Stanford CS231N Ders 1: Bilgisayar Görüşü ve Derin Öğrenme Devrimine Giriş
22 Eylül 2025 • 28 dk 19 sn
Bu podcast, Stanford CS231N Bilgisayar Görüşü ve Derin Öğrenmeye Giriş dersinin temelini oluşturan kavramları özetlemektedir. Ders, yapay zekanın ayrılmaz bir parçası ve zekanın köşe taşı olarak görülen bilgisayar görüşü (CV) ile makine öğreniminin (ML) bir dalı olan derin öğrenmenin (DL) temel kesişim noktasını kapsamaktadır. Derin öğrenme, doğrusal olmayan fonksiyonları modellemek için birden çok operasyon katmanını bir araya getiren sinir ağları etrafında inşa edilmiş algoritmik tekniklerden oluşur. Kurs, en basit yaklaşım olan doğrusal sınıflandırma ile başlar ve model karmaşıklığını kontrol eden düzenlileştirme (regularization) ve görülmemiş verilere genelleme yeteneği (generalization) gibi temel kavramları inceler. Tarihsel olarak, DL'nin ilerlemesi, nörobilimden ilham alan hiyerarşik görsel yol keşifleriyle (Hubel ve Wiesel, 1950'ler), hatayı tüm ağa geri yayan matematiksel olarak titiz bir öğrenme kuralı olan Geriye Yayılım'ın (Back Propagation) 1986 civarında keşfiyle ve yüksek kapasiteli bu algoritmaların genelleme yapması için gereken ImageNet gibi büyük veri setlerinin oluşturulmasıyla hızlanmıştır. 2012 yılında AlexNet'in ImageNet yarışmasını kazanması, Geriye Yayılım ve verinin birleşimi sayesinde modern yapay zeka veya derin öğrenme devriminin tarihi anı olarak kabul edilir. Temellerin ötesinde, ders Konvolüsyonel Sinir Ağları (CNNs), RNN'ler ve Transformer'lar gibi mimarileri, anlamsal bölütleme (segmentation) ve nesne tespiti (object detection) gibi karmaşık görsel görevleri ve stil transferi ile diffusion modelleri gibi üretken modelleri kapsayarak, alanın "AI küresel ısınma" dönemindeki hızlı gelişimini yansıtmaktadır.