What it is and how to measure

Image for post
Image for post
Photo by Gwen Weustink on Unsplash

About a year and a half ago, I wrote a blog post titled “What Is Explainable Artificial Intelligence and Is It Needed?” In the post, I discussed how transparent and explainable the decision-making process of humans is. On the other hand, I gave examples of the balance between the performance of AI applications and the decrease in explainability. There is a general opinion here that a trade-off should be made…


“Öğrenmenin en önemli kısmı aslında unutmaktır.” Naftali Tishby

Image for post
Image for post
Kaynak: Unsplash-@joshua-Sortino

⏰ Bundan yaklaşık bir buçuk yıl önce “Açıklanabilir Yapay Zeka Nedir ve İhtiyaç Mıdır?” başlıklı bir yazı kaleme almıştım. Aynı konuyla ilgili derinleşmekte fayda olabileceğini düşündüm. Hem biraz daha teknik hem de iş değerlerini artırmak için nasıl bir perspektiften bakılabileceği üzerine kafa yorabiliriz.

Derin öğrenme çok sayıda doğrusal olmayan fonksiyonu kullanan yapay sinir ağlarının günümüzdeki adıdır. Yapay sinir ağlarının 90’lı yıllardaki popülaritesinin çok üstüne çıkmasının sebebi insan seviyesine erişen önemli başarılara imza atmış olmasıdır. Sezgisel olarak, doğrusal olmayan fonksiyonların çok sayıda katmanı, ağın ham veriler ve tahmin arasındaki çeşitli soyutlama düzeylerinde özellikleri öğrenmektedir.


“Bazı düşünceler vardır ki, onları düşünemezsiniz.“ David Eagleman

Image for post
Image for post
Görsel Kaynak

Bilişsel önyargılar, insanı insan yapan bir şey olarak yaygın şekilde kabul edilmektedir. Her gün, düşünce sürecimizdeki sistematik hatalar yaşama ve çalışma şeklimizi etkiler. Modern dünyada bu durum ilişkide olduğumuz ileri teknoloji ürünleri ile aramızda da oluşmaktadır.

Yaygın kullanımı olan sosyal medya araçları yapay zeka yaklaşımlarının etkin şekilde kullanıldığı tavsiye sistemleri adında sizin için kişiselleştirilmiş bir hizmet sunmaktadır. Yine de algoritmaların bizim adımıza seçimlerimizi ele geçirmesine ne ölçüde izin veriyoruz ya da vermeli miyiz? Bu durumda nasıl davrandığımız incelendiğinde birkaç önyargı daha belirgin hale gelmektedir:

· Otomasyon Yanlılığı

· Google Etkisi

🤖Devamı için: https://robotic.legal/modern-dunyada-elli-bilissel-onyargi/

Sevgili Av. Selin Çetin ile çevirisini hazırladığımız Modern Dünyada 50 Bilişsel Önyargı Tablosu:


“Dün, bugün ve yarın peş peşe gelmez. Sonsuz bir döngü halinde birbirlerine bağlıdırlar. Her şey birbirine bağlıdır! Hayat bir labirenttir.” H. G. Tannhaus

Image for post
Image for post
Görsel: Gustav Klimt — The tree of life

🤔 İnsanın makine öğrenmesi döngüsünde olması gerekli mi?

Günümüzün yapay zekâsı izlediğimiz filmlerin aksine kendi başına her işi yapamaz ve her şeyi öğrenemez, insanlardan aldığı geri bildirimlere yoğunlukla ihtiyaç duyar.

Büyük olasılıkla bugün makine öğrenmesi uygulamalarının %80'ine yakını denetimli (eğiticili/gözetimli) öğrenme modellerinden meydana gelmektedir. Yine de uygulamalar çok çeşitli kullanım alanlarını kapsamaktadır.

İlgili Yazı: Yapay Zeka Kullanım Alanları ve Uygulamalarına Derinlemesine Bir Bakış

Örneğin otonom araç sizi güvenle bir yere taşıyabilecek şekilde ‘yaya’, ‘hareketli araç’, ‘şerit işaretleri’ gibi bir çok bilgi için eğitilmişlerdir. Evinizdeki cihazınıza ‘sesi aç’ komutu verdiğinizde veya bir makine çevirisi uygulamasına farklı dillerde bunu söylediğinizde cihazınızın sizi anlaması sağlanabilir. …


Bilgisayarlı görüde medikal görüntüler ile çalışırken dikkat edilmesi gerekenler

“Bir şeyi yalnız tek bir yönden anlarsanız onu hiç anlamamışsınız demektir.” Marvin Minsky

Image for post
Image for post
Görsel Kaynak: Unsplash-National Cancer Institute

Farklı görüntü verileri işleyerek ve yapay öğrenme teknikleri kullanarak çeşitli problemlere çözümler üretmeye çalışıyoruz. Ancak unutulmamalı ki verilerin hangi alandan (domain) geldiği, probleme olan yaklaşımımızı bazen kısmen bazen tamamen değiştirmektedir. Öyle ki, klasik bir nesne sınıflandırma yapar gibi medikal görüntülerle çalışmanın ne kadar sorunu beraberinde getireceğini uzman olmayan kişiler kestiremeyebilir. Bu yazıda görüntü temelli sağlık verilerinde yapay…


“Hareket etmezsen, zincirlerini fark edemezsin.” — Tolstoy

Image for post
Image for post
Unsplash — Martin Adams

Bu yazıda CVPR2019'da sunulan Representation Flow for Action Recognition makalesinin incelemesini yapacağım. Görüntülerde hareket tespitini yapmak için uzun yıllardır kullanılan optik akış algoritmasından esinlenerek yeni bir evrişimli katman yapısı önerilmektedir. Yine çok basit ve dahice bir fikir ile karşı karşıyayız. Bu yeni fikir gösterim akış (representation flow) olarak tanımlanıyor.

Bu çalışmada deneyler ‘Tiny-Kinetics’ veri seti ile yapılmış ve çoğu deney için yazarlar 16✖112✖112 boyutlarında ResNet-34 kullanmıştır. ResNet modeli hakkında detaylı bilgiye buradan ulaşabilirsiniz 🤓

🚣🏻 Optik Akış Algoritması ile Yumuşak Bir Giriş

Video işlemede en önemli konulardan biri de çerçeveler (frame) arasındaki değişimleri yakalayabilmektir. Seçilen bir çerçevedeki bir noktanın bir sonraki çerçevede de olup olmadığı veya nerede olduğu…


“Knowing how to think empowers you far beyond those who know only what to think.” — Neil deGrasse Tyson

Image for post
Image for post
Photo by Lisa Zoe on Unsplash

🎯 The above paper was published in 2019 at the International Conference on Machine Learning (ICML). On the ImageNet challenge, with a 66M parameter calculation load, EfficientNet reached 84.4% accuracy and took its place among the state-of-the-art.

EfficientNet can be considered a group of convolutional neural network models. But given some of its subtleties, it’s actually more efficient than most of its predecessors.


“Nasıl düşüneceğini bilmek, sadece ne düşüneceğini bilenlerin çok daha ötesinde olmanı sağlayacaktır.” — Neil deGrasse Tyson

Image for post
Image for post
Görsel

🎯 Bu makale 2019 yılında International Conference on Machine Learning (ICML)’de yayınlandı. ImageNet sınıflandırma probleminde 66M parametre hesaplama yükü ile %84.4'lük doğruluğa ulaşarak state-of-the art modeller arasında yerini aldı! EfficientNet, bir grup evrişimli sinir ağı modeli olarak düşünülebilir. Ama tabi ki incelikleri sayesinde adından da anlaşılacağı gibi kendisinden önceki modellerin çoğundan efektif/verimli (efficient)dir.


Image for post
Image for post
Image Source

“My life seemed to be a series of events and accidents. Yet when I look back, I see a pattern.” Benoit Mandelbrot

U-Net, a kind of Convolutional Neural Networks (CNN) approach, was first proposed by Olaf Ronneberger, Phillip Fischer, and Thomas Brox in 2015 with the suggestion of better segmentation on biomedical images.

Why segmentation is needed and what U-Net offers

Basically, segmentation is a process that partitions an image into regions. It is an image processing approach that allows us to separate objects and textures in images.


“Hayatım bir dizi olay ve kaza gibi görünüyordu. Yine de arkama baktığımda bir ‘örüntü’ görüyorum.” Benoit Mandelbrot

Image for post
Image for post

Neden bölütmeye ihtiyaç var ve U-Net bize ne öneriyor!

❓ Evrişimli derin öğrenme modellerinde biliniyor ki eğitim işlemi için büyük veri kümelerine ihtiyaç duymaktadır. Ancak bu noktada bazı problemler vardır! Bir nesne sınıflandırma problemi için toplanmasına ihtiyaç duyulan veri miktarına çoğu zaman gücümüz yetmez. Güç ile kast edilen zaman,para ve en önemlisi de donanım olabilir. Örneğin birçok biyomedikal görüntüyü cep telefonunuzun kamerasıyla toplamanız mümkün değil. Bir…

Ayyüce Kızrak

Ph.D. Candidate at Yıldız Technical University | AI Researcher at Bahçeşehir University | www.ayyucekizrak.com/

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store