<?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 Batuhan Başay on Medium]]></title>
        <description><![CDATA[Stories by Batuhan Başay on Medium]]></description>
        <link>https://medium.com/@basaybatuhan?source=rss-46afc0dfb281------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*jZCSDLyPaNxVb6Lxq-_fWw.jpeg</url>
            <title>Stories by Batuhan Başay on Medium</title>
            <link>https://medium.com/@basaybatuhan?source=rss-46afc0dfb281------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 06:47:14 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@basaybatuhan/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[Yapay Zeka Kullanım Alanları]]></title>
            <link>https://medium.com/augelab-crew/yapay-zeka-kullan%C4%B1m-alanlar%C4%B1-f811d39e2d29?source=rss-46afc0dfb281------2</link>
            <guid isPermaLink="false">https://medium.com/p/f811d39e2d29</guid>
            <category><![CDATA[gelecek]]></category>
            <category><![CDATA[sektör]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[meslekler]]></category>
            <dc:creator><![CDATA[Batuhan Başay]]></dc:creator>
            <pubDate>Wed, 01 Sep 2021 06:15:52 GMT</pubDate>
            <atom:updated>2021-09-15T20:36:08.794Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EiiySrCcVw6Oyg9CvL8WYg.png" /></figure><p>Günümüzde yapay zeka çok popülerleşti. Hayatımızın her alanında olan bu yapay zeka hangi alanlarda kullanılıyor gelin birlikte bakalım.</p><p>İlk önce yapay zeka nedir bunun kısaca tanımına bakalım;</p><p><strong>Yapay zeka</strong>, bilgisayarın insanlar gibi düşünmesini sağlayarak kompleks sorunları tıpkı insan gibi çözmesini destekler. Zeka ve akıl gerektiren sorunlar <strong>yapay zeka</strong> sayesinde bilgisayar yardımıyla etkili bir biçimde çözülebilir.</p><p><em>Otomatik hale getirilmiş muhakeme, evrimsel hesaplama, makine öğrenimi (machine learning) gibi alt dalları olan yapay zekaya örnek olarak; Apple’ın Siri’si, Google’ın kişisel asistanı Google Now ve Tesla’nın sürücüsüz otonom araçlarını verebiliriz.</em></p><h3>Yapay Zekânın Yakın Geleceği ve Kullanım Alanları:</h3><p><strong>Eğlence</strong>: Gelecekte kanepenizde otururken, seçtiğiniz sanal aktörleri içeren özel bir film sipariş edebilirsiniz. Gelişmiş tahmin programları ise, bir film senaryosunun hikayesini analiz ederken, gişe potansiyelini de tahmin edebilir.</p><p><strong>Tıp:</strong> Yapay zekâ algoritmaları, doktorların ve hastanelerin verileri daha iyi analiz etmesini ve sağlık hizmetlerini her hastanın genlerine, ortamına ve yaşam tarzına göre özelleştirmesini sağlayacaktır. Beyin tümörlerini teşhis etmekten, hangi kanser tedavisinin bir birey için en iyisi olacağına karar vermeye kadar, AI kişiselleştirilmiş tıp devrimini yönlendirecektir.</p><p><strong>Siber Güvenlik:</strong> Şirketler bilgisayar korsanlarından bir adım önde olmak için mücadele ediyor. USC uzmanları, yapay zekâ tarafından sağlanan kendi kendine öğrenme ve otomasyon yeteneklerinin, verileri daha sistematik ve uygun fiyatlı bir şekilde koruyabileceğini ve insanları terörizmden veya daha küçük ölçekli kimlik hırsızlığından daha güvenli tutabileceğini söylüyor.</p><p><strong>Yaşamsal Görevler: </strong>AI asistanları, yaşları gereği birinin yardımına ihtiyaç duyan kişilerin bağımsız kalmasına ve kendi evlerinde daha uzun süre yaşamasına yardımcı olacak. Yapay zekâ araçları; besleyici yiyecekleri hazır tutacak, yüksek raflardaki nesnelere güvenli bir şekilde ulaşacak ve kişilerin evindeki hareketlerini izleyecektir.</p><p><strong>Ulaşım:</strong> AI’nın yakın gelecekte en büyük etkiye sahip olabileceği nokta otomobillerdir. İnsanlardan farklı olarak AI sürücüleri; asla radyoya bakmamakta veya arka koltuktaki çocuklarıyla tartışmamaktadır. Google sayesinde günümüzde kullanılan otonom araçların 2030 yılına kadar kullanımının daha da artması bekleniyor.</p><p><strong>Yapay Zekâ ve Turizm: </strong>Turizm ve kültür koruma bölgeleri için özel olarak geliştirilen Yapay Zekâ ve Turizm sanal asistanları, turistlerin ziyaret, eğlence, yolculuk, etkinlik ve benzer tatil aksiyonlarının başlangıcından sonuna kadar ziyaretçi memnuniyetini artırarak, beklentilerini karşılamaktadır. Böylece kişiler, ilgili turistik bölgeye ait eserler, restoranlar, servisler ve etkinlikler gibi ziyaret noktaları hakkında güncel bilgiler alabilir veya ilgili tanıtım videolarını izleyebilir ve turistik alanlar kapsamında gitmek istedikleri her noktaya navigasyon yönlendirmesi ile ulaşabilirler.</p><p><strong>Yapay Zekâ ve Müşteri Hizmetleri: </strong>Yapay Zekâ ve Müşteri Hizmetleri deneyimi sayesinde kullanıcılar, mevcut ürünler hakkında bilgi ve çevrimiçi teknik yardım alabilir ve hatta teknik servis randevusu oluşturabilir. Yapay Zekâ Akıllı Müşteri Asistanları, insan zekâsı ve doğal konuşmayı taklit ederek, sesle veya yazıyla aktif edilebilmektedir. Sesli komut sistemi ile sizinle iletişim kurduklarında, sesinizi yorumlayarak sorularınıza uygun danışmanlık servisi sağlayabilirler.</p><p><strong>Yapay Zekâ ve Havaalanı: </strong>Yapay Zekâ Havaalanı deneyimi ile kullanıcılar, belirlenen tarih aralığında, başlangıç noktasından hedef noktasına olan uçuşları, fiyatlarıyla birlikte öğrenebiliyor, uçuş numarasını kullanarak mevcut uçuş durumlarını izleyebiliyor ve havaalanı içerisinde gitmek istedikleri noktaya iç mekan navigasyon yönlendirmesi ile ulaşabiliyorlar.</p><p><strong>Yapay Zekâ ve Akıllı Şehirler: </strong>Belediye hizmetlerinin daha az maliyetle daha verimli şekilde gerçekleşmesini sağlayan Yapay Zekâ ve Akıllı Şehirler teknolojileri, vatandaşa daha etkin hizmet sunulmasına imkan tanıyor. Akıllı şehirler, insan hayatına değer katarken, yaşam kalitesini de iyileştiriyor. Birçok belediyede kullanılmaya başlanan akıllı şehir uygulamaları; daha çok çevre, ulaşım, yönetişim, güvenlik, sağlık ve coğrafi bilgi sistemleri alanlarında yoğunlaşmakta.</p><p><strong>Yapay Zekâ ve E-ticaret: </strong>Yapay Zekâ teknolojileri, E-ticaret sitelerinde arama konsollarının kişiye özel hale getirilmesi amacıyla kullanılıyor. Yapay zekâ, müşterilerin alışveriş alışkanlıkları ve ilgi alanları gibi bilgileri bir araya getiriyor ve tüketicilere kişiselleştirilmiş ürün önerilerinde bulunabilmesini mümkün kılıyor. Bu sayede kullanıcıların web sitesine yönlendirilmesi de sağlanıyor. Yapay zekâ, e-ticaret sektöründe farklı müşterilere farklı indirimlerin sunulması ya da farklı müşterilere farklı ürünlerin gösterilmesi gibi amaçlar için kullanılıyor.</p><p><strong>Yapay Zekâ ve Etkinlikler: </strong>Yapay Zekâ ve Etkinlik Asistanları; kullanıcıların, etkinlik, sinema filmleri ve dahası hakkında güncel bilgiler almasını veya konu ile ilgili tanıtım videolarını izleyebilmelerini sağlıyor. Bunun yanı sıra kişilere; hava durumu ve trafik durumu ayrıntılarını inceleyebilme, kafe ve mağazalardaki promosyonları kontrol edebilme ve mevcut kampanyalar hakkında bilgi sahibi olabilme fırsatı sunuyor.</p><p><strong>Yapay Zekâ ve Bankacılık ve Finansal Hizmetler: </strong>Yapay Zekâ ve Bankacılık ve Finansal Hizmetler deneyimi, kullanıcıların iş verimliliğini arttırarak, yatırımcıları hesap işlemlerinden, hisse senedi önerilerine kadar birçok konuda asiste ediyor. Hisse senetleri takibi, alım satım süreci, fon takibi ve benzeri süreçlere ayrılan zamanı daha etkili kullanabilmeniz adına; kullanıcı hesap bilgileri, kredi bilgileri, güncellemeler, yatırım raporları ve daha fazlası hakkında bilgi almanızı sağlıyor ve bu süreci sizin için denetliyor.</p><p><strong>Yapay Zekâ ve Eğitim: </strong>Yapay Zekâ ve Eğitim teknolojileri, öğrencilerin eksik alanlarını analiz edebileceği için oluşturacağı programı bireye uygun bir şekilde tasarlayabiliyor. Kişiye özel oluşturulan eğitim programı ile öğrencilerin, hem daha verimli olacağı hem de gelecekte işini seven bir birey olarak çevresine katma değer sağlayacağı öngörülmekte. Eğitim yazılımlarını öğrenci ihtiyaçlarına göre kişiselleştiren yapay zekâ, öğrencilerin eksiklerini daha iyi anlıyor ve gelişim için kişiye özel destek avantajı oluşturuyor. Akıllı bilgisayar sistemleri ile desteklenen akıllı veri toplama, günümüzde aktif olarak birçok okul tarafından uygulanan bir işlem. Bugün bazı okullar, öğrencilerin gelişim sürecini takip edebilmek ve bu analiz ile öğrencinin performansını artırabilmek için de yapay zekâ teknolojisini kullanıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/0*66Pt88_5OvGQ_hX1.jpg" /></figure><p>Sonuç olarak yapay zeka şuanda hayatımızın her alanında olduğu gibi büyük bir ivmeyle gelişmeye devam ediyor. Yakında hayatımızda daha sık yapay zekayı görebileceğiz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f811d39e2d29" width="1" height="1" alt=""><hr><p><a href="https://medium.com/augelab-crew/yapay-zeka-kullan%C4%B1m-alanlar%C4%B1-f811d39e2d29">Yapay Zeka Kullanım Alanları</a> was originally published in <a href="https://medium.com/augelab-crew">AugeLab Crew</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenmesi (Machine Learning)]]></title>
            <link>https://medium.com/augelab-crew/makine-%C3%B6%C4%9Frenmesi-machine-learning-fe9de899cfe5?source=rss-46afc0dfb281------2</link>
            <guid isPermaLink="false">https://medium.com/p/fe9de899cfe5</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <dc:creator><![CDATA[Batuhan Başay]]></dc:creator>
            <pubDate>Tue, 20 Jul 2021 14:23:27 GMT</pubDate>
            <atom:updated>2021-07-26T21:46:01.096Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XTR2uu07mUhlanwvLArLPw.png" /></figure><p>“Machine Learning” yani “Makine öğrenimi” son zamanlarda adını sıkça duyduğumuz terimler arasına girmiş durumda. Teknolojinin ilerlemesiyle gelişen makine, robot sektöründe çok önemli olan “Makine öğrenimi” kavramı en zor basamaklardan biridir. Bu yazımızda makine öğreniminin ne olduğunu, günümüz ve gelecekteki durumunu inceleyeceğiz.</p><h3>Makine öğrenmesi (machine learning) nedir?</h3><blockquote><strong>Makine öğrenimi</strong>, bilgisayarların algılayıcı verisi ya da veritabanları gibi veri türlerine dayalı öğrenimini olanaklı kılan algoritmaların tasarım ve geliştirme süreçlerini konu edinen bir bilim dalıdır. Makine öğrenimi araştırmalarının odaklandığı konu bilgisayarlara karmaşık örüntüleri algılama ve veriye dayalı akılcı kararlar verebilme becerisi kazandırmaktır. Bu, makine öğreniminin istatistik, olasılık kuramı, veri madenciliği, örüntü tanıma, yapay zekâ, uyarlamalı denetim ve kuramsal bilgisayar bilimi gibi alanlarla yakından ilintili olduğunu göstermektedir.</blockquote><p>Aslında makine öğrenmesi, insanların öğrenme süreçlerinden esinlenerek geliştirilmiş. Hepimiz bebekken bir köpeğin neye benzediğini bilmiyoruz, dört ayağı olduğunu, iri kulakları olduğunu ve küçük burnu olduğunu görüyoruz, bu şekilde öğrenip bir aslandan ayırt ediyoruz, makine öğrenmesinde de buna “classification” deniyor. Bilgisayarlar da tam olarak bunu yapıyor aslında. Bir şeyleri görüyoruz, fakat gördüğümüz anda “evet bu bir köpek” demiyoruz, görüntü beynimize gidiyor, algılamamız beyinde gerçekleşiyor. Bugün machine learning netflix’teki dizi tahminlerinden bir alışveriş sitesindeki tüketim alışkanlıklarımıza, kameralardaki yüz tanımadan online müşteri destek sistemlerine kadar her yerde karşımıza çıkıyor.</p><h3>Makine öğrenmesi kullanım alanları ve örnekleri</h3><p>Makine öğrenmesinin bir çok alanda kullanılmaktadır. Bu alanlara örnek vermek gerekirse:</p><ul><li>Spam mail saptama</li><li>Yüz tanıma</li><li>Kredi kartı sahtekarlık tespiti</li><li>Rakam tanıma</li><li>Ses tanıma</li><li>Ürün önerileri</li><li>Hastalık tanısı</li><li>Trafik tahmini</li><li>Karakter analizi</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*dhv64w8Ow-X1z9tE.png" /></figure><p><strong>Makine Öğrenimi Yaklaşımları;</strong></p><ul><li><strong>Gözetimli öğrenme</strong> — Girdileri hedef çıktılara eşleyen bir işlev üretir.</li><li><strong>Gözetimsiz öğrenme</strong> — Bir girdi kümesi modeller.</li><li><strong>Pekiştirmeli öğrenme</strong> — Dünya algısına dayalı bir öğrenme biçimi. Her eylem ortamda bir etki oluşturmakta ve ortam, öğrenme algoritmasına yol gösteren ödüller biçiminde dönütler vermektedir.</li><li><strong>Yarı gözetimli öğrenme</strong> — Uygun işlev ya da sınıflandırıcılar oluşturmak için etiketli ve etiketsiz örnekleri birlikte ele alır.</li><li><strong>Öğrenmeyi öğrenme</strong> — Önceki deneyimlerden yararlanır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/0*1WbLnJ65s0CYT9zY" /></figure><h3>Makine Öğrenimi Algoritma Türleri</h3><p><strong>Machine Learning</strong>‘in neredeyse sınırsız kullanımı olduğu gibi, makine öğrenimi algoritmalarında sıkıntı yoktur. Oldukça basit olandan son derece karmaşık olanlara kadar değişir. En yaygın kullanılan modellerden birkaçı:</p><ul><li>Bu makine öğrenme algoritması sınıfı, genellikle iki değişken arasında bir korelasyonun tanımlanmasını ve gelecekteki veri noktaları hakkında tahminler yapmak için bu korelasyonun kullanılmasını içerir.</li><li><strong>Karar ağaçları</strong>: Bu modeller belirli eylemler hakkındaki gözlemleri kullanır ve istenen sonuca varmak için en uygun yolu belirler.</li><li><strong>K-küme</strong>: Bu model, belirli sayıda veri noktasını benzer özelliklere dayanan belirli sayıda gruplandırmaya dâhil eder.</li><li><strong>Nöral ağlar</strong>: Bu derin öğrenme modelleri, gelecekteki veriyi işlemeyi öğrenmek için birçok değişken arasındaki korelasyonları tanımlamak için büyük miktarda eğitim verisi kullanır.</li><li><strong>Takviye öğrenme</strong>: Bu derin öğrenme alanı, bir süreci tamamlamak için birçok girişimde yinelenen modelleri içerir. Elverişli sonuçlar üreten adımlar ödüllendirilir ve algoritma en uygun süreci öğrenene kadar istenmeyen sonuçlara yol açan adımlar cezalandırılır.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fe9de899cfe5" width="1" height="1" alt=""><hr><p><a href="https://medium.com/augelab-crew/makine-%C3%B6%C4%9Frenmesi-machine-learning-fe9de899cfe5">Makine Öğrenmesi (Machine Learning)</a> was originally published in <a href="https://medium.com/augelab-crew">AugeLab Crew</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Görüntü İşleme Teknikleriyle Yüz Algılama Sistemi Geliştirme]]></title>
            <link>https://medium.com/augelab-crew/g%C3%B6r%C3%BCnt%C3%BC-i%CC%87%C5%9Fleme-teknikleriyle-y%C3%BCz-alg%C4%B1lama-sistemi-geli%C5%9Ftirme-1ee3c16e91c4?source=rss-46afc0dfb281------2</link>
            <guid isPermaLink="false">https://medium.com/p/1ee3c16e91c4</guid>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[yüz-tanıma]]></category>
            <category><![CDATA[görüntü-i̇şleme]]></category>
            <dc:creator><![CDATA[Batuhan Başay]]></dc:creator>
            <pubDate>Wed, 30 Jun 2021 21:19:34 GMT</pubDate>
            <atom:updated>2021-07-03T18:02:41.953Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*updsr9Chj9CLfFmUEK6hwg.png" /></figure><p>Yüz tanıma, kişinin yüzünü otomatik olarak algılayan ve analiz eden bilgisayar tabanlı bir güvenlik sistemidir. Bu sistem en az düzeyde hata çıkaran ve en hızlı biyometrik yöntemdir. Dolayısıyla geçmişten günümüze kadar yüz bulma ve yüz tanıma birçok araştırmacının çalışma konusu olmuştur. Yüz tanıma alanında 2B’den 3B’ye hatta hızlı ve en az hatalı yüz tanıma beklentisi nedeniyle 4B’ye doğru çalışmalar sürdürülmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/256/1*KCpy3xvBTeX5xTRwB1baCA.gif" /></figure><p>Cihazların, toplumların ve teknolojilerin “akıllandığı” bir dünyada kontrol ve güvenlik sistemleri de akıllı olması gerekmektedir. Yapılan çalışmalar, günümüzde sadece elektronik kartlara veya şifrelere bağımlı sistemlerin yeterli olmadığını, bu nedenle güvenliği arttırmak için biyometrik tanıma sistemlerinin iyi bir alternatif olacağını göstermektedir. Birçok resmi ve sivil kurum güvenliği arttırmak için insana özgü karakteristik bilgileri kullanan biyometrik tanıma sistemlerine yönelmektedir. Biyometrik sistemler kişiye özgü ham verileri işleyerek bireyi en iyi tanımlayan elektronik bilgiye çevirmektedir.</p><p>Dijital görüntülerin sayısallaştırılmasıyla üzerinde farklı işlemler uygulanarak anlamlı yorumlanabilir sonuçlar elde edilebilir. Tıp, Askeri, Endüstriyel ve Coğrafi Sistemler gibi birçok alanda kullanılan görüntü işleme teknikleri, güvenlik sistemleri alanında da yaygın olarak kullanılmaktadır. Parmak izi, iris ve yüz tanıma gibi uygulamalar güvenlik alanında görüntü işleme teknikleri kullanılarak yapılabilmektedir. Tarayıcı, kamera ya da fotoğraf makinesi üzerinden alınan görüntülerin yorumlanabilmesi için belirli ön işlemlerden geçirilmesi gerekmektedir. Bu konuda yazılımsal olarak programlama dilleriyle geliştirilmiş birçok kütüphane bulunmaktadır.</p><p><strong>Opencv:</strong></p><p>Görüntü işleme için genellikle açık kaynak kodlu bir kütüphane olan OpenCV Kütüphanesi kullanılmaktandır.</p><p>OpenCV, Intel tarafından 1999 yılında geliştirilen açık kaynak kodlu görüntü işleme kütüphanesidir. C, C++, Phyton ve Java arayüzleri bulunan OpenCV, Windows, Linux, Mac OS, iOS, Android gibi farklı platformlarda çalışabilmektedir. BSD (Berkeley Software Distribution) lisansı sayesinde her türlü projede ücretsiz olarak kullanılabilmektedir. OpenCV, hesaplama verimliliğini artırmak ve gerçek zamanlı uygulamalar için tasarlanmıştır.</p><p>OpenCV’nin birçok kullanım alanı bulunmaktadır. Bunlardan bazıları;</p><ul><li>Yüz, göz, ağız, burun tanıma,</li><li>Herhangi bir nesneyi tanıma,</li><li>Videodaki hareketleri algılama,</li><li>Şablon ve şekil eşleştirme,</li><li>Kamera kalibrasyonu,</li><li>OpenCV kütüphanesi CV, MLL, HighGUI ve CXCore şeklinde isimlendirilen 4 adet ana bileşenden oluşmaktadır.</li><li>CV bileşeni: Görüntü işleme ve yüksek seviyeli görüntü işleme algoritmalarını içerir.</li><li>MLL bileşeni: Birçok istatistiksel sınıflandırıcı ve kümeleme aracı içeren makine öğrenme komutlarını içerir.</li><li>HighGUI bileşeni: Video ve görüntülerin saklanması ve yüklenmesi için I/O işlemlerini ve fonksiyonlarını içerir.</li><li>CXCore bileşeni: Temel veri yapıları ve içeriğini, resim çizme gibi bölümleri içerir. Bu çalışmada gerekli işlemlerin yapılabilmesi için OpenCV’nin C# için geliştirilmiş olan wrapperlarından olan OpenCVSharp kütüphanesi, veri tabanı olarak Access tercih edilmiştir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Cn919m9UyC11Pdq_" /></figure><p>Yüz tanıma algoritmaları genel yapı itibariyle ikiye ayırabiliriz. Bunlardan birincisi resimler üzerinden yapılan yüz tanıma tekniği, diğeri ise hareketli bir görüntü üzerinden yüz tanıma tekniğidir. Bu iki teknolojide günümüzde onlarca yerde kullanılmaktadır. Bunlara örnek olarak birçok ülkenin kullanıma başladığı pasaport kontrolündeki yüz taramaları ve mobese kameraları gibi ülke çapında kullanılan kameralarda Interpol’ün yapmış olduğu yüz tanımlama uygulaması gösterilebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*4kThtNv7brcmhRry" /><figcaption><a href="https://augelab.com/">AugeLab </a>Studio ile yüz tanıma</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/788/0*mmWfZ-pVPyMdXQU9" /><figcaption>Uygulama Çıktısı</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1ee3c16e91c4" width="1" height="1" alt=""><hr><p><a href="https://medium.com/augelab-crew/g%C3%B6r%C3%BCnt%C3%BC-i%CC%87%C5%9Fleme-teknikleriyle-y%C3%BCz-alg%C4%B1lama-sistemi-geli%C5%9Ftirme-1ee3c16e91c4">Görüntü İşleme Teknikleriyle Yüz Algılama Sistemi Geliştirme</a> was originally published in <a href="https://medium.com/augelab-crew">AugeLab Crew</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Görüntü İşleme Teknikleri Nelerdir?]]></title>
            <link>https://medium.com/augelab-crew/g%C3%B6r%C3%BCnt%C3%BC-i%CC%87%C5%9Fleme-teknikleri-nelerdir-33fe23bfb323?source=rss-46afc0dfb281------2</link>
            <guid isPermaLink="false">https://medium.com/p/33fe23bfb323</guid>
            <category><![CDATA[görüntü-işleme-teknikleri]]></category>
            <category><![CDATA[görüntü-i̇şleme]]></category>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <dc:creator><![CDATA[Batuhan Başay]]></dc:creator>
            <pubDate>Sun, 16 May 2021 15:27:07 GMT</pubDate>
            <atom:updated>2021-06-29T20:27:25.890Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kiZ3l3hO-FF-lTU6qzGo0w.png" /></figure><p>Günümüzde yapay zeka ve görüntü işleme çok popüler bir boyuta geldi. Savunma sanayisi, sağlık, web, uydu, hava gözlem vs. gibi birçok alanda kullanılan görüntü işleme nedir?</p><p><strong>Görüntü işleme,</strong> bilgisayarların görüntüler ve videolardaki nesneleri ve kişileri tanımlamasını, tanımladığını anlamasını sağlamaya odaklanan bir bilgisayar bilimidir. Diğer yapay zeka türleri gibi görüntü işleme de insan yeteneklerini kopyalayan görevleri gerçekleştirmeyi ve otomatikleştirmeyi amaçlar. Bu durumda, görüntü işleme insanların görme yeteneğini kopyalamaktadır.</p><p><strong>Görüntü işleme</strong> teknolojisine yönelik pratik uygulamalar yelpazesi, onu birçok modern yeniliğin ve çözümün merkezi bir bileşeni haline getiriyor. Görüntü işleme bulutta veya şirket içinde çalıştırılabilir. Bu ve daha bir çok farklı yerlerde kullanılabilen görüntü işleme hızla gelişen teknolojiler arasında yer almaktadır.<br>Aynı zamanda mühendislik ve bilgisayar bilimleri gibi disiplinlerin temel araştırma alanlarından biridir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/944/1*Jymy-EuWVwRB-9jq7O41EQ.png" /><figcaption><a href="https://augelab.com/">AugeLab </a>ile görüntü işleme</figcaption></figure><p>Program görsel çıktıları:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*tUai1J8OfBPDqqzxMT9enA.jpeg" /><figcaption>Orginal fotoğraf</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*sEY8u-p6F1eTB9EiSe3V7w.png" /><figcaption>Görselin Blur efekti uygulanmış hali</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*xVivdg3fXAvZ5uPzK0ViFA.png" /><figcaption>Görsele Edge Detection uygulanmış hali</figcaption></figure><h3>GÖRÜNTÜ İŞLEME ADIMLARI NELERDİR?</h3><p><strong>Görüntü işleme</strong> temel olarak üç adımda incelenmektedir.</p><p>– Gerekli araçlar ile imajı aktarılması<br>– Görüntünün analiz edilerek istenilen doğrultuda işlenmesi<br>– Analiz edilip işlenen veri raporu ve çıktısının, sonucunun alınması<br>Görüntü işleme adımlarının yanında görüntü işleme için iki tür yöntem kullanılmaktadır. Bunlardan ilki analog görüntü işleme diğeri dijital görüntü işleme yöntemidir. Dijital ve analog<strong> görüntü işleme</strong> için verinin geçmesi gereken birtakım temel aşamalar vardır. Bu aşamalar arasında:<br>– Ön işleme<br>– Geliştirme ve görüntüleme<br>– Bilgi çıkarımı<br>yer almaktadır. Bu asmaların ardından ilgili veriden ihtiyaca göre sonuçlar elde edilebilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/0*8SkmpZw67eT_JIkt.jpg" /><figcaption>Görüntü İşleme İş Akış Şeması</figcaption></figure><h3>Görüntü İşleme Teknikleri</h3><p>Son dönemlerde klasik görüntü işleme yöntemlerini destekleyecek veya tamamen yeni algoritmalar üzerinden yürüyecek yeni geliştirici teknikler oluşturulmuştur. Tekniklerin çoğu insansız uzay araçları, uzay sondaları ve askeri keşif uçuşlarından elde edilen görüntüleri geliştirmek amacıyla üretilmiştir. Ancak yaşanan gelişmeler görüntü işlemenin kullanıldığı her alanda etkisini göstermiştir.</p><p>Dijital bir görüntü, bilgisayar dilinde sınırlı sayıda bit tarafından temsil edilen bir dizi gerçek sayıdan ibarettir. Dijital görüntü işleme yöntemlerinin temel avantajı; çok yönlü tarama kabiliyeti, tekrarlanabilirliği ve orijinal veri hassasiyetinin korunmasıdır. Başlıca görüntü işleme teknikleri; görüntü önişleme, görüntü geliştirme, görüntü ayırma, özellik çıkartma ve görüntü sınıflandırılmasıdır.</p><h3>Görüntü Önişleme ve Geliştirme</h3><p>Sektörlerde kullanılan kameralardan elde edilen görüntüler, görüntü yakalarken görüntüleme alt sistemlerinin ve aydınlatma koşullarının sınırlamaları nedeniyle kontrast ve parlaklık hataları yaratır, görüntüler farklı türde yapılara sahip olabilir. Görüntü önişleme piksellerin geometrisi ve parlaklık değerleri ile ilgili hataların engellenmesini sağlar. Bu hatalar ampirik ya da teorik matematik modeller kullanılarak düzeltilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/799/0*mClmhjYFl9Enrvk8.jpeg" /></figure><p>Görüntü geliştirme ise, görselin görünümünü iyileştirerek görüntünün insan veya makine yorumu için daha uygun forma dönüştürülmesini sağlar veya sonraki analizler için belirli görüntü özelliklerini vurgular. Görsel geliştirme temel olarak piksel parlaklık değerleri üzerindeki oynamalarla sağlanır. Kontrast ve kenar geliştirme, sözde renklendirme, gürültü filtreleme, keskinleştirme ve büyütme uygulamalara örnektir.</p><p>Geliştirme süreci verilerdeki içsel bilgi içeriğini arttırmaz. Sadece belirli görüntü özelliklerini vurgular. Geliştirme algoritmaları genellikle sonraki görüntü işleme adımları için bir hazırlık niteliğindedir ve uygulama ile doğrudan bağıntılıdır.</p><h3>Görüntü Bölütleme</h3><p>Görüntü bölütleme görüntüyü kendini oluşturan bileşenlere ve nesnelere ayırma işlemidir. Uygulama konusuna göre görüntü bölütleme işleminin ne zaman durdurulacağı belirlenir. Aranan nesne veya bileşen görüntüden elde edildiği anda bölütleme işlemi durdurulur. Örneğin, havadan hedef tespitinde ilk olarak yol ve araçlar bütünü olan fotoğraf, yol ve araç olarak ayrılır. Her bir araç ve yol tek başına bu görüntünün bölünmüş parçalarını oluşturur. Hedef kriterlerine göre uygun olan alt resme ulaşıldığında görüntü bölütleme işlemi durdurulur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/560/0*WBFuE0RoDkmZcp_k.jpeg" /></figure><p>Görüntü bölütleme için görüntü eşiği oluşturma yöntemleri kullanılır. Bu sınırlama yöntemlerinde nesne pikselleri bir gri seviyesine arka plan ise farklı piksellere ayarlanır. Genellikle nesne pikselleri siyah ve arka plan beyazdır. Piksel farkından kaynaklanan bu ikili görüntüler gri ölçeğe göre değerlendirilerek görüntü ayrımı yapılır.</p><p>S (x, y), bölümlere ayrılmış görüntünün değeridir, g (x, y) pikselin gri seviyesidir ve T (x, y), koordinatlardaki eşik değeridir. En basit durumda T (x, y) koordinattan bağımsız ve tüm görüntü için bir sabittir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/387/0*UrIoJ6iMnbTL6gZl.png" /></figure><p>Görüntülerin bölütlendirilmesi, yalnızca nesneler ve arka plan arasındaki ayrımı değil, aynı zamanda farklı bölgeler arasındaki ayrımı da içerir. Böyle bir ayrım için geliştirilen yöntem, havza segmentasyonu olarak bilinir.</p><h3>Özellik Çıkartma</h3><p>Özellik çıkartma, görüntü bölütlemenin bir üst versiyonu olarak düşünülebilir. Bu kez amaç sadece nesneleri arka plandan ayırmak değil; nesnenin boyutu, şekli, kompozisyonu, konumu gibi özelliklere göre nesneyi tanımlamaktır. Matematiksel ifadeyle, sınıf içi örüntü değişkenliğini en aza indirirken sınıf örüntüsünün değişkenliğini arttırmak için ham veri bilgisinden çıkarım yapma işlemidir. Bu sayede nesnenin kantitatif özellik ölçümleri, sınıflandırılması ve tanımlanması kolaylaşır. Tanıma sisteminin verimliliği üzerinde gözlemlenebilir bir etkiye sahip olduğu için özellik çıkarma safhası görsel işleme proseslerinde önemli bir basamaktır.</p><h3>Görüntü Sınıflandırma</h3><p>Sınıflandırma en sık kullanılan bilgi çıkarma yöntemlerinden biridir. En basit haliyle bir piksel ya da piksel grubunun gri değerine bağlı olarak etiketlenmesidir. Etiketleme sırasında bir nesnenin çoklu özellikleri kullanır ve bunun için veri tabanında aynı nesneye ait birçok görüntünün olması sınıflandırma işlemini kolaylaştırır. Uzaktan algılama teknolojisini kullanan araçlarda bilgi çıkarım tekniklerinin çoğu görüntülerin spektral yansıma özelliklerini analiz eder. Spektral analizler özelleştirilmiş bazı algoritmalar tarafından yapılır ve genel olarak, denetimli ve denetimsiz multispektral sınıflandırma olmak üzere iki farklı sistemle yapılır.</p><p>Görüntü işleme üzerine youtube, udemy vb. gibi kaynaklarda bolca eğitim bulabilirsiniz. Bunlardan bir tanesine <a href="https://www.youtube.com/playlist?list=PLzcys7whQ6eSJdSHJh-xdOLvWPP24J76x">buradan </a>erişebilirsiniz</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=33fe23bfb323" width="1" height="1" alt=""><hr><p><a href="https://medium.com/augelab-crew/g%C3%B6r%C3%BCnt%C3%BC-i%CC%87%C5%9Fleme-teknikleri-nelerdir-33fe23bfb323">Görüntü İşleme Teknikleri Nelerdir?</a> was originally published in <a href="https://medium.com/augelab-crew">AugeLab Crew</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>