<?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 Turkish AI Team on Medium]]></title>
        <description><![CDATA[Stories by Turkish AI Team on Medium]]></description>
        <link>https://medium.com/@turkishaiteam?source=rss-f28355f3727d------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*Z-JHP7-HjwLDAWvQ</url>
            <title>Stories by Turkish AI Team on Medium</title>
            <link>https://medium.com/@turkishaiteam?source=rss-f28355f3727d------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 08:54:01 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@turkishaiteam/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[Derin Takviyeli Öğrenme ile Pong Oynayan Yapay Zeka Ajanı Yapmak]]></title>
            <link>https://medium.com/@turkishaiteam/derin-takviyeli-%C3%B6%C4%9Frenme-ile-pong-oynayan-yapay-zeka-ajan%C4%B1-yapmak-3fcc9b3303d5?source=rss-f28355f3727d------2</link>
            <guid isPermaLink="false">https://medium.com/p/3fcc9b3303d5</guid>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <category><![CDATA[reinforcement-learning]]></category>
            <category><![CDATA[derin-ogrenme]]></category>
            <category><![CDATA[derin-öğrenme]]></category>
            <dc:creator><![CDATA[Turkish AI Team]]></dc:creator>
            <pubDate>Fri, 15 Nov 2019 11:31:06 GMT</pubDate>
            <atom:updated>2019-11-15T16:39:35.889Z</atom:updated>
            <content:encoded><![CDATA[<p>Derin Takviyeli Öğrenme ile sıfırdan(sıfır bilgiyle) Pong’da kazanan bir yapay zeka yazalım.</p><p>Takviyeli öğrenme hakkında okuma yapma ve bunu gerçekten uygulama arasında büyük bir fark vardır.</p><p>Bu gönderide, takviyeli öğrenme için bir sinir ağını uygulayacak ve daha sonra Pong’da bilgisayarı yenmek için yeterince iyi hale geldikçe daha fazla şey öğreneceğinizi göreceksiniz! OpenAI Gym’de diğer Atari oyunlarıyla oynayabilirsiniz.</p><p>Bu yayının sonunda aşağıdakileri yapabilirsiniz:</p><p>Sinir ağını sıfırdan yazın.<br>Derin Takviyeli Öğrenme ile Politika Gradyanını uygulamayı öğrenin.<br>Bilgisayarı 250’den az Python satırıyla yenebilen Pong için bir YZ oluşturun.<br>OpenAI Gym modülünü kullanın.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FYOW8m2YGtRg%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DYOW8m2YGtRg&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FYOW8m2YGtRg%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="640" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/7060521fb0035ccb3ded9b25973ecbdf/href">https://medium.com/media/7060521fb0035ccb3ded9b25973ecbdf/href</a></iframe><h3>Kaynaklar</h3><p>Bu kod ve fikir, Andrej Karpathy’nin blog gönderisine sıkı sıkıya bağlıdır. Me_pong.py’deki kodun, Dr. Karpathy tarafından yazılan pong.py versiyonunu takip etmesi daha basittir.</p><h3>Önkoşullar ve Arkaplan Okuması</h3><p>İzlemek için aşağıdakileri bilmeniz gerekir:</p><p>-Temel Python<br>-Sinir Ağı tasarımı ve geri dönüşümü<br>-Matematik ve Doğrusal Cebir<br>Elinizdeki malzemeye daha derinlemesine bir dalış yapmak istiyorsanız, bunların tümünü temel alan blog yazılarını okuyun. Bu yazı, bu malzemeye daha basit bir giriş olması anlamına geliyor.</p><p>Harika! Başlayalım.</p><h3>Kurulum</h3><p>Takip etmek için kodu açın.<br>OpenAI Gym’i yüklemek için talimatları izleyin. Önce cmake yüklemeniz gerekebilir.</p><p>cmake yüklemeniz için ;</p><p>Komut istemine <strong>pip3 install cmake</strong> yazın.<br>Daha sonra komut istemi üzerinden <strong>pip install gym[atari] diyerek</strong> Pip’e Gym Atariyi yükleyin. Eğer bu şekilde olmazsa;</p><p>import pip</p><p>package_name=’gym[atari]’<br>pip.main([‘install’, package_name])</p><p>şeklinde de Jupyter Console üzerinden yükleyebilirsiniz.<br>Bu havuzun köküne geri dönün ve favori editörünüzde my_pong.py adlı yeni bir dosya açın.<br>Problem çözmeyi başaralım. İşte sorun şu:</p><h3>Sorun</h3><p>Aşağıdakiler verilmiştir:</p><p>Pong oyununun her bir karesini temsil eden bir dizi görüntü (çerçeve).<br>Oyunu kazandığımızda veya kaybettiğimizde bir gösterge.<br>Geleneksel Pong bilgisayar oyuncusu bir rakip ajan.<br>Her çerçevede yukarı veya aşağı hareket etmeyi söyleyebileceğimiz bir ajan.<br>Bilgisayarı yenmek için ajanımızı eğitmek için bu parçaları kullanabilir miyiz? Dahası, çözümümüzü genel olarak yeterince yapabilir miyiz, böylece pong olmayan oyunlarda yeniden kazanılabilir mi?</p><h3>Çözüm</h3><p>Gerçekten yapabiliriz! Andrej bunu, her bir görüntüyü alan ve yukarı veya aşağı taşımak için YZ’mize bir komut gönderen bir yapay sinir ağı kurarak yapıyor.</p><h3>Ajanı Yapmak</h3><p>Derin Takviyeli Öğrenme ile sıfırdan(sıfır bilgiyle) Pong’da kazanan bir yapay zeka yazalım.</p><p>Takviyeli öğrenme hakkında okuma yapma ve bunu gerçekten uygulama arasında çok büyük bir fark vardır.</p><p>Bu gönderide, takviyeli öğrenme için bir sinir ağını uygulayacak ve daha sonra Pong’da bilgisayarı yenmek için yeterince iyi hale geldikçe daha fazla şey öğreneceğinizi göreceksiniz! OpenAI Gym’de diğer Atari oyunlarıyla oynayabilirsiniz.</p><p>Bu yayının sonunda aşağıdakileri yapabilirsiniz:</p><ul><li>Sinir ağını sıfırdan yazın.</li><li>Derin Takviyeli Öğrenme ile Politika Gradyanını uygulamayı öğrenin.</li><li>Bilgisayarı 250’den az Python satırıyla yenebilen Pong için bir YZ oluşturun.</li><li>OpenAI Gym modülünü kullamayı öğrenin.</li></ul><h3>Kaynaklar</h3><p>Bu kod ve fikir, Andrej Karpathy’nin blog gönderisine sıkı sıkıya bağlıdır. Me_pong.py’deki kodun, Dr. Karpathy tarafından yazılan pong.py versiyonunu takip etmesi daha basittir.</p><h3>Önkoşullar ve Arkaplan Okuması</h3><p>İzlemek için aşağıdakileri bilmeniz gerekir:</p><p>-Temel Python<br>-Sinir Ağı tasarımı ve geri dönüşümü<br>-Matematik ve Doğrusal Cebir<br>Elinizdeki malzemeye daha derinlemesine bir dalış yapmak istiyorsanız, bunların tümünü temel alan blog yazılarını okuyun. Bu yazı, bu malzemeye daha basit bir giriş olması anlamına geliyor.</p><p>Harika! Başlayalım.</p><h3>Kurulum</h3><p>Takip etmek için kodu açın.<br>OpenAI Gym’i yüklemek için talimatları izleyin. Önce cmake yüklemeniz gerekebilir.</p><p>cmake yüklemeniz için ;</p><p>Komut istemine <strong>pip3 install cmake</strong> yazın.<br>Daha sonra komut istemi üzerinden <strong>pip install gym[atari] diyerek</strong> Pip’e Gym Atariyi yükleyin. Eğer bu şekilde olmazsa;</p><p>import pip</p><p>package_name=’gym[atari]’<br>pip.main([‘install’, package_name])</p><p>şeklinde de Jupyter Console üzerinden yükleyebilirsiniz.<br>Bu havuzun köküne geri dönün ve favori editörünüzde my_pong.py adlı yeni bir dosya açın.<br>Problem çözmeyi başaralım. İşte sorun şu:</p><h3>Sorun</h3><p>Aşağıdakiler verilmiştir:</p><p>Pong oyununun her bir karesini temsil eden bir dizi görüntü (çerçeve).<br>Oyunu kazandığımızda veya kaybettiğimizde bir gösterge.<br>Geleneksel Pong bilgisayar oyuncusu bir rakip ajan.<br>Her çerçevede yukarı veya aşağı hareket etmeyi söyleyebileceğimiz bir ajan.<br>Bilgisayarı yenmek için ajanımızı eğitmek için bu parçaları kullanabilir miyiz? Dahası, çözümümüzü genel olarak yeterince yapabilir miyiz, böylece pong olmayan oyunlarda yeniden kazanılabilir mi?</p><h3>Çözüm</h3><p>Gerçekten yapabiliriz! Andrej bunu, her bir görüntüyü alan ve yukarı veya aşağı taşımak için YZ’mize bir komut gönderen bir yapay sinir ağı kurarak yapıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/483/0*yZbyqtNiylAuplOO" /></figure><p>Bunu aşağıdaki adımlara ayırabiliriz:</p><p>Büyük ölçüde Andrej’in çözümüne dayanan Sinir Ağımız aşağıdakileri yapacak:</p><ol><li>Oyundan görüntüler alın ve ön işlemleri yapın (renk, arka plan, alt örnek vb. Kaldırın).</li><li>Hareket etme olasılığını hesaplamak için Sinir Ağı’nı kullanın.</li><li>Bu olasılık dağılımından örnek alın ve aracıya yukarı veya aşağı hareket etmesini söyleyin.</li><li>Eğer tur biterse (topu kaçırdınız ya da rakibi topu kaçırdı), kazanıp kazanmadığınızı bulun.</li><li>Bölüm bittiğinde (birisi 21 noktaya ulaştı), ağırlığımızın gradyanını hesaplamak için sonucu geri yayma algoritmasından geçirin.</li><li>10 bölüm bittikten sonra, gradyanı toplayın ve gradyanları gradyan yönünde hareket ettirin.</li><li>Ağırlıklarımızı, bilgisayarı yenebileceğimiz noktaya ayarlanana kadar bu işlemi tekrarlayın. Bu temelde öyle! Kodumuzun bunu nasıl başardığına bakmaya başlayalım.<br>Şimdi sorunu ve çözümünü tanımladığımıza göre biraz kod yazalım!</li></ol><h3>Kod</h3><pre>import gym<br>import numpy as np<br><br>def downsample(image):<br>    # Sadece alternatif pikselleri alın - resmin çözünürlüğünü temelden yarıya indirir (ki bizim için iyi olur)<br>    return image[::2, ::2, :]<br><br>def remove_color(image):<br>    &quot;&quot;&quot;Tüm rengi dönüştürme (RGB, görüntüdeki üçüncü boyuttur)&quot;&quot;&quot;<br>    return image[:, :, 0]<br><br>def remove_background(image):<br>    image[image == 144] = 0<br>    image[image == 109] = 0<br>    return image<br><br>def preprocess_observations(input_observation, prev_processed_observation, input_dimensions):<br>    &quot;&quot;&quot; 210x160x3 uint8 çerçevesini 6400 float vektörüne dönüştürün &quot;&quot;&quot;<br>    processed_observation = input_observation[35:195] # crop<br>    processed_observation = downsample(processed_observation)<br>    processed_observation = remove_color(processed_observation)<br>    processed_observation = remove_background(processed_observation)<br>    processed_observation[processed_observation != 0] = 1 # her şeyi(kürekler, top) sadece 1 olarak ayarlayın<br>    # 80 x 80 matrisinden 1600 x 1 matrise dönüştürme<br>    processed_observation = processed_observation.astype(np.float).ravel()<br><br>    # Bir önceki kareyi mevcut olandan çıkarırız, böylece sadece oyundaki değişiklikler üzerinde işlem yaparız.<br>    if prev_processed_observation is not None:<br>        input_observation = processed_observation - prev_processed_observation<br>    else:<br>        input_observation = np.zeros(input_dimensions)<br>    # Bir önceki kareyi saklayın, böylece bir dahaki sefere çıkarabiliriz.<br>    prev_processed_observations = processed_observation<br>    return input_observation, prev_processed_observations<br><br><br>def sigmoid(x):<br>    return 1.0/(1.0 + np.exp(-x))<br><br>def relu(vector):<br>    vector[vector &lt; 0] = 0<br>    return vector<br><br>def apply_neural_nets(observation_matrix, weights):<br>    &quot;&quot;&quot; Observation_matrix ve ağırlıkları temelinde yeni gizli katman değerlerini ve yeni çıktı katmanı değerlerini hesaplayın.&quot;&quot;&quot;<br>    hidden_layer_values = np.dot(weights[’1’], observation_matrix)<br>    hidden_layer_values = relu(hidden_layer_values)<br>    output_layer_values = np.dot(hidden_layer_values, weights[’2’])<br>    output_layer_values = sigmoid(output_layer_values)<br>    return hidden_layer_values, output_layer_values<br><br>def choose_action(probability):<br>    random_value = np.random.uniform()<br>    if random_value &lt; probability:<br>        # signifies up in openai gym<br>        return 2<br>    else:<br>         # signifies down in openai gym<br>        return 3<br><br>def compute_gradient(gradient_log_p, hidden_layer_values, observation_values, weights):<br>    delta_L = gradient_log_p<br>    dC_dw2 = np.dot(hidden_layer_values.T, delta_L).ravel()<br>    delta_l2 = np.outer(delta_L, weights[’2’])<br>    delta_l2 = relu(delta_l2)<br>    dC_dw1 = np.dot(delta_l2.T, observation_values)<br>    return {<br>        &#39;1’: dC_dw1,<br>        &#39;2’: dC_dw2<br>    }<br><br>def update_weights(weights, expectation_g_squared, g_dict, decay_rate, learning_rate):<br>    epsilon = 1e-5<br>    for layer_name in weights.keys():<br>        g = g_dict[layer_name]<br>        expectation_g_squared[layer_name] = decay_rate * expectation_g_squared[layer_name] + (1 - decay_rate) * g**2<br>        weights[layer_name] += (learning_rate * g)/(np.sqrt(expectation_g_squared[layer_name] + epsilon))<br>        g_dict[layer_name] = np.zeros_like(weights[layer_name]) # reset batch gradient buffer<br><br>def discount_rewards(rewards, gamma):<br>    &quot;&quot;&quot; Son sonuçtan önce 20 adım attığınız eylemler, bir önceki adımda gerçekleştirdiğiniz eylemden genel sonuç için daha az önemlidir.<br>    Bu, daha önce ne zaman alındıklarına dayanarak, önceki eylemler üzerindeki ödülü indirerek mantığı uygular.&quot;&quot;&quot;<br>    discounted_rewards = np.zeros_like(rewards)<br>    running_add = 0<br>    for t in reversed(range(0, rewards.size)):<br>        if rewards[t] != 0:<br>            running_add = 0 # reset the sum, since this was a game boundary (pong specific!)<br>        running_add = running_add * gamma + rewards[t]<br>        discounted_rewards[t] = running_add<br>    return discounted_rewards<br><br>def discount_with_rewards(gradient_log_p, episode_rewards, gamma):<br>    &quot;&quot;&quot; gradyanı normalleştirilmiş ödüller ile indirme &quot;&quot;&quot;<br>    discounted_episode_rewards = discount_rewards(episode_rewards, gamma)<br>    # Birimin normal olması için ödüllerin standartlaştırılması (gradyan tahmincisinin varyansının kontrolüne yardımcı olur.)<br>    discounted_episode_rewards -= np.mean(discounted_episode_rewards)<br>    discounted_episode_rewards /= np.std(discounted_episode_rewards)<br>    return gradient_log_p * discounted_episode_rewards</pre><p>Şimdi kodun en önemli kısmını takip edeceğiz. Lütfen açık tut ve oku! Derin takviyeli öğrenme kodu burada başlar:</p><pre>def main():</pre><h4>Başlatma</h4><p>İlk olarak, bir oyun ortamı oluşturmak ve oyunun ilk görüntüsünü almak için OpenAI Gym’i kullanalım.</p><pre>env = gym.make(&quot;Pong-v0&quot;)<br>observation = env.reset() # Bu bize ortamı(çevreyi) alır.</pre><p>Daha sonra, Andrej’in blog gönderisine dayanan bir dizi parametre belirledik. Onları ayarlama konusunda endişelenmeyiz, ancak bunu yaparak daha iyi bir performans elde edeceğinizi unutmayın. Kullanacağımız parametreler:</p><p>batch_size: ağımızın ağırlıklarını güncellemeden önce kaç tur oynadığımızı gösterir.<br>gamma: Eski eylemlerin etkisini nihai sonuçta indirim için kullandığımız indirim faktörü. (Bunun için endişelenme)<br>decay_rate: RMSProp algoritmasında kullanılan parametre. (Bunun için endişelenme)<br>num_hidden_layer_neurons: Gizli katmanımızda kaç tane nöron olduğunu gösterir.<br>learning_rate: Yeni ağırlıkların hesaplanması için sonuçlarımızdan öğrendiğimiz oran. Daha yüksek bir oran, sonuçlara daha fazla tepki verdiğimiz anlamına gelir ve daha düşük bir oran, her bir sonuca güçlü bir şekilde tepki vermememiz anlamına gelir.</p><pre>batch_size = 10 # Ağırlıkları taşımadan önce kaç bölüm beklememiz gerektiği<br>gamma = 0.99 # ödül için indirim faktörü<br>decay_rate = 0.99<br>num_hidden_layer_neurons = 200 # nöron sayısı<br>input_dimensions = 80 * 80 # gözlem resimlerimizin boyutu<br>learning_rate = 1e-4</pre><p>Ardından, nöral ağımızdaki sayaçları, başlangıç değerleri ve başlangıç ağırlıklarını belirledik.</p><p>Ağırlıklar matrislerde saklanır. Yapay sinir ağımızın 1. tabakası, gizli katmanımızın ağırlıklarını temsil eden 200 x 6400 matrisidir. Katman 1 için, w1_ij elemanı, katman 1’deki giriş pixel j için nöronun ağırlığını temsil eder.</p><p>Katman 2, son çıktımızdaki gizli katmanın çıktısının ağırlıklarını temsil eden 200 x 1 matristir. 2.katman için, w2_i öğesi, gizli katmandaki nöronun aktivasyonuna koyduğumuz ağırlıkları temsil eder.</p><p>Her katmanın ağırlıklarını şimdilik rastgele sayılarla başlatıyoruz. Ağırlıklarımızı normalleştirmek için boyut boyutunun kareköküne bölünür.</p><pre>weights = {<br>  &#39;1&#39;: np.random.randn(num_hidden_layer_neurons,input_dimensions) /np.sqrt(input_dimensions),<br>  &#39;2&#39;: np.random.randn(num_hidden_layer_neurons) / np.sqrt(num_hidden_layer_neurons)<br>}</pre><p>Ardından, RMSProp için başlangıç parametrelerini kurduk(daha sonra tartışacağımız ağırlıkların güncellenmesi için bir yöntem). Aşağıda gördüklerinizi anlama konusunda çok fazla endişelenmeyin. Temel olarak buraya getiriyorum, böylece ana kod bloğu boyunca takip etmeye devam edebiliriz.</p><pre># Rmsprop algoritması ile kullanılacak. (http://sebastianruder.com/optimizing-gradient-descent/index.html#rmsprop)<br>expectation_g_squared = {}<br>g_dict = {}<br>for layer_name in weights.keys():<br>  expectation_g_squared[layer_name] = np.zeros_like(weights[layer_name]<br>  g_dict[layer_name] = np.zeros_like(weights[layer_name])</pre><p>Bölüm boyunca bir grup gözlem ve ara değer toplamı ve sonuçlara göre inişi hesaplamak için bunları kullanmalıyız. Aşağıda, tüm bu bilgileri toplayacağımız diziler yer almaktadır.</p><pre>episode_hidden_layer_values, episode_observations, episode_gradient_log_ps, episode_rewards = [], [], [], []</pre><p>Tamamdır, kurulumla işimiz bitti! Eğer takip ediyorsan, böyle bir şeye benzemeliydi:</p><pre>env = gym.make(&quot;Pong-v0&quot;)<br>observation = env.reset() # This gets us the image<br><br># hiperparametreler<br>episode_number = 0<br>batch_size = 10<br>gamma = 0.99 # discount factor for reward<br>decay_rate = 0.99<br>num_hidden_layer_neurons = 200<br>input_dimensions = 80 * 80<br>learning_rate = 1e-4<br><br>episode_number = 0<br>reward_sum = 0<br>running_reward = None<br>prev_processed_observations = None<br><br>weights = {<br>    &#39;1&#39;: np.random.randn(num_hidden_layer_neurons, input_dimensions) / np.sqrt(input_dimensions),<br>    &#39;2&#39;: np.random.randn(num_hidden_layer_neurons) / np.sqrt(num_hidden_layer_neurons)<br>}<br><br># Rmsprop algoritması ile kullanılacak(http://sebastianruder.com/optimizing-gradient-descent/index.html#rmsprop)<br>expectation_g_squared = {}<br>g_dict = {}<br>for layer_name in weights.keys():<br>    expectation_g_squared[layer_name] = np.zeros_like(weights[layer_name])<br>    g_dict[layer_name] = np.zeros_like(weights[layer_name])<br><br>episode_hidden_layer_values, episode_observations, episode_gradient_log_ps, episode_rewards = [], [], [], []</pre><p>Şimdi esas eğlenceli bölüme geçelim!</p><h3>Nasıl hareket edeceğini bulmak</h3><p>Algoritmamızın özü, sürekli olarak harekete geçtiğimiz ve hareketin sonuçlarına dayalı olarak öğrendiğimiz bir döngü içinde yaşayacaktır. Şimdilik her şeyi bir süre engelleyeceğiz, ancak gerçekte süreci durduracak bir kırılma durumu kurabilirsiniz.</p><p>Algoritmamızın ilk adımı, OpenAI Gym’in bizi geçirdiği oyunun görüntüsünü işlemektir. Sadece resmin tamamını önemsemiyoruz — sadece bazı detaylar. Bunu aşağıda yapıyoruz:</p><pre>while True:<br>    env.render()<br>    processed_observations, prev_processed_observations = preprocess_observations(observation, prev_processed_observations, input_dimensions)</pre><p>Resmi nasıl dönüştürdüğümüzü görmek için preprocess_observations’a dalalım. OpenAI Gym, nöral ağımızı eğitmek için kullanabileceğimiz bir şeyleri bize veriyor. Temel adımlar şunlardır:</p><p>Resmi kırpın(sadece önem verdiğimiz bilgilerle ilgili parçaları önemsiyoruz).<br>Resmi küçültün.<br>Resmi siyah ve beyaza dönüştürün(renk bizim için özellikle önemli değildir).<br>Arka planı kaldırın.<br>80 x 80 matris değerden 6400 x 1 matrisine dönüştürün (matrisi düzleştirin, böylece kullanımı daha kolay olur).<br>Bir önceki kareyi(sadece neyin değiştiğini önemsiyoruz) biliyorsanız, mevcut kareyle önceki kare arasındaki farkı saklayın.</p><pre>def preprocess_observations(input_observation, prev_processed_observation, input_dimensions):<br>    &quot;&quot;&quot; convert the 210x160x3 uint8 frame into a 6400 float vector &quot;&quot;&quot;<br>    processed_observation = input_observation[35:195] # crop<br>    processed_observation = downsample(processed_observation)<br>    processed_observation = remove_color(processed_observation)<br>    processed_observation = remove_background(processed_observation)<br>    processed_observation[processed_observation != 0] = 1 # everything else (paddles, ball) just set to 1<br>    #   <br>80 x 80 matristen 1600 x 1 matrise dönüştür<br>    processed_observation = processed_observation.astype(np.float).ravel()</pre><pre>#   <br>önceki kareyi geçerli olandan çıkart, böylece yalnızca oyundaki değişiklikleri işleme koyarız.<br>    if prev_processed_observation is not None:<br>        input_observation = processed_observation - prev_processed_observation<br>    else:<br>        input_observation = np.zeros(input_dimensions)<br>    # önceki kareyi saklayın böylece bir dahaki sefere ondan çıkartabiliriz</pre><p>prev_processed_observations = processed_observation<br> return input_observation, prev_processed_observations</p><p>Şimdi gözlemleri önceden işleme koyduğumuza göre, yapay zekamızın gözlemlenmesi ve harekete geçme olasılığını ortaya çıkarmak için gözlemlerimizi göndermeye devam edelim. İşte alacağımız adımlar:</p><pre>hidden_layer_values, up_probability = apply_neural_nets(processed_observations, weights)<br>episode_observations.append(processed_observations)<br>episode_hidden_layer_values.append(hidden_layer_values)</pre><p>Apply_neural_nets gözlemleri ve ağırlıkları tam olarak nasıl alır ve yukarı çıkma olasılığını nasıl oluşturur? Bu sadece sinir ağı’nın ileri geçişidir. Daha fazla bilgi için aşağıdaki koda bakalım:</p><pre>def apply_neural_nets(observation_matrix, weights):<br>    &quot;&quot;&quot;   <br>Observation_matrix ve ağırlıklarına göre, yeni gizli katman değerlerini ve yeni çıktı katman değerlerini hesaplayın&quot;&quot;&quot;<br>    hidden_layer_values = np.dot(weights[&#39;1&#39;], observation_matrix)<br>    hidden_layer_values = relu(hidden_layer_values)<br>    output_layer_values = np.dot(hidden_layer_values, weights[&#39;2&#39;])<br>    output_layer_values = sigmoid(output_layer_values)<br>    return hidden_layer_values, output_layer_values</pre><p>Gördüğünüz gibi, pek çok adım değil! Adım adım ilerleyelim:</p><ol><li>İşlenmemiş gizli katman değerlerini, ağırlıkların [1] (katman 1’in ağırlıkları) ve gözlem_dizisinin nokta ürününü bulmak suretiyle hesaplayın. Hatırlarsanız, ağırlıklar [1] 200 x 6400 matris ve gözlemler_dizisi 6400 x 1 matrisidir. Böylece nokta ürünü bize 200 x 1 boyutlarında bir matriks verecektir. 200 nöronumuz var, böylece her sıra bir nöronun çıkışını temsil ediyor.</li><li>Daha sonra, bu gizli katman değerlerinde doğrusal olmayan bir eşikleme fonksiyonu uygularız – bu durumda sadece basit bir ReLU. Üst düzeyde, bu, ağımızı basit doğrusal olmayanlardan ziyade doğrusal olmayan fonksiyonları hesaplayabilen doğrusal olmayanları ortaya çıkarır.</li><li>Çıkış katmanı değerlerini hesaplamak için bu gizli katman aktivasyon değerlerini kullanırız. Bu, tek bir değer (1 x 1) veren, gizli_layer_değerlerin (200 x 1) ve ağırlıkların [2 ‘] (1 x 200) basit bir nokta ürünü ile yapılır.</li><li>Son olarak, bu çıkış değerinde 0 ile 1 arasında bir sigmoid fonksiyon uygularız ve bu nedenle geçerli bir olasılıktır (yükselme olasılığı).</li></ol><p>Ana algoritmaya dönelim ve devam edelim. Şimdi bir yükselme olasılığını elde ettiğimize göre, şimdi daha sonraki öğrenim için sonuçları kaydetmemiz ve YZ’mizi uygulamak için bir eylem seçmemiz gerekiyor:</p><pre>action = choose_action(up_probability)<br># Seçilen eylemi gerçekleştirmek<br>observation, reward, done, info = env.step(action)<br><br>reward_sum += reward<br>episode_rewards.append(reward)</pre><p>“Yukarıya” yükselme olasılığını artıran ve 1 – up_probability ile aşağıya inen hayali bir madalyonu çevirerek bir eylem seçiyoruz. Eğer yukarı çıkarsa, bizim YZ’mizin yukarı çıkmasını söyleriz ve eğer değilse, aşağı inmesini söyleriz. Bunu da yaptık, eylemi Env.step (eylem) yoluyla OpenAI Gym’e aktarıyoruz.</p><p>Tamam, çözümün ilk yarısını ele aldık! Yapay zekamızı almak için neler yapması gerektiğini biliyoruz. Eğer takip ediyorsanız, kodunuz şöyle görünmelidir:</p><pre>while True:<br>    env.render()<br>    processed_observations, prev_processed_observations = preprocess_observations(observation, prev_processed_observations, input_dimensions)<br>    hidden_layer_values, up_probability = apply_neural_nets(processed_observations, weights)<br><br>    episode_observations.append(processed_observations)<br>    episode_hidden_layer_values.append(hidden_layer_values)<br><br>    action = choose_action(up_probability)<br><br>    # Seçilen eylemi gerçekleştirmek<br>    observation, reward, done, info = env.step(action)<br><br>    reward_sum += reward<br>    episode_rewards.append(reward)</pre><p>Artık harekete geçtiğimize göre, öğrenmeye başlama zamanı geldi, bu nedenle nöral ağımızdaki doğru ağırlıkları belirledik!</p><h3>Öğrenme</h3><p>Öğrenme, eylemin sonucunu (yani, turu kazanıp kazanmadığımızı) ve ağırlığımızı buna göre değiştirerek öğrenmektir. Öğrenmenin ilk adımı şu soruyu sormaktır:</p><p>Çıktı olasılığının değiştirilmesi (yükselme) turu kazanma sonucumu nasıl etkiler?<br>Matematiksel olarak, bu bizim son katmamıza ait çıktılara göre sonuçlarımızın bir türevidir. Eğer L bizim sonucumuzun değeri ise ve f son katmanımızın aktivasyonunu bize veren fonksiyon ise, bu türev sadece ∂L / ∂f’dir.</p><p>Bir ikili sınıflandırma bağlamında (yani, YZ’yi iki eylemden birini, yukarı veya aşağı) söylemek zorundayız, bu türev şu şekilde ortaya çıkmaktadır:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/316/0*d7thpVDE12U3VxuD" /></figure><p>Yukarıdaki denklemde σ’nun sigmoid fonksiyonunu temsil ettiğini unutmayın. Yukarıdaki türevi nasıl elde ettiğimize dair daha fazla bilgi için öznitelik sınıflandırması <a href="http://cs231n.github.io/neural-networks-2/#losses">bölümünü</a> okuyabilirsiniz. Bunu daha da basitleştiriyoruz:</p><pre>∂L/∂f = true_label(0 or 1) — predicted_label(0 or 1)</pre><p>Bir eylemden sonra (raketi yukarı veya aşağı hareket ettirerek), bunun doğru eylem olup olmadığına dair bir fikrimiz yoktur. Bu yüzden, sonuçlandırdığımız eylemi hile yaparak doğru davranış olarak değerlendireceğiz.</p><p>Bu tur için tahminimiz, hesaplamamızın yükselme olasılığı olacak. Bunu kullanarak, ∂L / ∂f’nin şu şekilde hesaplanabilir:</p><pre># daha fazlası için: <a href="http://cs231n.github.io/neural-networks-2/#losses">http://cs231n.github.io/neural-networks-2/#losses</a><br>fake_label = 1 if action == 2 else 0<br>loss_function_gradient = fake_label - up_probability<br>episode_gradient_log_ps.append(loss_function_gradient)</pre><p>Korku veren! Eylem başına gradyanımız var.</p><p>Bir sonraki adım, bir bölümün bitiminden sonra nasıl öğrendiğimizi anlamaya çalışmaktır (yani, biz ya da rakibimiz topu özlediğinde ve birisi bir puan aldığında). Bunu, her bölümün sonunda ağın politika eğrisini hesaplayarak yaparız. Buradaki sezgi, turu kazanırsak, ağımızın kazanmamıza neden olan eylemlerden daha fazlasını oluşturmasını istiyoruz. Alternatif olarak, kaybedersek, bu eylemlerden daha azını dener ve üreteceğiz.</p><p>OpenAI Gym bize, bir bölüm bittiğinde (yani topu kaçırdığımız veya rakibimiz topu kaçırdığında) bize anlatacak kullanışlı bir değişken sağlar. Yaptığımızı fark ettiğimizde, yaptığımız ilk şey tüm gözlemlerimizi ve bölüm için gradyan hesaplamalarını derlemektir. Bu, öğrenmemizi bölümdeki tüm eylemler üzerinden uygulamamıza olanak tanır.</p><pre># Bölüm için aşağıdaki değerleri birleştirin.<br>episode_hidden_layer_values = np.vstack(episode_hidden_layer_values)<br>episode_observations = np.vstack(episode_observations)<br>episode_gradient_log_ps = np.vstack(episode_gradient_log_ps)<br>episode_rewards = np.vstack(episode_rewards)</pre><p>Daha sonra, bir bölümün sonuna doğru gerçekleştirilen eylemlerin, öğrenmeyi başlangıçta atılan eylemlerden daha fazla etkilediği bir şekilde öğrenmek istiyoruz. Buna indirim denir.</p><p>Şu şekilde düşünün: bölümün ilk karesinde yükseldiyseniz muhtemelen kazanıp kazanmadığın üzerinde çok az etkisi oldu. Ancak, bölümün sonuna yaklaştıkça, çarkınızın topa ulaşıp ulaşmadığını ve raketinizin topa nasıl vurduğunu belirledikçe eylemleriniz muhtemelen daha büyük bir etkiye sahiptir.</p><p>Bu ağırlıkları, önceki karelerden alınan ödüller için daha sonraki kareler için daha fazla ödüllendirilecek şekilde ödüllerimizi indirimli olarak dikkate alarak dikkate alacağız. Bundan sonra, son olarak gradyanı hesaplamak için geri yayılımı kullanacağız (yani, ağırlıklarımızı geliştirmek için ihtiyacımız olan yönü).</p><pre>#   <br>İndirimli ödüllere göre log_ps gradyan çimdiği<br>episode_gradient_log_ps_discounted = discount_with_rewards(episode_gradient_log_ps, episode_rewards, gamma)<br>gradient = compute_gradient(<br>    episode_gradient_log_ps_discounted,<br>    episode_hidden_layer_values,<br>    episode_observations,<br>    weights<br>)</pre><p>Bölümün politika gradyanının nasıl hesaplandığına biraz göz atalım. Bu, Takviye Öğrenme’nin en önemli parçalarından bir tanesidir, çünkü ajanımızın zaman içinde nasıl gelişeceğini açıklar.</p><p>Henüz başlamadıysanız, Michael Nielsen’ın Deep Learning’teki mükemmel ücretsiz kitabındaki geri yayılım hakkındaki bu alıntıyı okuyun.</p><p>Bu alıntıda göreceğiniz gibi, ağırlıkları için gradyanı hesaplamak için kullanılan bir teknik olan, geri yayılımın dört temel denklemi vardır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/511/0*7Ho7gdhERi0HP7pU" /></figure><p>Geri yayılımın dört temel denklemi. Kaynak: Michael Nielsen</p><p>Amacımız <strong>∂C/∂w1 (BP4)</strong>, maliyet fonksiyonunun birinci katın ağırlıkları ile ilgili türevini ve <strong>∂C/∂w2</strong>, ikinci katmanın ağırlığına göre maliyet fonksiyonunun türevini bulmaktır. Bu gradyanlar, en büyük iyileştirme için ağırlıklarımızı hangi yönde hareket ettireceğimizi anlamamıza yardımcı olacak.</p><p>Başlamak için, <strong>∂C/∂w2</strong> ile başlayalım. Bir <strong>a^l2</strong> , gizli katmanın (katman 2) aktivasyonlarıysa, aşağıdaki formülü görürüz:</p><pre>def compute_gradient(gradient_log_p, hidden_layer_values, observation_values, weights):<br>    delta_L = gradient_log_p<br>    dC_dw2 = np.dot(hidden_layer_values.T, delta_L).ravel()</pre><p>Sonra, ∂C / ∂w1 hesaplamamız gerekiyor. Bunun için formül:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/168/0*V1Kpeu3iy4410AlM" /></figure><p>ve biz de biliyoruz ki ^ l1 sadece bizim gözlemimizdir. Yani şimdi tek ihtiyacımız olan δ ^ l2. Bunu aldıktan sonra, ∂C / ∂w1 hesaplayabilir ve geri dönebiliriz. Sadece aşağıdakileri yaparız:</p><pre>delta_l2 = np.outer(delta_L, weights[&#39;2&#39;])<br>delta_l2 = relu(delta_l2)<br>dC_dw1 = np.dot(delta_l2.T, observation_values)<br>return {<br>    &#39;1&#39;: dC_dw1,<br>    &#39;2&#39;: dC_dw2<br>}</pre><p>Eğer devam ediyorsanız, fonksiyonunuz şöyle görünmelidir:</p><pre># Gradyanı Hesaplama<br>def compute_gradient(gradient_log_p, hidden_layer_values, observation_values, weights):<br>    delta_L = gradient_log_p<br>    dC_dw2 = np.dot(hidden_layer_values.T, delta_L).ravel()<br>    delta_l2 = np.outer(delta_L, weights[&#39;2&#39;])<br>    delta_l2 = relu(delta_l2)<br>    dC_dw1 = np.dot(delta_l2.T, observation_values)<br>    return {<br>        &#39;1&#39;: dC_dw1,<br>        &#39;2&#39;: dC_dw2<br>    }</pre><p>Bununla birlikte, geri yayılımı tamamladık ve gradyanlarımızı hesapladık!</p><p>Batch_size bölümlerini bitirdikten sonra, sonunda Sinir Ağımız için ağırlığımızı güncelliyoruz ve öğrendiklerimizi uyguluyoruz.</p><pre>Her Batch Bölümünü Ağırlaştırmak<br>if episode_number % batch_size == 0:<br>  update_weights(weights, expectation_g_squared, g_dict, decay_rate, learning_rate)</pre><p>Ağırlıkları güncellemek için, sadece Sebastian Reuder tarafından tarif edilen ağırlıkların güncellenmesi için bir algoritma olan RMSProp’u uygularız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/488/0*ZCC0OnWmHwUrezKI" /></figure><p>Bunu aşağıda uygularız:</p><pre># RMSProp Kullanarak ağırlıkları güncelleme<br>def update_weights(weights, expectation_g_squared, g_dict, decay_rate, learning_rate):<br>    epsilon = 1e-5<br>    for layer_name in weights.keys():<br>        g = g_dict[layer_name]<br>        expectation_g_squared[layer_name] = decay_rate * expectation_g_squared[layer_name] + (1 - decay_rate) * g**2<br>        weights[layer_name] += (learning_rate * g)/(np.sqrt(expectation_g_squared[layer_name] + epsilon))<br>        g_dict[layer_name] = np.zeros_like(weights[layer_name]) # reset batch gradient buffer</pre><p>Bu, ağırlıklarımızı hafifleten ve zaman içinde daha iyi olmamızı sağlayan adımdır.</p><p>Bu temelde öyle! Tamamen ortaya koymak, bunun gibi görünmelidir.</p><p>Sadece Pong oynamak için tam bir Sinir Ağı’nı kodladın! Uncomment env.render () ve sonunda bilgisayarı yendiğini görmek için 3-4 gün koş! Kazandığınız zaman sonuçlarınızı görselleştirmek için Andrej Karpathy’nin çözümlerinde olduğu gibi bir şeyler yapmak zorundasınız.</p><h3>Performans</h3><p>Blog yayına göre, bu algoritmanın, bilgisayarı yenmeye başlamak için Macbook üzerinde yaklaşık 3 günlük bir eğitim alması gerekir.</p><p>Performansı daha da artırmak için parametreleri değiştirmeyi veya Konvolüsyonel Sinir Ağlarını kullanmayı düşünün.</p><p>Kaynaklar: <a href="https://medium.com/@dhruvp/how-to-write-a-neural-network-to-play-pong-from-scratch-956b57d4f6e0">https://medium.com/@dhruvp/how-to-write-a-neural-network-to-play-pong-from-scratch-956b57d4f6e0</a></p><p><a href="http://karpathy.github.io/2016/05/31/rl/">Deep Reinforcement Learning: Pong from Pixels</a></p><p><a href="https://towardsdatascience.com/intro-to-reinforcement-learning-pong-92a94aa0f84d">https://towardsdatascience.com/intro-to-reinforcement-learning-pong-92a94aa0f84d</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3fcc9b3303d5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[KNN ile Ozellik Olceklendirmesi(Data Preprocessing)]]></title>
            <link>https://medium.com/@turkishaiteam/knn-ile-ozellik-olceklendirmesi-data-preprocessing-cc86e4cd5979?source=rss-f28355f3727d------2</link>
            <guid isPermaLink="false">https://medium.com/p/cc86e4cd5979</guid>
            <dc:creator><![CDATA[Turkish AI Team]]></dc:creator>
            <pubDate>Tue, 12 Mar 2019 20:43:05 GMT</pubDate>
            <atom:updated>2019-11-15T11:07:41.110Z</atom:updated>
            <content:encoded><![CDATA[<h3>KNN ile Özellik Ölçeklendirmesi(Data Preprocessing)</h3><h3>Giriş</h3><p>Makine öğrenmesi şu anda en gözde konseptlerden birisi. Her işletme, kendi iş durumları için makine öğrenmesi modelini geliştirip uygulamak ister. Bize akıllı robotlar, kendi kendini süren otonom arabalar, Siri ve Google asistanı gibi sanal kişisel asistanlar vb. geliştirme olanağı sunar Birkaç gün önce bir şeyler satın almayı unuttunuz ve en son satın alımınıza dayanarak alışveriş önerileri veya önerileri almaya devam mı ediyorsunuz? Ya da belki, herhangi bir gün Facebook’tan “Arkadaşınız sizi içerebilecek bir fotoğraf ekledi” diyen bir bildirim mi aldınız?</p><p>Tüm bunları mümkün kılan terim ‘makine öğrenmesi’dir. Ancak tüm bunların temelinde Veri var! Veriler, bir makine öğrenmesi modeli yapma yolculuğunda çok önemli bir rol oynar. Gelişmiş makine öğrenim uygulamalarınız kötü veya eksik veriler üzerine inşa edilemez.</p><p>Ham veriler bir makine öğrenmesi modeli aracılığıyla gönderilmeden önce, ön işleme tabi tutulmak zorundadır. Ve bunun nedeni, gerçek dünyadaki verilerin genellikle eksik, gürültülü ve tutarsız olmasıdır. Ve eğer bu, makine öğrenmesi modeline implement edilirse, sonuçlar beklenmedik şekilde gelebilir! Ve istediğimiz de bu değil. Veri ön işleme (data preprocessing), bu tür sorunları çözmek için kanıtlanmış bir yöntemdir.</p><p>Peki veri işleme nasıl yapılır?<br>Genel özellikleri bakimindan veri ön işleme genellikle 7 basit adımda gerçekleştirilir:</p><ol><li>Veri toplama</li><li>Veri setini eğitim ve test seti olarak ayırma</li><li>Gerekli kütüphanelerin aktarılması(import)</li><li>Veri kümesinin Bağımlı ve Bağımsız değişkene bölünmesi.</li><li>Eksik değerleri kontrol etme</li><li>Kategorik değerleri kontrol etme(Sınıflandırılabilecek öğeler)</li><li>Özellik Ölçeklendirme(Feature Scaling)</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/1*bHPVer-wGSBbtlTW5sn7hw.jpeg" /></figure><p>Bu makalede de Python syntax’i üzerinden bu teknikleri görecek ve sonraki uygulamalarımız için bir temel atacağız. Ancak tabii ki bir makalede bu çalışmada kullandığımız tüm konseptleri işlememiz mümkün olmadığı için her birini ayrı olarak ele alacak ve zaman içerisinde seri şeklinde yayınlayacağız.</p><p>Konumuza geri dönecek olursak, öğrenme algoritmalarının (learning algorithms)performanslarının değişik şekillerde sonuçlanmasina yol açacak belli veri türleri ve ön işleme metotları mevcuttur. Ayrıca ölçeklenmemiş veya standartlaştırılmamış özellikleri olan önceden kestirilemeyen tahminlerde bulundukları bilinmektedir.</p><h3>Kullanılan bazı paketler</h3><ul><li><strong>Numpy</strong> , <strong>SciPy</strong></li><li><strong>Pandas</strong></li><li><strong>Matplotlib</strong></li><li><strong>Scikit Learn</strong></li></ul><p>Phyton’da makine öğrenmesi icin önemli bir yere sahip olan scikit-learn kütüphanesi, sklearn.preprocessing altında önceden oluşturulmuş(pre-built) bir işlevselliğe sahiptir ve bu yüzden veri setinin eğitiminde kullanılmaktadır. Daha detaylı bilgi için buraya bakabilirsiniz.</p><p>Bu makaleyi bitirdikten sonra, temel veri işleme öncesi teknikler ve bunların derinlemesine anlaşılmasına yönelik ilk adimlar hakkında teknik bilgi ile donatılmanızı hedef aldım. Ön işleme yönelik, keşfedeceğimiz daha birçok seçenek var. İleri çalışma ve okumalara yönelik bazı kaynaklar ve alıştırmalar tasarladım.</p><p>Öncelikle bu makaleyi hazırlarken kullandığım kaynaklara ve birebir iletişime geçip bilgi yazarlara teşekkür etmek istiyorum. Kullanılan veri seti aşağıda mevcuttur.</p><h3>Veri Seti</h3><p>Makale içerisinde ‘Kredi Tahmini’ problemi üzerinden gideceğiz. Mevcut veri seti için kaynaklarımda yer alan ‘<a href="http://datahack.analyticsvidhya.com/contest/practice-problem-loan-prediction-iii">Loan Prediction</a>’ verisetini kullandım. <a href="https://www.analyticsvidhya.com/wp-content/uploads/2016/07/loan_prediction-1.zip">Download Data</a> diyerek de zip dosyası içerisinden indirebilirsiniz.</p><p>Not: Verilen test datası, Kredi Tahmini(Loan Prediction) probleminden alınan eğitim verilerinin alt kümesidir.</p><p>O zaman veri setini import ederek başlayalım:</p><pre><em># Pandas kutuphanesinin import edilmesi</em><br>&gt;&gt; import pandas as pd<br><em># Egitim veri setinin import edilmesi</em><br>&gt;&gt; X_train=pd.read_csv(&#39;X_train.csv&#39;)<br>&gt;&gt; Y_train=pd.read_csv(&#39;Y_train.csv&#39;)<br><em># Test verisinin import edilmesi</em><br>&gt;&gt; X_test=pd.read_csv(&#39;X_test.csv&#39;)<br>&gt;&gt; Y_test=pd.read_csv(&#39;Y_test.csv&#39;)</pre><pre><em>NOT: Veri setini import ederken baz alinan dosyanin uzantisinin dogru olduguna veya dogru sekilde dogru dosyanin icine konuldugundan emin olunmalidir.</em></pre><p>Verisetimizi görüntüleyip içerisinde neler olduğuna bakalım:</p><pre>&gt;&gt; print (X_train.head())</pre><pre>Loan_ID Gender Married Dependents Education Self_Employed<br>15   LP001032   Male      No          0  Graduate            No   <br>248  LP001824   Male     Yes          1  Graduate            No   <br>590  LP002928   Male     Yes          0  Graduate            No   <br>246  LP001814   Male     Yes          2  Graduate            No   <br>388  LP002244   Male     Yes          0  Graduate            No   </pre><pre>     ApplicantIncome  CoapplicantIncome  LoanAmount  Loan_Amount_Term<br>15              4950                0.0       125.0             360.0   <br>248             2882             1843.0       123.0             480.0   <br>590             3000             3416.0        56.0             180.0   <br>246             9703                0.0       112.0             360.0   <br>388             2333             2417.0       136.0             360.0   </pre><pre>     Credit_History Property_Area  <br>15              1.0         Urban  <br>248             1.0     Semiurban  <br>590             1.0     Semiurban  <br>246             1.0         Urban  <br>388             1.0         Urban</pre><h3>Feature Scaling (Özellik Ölçeklendirme)</h3><p>Feature Scaling(Özellik ölçeklendirme), değişken(variable) aralıkları sınırlandırarak ortak alanlarda karşılaştırılabilen bir yöntemdir. Sürekli olan değişkenler üzerinde gerçekleştirilir. Eğitim(train) veri setindeki tüm sürekli değişkenlerin dağılımını gösterelim :</p><pre>import matplotlib.pyplot as plt<br>&gt;&gt; X_train[X_train.dtypes[(X_train.dtypes==&quot;float64&quot;)|(X_train.dtypes==&quot;int64&quot;)]<br>                        .index.values].hist(figsize=[11,11])</pre><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/0*Gr2Y4MPN4TNGhb-M.png" /></figure><p>Grafiğe bakınca dikkat etmemiz gereken şeylerden birisi de değerler arası uzaklıktır. Bu özelliklerde örneğin kNN gibi mesafeye dayalı yöntemler kullanmaya çalışırsak, en geniş aralığa sahip olan özellik çıkacak sonuçlara ağır basacak ve daha az doğru tahminler alacağız. Özellik ölçeklendirmeyi (feature scaling) kullanarak bu sorunun üstesinden gelebiliriz.</p><p>Not: Bir sonraki yazımızda kNN’lere değinecegiz. Şimdilik şu <a href="https://towardsdatascience.com/machine-learning-basics-with-the-k-nearest-neighbors-algorithm-6a6e71d01761">linkte</a>n konunun içeriğini anlamak açısından hızlıca bir göz atabilirsiniz.</p><p>Verisetimiz üzerinde kNN algoritmasının nasıl bir performans sergileyeceğini görelim:</p><pre><em>#kNN modelinin uygulanmasi<br></em>&gt;&gt; from sklearn.neighbors import KNeighborsClassifier<br>&gt;&gt; knn=KNeighborsClassifier(n_neighbors=5)<em>#varsayilan parametre</em></pre><pre>#<em>X&#39;i egitim seti ve Y&#39;yi hedef deger olarak o modele ekle/ fit et.<br></em>&gt;&gt; knn.fit(X_train[[&#39;ApplicantIncome&#39;,<br>&#39;CoapplicantIncome&#39;,&#39;LoanAmount&#39;, &#39;Loan_Amount_Term&#39;,                          &#39;Credit_History&#39;]],Y_train)</pre><p>Son satırdan sonra bize parametreleri gösteren şöyle bir çıktı alacağız:</p><pre>Out[8]: <br>KNeighborsClassifier(algorithm=&#39;auto&#39;, leaf_size=30, metric=&#39;minkowski&#39;,<br>           metric_params=None, n_jobs=None, n_neighbors=5, p=2,<br>           weights=&#39;uniform&#39;)</pre><p>Şimdi kNN ile oluşturduğumuz modelin performansını test verisetinde kontrol edelim:</p><pre>from sklearn.metrics import accuracy_score<br>&gt;&gt; accuracy_score(Y_test,knn.predict(X_test[[&#39;ApplicantIncome&#39;, &#39;CoapplicantIncome&#39;,&#39;LoanAmount&#39;, &#39;Loan_Amount_Term&#39;, &#39;Credit_History&#39;]]))</pre><pre><strong>Out :</strong> 0.61458333333333337</pre><p>%61 doğruluk oranı kötü değil ancak gerçek dünya problemlerini çözmede bize pek de yardımı dokunmayacaktır. Bu problemin üzerine biraz daha gidelim ve ‘Loan_Status’ un eğitim veri setindeki dağılımını inceleyelim.</p><pre>&gt;&gt; Y_train.Target.value_counts()/Y_train.Target.count()<br>Out[12]: <br>Y    0.705729<br>N    0.294271<br>Name: Target, dtype: float64</pre><p>Eğitim veri setimizde %70 oranında bir ‘onaylanan kredi’(approved loans) mevcut. Şimdi daha önceden bulduğumuz test veri setindeki %61&#39;e bakalım:</p><pre>&gt;&gt; Y_test.Target.value_counts()/Y_test.Target.count()</pre><pre><strong>Out :</strong>  Y 0.635417<br>       N 0.364583<br>Name: Loan_Status, dtype: float64</pre><p>Test veri setimizde de %63&#39;lük bir kredinin onaylandığını görüyoruz. Tahmin modelimizden daha yüksek bir oran, peki bunun anlamı nedir?</p><p>Bunun nedeni, daha geniş bir aralığa sahip olan önemsiz bazı değişkenlerin objektif fonksiyonu domine etmesidir. Tüm özellikleri aynı aralığa indirerek bu sorunu çözebiliriz. sklearn, 0 ile 1 arasındaki tüm özellikleri küçültecek bir MinMaxScaler aracı sağlar. MinMaxScaler için matematiksel formül.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/210/0*XED-b9N9m1AxewkG.png" /></figure><p>MinMaxScaler’i problemimiz icin uygulayalım:</p><pre>#MinMaxScaler&#39;in import&#39;u ve degisken alanina verilmesi<br>&gt;&gt; from sklearn.preprocessing import MinMaxScaler<br>&gt;&gt; min_max=MinMaxScaler()</pre><pre><em>#Egitim ve test veri setlerimizin olceklendirilmesi/indirgenmesi</em><br>&gt;&gt; X_train_minmax=min_max.fit_transform(X_train[[&#39;ApplicantIncome&#39;, &#39;CoapplicantIncome&#39;,<br>                &#39;LoanAmount&#39;, &#39;Loan_Amount_Term&#39;, &#39;Credit_History&#39;]])<br>&gt;&gt; X_test_minmax=min_max.fit_transform(X_test[[&#39;ApplicantIncome&#39;, &#39;CoapplicantIncome&#39;,<br>                &#39;LoanAmount&#39;, &#39;Loan_Amount_Term&#39;, &#39;Credit_History&#39;]])</pre><p>Yukarıdaki kod satırlarını çalıştırdıktan sonra ölçeklendirme ile işimiz bitmiş olacaktır. Bir sonraki adım ise kNN ile ölçeklendirilmis veri setinin doğrulugunu(accuracy) hesaplamak.</p><pre>#kNN algoritmasinin olceklendirmis oldugumuz veri setine uygulanmasi<br>&gt;&gt; knn=KNeighborsClassifier(n_neighbors=5)<br>&gt;&gt; knn.fit(X_train_minmax,Y_train)<br><em># Modelin dogrulunun kontrol edilmesi</em><br>&gt;&gt; accuracy_score(Y_test,knn.predict(X_test_minmax))</pre><pre><strong>Out :</strong> 0.75</pre><p>Görüldüğü üzere doğruluk oranı(accuracy) %61&#39;den %75&#39;e yükseldi. Bu, daha büyük açıklığa sahip özelliklerin (yani arasinda fark bulunan) bazılarının ‘mesafe temelli yöntemler’(distance based methods, kNN) alanındaki tahmin sonucunu domine etmiş olduğu anlamina gelir.</p><p>Mesafeye dayaı yöntemler gerçekleştirirken, verileri ölçeklendirmek dikkat edilmesi gereken hususlardan biridir, böylece daha az önem arz eden özellik, daha geniş bir yelpazeden dolayı nesnel fonksiyonu domine edemez. Ek olarak, farklı birime sahip olan özelliklerin de ölçeklendirilmesi gerekir. Böylece her bir özelliğin başlangıç ​​ağırlığına eşit olması sağlanır ve sonunda daha iyi bir tahmin modeline sahip oluruz.</p><p>Yazar: Efe</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cc86e4cd5979" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[BEYİN GÖRÜNTÜLEME TEKNİKLERİ]]></title>
            <link>https://medium.com/@turkishaiteam/beyi%CC%87n-g%C3%B6r%C3%BCnt%C3%BCleme-tekni%CC%87kleri%CC%87-370f83638aca?source=rss-f28355f3727d------2</link>
            <guid isPermaLink="false">https://medium.com/p/370f83638aca</guid>
            <category><![CDATA[sinirbilim]]></category>
            <category><![CDATA[beyin]]></category>
            <dc:creator><![CDATA[Turkish AI Team]]></dc:creator>
            <pubDate>Tue, 26 Feb 2019 22:51:47 GMT</pubDate>
            <atom:updated>2019-11-15T11:34:01.767Z</atom:updated>
            <content:encoded><![CDATA[<p>Beyin görüntüleme teknikleri, doktorların ve araştırmacıların, insan beynindeki aktiviteyi veya problemleri, invaziv beyin cerrahisi yapmadan görmelerini sağlar. Günümüzde Dünya genelinde araştırma tesislerinde ve hastanelerde kullanılan birçok kabul görmüş, güvenli görüntüleme tekniği vardır. Beyin görüntüleme teknikleri yapısal, işlevsel ve hem yapısal hem işlevsel olarak üçe ayrılır.</p><h3>BEYNİN YAPISINI GÖSTEREN GÖRÜNTÜLEME TEKNİKLERİ</h3><h3>fMRI</h3><ul><li>Fonksiyonel manyetik rezonans görüntüleme veya fMRI, beyin aktivitesini ölçmek için bir tekniktir. Sinir aktivitesine cevap olarak meydana gelen kan oksijenasyonu ve akışındaki değişiklikleri saptayarak çalışır. Bir beyin alanı daha aktif olduğunda daha fazla oksijen tüketir ve beyin artan bu talebi karşılamak için kan akışının aktif alana geçmesini sağlar. fMRI, beynin hangi bölümlerinin belirli bir zihinsel sürece dahil olduğunu gösteren aktivasyon haritaları üretmek için kullanılabilir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/690/1*96oFmgGp9t4A3quS3C2fsw.jpeg" /></figure><h3>BT</h3><ul><li>Bilgisayarlı tomografi (BT) taraması, X ışınlarının diferansiyel absorpsiyonuna dayanarak beynin bir resmini oluşturur. BT taraması sırasında konu içi boş, silindirik bir düzeneğin içine ve dışına kayan bir masaya uzanır. Bir X-ışını kaynağı, borunun iç tarafındaki bir halka üzerinde ilerler ve kendi huzmesi nesnelerin kafasını hedef alır. Kafa geçtikten sonra, ışın, makinenin çevresini kaplayan birçok dedektörden biri tarafından örneklenir. X ışınları kullanılarak yapılan görüntüler, ışının içinden geçtiği doku tarafından emilmesine bağlıdır. Kemik ve sert doku, X-ışınlarını iyi emer, hava ve su çok az emer ve aralarında yumuşak bir doku bulunur. Bu nedenle, BT taramaları beynin brüt özelliklerini ortaya koyar ancak yapısını iyi çözemez.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/630/1*x1Vhauh7iOJiu8ERnfRLxA.jpeg" /></figure><h3>BEYNİN İŞLEVİNİ GÖSTEREN GÖRÜNTÜLEME TEKNİKLERİ</h3><h3>EEG</h3><p>Elektroensefalografi(EEG), kafa derisine yerleştirilen elektrotlardan kayıt yaparak beynin elektriksel aktivitesinin ölçülmesidir. Elde edilen izler bir elektroensefalogram(EEG) olarak bilinir ve çok sayıda nörondan gelen elektriksel bir sinyali temsil eder.</p><p>EEG’ler deneylerde sıklıkla kullanılır, çünkü süreç araştırma konusuna müdahalesiz değildir. EEG beyindeki elektriksel aktivitedeki değişiklikleri milisaniye düzeyinde tespit edebilir. Bu kadar yüksek zamansal çözünürlüğe sahip mevcut birkaç teknikten biridir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/1*O2rTBNvoYcSc6otzSb4hXQ.jpeg" /></figure><h3>MEG</h3><p>Manyetoensefalografi(MEG), beyindeki elektriksel aktivite tarafından üretilen manyetik alanları SQUID olarak bilinen son derece hassas cihazlarla ölçmek için kullanılan bir görüntüleme tekniğidir. Bu ölçümler hem araştırma hem de klinik ortamlarda yaygın olarak kullanılır. MEG için, bir patolojinin lokalizasyonunda cerrahlara yardımcı olmak, beynin çeşitli bölümlerinin, nörogeribesleme döngüsünün ve diğerlerinin işlevinin belirlenmesinde araştırmacılara yardımcı olmak gibi birçok kullanım vardır.</p><h3>NIRS</h3><p>Yakın kızılötesi spektroskopi, beyindeki kan oksijenlenmesini ölçmek için optik bir tekniktir. Spektrumun yakın kızılötesi kısmındaki ışığı (700–900nm) kafatasından parlatarak ve kalan ışığın ne kadar azaldığını tespit ederek çalışır. Işığın ne kadar azaldığı kandaki oksijene bağlıdır ve bu nedenle NIRS dolaylı bir beyin aktivitesi ölçümü sağlayabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/556/1*icl1Z-FDYoy5xis65ysigg.jpeg" /></figure><h3>BEYNİN HEM YAPISINI HEM İŞLEVİNİ GÖSTEREN GÖRÜNTÜLEME TEKNİKLERİ</h3><h3>PET</h3><p>Pozitron Emisyon Tomografisi(PET), beyindeki fonksiyonel süreçleri haritalamak için eser miktarda kısa ömürlü radyoaktif madde kullanır. Materyal radyoaktif bozulmaya maruz kaldığında, algılayıcı olabilecek bir pozitron yayılır. Radyoaktivitenin yüksek olduğu alanlar beyin aktivitesi ile ilişkilidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gypM2Me1cZle0b4ErwOtRw.jpeg" /></figure><p>Yazar: DevHunter</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=370f83638aca" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zekanın Amacı ve Uygulamaları Nelerdir?]]></title>
            <link>https://medium.com/@turkishaiteam/yapay-zekan%C4%B1n-amac%C4%B1-ve-uygulamalar%C4%B1-nelerdir-a75b752489da?source=rss-f28355f3727d------2</link>
            <guid isPermaLink="false">https://medium.com/p/a75b752489da</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[robots]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[robotics]]></category>
            <dc:creator><![CDATA[Turkish AI Team]]></dc:creator>
            <pubDate>Sun, 18 Nov 2018 23:17:32 GMT</pubDate>
            <atom:updated>2018-11-18T23:17:32.171Z</atom:updated>
            <content:encoded><![CDATA[<p>Yapay zekanın ilk amacı insanlara yardımcı olmaktır. Tabii, bu teorikteki karşılığıdır. Peki, pratikte de böyle olmuyor mu? Yapılan çalışmalara bakıldığında, genelde askeri alanda daha sık kullanıldığını görüyoruz. Bu da insan ırkı ile bir savaş durumunda kullanılacağı ön görülüyor ki, bence bu tehlikeli bir düşünce olacaktır. Biz insanlar teknoloji çapında yapılan çalışmalara genelde bakış açımız biraz farklı olabiliyor. Bunun oldukça farklı sebepleri var; dini, sosyolojik, etniksel sebepler olabilir. Yapay zekanın askeri alanda yapılan çalışmaları görmek, bunun çok tehlikeli olacağı anlamına gelmez. Yapay zekanın gelişimini hızlı bir şekilde görmek ve bunu uygulamalı olarak yapmak için en güzel projelerden bir tanesi de robot hazırlayıp, bunu yapay zeka ile birlikte etkileşimini görmek olacaktır. Yapay zeka sadece askeri alanda değil; sanat, müzik ve matematiksel vb. alanlarda da kullanılıyor.</p><h4>Kısa zaman içerisinde Go oynamayı öğrenip, karşıdakini yenebilen bir yapay zeka;</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6MtrSBQfniZurJDL5Z5pwA.jpeg" /><figcaption>Go oyununda Lee Sedol karşısında AlphaGO var.</figcaption></figure><h4>Resim çizebilen bir yapay zeka;</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/859/1*wdOj3o-W-dndrM8cVy5PEA.png" /><figcaption>Obvious tarafından oluşturulan “ Portrait of Edmond Belamy” portresi.</figcaption></figure><h4>Kitap yazabilen bir yapay zeka;</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dD6TY7r2dCUOLOLBHJCMww.jpeg" /><figcaption>OpenMind tarafından yapılan yapay zekanın yazdığı metinleri okumak için “<a href="https://medium.com/deep-writing/harry-potter-written-by-artificial-intelligence-8a9431803da6">şu</a>” bağlantıya tıklayınız.</figcaption></figure><h4>Koroyla birlikte müzik yapabilen bir yapay zeka;</h4><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FjtC_CNPiGe8%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DjtC_CNPiGe8&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FjtC_CNPiGe8%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/82f6a0c72a84c50255107710fcb2a090/href">https://medium.com/media/82f6a0c72a84c50255107710fcb2a090/href</a></iframe><p>Evet, yukarıdaki örneklere bakıldığında farklı farklı uygulamalarda kullanıldığını görebiliyoruz. Bu örneklerin hepsi teorikteki karşılığını yansıtmaya çalışmaktadır. Amaç, teorik ile pratik arasındaki ilişkiyi kaçırmamak ve doğrusal bir şekilde ilerletmeye çalışmaktır. Buna iki tane karşıt örnek vermek gerekirse;</p><ol><li>Yapay zekaya sahip bir robot tasarlayıp, başka bir ülkeye karşı savaşlarda kullanmak.</li><li>Yapay zekaya sahip bir robot tasarlayıp, üretim (fabrika) alanında kullanmak.</li></ol><p>Birinci örnek pratikteki ve teorikteki ilişkiye karşı çıkan bir durum olsa da, ikinci örnek bunun aksini yaparak, teorik ile pratik arasındaki ilişkiyi korumak ve insanlara yardımcı olma görevini yapmaya çalışacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IkQIOlIpgA4cvBzHYQ0rog.jpeg" /><figcaption>Hanson Robotics firmasının hazırladığı “Sophia” adlı robot.</figcaption></figure><h3><strong>Yapay Zekanın Etikliği Nedir?</strong></h3><p>İlk önce etik kavramının tanımından bahsedeyim. Toplum içerisinde yada mesleki vb. yerlerde uygun görülmeyen davranışlara diyebiliriz. Bu davranışlara örnek olarak;</p><ul><li>Bıçak kullanılacak yemekte, çatalın yan tarafıyla kesmeye çalışmak,</li><li>Yıldız tornavida kullanılacak yerde, yan tornavida kullanmak,</li><li>Telefon ekranını özel su ile temizlemek yerine, su + peçete ile silmek</li></ul><p>gibi davranışlar etiksel gözükmeyebilir. Bunları yapmak ve uygulatmak etiksel şeylerin artmasına sebep olabilir. Robotların insan içerisinde gezmesi de acaba etiksel bir sorun olur mu? Robotlar dediğimde; “Yapay Zeka ile Makineleşmenin” bir ürününden bahsettiğimi unutmayınız. Bu konu aslında tartışılabilir bir konu, fakat ilerleyen zamanlarda buna çokça alışacağımızı düşünüyorum. Neden mi, geçtiğimiz zamanlarda drone, hoverboard gibi teknolojik ürünleri görmek ne kadar tuhaf, fakat şu aralar gördüğümüzde yalnızca bakıp, geçiyoruz. Bu da, artık bu tip şeylere kolay alıştığımızı gösteriyor. Bence robotlarda etrafta dolaştığı zaman buna alışacağımızı, hatta birbirimize yardım edeceğimizi düşünüyorum.</p><p><em>Konya Havalimanı’nda giriş kısımlarında Akınsoft Robotik firmasının hazırladığı robotların olduğunu biliyor muydunuz? Artık robotlar ile etkileşime geçip, birbirimize yardım etmemiz çoktan başladı bile :)</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*td_Q4bftm-4yIOIpsrsxnw.jpeg" /><figcaption>Akınsoft Robotik firmasının hazırladığı “Mini Robot Ada” adlı robot.</figcaption></figure><h3><strong>Yapay Zeka ile İnsan Arasındaki İlişkiler Nasıl Olmalı?</strong></h3><p>Her ne kadar bu alışım döngüsüne katılsak da, onları evimizde ve yakın yerlerde görmek pek etik olmayabilir. Ama onların zararlı olmadığını düşünürsek, arkadaşlık kurmayı da düşünebiliriz. Bence sorun burada bitiyor, gerçekten de zararlı mı? Bu soruda herkes taraf tutmuş durumda. Hatta Elon Musk ve Mark Zuckerberg bile bu durumda taraf tuttu. Taraf tutanların bir kısmı; “Robotlar zararlıdır, onları etrafta görmek istemiyoruz. Onların bizi öldürme ihtimalini düşünmeliyiz” gibi şeyler söylediklerini duyabiliriz. Bunu söylemeye iten sebepler;</p><p>İzlediğiniz videolar ve filmler, gördüğünüz görseller, duyduğunuz haberler, sesler ve buna sebep olan; düşündüğünüz kötü düşüncelerdir. Bunları göz ardı etmek kötü bir şey, fakat bu teknolojik gelişime bunları katarak gelişimi durdurmaya çalışmak da yanlıştır. İşte; “Ex Machina” filmi de tam olarak bunu anlatıyor. Bu filmi izlediğinizde sözde; “robotların ve yapay zekanın ne kadar kötü bir şey olduğunu” göreceksiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rXNqByJ5DMbOu1LNeZBZ6w.jpeg" /><figcaption>Ex Machina filmindeki bazı karakterler.</figcaption></figure><p>Fakat bu iş aslında o şekilde ilerlemiyor. “Abi pille çalışan şey beni mi öldürecek? Pilini çekerim, kapanır” demeyi de yanlış buluyorum. Eğer, robotların kontrolü belirli bir zamanda sağlanırsa, tehlikeli bir durum olacağını sanmıyorum. Peki gelişen yapay zeka’yı nasıl durduracağız? Bu da onun sürekli kontrolünü sağlamak ve bilgi girişlerinin tek yönlü, güvenilir ve sağlam kaynaklardan almasını sağlamaktan geçiyor. Eğer bu kriterlerin yapıldığını varsayarsak, yapay zeka’nın gelişimi takip edebilir ve anında müdahale edebiliriz. Peki bunlar yapıldı mı?</p><p>Dünya&#39;nın İlk Kadın Robotu olan “Sophia” adlı robot yapıldıktan bir süre sonra kapatıldı. Nedeninin ise “insanlığı yok etmek istiyorum” demesiydi. Bunu söylemeye iten sebeplerden bir tanesi de, robotun sürekli araştırma yapması, bütün kaynaklardan veri toplaması ve işlemesiydi. Bunun sonucunda ise “insanlığın kötü bir şey olduğunu” gördü. Tecavüz, Saldırı, İntihar ve Gasp haberleri ile dolan bir dünyada, iyi haberlerin sıklığı az olduğunu gördüğünde “insanların kötü bir şey olduğu” durumunu kabul etmesini beklemek; normal olacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ux-9KoJ6qll7jDyAhYrRsQ.jpeg" /><figcaption>Hanson Robotics tarafından geliştirilen “Sophia” adlı robot.</figcaption></figure><p>Bu duruma benzer örnek ise 2016 yılında Microsoft tarafından oluşturulan “tay” adlı sohbet robotunu örnek verebiliriz. Belirli bir zamanda insanlar ile yaptığı sohbet sonrasında, kötü düşüncelere sahip olmuş ve insanlara hakaret etmeye başlamıştı. Bu durumu gören Microsoft, belirli zaman sonra robotu kapatmak zorunda kaldı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EWst1v0LhRNVkgLsohO0Cg.jpeg" /><figcaption>Tay adlı robotun yazdığı soykırımı destekleyen düşünceler ve küfürler içeren bir tweet.</figcaption></figure><p>Peki bu durumu nasıl çözebiliriz? Bu sorunu çözmek aslında başta anlattığım gibi yapılabilir. Yapay zeka’nın bilgi girişlerini tek yönlü, güvenilir ve sağlam kaynaklardan toplamak olacaktır. Yapay Zeka sadece internet ile değil; sensörler vasıtasıyla etraftaki insanlar ile sohbet edebilir, onlardan bilgi alıp, hafızasına işleyebilir.</p><p><strong>Kötü internet kaynağı veya kötü düşünceli insanlar ile buluşan bir yapay zeka’dan, iyi olmasını beklemek kadar tuhaf bir şey olmaz, değil mi?</strong></p><p>Bence yapay zeka ile insan arasındaki ilişki şöyle olmalı :)</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FKMjgOr78DxA%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DKMjgOr78DxA&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FKMjgOr78DxA%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/305ee7142763e814c88fdda2e967190c/href">https://medium.com/media/305ee7142763e814c88fdda2e967190c/href</a></iframe><h3><strong>Yapay Zekanın Ülkesel Konumları ve Yapısı</strong></h3><p>Ülkelerin teker teker ne yaptıklarını söylemek yerine, ülkelerin ortak olarak ne yaptıklarını anlatmam daha doğru olacak gibi görünüyor. Ülkelerin genel endişesi; yapay zekanın kötü bir kimlik haline getirilip, insanlar üzerine doğru bir kışkırtma yapılmasından korkuyorlar. Bu yüzden bazı ülkeler çalışmalarını kontrollü ilerletirken, bazı ülkeler ise doğrudan araştırmaya müsait bir ortam veriyorlar. Bu kararlar ise ülkelerin yapay zeka gelişiminde bire bir rol oynuyor. Genel olarak yapılan çalışmaların başında, yapay zeka ile alakalı enstitü, vakıf, dernek gibi kuruluşları kurarak kontrolü ele almak oluyor. Bu çalışmaların başında kimin durduğu ve yönettiği de çok önemli bir kriter olacak.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2Fnzt18BIAt3g%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3Dnzt18BIAt3g&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2Fnzt18BIAt3g%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/2f5aba60738ae1a983bb913be89e54b2/href">https://medium.com/media/2f5aba60738ae1a983bb913be89e54b2/href</a></iframe><p>Diğer bir çalışma ise özel şirketlere verilerek, bunlardan alınan veriler oluyor. Bu kısımda ise verilerin güvenilirliği tartışılacaktır. Hali hazırda bir güvenlik meclisi kurulmuş değil. Eğer kurulsa bile pek verimli bir ortam olmuş olacağını sanmıyorum. Bunun sebebi; daha elimizi sobaya değdirmemiş olmamızdır. Umarım bu alanlardaki kıymetli insanlarla birlikte bir uluslararası kurul kurulur ve bu kurulda ciddi bir akademik kitle sayesinde önemli kararlar alınarak, gelişime katkı sağlayabiliriz.</p><h3><strong>Beş soruda Yapay Zeka ve Robotlar</strong></h3><p><em>“Bu soruların amacı; Yapay Zeka ve Robotlar adlı konu için, insanların kafasındaki düşünceleri öğrenmektir. Bu sorular karışık insan topluluğuna sorulmuş, her soru için rastgele bir adet cevap alınmıştır. Meslek, din, yaş, hobi ve fobi gibi etkenler göz ardı etmeksizin yapılan bir anket çalışmasıdır. ”</em></p><h4>1. Robotlar ile birlikte aynı ortamda (ev, sokak vb.) bulunmayı tercih eder miydiniz?</h4><ul><li>Evet, genel kanının aksine robotların hayatlarımızı kolaylaştıracağına, günlük yaşamımızı daha verimli hale getireceğine inanıyorum. Ancak bu konuda karamsarım da… Güvenlikten tutun, ailemizle, birbirimizle geçirdiğimiz zamanın kısalması gibi konularda çekimserim.</li></ul><h4>2. <strong>Robotlar, insanlara yardımcı olabilir mi?</strong></h4><ul><li>Kesinlikle, ama insan kolay’a çabuk alışır. Hepimiz anında tembel ve obez olurduk.</li></ul><h4>3. <strong>Robotlara duygu katılabilir mi? Trip atmak, küsmek ve ağlamak gibi etkenler robotlarda başarılı bir şekilde görülebilir / hissedilebilir mi?</strong></h4><ul><li>O zor işte. Duygu işi yaratılışla ilgili bir durum.</li></ul><h4>4. <strong>Robotlar ve Makineleşme geldiğinden bu yana şikayet ettiğiniz bir konu var mı?</strong></h4><ul><li>İnsanların daha da yalnız olmasına neden olacaklarını düşünüyorum.</li></ul><h4>5. <strong>Robotlar ile birlikte bir etkinlik (spor, müzik vb.) yapmaktan haz duyar mıydınız?</strong></h4><ul><li>Çalıştığımız robot arkadaşın yeteneği ile alakalı bir durum bu. Buna ayak uyduramazsa kadro dışı kalır, kusura bakmasın :)</li></ul><p>Yazımızı beğendiyseniz, alkışa tutup, paylaşabilirsiniz ❤</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a75b752489da" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AutoKeras’ın Kullanımı]]></title>
            <link>https://medium.com/@turkishaiteam/autokeras%C4%B1n-kullan%C4%B1m%C4%B1-a2c49f50de7c?source=rss-f28355f3727d------2</link>
            <guid isPermaLink="false">https://medium.com/p/a2c49f50de7c</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Turkish AI Team]]></dc:creator>
            <pubDate>Wed, 17 Oct 2018 17:43:20 GMT</pubDate>
            <atom:updated>2019-11-15T11:35:14.780Z</atom:updated>
            <content:encoded><![CDATA[<p>Auto Keras, otomatik makine öğrenimi(AutoML) için açık kaynaklı bir yazılım kütüphanesidir. Texas A &amp; M Üniversitesi’nde DATA Laboratuarı ve topluluk katkılarıyla geliştirilmiştir. AutoML’nin nihai hedefi, sınırlı veri bilimi veya makine öğrenimi geçmişi olan alan uzmanlarına kolayca erişilebilen derin öğrenme araçları sağlamaktır. Auto Keras, derin öğrenme modellerinin mimarisini ve hiperparametrelerini otomatik olarak aramak için fonksiyonlar sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*n8jC9VAQuED6xhYTcCJ0pQ.png" /></figure><h3>Kurulum</h3><p>AutoKeras’ın kurulumu diğer python paketleriyle aynıdır.</p><p>Not: Şu anda, AutoKeras sadece Python 3.6 ile uyumludur.</p><p>Son versiyon (pip kurulumu):<br>En son kararlı sürümü kurmak için terminalinizde(cmd) aşağıdaki pip kurulum komutunu çalıştırabilirsiniz.</p><pre>pip install autokeras</pre><h3>Uygulama</h3><p>Keras veri kümesinden MNIST üzerinde AutoKeras’ı uygulayacağız.</p><h3>MNIST Veriyi Yükleme</h3><p>In [1]:</p><pre><strong>from</strong> <strong>keras.datasets</strong> <strong>import</strong> mnist<br><strong>from</strong> <strong>autokeras</strong> <strong>import</strong> ImageClassifier</pre><p><strong>Eğitim</strong></p><p>AutoKeras’ı kullanmanın en önemli avantajı, görüntü sınıflandırıcınız için kullanacağınız nöral ağı bilmenizin gerekmemesidir.</p><p>AutoKeras, farklı katmanlara sahip birden fazla CNN tabanlı sinir ağını deneyecek ve sizin için en iyisini bulacaktır.</p><p>Sadece işlenen clf = ImageClassifier () çalışacaktır. Ancak görmek için<br>1) Eğitimin nasıl gittiğine bakar.<br>2) Hızlı eğitim için maksimum iterasyonu kısaltır.</p><pre>(x_train, y_train), (x_test, y_test) = mnist.load_data()<br>x_train = x_train.reshape(x_train.shape + (1,))<br>x_test = x_test.reshape(x_test.shape + (1,))</pre><pre>clf = ImageClassifier(verbose=<strong>True</strong>, searcher_args={&#39;trainer_args&#39;:{&#39;max_iter_num&#39;:5}})</pre><p>Önemli olarak, 5 saat zaman sınırı verdim.<br>Varsayılan olarak, AutoKeras süresi, geçerli sürümde 24 saat olarak sınırlandırılmıştır.</p><pre>clf.fit(x_train, y_train, time_limit=5 * 60 * 60)</pre><pre>Initializing search.<br>Initialization finished.<br>Training model  0<br>Saving model.<br>Model ID: 0<br>Loss: tensor(5.2479)<br>Accuracy 96.00399999999999<br>Training model  1<br>Father ID:  0<br>[(&#39;to_wider_model&#39;, 1, 64)]<br>Saving model.<br>Model ID: 1<br>Loss: tensor(5.0132)<br>Accuracy 96.25600000000001<br>Training model  2<br>Father ID:  1<br>[(&#39;to_wider_model&#39;, 19, 64)]<br>Saving model.<br>Model ID: 2<br>Loss: tensor(3.0112)<br>Accuracy 97.64000000000001<br>Training model  3<br>Father ID:  2<br>[(&#39;to_wider_model&#39;, 1, 128)]<br>Saving model.<br>Model ID: 3<br>Loss: tensor(2.3075)<br>Accuracy 98.296</pre><p>Yukarıdaki sonuçlardan, AutoKeras’ın CNN modelini çoklu yaklaşımla ayarlayarak en iyi modeli aradığını bulabilirsiniz.</p><h3>En İyi Modeli Eğitin</h3><p>final_fit fonksiyonu en iyi modeli seçecek ve modeli verilerinize uyarlayacak.<br>Modelin verilerle daha fazla eğitilmesini sağlamak için bu örnekte 10 tane daha tekrar ettim.<br>retrain = True verirseniz, model mimarisi, ağırlık ve önyargıyı(biası) başlatacak ve yeniden değerlendirecektir.</p><pre>clf.final_fit(x_train, y_train, x_test, y_test, retrain=<strong>False</strong>, trainer_args={&#39;max_iter_num&#39;:10})</pre><pre>...............................................<br>Epoch 1: loss 3.737567901611328, accuracy 98.43<br>...............................................<br>Epoch 2: loss 3.925536870956421, accuracy 98.34<br>...............................................<br>Epoch 3: loss 3.422757148742676, accuracy 98.53<br>...............................................<br>Epoch 4: loss 3.3036224842071533, accuracy 98.62<br>...............................................<br>Epoch 5: loss 4.0281524658203125, accuracy 98.45<br>...............................................<br>Epoch 6: loss 3.3080132007598877, accuracy 98.63<br>...............................................<br>Epoch 7: loss 3.359560966491699, accuracy 98.6<br>...............................................<br>Epoch 8: loss 3.4960057735443115, accuracy 98.59<br>...............................................<br>Epoch 9: loss 3.6699087619781494, accuracy 98.51<br>...............................................<br>Epoch 10: loss 3.0567498207092285, accuracy 98.74</pre><h3>Test</h3><p>En iyi modelinizi test veri seti ile test edin.</p><pre>y = clf.evaluate(x_test, y_test)<br>print(y * 100)</pre><pre>98.58</pre><h3>En İyi Model Mimarisine Genel Bakış</h3><p>En iyi görüntü sınıflandırıcı modelinin mimarisine bir göz atalım.</p><pre>best_model = clf.load_searcher().load_best_model()</pre><p>Aşağıdaki katmanlara göre toplam katman sayısını bulabiliriz,</p><pre>best_model.n_layers</pre><p>Out[19]:</p><pre>51</pre><p>Model mimarisini aşağıdaki komut ile bulabilirsiniz.</p><pre><strong>from</strong> <strong>torchvision</strong> <strong>import</strong> models<br>print(best_model.produce_model())<br>  <br>TorchModel(<br>  (0): ReLU()<br>  (1): Conv2d(1, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1.5, 1.5))<br>  (2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)<br>  (3): Dropout2d(p=0.25)<br>  (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)<br>  (5): ReLU()<br>  (6): Conv2d(128, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1.5, 1.5))<br>  (7): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)<br>  (8): Dropout2d(p=0.25)<br>  (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)<br>  (10): ReLU()<br>  (11): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1.5, 1.5))<br>  (12): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)<br>  (13): Dropout2d(p=0.25)<br>  (14): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)<br>  (15): TorchFlatten()<br>  (16): Linear(in_features=576, out_features=10, bias=True)<br>  (17): LogSoftmax()<br>  (18): ReLU()<br>  (19): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1.5, 1.5))<br>  (20): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)<br>  (21): Dropout2d(p=0.25)<br>  (22): ReLU()<br>  (23): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1.5, 1.5))<br>  (24): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)<br>  (25): Dropout2d(p=0.25)<br>  (26): ReLU()<br>  (27): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1.5, 1.5))<br>  (28): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)<br>  (29): Dropout2d(p=0.25)<br>  (30): ReLU()<br>  (31): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1.5, 1.5))<br>  (32): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)<br>  (33): Dropout2d(p=0.25)<br>  (34): ReLU()<br>  (35): Conv2d(64, 128, kernel_size=(1, 1), stride=(1, 1), padding=(0.5, 0.5))<br>  (36): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)<br>  (37): Dropout2d(p=0.25)<br>  (38): TorchAdd()<br>  (39): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)<br>  (40): ReLU()<br>  (41): Conv2d(128, 64, kernel_size=(1, 1), stride=(1, 1), padding=(0.5, 0.5))<br>  (42): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)<br>  (43): Dropout2d(p=0.25)<br>  (44): TorchAdd()<br>  (45): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)<br>  (46): ReLU()<br>  (47): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1), padding=(0.5, 0.5))<br>  (48): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)<br>  (49): Dropout2d(p=0.25)<br>  (50): TorchAdd()<br>)</pre><p>Kaynak ve İleri Okuma:</p><ul><li><a href="https://autokeras.com/">AutoKeras</a></li></ul><p>Yazar: DevHunter</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a2c49f50de7c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Dünya’da geliştirilmekte olan yapay zeka politikaları hakkında]]></title>
            <link>https://medium.com/@turkishaiteam/d%C3%BCnyada-geli%C5%9Ftirilmekte-olan-yapay-zeka-politikalar%C4%B1-hakk%C4%B1nda-fc872ed240a9?source=rss-f28355f3727d------2</link>
            <guid isPermaLink="false">https://medium.com/p/fc872ed240a9</guid>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Turkish AI Team]]></dc:creator>
            <pubDate>Fri, 28 Sep 2018 19:19:19 GMT</pubDate>
            <atom:updated>2018-11-18T23:14:00.769Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu başlangıç niteliğindeki makalemizde yapay zeka alanındaki artan çalışmalara, ülkelerin strateji ve siyasal politikalarında görülen yapay zeka etkinliğini ve bu alanın gelecekteki muhtemel etkileri hakkında genel bir inceleme yapmayı amaçladık.</p><p>Önümüzdeki haftalarda yeni yazılar yayınlayarak AI hakkında ülkelerin geliştirmekte olduğu politikalara derinden giriş yapacağız.</p><p>YAPAY ZEKA alanındaki politikalar nelerdir?</p><p>Önce ‘yapay zeka politikası’ (AI Policy) nedir sorusunu anlamamız lazım.</p><p>AI politikalari literatürde genellikle ‘Yapay Zekanın fayda katsayısını en üst düzeye çıkartmak ve bunu yaparken potansiyel risk ve gereksiz kayıpları en aza indirgemeyi amaçlayan çalışmalara denmektedir.<br>Bu açıdan bakıldığında , AI’ın amaç politikaları 2&#39;ye ayrılır diyebiliriz. Bir tarafta, hükümetlerin yapay zekanın gelişmesine ve benimsenmesine, bunun hem sosyoekonomik hem güvenlik açısından en pratik bir şekilde yapılmasını , ‘bilimin ve teknolojinin’ fayda çıkarlarını en üst düzeyde tutarak desteklenmesi gerektiğini savunan görüştür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*MgwAEyFupfKk0icE4O8LIQ.jpeg" /></figure><p>Hükümetler bunu Yapay Zeka’nın günlük hayattaki engellenemez aktifliğinin faydalarının yanı sıra teşkil edebileceği riskleri de detaylıca değerlendirmiş olup,<br>uygulamalı araştırmalara ve multidisipliner çalışmalara fon ayırarak ve yatırım yaparak gerçekleştirmeyi amaçlamalıdır. Gerek ulusal gerek özel kaynaklara yatırım yapılarak gereken destek gücü sağlanmalıdır.<br>Yapay Zeka ve ilgili alanlardaki gelişmelerin hızlanmasına yönelik üniversitelerde dijital altyapının sağlamlaştırılmasına, hem public hem private sektörlerin buralardan maddi ve akademik şekilde faydalanmalarına izin vererek teşvikler sıkılaştırılmalıdır.</p><p>Diğer yanda hükümetler YZ tarafindan getirilecek olan ekonomik ve sosyal değişikliklere cevap verebilecek niteliğe sahip olmalıdır. Bu insanlığın geleceği için kritik önem taşıyan en önemli unsurlar arasında yer almaktadır. Otomasyon, algoritmik hatalar, veri hırsızlığı ve yeni ortaya çıkacak mesleklerdeki gelir eşitsizliği bunlardan sadece birkaçıdır ve hükümetin politik çözüm üretmesi gereken sorunlar arasında yer almaktadır.</p><p>Bu politikalar ‘yetenek gelişimi yatırımlarını’, yeni regulasyonlar ve standartlar geliştirmeyi, YZ algoritmaları ve örnek data setlerindeki yanlılık/taraflılık (bias) değerlerini azaltmayı ve hatta en aza indirmeyi amaçlayan kümülatif uğraşlar topluluğu olmalıdır.</p><p>Son olarak ise Yapay Zeka gelişiminin ülkelerce onaylanmış ve düzenli bir şekilde gerçekleştirilen denetimler ile bilinçli ve kontrollü bir şekilde sürdürülmesi konusunda anlaşmaya varılmalıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*f8bfb8bUXng9XR89P8u8zg.png" /><figcaption>Otomasyona bir farklı bakış açısı</figcaption></figure><p>Daha birçok örnek vererek bu politikaları genişletmek mümkündür.</p><p>Umarız genel çerçevede Yapay Zeka politikaları hakkında kamuoyu oluşturmaya faydalı oluruz. Önümüzdeki günlerde ülkelerin birebir üzerine yoğunlaştığı stratijeler üzerinde detaylı bir yazı hazırlayacağız.</p><p>— — — — — — — — — — — — — — — -</p><p>Kaynakça</p><p><a href="https://medium.com/politics-ai/an-overview-of-national-ai-strategies-2a70ec6edfd">An Overview of National AI Strategies</a></p><iframe src="https://drive.google.com/viewerng/viewer?url=https%3A//ec.europa.eu/epsc/sites/epsc/files/epsc_strategicnote_ai.pdf&amp;embedded=true" width="600" height="780" frameborder="0" scrolling="no"><a href="https://medium.com/media/7e56ee219edc003e7357ecfba6ba242f/href">https://medium.com/media/7e56ee219edc003e7357ecfba6ba242f/href</a></iframe><p><a href="https://medium.com/politics-ai/ai-policy-101-what-you-need-to-know-about-ai-policy-163a2bd68d65">https://medium.com/politics-ai/ai-policy-101-what-you-need-to-know-about-ai-policy-163a2bd68d65</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fc872ed240a9" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>