Skip to main content

Mini Otonom Araç Yarışması Başlıyor!

Başvurmadıysanız, çok az zaman kaldı!

Mini Otonom Araç Yarışması, Bilkent Cyberpark, NVIDIA ve MIT Beawer Works ana sponsorluğunda Open Zeka tarafından düzenlenmektedir. Bilkent Cyberpark yarışma kapsamında organizasyon çalışmaları, eğitimde kullanılacak alanlar ve hizmetler konusunda destek sağlamaktadır. NVIDIA ise Derin Öğrenme Kurumu bünyesinde yapay zeka eğitimleri için gerekli altyapı ve kart bağışı ile destek sağlamaktadır. MIT Beaver Works yarışmada kullanılacak dokümanlar konusunda destek vermektedir.

Yarışma hakkında daha fazla bilgi almak için: https://openzeka.com/marc/

OpenZeka MARC – Mini Otonom Araç Yarışması Duyurusu

Yarışmayı kimler düzenliyor?

Yarışma, NVIDIA ana sponsorluğunda Open Zeka tarafından düzenlenmektedir.

Yarışmaya kimler katılabilir?

  • Lise öğrencileri
  • Üniversite öğrencileri
  • Otonom araç meraklıları

Yarışma kategorileri;

  • Üniversite Ligi
  • Lise Ligi
  • Otonom Sistem Geliştirici Ligi

Yarışmanın amacı;

  • En son teknoloji ürünü sensör ve yapay zeka algoritmalarını kullanmak ve uygulama geliştirmek,
  • Takım çalışması ve takımlara arası etkileşim kültürünü artırmak,
  • Kendine güvenen ve robotik alanında ülkemizi temsil edecek genç girişimcileri yetiştirmektir.

Bu yarışmaya katılan takımlara yarışmada kullanılacak mini otonom aracın tasarımı ve yapay zeka algoritmalarının kullanımı konusunda ücretsiz eğitim verilecektir.

Open Zeka, bu yarışmayla yakın gelecekte hayatın her alanında yer bulacak otonom sistemleri tasarlama ve algoritma geliştirme seviyesini lise düzeyine indirerek ülkemizde teknoloji firmalarının ihtiyaç duyacağı otonom sistemleri geliştirebilen insan kaynağını oluşmasına katkı sağlamayı hedeflemektedir.

Başvuru ve detaylı bilgi için: https://openzeka.com/marc/

Basamak Korelasyon Sinir Ağı-Bölüm 4-

Genetik Basamak Korelasyon Öğrenme Algoritması

Genetik algoritmalar, doğal seçim ilkelerine dayanan bir arama ve optimizasyon yöntemidir. Temel ilkeleri John Holland (1975) tarafından ortaya atılmıştır. Geleneksel optimizasyon yöntemlerine göre farklılıkları olan genetik algoritmalar, parametre kümesini değil kodlanmış biçimlerini kullanırlar. Olasılık kurallarına göre çalışan genetik algoritmalar, yalnızca amaç fonksiyonuna gereksinim duyar. Çözüm uzayının tamamını değil belirli bir kısmını tararlar. Böylece, etkin arama yaparak çok daha kısa bir sürede çözüme ulaşırlar (Goldberg, 1989). Diğer bir önemli üstünlükleri ise çözümlerden oluşan populasyonu eş zamanlı incelemeleri ve böylelikle lokal en iyi çözümlere takılmamalarıdır (Emel ve Taşkın, 2002).

Quickprop algoritması yerine kullanılan genetik algoritması da geri yayılımlı algoritmaya karşın bazı avantajları mevcuttur. Özellikle,  bu iki algoritmada lokal minimuma yakınsama olasılığını azaltmayı ve gradyan bilgisi olmamasına karşın uygulamayı desteklemeyi içerir. Fahlman gradyan inişi potansiyel problemde lokal minimum çözümü yakınsamasında korelasyonda basamak korelasyonu aday birimlerin olduğu popülasyonun eğitiminde en fazla ilişkili olanı seçer ve ağa onu ekler ve bunun için küçük bir popülasyon-4 ila 8 birim- kullanırken hiçbirinin birbirleriyle iletişime geçmemesini sağlar. Genetik algoritmalar genellikle çok daha büyük nüfusları korur ve çapraz rekombinasyon operatörü aracılığıyla bireylerin etkileşimini kullanır (Potter, 1992).

Devamını Oku