Відео

İş marketinin o zamanki durumunu şimdiden kestirmek zor malesef. Bölüm olarak uygun görünüyor, kodlama tarafınızı da iyi tutarsanız neden olmasın, bir de güncel kalmak gerekli. Okulda gösterilen şeyler 10 yıllık slaytlar olabilir, güncel kalmazsınız iş bulmanız zorlaşır. Kaç bin içinde olduğunuz çok önemli değil, güzel bir portfolyo oluşturmaya şimdiden gayret ederseniz ilerde rahat edersiniz. Kolay gelsin 🙃

Mantı yiyordum bu sefer knk

EnGeLi KaLdıRıR MıSıN BiŞe DiCEm

Domain spesifik işler için fine tune etmek daha iyi sonuçlar verebiliyor.

Part-1 olarak yayinda bir video var. Onun devami gelecek. Oraya bakarak projelerinizi sekillendirebilirsiniz.

Kısmet

Deneyimini paylaştığın için teşekkür ederim

@@berkayozturkx Yararlı olmasına sevindim. Mesela bir diğer bilgi cross validation ile ilgili olabilir. Cross validation, overfittingi azaltmaz. İyi çalışmalar 🙃

@@kaanbicakci Teşekkür ederim. İyi günler diliyorum.

"Sanırım temel-orta seviye eğitimler olduğu için öğrencilerin kafası karışmasın diye pek girmiyorlar" Ben bu şekilde düşünmüyorum; bununla ilgili birkaç kişiyle iletişime geçmiştim. Bazı kişiler, ders aldıkları kişilerden, bu işlemlerin train-test split'ten sonra yapılması durumunda sorun olabileceğini duymuşlar. Çok büyük ihtimalle gerçek bir ortamda model geliştirip deployment vb. ile uğraşmamış kişiler bu dersleri verenler :(

@@kaanbicakci umarım bu eğitimleri alanlar iş hayatına girdiklerinde büyük sorunlar çıkarmadan data leakage'e son verirler, ben şanslıyım ki bu videoyu izledim :D Son dediğinize katılıyorum, btkdan ufak bir yer izleyim dedim. Prof Dr bir hocamız veri setini aldı direkt fit_transform yaptı sonra verileri ayırdı. RNN'e çalışacaktım kapattım. Gidip kaggleden veri seti alıp kendim yazmaya çalışacağım :)

@@men--8425 İyi çalışmalar dilerim 🙃

devami gelirse cok guzel olur

@@emreida Yararlı olmasina sevindim 🙃

Teşekkürler bilgi için 🙂

GPT-3 ve GPT-4 arasındaki farkları düşünürsek, Claude 3.5 Sonnet ile GPT-4o arasındaki farkın o kadar büyük olmadığını görürüz. Benchmarklarda bazı başlıklarda %3 ile %5 arasında iyi olması tamamen daha iyi olduğu anlamına gelmiyor, o şekilde değerlendirirsek GPT 4o'nun da iyi olduğu konular bulabiliriz. Deep learning'in çok sorunu var, en büyüğünü ben söyledim zaten. DL dediğimiz bir fonksiyonu optimize eden araçtır, genellemenin konseptine terstir. Yani train edildiği uzayın dışına çıkamaz. AGI, DL ile çözülecekse fikirlerinizi duymak isterim

@@kaanbicakciDerin öğrenme bir fonksiyonu optimize etmek değil, ilgili uzayda fonksiyona yaklaşmaktır. Yapay genel zekaya bir sınıflandırma problemi olarak yaklaşıp; bir sınıflandırma problemine yaklaşacak şekilde eğitim tasarlamak mutlak suretle hedefe ulaşmayacaktır. Yapay genel zeka olarak kastettiğin şeyi insan zekası olarak ele alıyorum. Sutskever'in üzerinde çalıştığı SSI'ı es geçiyorum. İnsan zekası tabiki tek bir fonksiyondan oluşmamakta, aldığı kararlara çok sayıda parametre etki etmekte, çoklu fonksiyonların bileşeni olarak tahminleme! yapmakta. Burada da işin içerisine diferansiyel denklemler girmekte. Peki yapay öğrenme ile kurgulanan sinir ağları diferansiyel denklemlere yaklaşıyor mu? Difüzyon modelleri ile buna başladık. Modellerin adım sayısını azaltmak(Rectified FLow, PFODE vb.) için kullandığımız akış kontrolü ile başlayan, sonrasında ise aynı yöntemin model çıktısı kontrolünde (BKZ: Recrifid) kullanılması ile beraber adım adım yapay genel zekaya yaklaşıyoruz. Hinton'ın emekli olduktan sonra Sutskever'in büyük model - büyük veri iyidir, bir sonraki kelimeyi tahminlemek iş yapar bakış açısı tabiki bir yere götürmeyecek. Dil modelleri ile fiziksel dünyayı anlamlandırmayacağız. Burada Yann Lecun'un bahsettiği hiyerarşik planlama tek çıkış yolu fakat statik olarak tasarlanacak bir hiyerarşik planlama sınırlı kalacaktır. Bu sebeple DPM tabanlı çoklu girdi modelleri (ses, görüntü, derinlik vb.) yapay genel zekaya ulaşmamızın aracı olacaktır. Atladığın nokta akıllı varlıkların genellemesi kendi deneyimleriyle sınırlıdır.

@oguzhanercan4701 Selam yorumunuz nedense çıkmamış, ben yapıştırıyorum: -- "@kaanbicakci Derin öğrenme bir fonksiyonu optimize etmek değil, ilgili uzayda fonksiyona yaklaşmaktır. Yapay genel zekaya bir sınıflandırma problemi olarak yaklaşıp; bir sınıflandırma problemine yaklaşacak şekilde eğitim tasarlamak mutlak suretle hedefe ulaşmayacaktır. Yapay genel zeka olarak kastettiğin şeyi insan zekası olarak ele alıyorum. Sutskever'in üzerinde çalıştığı SSI'ı es geçiyorum. İnsan zekası tabiki tek bir fonksiyondan oluşmamakta, aldığı kararlara çok sayıda parametre etki etmekte, çoklu fonksiyonların bileşeni olarak tahminleme! yapmakta. Burada da işin içerisine diferansiyel denklemler girmekte. Peki yapay öğrenme ile kurgulanan sinir ağları diferansiyel denklemlere yaklaşıyor mu? Difüzyon modelleri ile buna başladık. Modellerin adım sayısını azaltmak(Rectified FLow, PFODE vb.) için kullandığımız akış kontrolü ile başlayan, sonrasında ise aynı yöntemin model çıktısı kontrolünde (BKZ: Recrifid) kullanılması ile beraber adım adım yapay genel zekaya yaklaşıyoruz. Hinton'ın emekli olduktan sonra Sutskever'in büyük model - büyük veri iyidir, bir sonraki kelimeyi tahminlemek iş yapar bakış açısı tabiki bir yere götürmeyecek. Dil modelleri ile fiziksel dünyayı anlamlandırmayacağız. Burada Yann Lecun'un bahsettiği hiyerarşik planlama tek çıkış yolu fakat statik olarak tasarlanacak bir hiyerarşik planlama sınırlı kalacaktır. Bu sebeple DPM tabanlı çoklu girdi modelleri (ses, görüntü, derinlik vb.) yapay genel zekaya ulaşmamızın aracı olacaktır. Atladığın nokta akıllı varlıkların genellemesi kendi deneyimleriyle sınırlıdır." --- Cevap: Şu konuda ortada buluşabiliriz, uzayda ilgili fonksiyona yaklaşırken modelin parametrelerini optimize ederiz. AGI dediğim zaman az örnekle on-the-fly genelleme yapabilen zeki (biraz sonra açıklıyorum) hipotetik modelleri kastediyorum. Şuanki kullanılan DL yöntemlerinin ileride AGI içinde rol oynayacağını düşünmüyorum, dönüp dolaşıp konu fonksiyon optimizasyonuna geliyor. Spesifik alanlardaki gelişmeler mevcut modellere gelişme sağlıyor olabilir, benim fikrim bunların bir rol oynamayacağı yönünde. Diffusion vb. modelleri de zeki olmayan modeller kategorisine koyuyorum. AGI dediğimde DL'in yapamayacağı işleri güvenli bir şekilde yapabilecek modelleri kastediyorum, FSD, cerrahilik gibi. Şuanki modellerin yaptığı interpolasyon'un sahte bir generalization örneği olduğunu düşünüyorum. Gerçek anlamda genellemenin ise tamamen farklı bir şey olduğunu düşünüyorum, out-of-distribution'ı kendi içinde halletmiş oluyor. Gerçek anlamda genellemeyi henüz kimse tam olarak bilmiyor ve tahminimce DL bu iş için yanlış bir model. Aslında güzel bir yere değinmişsiniz, fiziksel dünyayı anlamdıramayacağız diye, buna katılıyorum. Aynı anda Neuroscience gibi çoklu disiplinler de çalışmaya çalışıyorum, bulgularım bana şunu söylüyor ki AI Community'si diğer dalları görmezden gelerek bir şeyler deniyor. Belki de en büyük eksik bu :hmm: Yapay "öğrenme" derken bile orada tam olarak bir "öğrenme" olduğunu sanmıyorum. "Burada da işin içerisine diferansiyel denklemler girmekte" dediğiniz kısımla ilgili Linkedin veya mail üzerinden makale paylaşabilirseniz sevinirim, yanlış anlamadıysam insan zekasıyla ilgili bir benzetme var, public bir makale varsa okumak isterim. Vaktiniz olursa 1998 yılında yayınlanmış şu makaleyi okumanızı tavsiye ederim: www.sciencedirect.com/science/article/pii/S0010028598906946 AGI olursa çoklu girdi olacağına ben de katılıyorum, çevreyle etkileşim, zamansal olayların işlenmesi, sadece işe yarar bilginin hatırlanması... gibi çok konular var. Her kim AGI'yi bulursa çok büyük güç sahibi olacağı kesin :D

Niye öyle dedin ki ben evde çay içiyordum

sen biraz markasın 😉

@@onurkoc6869 🐰

@@kaanbicakci 🤔

Selam, değerli yorumunuz için teşekkür ederim :) Burada daha çok insanların yazdıklarını şeyleri göstermiştim fakat dediğiniz gibi bu konuda farklı düşünceler var. Bilinç kısmının felsefik kısmı da mevcut aslında ve bu kavram benim için gizemini koruyor. AGI ile aslında zekayı taklit etmek istiyoruz, bilinç kavramı nasıl olur kesin bir şey demek mümkün değil tabi ki, çooook uzun süreler üstüne konuşabiliriz 🙂

Selam, yararlı olmasına sevindim. Bu tür videoları çekmeyi ben de sevsem de izlenme açısından maalesef geri dönüşü olmuyor. Ondan şuanlık bu tür şeyleri askıya aldım, ileride tekrar değerlendirebilirim. Şirkette Optuna kullandığım oluyor, işimizi kolaylaştıran şeyleri çoğu zaman (lisansları uygunsa) kullanabiliriz bunda bir sorun yok. XGBoost yerine daha özel bir şeye ihtiyacımız olursa da sıfırdan yazabiliriz, ayrıca hessian'ı bilen kişi sayısı çok olmadığından bunu dediğin zaman insanların kafası karışabilir :D

​@@kaanbicakci Teşekkür ederim. Bu alanda kendimi geliştiren birisiyim. Artık böyle 0'dan logistic regression, xgboost böyle bir kaç modeli build etmeye çalışıyorum. Yalan yok zorluyor. Hani bir Data Scientist'in veya ml engineer'in bunları yapabilmesi şart mı değil mi kestiremedim. Çünkü bir kütüphaneden model import etmek bu alanda yeni başlayan herkesin yapabileceği şeyler. Bu konuda biraz kafam karışık yalan yok :D Hani kütüphaneler dışında bu modelleri inşa edebilmek yeteneği ve yetkinliği şart mı ?

Bu yanıtı gözden kaçırmışım, biraz geç bir yanıt olacak kusura bakma. Dediğin yetkinlik çok şart değil, genelde şirketlerin kendi mimarileri (model değil genel yapı olarak, kod repoları vb.) bulunur. Bunlar içinde belki farklı sıfırdan yazılmış modeller olabilir ama onlar bile genelde bir süre içinde yazılır. Yani 1 saat içinde Logistic Regression'ı sıfırdan yazma becerisi çok önemli değil, önemli olan bilgilerini kullanarak onlara para kazandırabileceğini göstermek. Sıfırdan yazma üstüne pratik yaparsan da dediğim gibi şirketlere özgü modellerle karşılaştığında çok zorlanmazsın çünkü pratiğin olur. Yani belki XGBoost'u sıfırdan yazmayı aramazlar fakat sallıyorum XGBoost'un tekil ağaçlarını kullanıp bazı bilgiler çıkarmanı isteyebilirler ki model yorumlama üzerine bir şeyler olsun gibi örnekler verilebilir. Çoğu zaman tekerleği yeniden icat etmeye gerek yok, hazırı varsa import edip kullanıyoruz. Umarım açıklayıcı olmuştur :)

@@kaanbicakci Tesekkurler

Selam, bu durumda MLOps üstünüze düşmenizi öneririm.

Selam, yurtdışı remote tecrübe olmadan zor olabilir. 1 yıl kadar staj yaptığın şirkette devam edebilirsen belki deneyim kazanma anlamında yararlı olabilir. En azından kağıt üstünde gösterecek bir şeylerin olur.

Selam, çok absürt derecede kayıp veri yoksa (%70+) temelde iki şeye bakıyoruz diyebiliriz. 1) Verinin dağılımı 2) Domain bilgisi Bazı verisetleri için mantıklı olan imputation metodunu belirlemek için domaini bilmek gerekir. Verinin dağılımı da rol oynar, sağa çarpık bir sütunda ortalama yerine medyan ile doldurmak daha iyi bir seçim olabilir mesela.

@@kaanbicakci Teşekkür ederim.

yararlı olmasına sevindim :)

Tabi ki, tartışabiliriz her zaman :)

tamam ilerleyen kısımlarda bahsediyorsunuz zaten .