Perception
Computer vision, görüntü ve videodan anlam çıkarma alanıdır: sınıflandırma, nesne algılama, bölütleme, takip ve ölçüm. Alan göreve özel modellerden görme-dil modellerine kaydı; artık tek bir model hem görüntüyü betimleyebiliyor hem yapılandırılmış çıktı üretebiliyor, ancak piksel düzeyinde konum ve ölçüm doğruluğu gerektiren işlerde göreve özel klasik yöntemler hâlâ tercih ediliyor. Model aileleri, etiketleme ve veri kümesi kurulumu, kenar cihazda çalıştırma ve doğruluk ölçümü bu başlığın altında toplanır.
Her alt konu kendi merkezine sahiptir; kavram, haber, ders ve test orada toplanır.
Görüntü ve video verisinden nesne, sahne, metin ve hareket gibi bilgileri çıkarmayı amaçlayan yapay zekâ alt alanıdır.
Bir görü modelinin ulaşabileceği en yüksek doğruluk, eğitim verisindeki etiketlerin tutarlılığıyla sınırlıdır. İki etiketçi aynı görüntüyü farklı etiketliyorsa model, çelişen iki hedefi birden öğrenmeye çalışır ve aradaki belirsizlik bir tavan oluşturur. Bu tavan mimari değiştirilerek, veri çoğaltılarak ya da eğitim süresi uzatılarak aşılamaz.
Bir görü modelinin test kümesindeki doğruluğu, sahadaki doğruluğunu tahmin etmiyor. Nedeni basit: test kümesi eğitim verisiyle aynı koşullarda toplanmış — aynı kameralar, aynı ışık, aynı açılar, aynı etiketleyiciler. Saha bu koşulları paylaşmıyor. Bu yüzden laboratuvar doğruluğu bir yeterlilik kanıtı değil, yalnızca bir alt sınır belirtisi.
Semantik komşuluk: bu konuyu anlamak için gereken veya ondan türeyen kavramlar.
Çok katmanlı sinir ağlarıyla, ham veriden özellikleri elle tanımlamaya gerek kalmadan hiyerarşik temsiller öğrenen makine öğrenmesi yaklaşımıdır.
Fiziksel bir bedeni olan ve çevresiyle algı-eylem döngüsü üzerinden etkileşen yapay zekâ sistemlerinin alanıdır.
Metin, görsel, ses ve video gibi birden fazla veri türünü aynı model içinde birlikte işleyen yapay zekâ yaklaşımıdır.
Aynı konunun öğretim ve ölçüm formatları.
Dersler
Testler
