LinkedIn üzerinde faaliyet gösteren Türkiye Derin Öğrenme Grubu 27 Eylül 2015 günü itibariyle 100 kişiye ulaştı. Tüm üyelerimize teşekkürler.
https://www.linkedin.com/grp/home?gid=8334641
13 Ekim 2015 günü Ankara’da icra edilecek faaliyetimize katılmak için Meetup Grubumuza http://www.meetup.com/Ankara-Deep-Learning katılabilirsiniz.
Derin Öğrenme Yaz Okulu Montreal/Kanada’da Ağustos 2015 ayında icra edildi. 10 günlük faaliyette derin öğrenmenin kullanım alanlarına yönelik konusunda uzman kişilerin katıldığı sunumlar ve otonom sistem demoları yapıldı. Aşağıda günlük programlar halinde sunulan sunumları indirip inceleyebilirsiniz.
| 1’inci Gün – 03 Ağustos 2015 |
|---|
| Pascal Vincent: Intro to ML |
| Yoshua Bengio: Theoretical motivations for Representation Learning & Deep Learning |
| Leon Bottou: Intro to multi-layer nets |
| 2’nci Gün – 04 Ağustos 2015 |
|---|
| Hugo Larochelle: Neural nets and backprop |
| Leon Bottou: Numerical optimization and SGD, Structured problems & reasoning |
| Hugo Larochelle: Directed Graphical Models and NADE |
| Intro to Theano |
| 3’üncü Gün – 05 Ağustos 2015 |
|---|
| Aaron Courville: Intro to undirected graphical models |
| Honglak Lee: Stacks of RBMs |
| Pascal Vincent: Denoising and contractive auto-encoders, manifold view |
| 4’üncü Gün – 06 Ağustos 2015 |
|---|
| Roland Memisevic: Visual features |
| Honglak Lee: Convolutional networks |
| Graham Taylor: Learning similarit |
| 5’inci Gün – 07 Ağustos 2015 |
|---|
| Chris Manning: NLP 101 |
| Graham Taylor: Modeling human motion, pose estimation and tracking |
| Chris Manning: NLP / Deep Learning |
| 6’ncı Gün – 08 Ağustos 2015 |
|---|
| Ruslan Salakhutdinov: Deep Boltzmann Machines |
| Adam Coates: Speech recognition with deep learning |
| Ruslan Salakhutdinov: Multi-modal models |
| 7’nci Gün – 09 Ağustos 2015 |
|---|
| Ian Goodfellow: Structure of optimization problems |
| Adam Coates: Systems issues and distributed training |
| Ian Goodfellow: Adversarial examples |
| 8’inci Gün – 10 Ağustos 2015 |
|---|
| Phil Blunsom: From language modeling to machine translation |
| Richard Socher: Recurrent neural networks |
| Phil Blunsom: Memory, Reading, and Comprehension |
| 9’uncu Gün – 11 Ağustos 2015 |
|---|
| Richard Socher: DMN for NLP |
| Mark Schmidt: Smooth, Finite, and Convex Optimization |
| Roland Memisevic: Visual Features II |
| 10’uncu Gün – 12 Ağustos 2015 |
|---|
| Mark Schmidt: Non-Smooth, Non-Finite, and Non-Convex Optimization |
| Aaron Courville: VAEs and deep generative models for vision |
| Yoshua Bengio: Generative models from auto-encoder |
Tüm sunumları indirmek için tıklayınız.
Kaynaklar:
NVIDIA’nın düzenlemiş olduğu online derste (29.07.2015) katılımcıların yazılı sorularına verilen cevaplar aşağıda yer almaktadır. Dersle ilgili daha fazla bilgi için tıklayınız.
Chairperson: The recording and slides from the first class are located here https://developer.nvidia.com/deep-learning-courses
Jonathan Bentz: N Frick: I have a question: are any of the recent algorithm advances already “baked” into the DL Frameworks, or is it up to the user to choose the correct preprocessing methods and implement them outside the libraries?
A: Depends what you mean by “algorithm advances”. In general, the DL frameworks make every attempt to keep up with the current state of the art in deep learning algorithms and so they often implement these directly in the frameworks.
Brent Oster: Sunny Panchal: Once a network has been trained, how well does it adapt to a new set of data that is added with a new classification category?
Yes, this is referred to as fine tuning, and it works because many of the lower-level features are common between datasets. Only the weights for the fully-connected layers need to be adjusted.
Allison Gray: Earl Vickers Question: Can DIGITS handle arbitrary data types without a lot of programming, or is it mainly designed for pictures?
A: Right now you can use square or rectangular images with DIGITS. They can be either color or grayscale. We can also handle different image formats. We plan to expand this in the future.
Earl Vickers Question: Can DIGITS handle arbitrary data types without a lot of programming, or is it mainly designed for pictures?
A: Right now you can use square or rectangular images with DIGITS. They can be either color or grayscale. We can also handle different image formats. We plan to expand this in the future.
Earl Vickers Question: Can DIGITS handle arbitrary data types without a lot of programming, or is it mainly designed for pictures?
A: Right now you can use square or rectangular images with DIGITS. They can be either color or grayscale. We can also handle different image formats. We plan to expand this in the future.
Larry Brown: There are a few questions about invariance in DNNs and including metadata…those questions are more advanced and we will come back to them in a future session.
Brent Oster: Q: Ferhat Kurt: Is it possible to image recognition realtime in a stream (video)?
Amerikan askeri araştırma görevlileri, insanlı ve insansız hava araçlarında radar algılayıcıların kullanılarak askeri hedeflerin hızlı ve doğru teşhis edilmesine yönelik radar hedef tanımada kullanılan bilgisayar algoritmaları için yeni yöntem ve yüksek-performanslı gömülü işlem (high-performance embedded computing – HPEC) mimarilerine ihtiyaç duymuşlardır. Araştırma görevlileri işte bu ihtiyaca yönelik çözümü derin öğrenme ile buldu.
Amerikan Hava Kuvvetleri Araştırma Laboratuarı Deep Learning Analytics ile Target Recognition and Adaption in Contested Environments (TRACE) programı kapsamında 6 milyon dolarlık bir sözleşme imzaladı.
DARPA TRACE programının üç hedefi bulunmaktadır: düşük güçlü hava araçlarında askeri hedefleri tanıma, karmaşık ortamlarda hedef tespitinde düşük yanlış alarm seviyesi ve yeni hedefleri aralıklı veya sınırlı ölçülen eğitim verisi ile hızlı öğrenme.
Radarların güvenli mesafeden yerdeki hedeflerin görüntüsünü alabilmesine rağmen, insan ve makine tabanlı radar resim tanıma yanlış alarm oranı kabul edilemez seviyededir. Ayrıca mevcut hedef tanıma algoritmaları insanlı ve insansız hava araçlarında elverişsiz büyük hesaplama kaynağına ihtiyaç duymaktadır.
Bu zorlukların üstesinden gelmek için TRACE programı kapsamında kesin, gerçek zamanlı, düşük güç ihtiyacı olan hedef tanıma sistemi geliştirecektir.
Bu çalışmada mühendisler gelişmekte olan mobil hesaplama mimarileri, ARM işmeciler gibi genel maksat hesaplama elemanlarını birleştiren bir çip üzerindeki (SoC) çoklu işlemciler, grafik işlemci üniteleri (GPUs) ve FPGA’den (Field Programmable Gate Array – Alanda Programlanabilir Kapı Dizileri) faydalanacaklardır.
Geçtiğimiz 30 yıl içinde radar görüntü tanımaya harcanan paranın büyüklüğü ve elde edilen başarı seviyesi değerlendirildiğinde derin öğrenmenin insan tanıma hata eşiğinin altında yakaladığı başarı ile diğer ülke ordularının da bu alana bir an önce yatırım yapmasını teşvik edecektir.
Yazının devamı için kaynaklara bakabilirsiniz.
Kaynak: