğrenimi Eğlencelidir! 2. Kısım</a> was originally published in <a href="https://medium.com/bili%C5%9Fim-hareketi">Bilişim Hareketi</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>