Translation

15/09/2019

How does Text Mining Work?
https://www.youtube.com/watch?v=xxqrIZyKKuk

How does Text Mining work?
  Researchers can solve specific research questions by using text mining.
  You can text mine by first collecting the content you want to mine.
  For example within academic articles.
  Then you can apply a text mining tool which helps extract the information you need from large amounts of contents.
  The tool extracts by learning how to find information within each article.
  It examines complex ressearch content containing unique language abbreviations, codes and symbols.
  Researchers then end up with a long list of extracted words and sentences.
  Text mining tool also understands how the words relate to one another and analyze the results.
  It enables researchers to see emerging trends and patterns.
  Impossible to do if you had to read all the content yourself.
  This results in new insights which helps answer their research questions.
  After text mining researchers can share their results with the research community as a new article or as a research like a researchable database.
     brought to you by ELSEVIER.

Metin Madenciliği nasıl çalışır?
  Araştırmacılar, belirli araştırma problemlerini, metin madenciliği kullanarak çözebilir.
  Metin madenciliği yapacaksan öncelikle madencilik yapacağın içeriği toplaman gerekir.
  Örneğin akademik makaleleri kullanabilirsin.
  Sonrasında büyük miktardaki içerikten ihtiyacın olan bilgiyi çıkarmana yardımcı olacak metin madenciliği aracını kullanabilirsin.
  Bu araç, her makaleden gerekli bilgiyi nasıl elde edeceğini öğrenerek bilgiyi ortaya çıkarır.
  Bu araç, bir diln kısaltmalarını, kodlarını ve sembollerini içeren karmaşık araştırma içeriğini inceler.
  Araştırmacılar, elde ettikleri uzun bir liste dolusu kelime ve cümlelerle bu aşamayı tamamlar.
  Metin madenciliği aracı, aynı zamanda birbirleriyle ilişkili kelimelerin nasıl birbirleriyle bağlantılı olduğunu da anlar ve sonuçları inceler.
  Bu araç, araştırmacıların ortaya çıkan eğilimleri ve örüntüleri görmesine olanak sağlar.
  Tüm içeriği kendin okumak zorunda kalsaydın, böyle bir işi yapmak imkansız olurdu.
  Metin madenciliği sayesinde araştırma problemlerinin cevaplanmasına yardım eden yeni görüler kazanılır.
  Sonrasında metin madenciliği araştırmacıları elde ettiği sonuçları yeni bir makale veya incelenebilir bir veritabanı gibi bir araştırma olarak araştırmacılar topluluğu ile paylaşabilir.
     ELSEVIER tarafından yayınlanmıştır.

Natural Language Processing: Crash Course Computer Science #36
https://www.youtube.com/watch?v=fOvTtapxa9c

  Hi, I'm Carrie Anne and welcome to Crash Course Computer Science!
  Last episode we talked about computer vision - giving computers the ability to see and understand visual information.
  Today we're goint to talk about how to give computers the ability to understand language.
  You might argue they've had this capability.
  Back in Episodes 9 and 12, we talked about machine language instructions, as well as higher level programming languages.
  While these certainly meet the definition of a language, they also tend to have small vocabularies and follow highly structured conventions.

Turkce:
Merhaba, ben Carrie Anne, Crash Course Computer Science'a hoşgeldiniz.
  Son bölümde bilgisayar görüsü hakkında konuşmuştuk, bilgisayar görüsü, bilgisayarlara, görsel bilgiyi görme ve anlama becerisi kazandırır.
  Bugün sizlerle bilgisayarlara dili anlama becerisinin nasıl kazandırıldığı hakkında konuşacağız.
  Bilgisayarların zaten böyle bir becerisi vardı diyebilirsiniz.
  9. ve 12. bölümlere dönecek olursak, daha yüksek seviyeli programlama dillerinin yanı sıra makine dili talimatları hakkında da konuşmuştuk.
  Bunların, bir dilin tanımına kesinlikle uymalarının yanı sıra, aynı zamanda bunlar küçük boyutlu kelime dağarcığına sahip olma ve sağlamca yapılandırılmış düzenleri takip etme eğilimindedirler.


  

00:30

Code will only compile and run if it’s 100 percent free of spelling and syntactic errors. 

Turkce: 

Kod yalnızca% 100 yazım ve sözdizimsel hatalardan arınmışsa derlenir ve çalıştırılır.

00:35

Of course, this is quite different from human languages – what are called natural languages – containing large, diverse vocabularies, words with several different meanings, speakers with different accents, and all sorts of interesting word play. 

Turkce:

 Tabii ki, bu, insan dillerinden oldukça farklıdır - insan dillerine doğal diller denir - doğal diller; büyük, çeşitli kelimeler, farklı anlamlara sahip kelimeler, farklı aksanlara sahip konuşmacılar ve her türlü ilginç kelime oyununu içerir.

00:46

People also make linguistic faux pas when writing and speaking, like slurring words together, leaving out key details so things are ambiguous, and mispronouncing things. 

Turkce:

 İnsanlar ayrıca yazı yazarken ve konuşurken, kelimeleri kötü telafuz etmek, anahtar detayları yansıtamayarak konunun belirsiz olması ve yanlış söylemek gibi dilsel hatalar yaparlar.

00:54

But, for the most part, humans can roll right through these challenges. 

Turkce:

 Ancak, çoğu zaman insanlar bu zorlukların üstesinden gelebilirler.

00:58

The skillful use of language is a major part of what makes us human. 

Turkce:

 Dilin ustaca kullanımı bizi insan yapan şeyin önemli bir parçasıdır.

01:01

And for this reason, the desire for computers to understand and speak our language has been around since they were first conceived. 

Turkce:

 Ve bu nedenle, bilgisayarlara dilimizi anlama ve konuşma yeteneğini verme isteği, ilk tasarlandıklarından bu yana olmuştur.

01:08

This led to the creation of Natural Language Processing, or NLP, an interdisciplinary field combining computer science and linguistics. 

Turkce:

 Bu, bilgisayar bilimi ve dilbilimi birleştiren disiplinlerarası bir alan olan Doğal Dil İşleme veya NLP'nin oluşturulmasına yol açtı.

01:15

INTRO

01:24

There’s an essentially infinite number of ways to arrange words in a sentence. 

Turkce:

 Bir cümle içinde kelimeleri düzenlemek için temelde sonsuz sayıda yol vardır.

01:28

We can’t give computers a dictionary of all possible sentences to help them understand what humans are blabbing on about. 

Turkce:

 Bilgisayarların, insanların nasıl konuştuğunu anlamalarına yardımcı olmak için olası tüm cümlelerin olduğu bir sözlüğü veremeyiz.

01:34

So an early and fundamental NLP problem was deconstructing sentences into bite-sized pieces, which could be more easily processed. 

Turkce:

 Bu nedenle, erken ve temel bir NLP sorunu, cümleleri daha kolay işlenebilecek küçük küçük parçalara ayırmaktı.

01:41

In school, you learned about nine fundamental types of English words: nouns, pronouns, articles,

verbs, adjectives, adverbs, prepositions, conjunctions, and interjections. 

Turkce:

 Okulda, dokuz temel İngilizce kelime türünü öğrendiniz: isimler, zamirler, makaleler, fiiller, sıfatlar, zarflar, edatlar, bağlaçlar ve terimler.

01:50

These are called parts of speech. 

Turkce:

 Bunlara konuşmanın bölümleri denir.

01:52

There are all sorts of subcategories too, like singular vs. plural nouns and superlative vs. comparative adverbs, but we’re not going to get into that. 

Turkce:

 Tekil ve çoğul isimler, üstün ve karşılaştırmalı zarflar gibi her tür alt kategori de var, ancak buna girmeyeceğiz.

01:59

Knowing a word’s type is definitely useful, but unfortunately, there are a lot words that have multiple meanings – like “rose” and “leaves”, which can be used as nouns or verbs. 

Turkce:

 Bir kelimenin türünü bilmek kesinlikle faydalıdır, ancak ne yazık ki, isim veya fiil olarak kullanılabilecek “rose”(gül,yükseldi) ve “leaves”(yapraklar,ayrılır) gibi çoklu anlamı olan birçok kelime vardır.

02:08

A digital dictionary alone isn’t enough to resolve this ambiguity, so computers also need to know some grammar. 

Turkce:

 Dijital bir sözlük tek başına bu belirsizliği gidermek için yeterli değildir, bu nedenle bilgisayarların biraz da gramer bilmesi gerekir.

02:14

For this, phrase structure rules were developed, which encapsulate the grammar of a language. 

Turkce:

 Bunun için bir dilin dilbilgisini içine alan cümle yapısı kuralları geliştirilmiştir.

02:18

For example, in English there’s a rule that says a sentence can be comprised of a noun

phrase followed by a verb phrase. 

Turkce:

 Örneğin, İngilizce’de bir cümlenin bir isim kelimesinden sonra bir fiil kelimesi getirilerek oluşabileceğini söyleyen bir kural vardır.

02:24

Noun phrases can be an article, like “the”, followed by a noun or they can be an adjective followed by a noun. 

Turkce:

 İsim kelimeleri, “the” kelimesinden sonra gelen bir isim gibi veya sıfattan sonra gelen bir isim gibi tamlamalar oluşturabilir.

02:30

And you can make rules like this for an entire language. 

Turkce:

 Ve bir dilin bütün kapsamı için böyle kurallar koyabilirsiniz.

02:32

Then, using these rules, it’s fairly easy to construct what’s called a parse tree, which not only tags every word with a likely part of speech, but also reveals how the sentence is constructed. 

Turkce:

 Daha sonra, bu kuralları kullanarak, her bir sözcüğü yalnızca konuşmanın olası bir kısmıyla etiketleyen değil, aynı zamanda cümlenin nasıl oluşturulduğunu da ortaya koyan, ayrıştırma ağacı adı verilen şeyi oluşturmak oldukça kolaydır.

02:41

We now know, for example, that the noun focus of this sentence is “the mongols”, and we know it’s about them doing the action of “rising” from something, in this case, “leaves”. 

Turkce:

 Şimdi biliyoruz ki, örneğin, bu cümlenin isim odağının “moğollar” olduğunu ve onların bir şeyden “yükselme” eylemini gerçekleştirdiklerini, bu durumda “ayrıldığını” biliyoruz.

02:51

These smaller chunks of data allow computers to more easily access, process and respond to information. 

Turkce:

 Bu daha küçük veri parçaları, bilgisayarların bilgiye daha kolay erişmelerini, bilgiyi işlemelerini ve onlara yanıt vermelerini sağlar.

02:56

Equivalent processes are happening every time you do a voice search, like: “where’s the nearest pizza”. 

Turkce:

 Mesela “en yakın pizza nerede?” gibi her sesli arama yaptığınızda böyle işlemler gerçekleşiyor.

03:01

The computer can recognize that this is a “where” question, knows you want the noun “pizza”, and the dimension you care about is “nearest”. 

Turkce:

 Bilgisayar bunun bir “nerede” sorusu olduğunu anlayabilir, istediğinizin “pizza” ismi olduğunu bilir ve önemsediğiniz boyutun “en yakın” olduğunu bilir.

03:07

The same process applies to “what is the biggest giraffe?” or “who sang thriller?” 

Turkce:

 Aynı süreç “en büyük zürafa nedir?” veya “thriller'ı kim söyledi?” için de geçerlidir.

03:12

By treating language almost like lego, computers can be quite adept at natural language tasks. 

Turkce:

 Dile neredeyse lego gibi davranarak, bilgisayarlar doğal dil görevlerinde oldukça becerikli olabilir.

03:17

They can answer questions and also process commands, like “set an alarm for 2:20” or “play T-Swizzle on spotify”. 

Turkce:

 Soruları cevaplayabilir ve “02:20 için bir alarm ayarla” veya “Spotify'da T-Swizzle'ı oynat” gibi komutları işleyebilirler.

03:23

But, as you’ve probably experienced, they fail when you start getting too fancy, and they can no longer parse the sentence correctly, or capture your intent. 

Turkce:

 Ancak, muhtemelen deneyimlediğiniz gibi, cümlenizi fazla süslediğinizde başarısız olurlar ve artık cümleyi doğru şekilde ayrıştıramazlar veya niyetinizi kavrayamazlar.

03:31

Hey Siri... methinks the mongols doth roam too much, what think ye on this most gentle mid-summer’s day? 

Turkce:

 Hey Siri, moğolların çok fazla dolaştığını sanır, yaz mevsiminin bu en nazik gününde ne düşünüyorsun?

03:38

Siri: I’m not sure I got that. 

Turkce:

 Siri: Bunu anladığımdan emin değilim.

03:40

I should also note that phrase structure rules, and similar methods that codify language, can be used by computers to generate natural language text. 

Turkce:

 Ayrıca, yapı kurallarının ve dili kodlayan benzer yöntemlerin, bilgisayarlar tarafından doğal dil metni oluşturmak için kullanılabileceğininin altını çizmeliyim.

03:47

This works particularly well when data is stored in a web of semantic information, where entities are linked to one another in meaningful relationships, providing all the ingredients you need to craft informational sentences. 

Turkce:

 Bu özellikle, verilerin, anlamlı ilişkileri olan varlıkların birbirleriyle bağlantılı olduğu ve bilgi cümleleri oluşturmak için ihtiyaç duyduğunuz tüm malzemeleri sağladığı anlamsal bir bilgi ağında depolanması durumunda işe yarar.

03:59

Siri: Thriller was released in 1983 and sung by Michael Jackson 

Turkce:

 Siri: Thriller 1983 yılında yayınlandı ve Michael Jackson tarafından söylendi

04:02

Google’s version of this is called Knowledge Graph. 

Turkce:

 Bunun Google sürümüne Knowledge Graph(Tecrübe Grafiği) denir.

04:05

At the end of 2016, it contained roughly seventy billion facts about, and relationships between different entities. 

Turkce:

 2016'nın sonunda, kabaca yetmiş milyar durumu ve farklı varlıklar arasındaki ilişkileri içeriyordu.

04:12

These two processes, parsing and generating text, are fundamental components of natural language chatbots - computer programs that chat with you. 

Turkce:

 Bu iki işlem, metin ayrıştırma ve üretme, doğal dil chatbotlarının temel bileşenleridir - sizinle sohbet eden bilgisayar programları.

04:19

Early chatbots were primarily rule-based, where experts would encode hundreds of rules mapping what a user might say, to how a program should reply. 

Turkce:

 İlk chatbotlar temel olarak kurallara dayanıyord; uzmanlar, bir kullanıcının söyleyebileceği şeylerden tutun bir programın nasıl cevap vereceğine kadar haritalayan yüzlerce kuralı kodlardı.

04:27

Obviously this was unwieldy to maintain and limited the possible sophistication. 

Turkce:

 Bu olası karmaşıklığı sürdürmek ve sınırlamak açıkça kullanışsızdır.

04:30

A famous early example was ELIZA, created in the mid-1960s at MIT. 

Turkce:

 Ünlü bir erken örnek, 1960'ların ortalarında MIT'de oluşturulan ELIZA idi.

04:35

This was a chatbot that took on the role of a therapist, and used basic syntactic rules to identify content in written exchanges, which it would turn around and ask the user about. 

Turkce:

 Bu, bir terapistin rolünü üstlenen ve yazılanları tanımlamak için temel sözdizimsel kurallar kullanan ve kullanıcıya soran bir chatbot'tu.

04:44

Sometimes, it felt very much like human-human communication, but other times it would make simple and even comical mistakes. 

Turkce:

 Bazen, insan-insan iletişimine çok benziyordu, ancak diğer zamanlarda basit ve hatta komik hatalar yapardı.

04:50

Chatbots, and more advanced dialog systems, have come a long way in the last fifty years, and can be quite convincing today! 

Turkce:

 Chatbotlar ve daha gelişmiş sohbet sistemleri son elli yılda çok yol kat etti ve bugün oldukça tatmin edici olabilir!

04:57

Modern approaches are based on machine learning, where gigabytes of real human-to-human chats are used to train chatbots. 

Turkce:

 Modern yaklaşımlar,  gigabaytlarca insanlar arası gerçek sohbetlerin sohbet robotlarını eğitmek için kullanıldığı makine öğrenmesine dayanır.

05:02

Today, the technology is finding use in customer service applications, where there’s already heaps of example conversations to learn from. 

Turkce:

 Günümüzde teknoloji, öğrenilecek çok sayıda örnek konuşma bulunan müşteri hizmetleri uygulamalarında kullanım alanı buluyor.

05:09

People have also been getting chatbots to talk with one another, and in a Facebook experiment, chatbots even started to evolve their own language. 

Turkce:

 İnsanlar birbirleriyle konuşmak için chatbotlar da kullanıyorlardı ve bir Facebook deneyinde, chatbotlar kendi dillerini bile geliştirmeye başladı.

05:17

This experiment got a bunch of scary-sounding press, but it was just the computers crafting a simplified protocol to negotiate with one another. 

Turkce:

 Bu deneyle ilgili bir sürü korkutucu haber basına yansıdı, ancak bu olay sadece  bilgisayarın birbirleriyle görüşmek için basitleştirilmiş bir protokol hazırlamasıydı.

05:24

It wasn’t evil, it’s was efficient. 

Turkce:

 Kötü değildi, etkiliydi.

05:26

But what about if something is spoken – how does a computer get words from the sound? 

Turkce:

 Peki ya bir şey söylenirse - bilgisayar sesten nasıl kelimeyi anlar?

05:30

That’s the domain of speech recognition, which has been the focus of research for many decades. 

Turkce:

 Bu, onlarca yıldır araştırmanın odak noktası olan konuşma tanıma alanıdır.

05:35

Bell Labs debuted the first speech recognition system in 1952, nicknamed Audrey – the automatic digit recognizer. 

Turkce:

 Bell Labs, ilk konuşma tanıma sistemini 1952'de, Audrey olarak adlandırılan otomatik basamak tanıyıcıyı tanıttı.

05:42

It could recognize all ten numerical digits, if you said them slowly enough. 

Turkce:

Onları yeterince yavaş bir şekilde söyleseydiniz, on sayısal basamağın tümünü tanıyabilirdi.

05:46

5… 

Turkce:

 5

05:48

9… 

Turkce:

 5

05:49

7? 

Turkce:

 7

05:50

The project didn’t go anywhere because it was much faster to enter telephone numbers with a finger. 

Turkce:

 Proje hiçbir yere gitmedi çünkü telefon numaralarını parmakla girmek çok daha hızlıydı.

05:55

Ten years later, at the 1962 World's Fair, IBM demonstrated a shoebox-sized machine capable of recognizing sixteen words. 

Turkce:

 On yıl sonra, 1962 Dünya Fuarı'nda IBM, on altı kelimeyi tanıyabilecek ayakkabı kutusu büyüklüğünde bir makine sergiledi.

06:02

To boost research in the area, DARPA kicked off an ambitious five-year funding initiative in 1971, which led to the development of Harpy at Carnegie Mellon University. 

Turkce:

 Bölgedeki araştırmaları artırmak için DARPA, 1971'de Carnegie Mellon Üniversitesi'nde Harpy'nin geliştirilmesine yol açan beş yıllık iddialı bir fon girişimini başlattı.

06:11

Harpy was the first system to recognize over a thousand words. 

Turkce:

 Harpy, binden fazla kelimeyi tanıyan ilk sistemdi.

06:15

But, on computers of the era, transcription was often ten or more times slower than the rate of natural speech. 

Turkce:

 Ancak, dönemin bilgisayarlarında, kopyalama, doğal konuşma oranından on kattan daha yavaştı.

06:20

Fortunately, thanks to huge advances in computing performance in the 1980s and 90s, continuous, real-time speech recognition became practical. 

Turkce:

 Neyse ki, 1980'lerde ve 90'larda bilgisayar performansındaki büyük gelişmeler sayesinde, sürekli, gerçek zamanlı konuşma tanıma pratik hale geldi.

06:27

There was simultaneous innovation in the algorithms for processing natural language, moving from hand-crafted rules, to machine learning techniques that could learn automatically from existing datasets of human language. 

Turkce:

Aynı zamanda Doğal dilin işlenmesi için, el yapımı kurallardan insan dilinin mevcut veri kümelerinden otomatik olarak öğrenebilecekleri makine öğrenme tekniklerine geçişini sağlayan algoritmalarda yenilik vardı.

06:38

Today, the speech recognition systems with the best accuracy are using deep neural networks, which we touched on in Episode 34. 

Turkce:

 Bugün, en iyi doğruluğa sahip konuşma tanıma sistemleri Bölüm 34'te değindiğimiz derin sinir ağlarını kullanıyor.

06:45

To get a sense of how these techniques work, let’s look at some speech, specifically, the acoustic signal. 

Turkce:

Bu tekniklerin nasıl çalıştığını anlamak için, biraz sesli konuşmaya, özellikle de akustik sinyale bakalım.

06:50

Let’s start by looking at vowel sounds, like aaaaa…and Eeeeeee. 

Turkce:

 Aaaaa… ve Eeeeeee gibi ünlü seslerine bakarak başlayalım.

06:54

These are the waveforms of those two sounds, as captured by a computer’s microphone. 

Turkce:

 Bunlar, bir bilgisayarın mikrofonu tarafından yakalanan, bu iki sesin dalga biçimleridir.

06:58

As we discussed in Episode 21 – on Files and File Formats – this signal is the magnitude of displacement, of a diaphragm inside of a microphone, as sound waves cause it to oscillate. 

Turkce:

 Bölüm 21'de - Dosya ve Dosya Formatları Üzerine - tartıştığımız gibi - bu sinyal, ses dalgaları mikrofonun içindeki bir diyaframın salınmasına neden olduğundan, diyaframın yer değiştirmesinin büyüklüğüdür.

07:07

In this view of sound data, the horizontal axis is time, and the vertical axis is the

magnitude of displacement, or amplitude. 

Turkce:

 Bu ses verisi görünümünde, yatay eksen zamandır ve dikey eksen, yer değiştirme veya genliğin büyüklüğüdür.

07:14

Although we can see there are differences between the waveforms, it’s not super obvious what you would point at to say, “ah ha! this is definitely an eeee sound”. 

Turkce:

 Dalga formları arasında farklılıklar olduğunu görebilsek de, “ah ha! bu kesinlikle bir eeee sesi ” diyebileceğin kadar açık değildir.

07:22

To really make this pop out, we need to view the data in a totally different way: a spectrogram. 

Turkce:

 Bunu gerçekten ortaya çıkarmak için, verileri tamamen farklı bir şekilde görmemiz gerekiyor: bir spektrogram ile.

07:27

In this view of the data, we still have time along the horizontal axis, but now instead of amplitude on the vertical axis, we plot the magnitude of the different frequencies that make up each sound. 

Turkce:

 Verilerin bu görünümünde, yatay eksen boyunca hala zamanımız var, ancak şimdi dikey eksen üzerinde genlik yerine, her sesi oluşturan farklı frekansların büyüklüğünü çiziyoruz.

07:37

The brighter the color, the louder that frequency component. 

Turkce:

Renk ne kadar parlaksa, frekans bileşeni o kadar yüksek olur.

07:40

This conversion from waveform to frequencies is done with a very cool algorithm called a Fast Fourier Transform. 

Turkce:

 Dalga formundan frekanslara bu dönüşüm, Fast Fourier Dönüşümü adı verilen çok havalı bir algoritma ile yapılır.

07:46

If you’ve ever stared at a stereo system’s EQ visualizer, it’s pretty much the same thing. 

Turkce:

 Bir stereo sistemin EQ görüntüleyicisine hiç baktıysanız, hemen hemen aynı şey.

07:51

A spectrogram is plotting that information over time. 

Turkce:

 Bir spektrogram zamanla bu bilgiyi çiziyor.

07:54

You might have noticed that the signals have a sort of ribbed pattern to them – that’s all the resonances of my vocal tract. 

Turkce:

 Sinyallerin kabartmalı bir desenlerinin olduğunu fark etmiş olabilirsiniz - bu benim ses yolumun tüm titreşimleri.

08:00

To make different sounds, I squeeze my vocal chords, mouth and tongue into different shapes, which amplifies or dampens different resonances. 

Turkce:

 Farklı sesler çıkarmak için, ses tellerimi, ağzımı ve dilimi, farklı rezonansları güçlendiren veya azaltan farklı şekillerde sıkarım.

08:06

We can see this in the signal, with areas that are brighter, and areas that are darker. 

Turkce:

 Bunu sinyalde görebiliriz, daha parlak alanlar ve daha karanlık alanlar.

08:10

If we work our way up from the bottom, labeling where we see peaks in the spectrum – what are called formants – we can see the two sounds have quite different arrangements. 

Turkce:

 Eğer en alttan yukarıya doğru çalışırsak, spektrumdaki tepe noktalarını gördüğümüz yeri etiketleme - buna biçimlendirici denir - iki sesin oldukça farklı düzenlemelere sahip olduğunu görebiliriz.

08:18

And this is true for all vowel sounds. 

Turkce:

 Ve bu tüm ünlü sesler için geçerlidir.

08:20

It’s exactly this type of information that lets computers recognize spoken vowels, and indeed, whole words. 

Turkce:

 Bu, bilgisayarların konuşulan sesli harfleri ve hatta tüm kelimeleri tanımalarını sağlayan türden bir bilgidir.

08:25

Let’s see a more complicated example, like when I say: “she.. was.. happy” 

Turkce:

 Hadi daha karmaşık bir örnek görelim: “she.. was.. happy”(“O .. mutluydu”)

08:31

We can see our “eee” sound here, and “aaa” sound here. 

Turkce:

Kendi “eee” sesimizi burada ve “aaa” sesimizi burada görebiliriz.

08:34

We can also see a bunch of other distinctive sounds, like the “shh” sound in “she”, the “wah” and “sss” in “was”, and so on. 

Turkce:

 Aynı zamanda “she” deki “shh” sesi, “wah” ve “was”ın içindeki “sss” gibi diğer birçok ayırt edici sesleri görebiliriz.

08:40

These sound pieces, that make up words, are called phonemes. 

Turkce:

Kelimeleri oluşturan bu ses parçalarına birimses denir.

08:43

Speech recognition software knows what all these phonemes look like. 

Turkce:

 Konuşma tanıma yazılımı, tüm bu birimseslerin neye benzediğini bilir.

08:46

In English, there are roughly forty-four, so it mostly boils down to fancy pattern matching. 

Turkce:

 İngilizce'de, kabaca kırk dört tane vardır, bu yüzden çoğunlukla süslü desen eşleşmesinden ibarettir.

08:51

Then you have to separate words from one another, figure out when sentences begin and end... 

Turkce:

 Öyleyse kelimeleri birbirinden ayırmalı, cümlelerin ne zaman başlayıp biteceğini anlamalısın...

08:55

and ultimately, you end up with speech converted into text, allowing for techniques like we discussed at the beginning of the episode. 

Turkce:

 ve nihayetinde, bölümün başında tartıştığımız gibi tekniklere izin vererek, konuşmanın metne dönüştürülmesi ile bitirirsin.

09:02

Because people say words in slightly different ways, due to things like accents and mispronunciations, transcription accuracy is greatly improved when combined with a language model, which contains statistics about sequences of words. 

Turkce:

 İnsanlar aksanlar ve yanlış telaffuzlar gibi şeyler nedeniyle kelimeleri biraz farklı şekillerde söylediklerinden, kelime dizileriyle ilgili istatistikler içeren bir dil modeli ile birleştirildiğinde uyarlama doğruluğu büyük ölçüde geliştirilmiştir.

09:13

For example “she was” is most likely to be followed by an adjective, like “happy”. 

Turkce:

 Örneğin “she was”(“öyleydi”) en çok “happy”(“mutlu”) gibi bir sıfat tarafından takip edilir.

09:17

It’s uncommon for “she was” to be followed immediately by a noun. 

Turkce:

“she was”(“öyleydi”)nin hemen ardından bir isim gelmesi nadirdir.

09:21

So if the speech recognizer was unsure between, “happy” and “harpy”, it’d pick “happy”, since the language model would report that as a more likely choice. 

Turkce:

 Bu nedenle eğer konuşma tanıyıcı “happy”(“mutlu”) ve “harpy” arasında emin değilse, dil modeli bunu daha muhtemel bir seçenek olarak rapor edeceğinden “happy”(“mutlu”) yu seçer.

09:29

Finally, we need to talk about Speech Synthesis, that is, giving computers the ability to output speech. 

Turkce:

Son olarak, bilgisayarlara konuşma çıktısı verme yeteneği veren Konuşma Sentezi hakkında konuşmamız gerekiyor.

09:35

This is very much like speech recognition, but in reverse. 

Turkce:

Bu konuşma tanıma gibi, ama tersine.

09:38

We can take a sentence of text, and break it down into its phonetic components, and then play those sounds back to back, out of a computer speaker. 

Turkce:

 Metin cümlesini alıp fonetik(sesçil) bileşenlerine ayırabiliriz ve sonra bu sesleri arka arkaya, bilgisayar hoparlöründen çalabiliriz.

09:45

You can hear this chaining of phonemes very clearly with older speech synthesis technologies, like this 1937, hand-operated machine from Bell Labs. 

Turkce:

1937'de Bell Labs tarafından üretilip elle çalıştırılan bu makine gibi eski konuşma sentezi teknolojileri ile bu ses zincirini çok net bir şekilde duyabilirsiniz.

09:53

Say, "she saw me" with no expression. 

Turkce:

 "Beni gördü" de, ifadesizce.

09:56

She saw me. 

Turkce:

 O beni gördü.

09:59

Now say it in answer to these questions. 

Turkce:

Şimdi bu sorulara cevap olarak söyle.

10:01

Who saw you? 

Turkce:

Seni kim gördü

10:02

She saw me. 

Turkce:

 O beni gördü.

10:04

Who did she see? 

Turkce:

O kimi gördü?

10:05

She saw me. 

Turkce:

 O beni gördü.

10:07

Did she see you or hear you?

Turkce:

 Seni gördü mü ya da duydu mu?

10:09

She saw me. 

Turkce:

 O beni gördü.

10:11

By the 1980s, this had improved a lot, but that discontinuous and awkward blending of phonemes still created that signature, robotic sound. 

Turkce:

1980'lerde, bu çok gelişti, ancak seslerin süreksiz ve garip bir şekilde harmanlanması hala bu imza, robotik sesi yarattı.

10:18

Thriller was released in 1983 and sung by Michael Jackson. 

Turkce:

 Thriller 1983 yılında yayınlandı ve Michael Jackson tarafından söylendi.

10:23

Today, synthesized computer voices, like Siri, Cortana and Alexa, have gotten much better, but they’re still not quite human. 

Turkce:

 Bugün, Siri, Cortana ve Alexa gibi sentezlenmiş bilgisayar sesleri çok daha iyi bir hale geldi, ancak hala yeterince insan değiller.

10:29

But we’re soo soo close, and it’s likely to be a solved problem pretty soon. 

Turkce:

 Ama biz çok yakınız ve bu çok yakında çözülmüş bir problem olabilir.

10:33

Especially because we’re now seeing an explosion of voice user interfaces on our phones, in our cars and homes, and maybe soon, plugged right into our ears. 

Turkce:

 Özellikle, telefonlarımızda, arabalarımızda ve evlerimizde ve belki de yakında kulaklarımıza takılı ses kullanıcı arayüzlerinde, büyük bir gelişme görüyoruz.

10:41

This ubiquity is creating a positive feedback loop, where people are using voice interaction more often, which in turn, is giving companies like Google, Amazon and Microsoft more data to train their systems on... 

Turkce:

 Bu her yerdelik, insanların ses etkileşimlerini daha sık kullandığı ve sırasıyla Google, Amazon ve Microsoft gibi şirketlere sistemlerini eğitmek için daha fazla veri veren pozitif geribildirim döngüsü yaratıyor...

10:52

Which is enabling better accuracy, which is leading to people using voice more, which is enabling even better accuracy… and the loop continues! 

Turkce:

 Bu da daha iyi bir doğruluk sağlıyor, bu da insanların daha çok ses kullanmasına neden oluyor, bu da daha da iyi bir doğruluk sağlıyor… ve döngü devam ediyor!

10:59

Many predict that speech technologies will become as common a form of interaction as screens, keyboards, trackpads and other physical input-output devices that we use today. 

Turkce:

Pek çok kişi, konuşma teknolojilerinin günümüzde kullandığımız ekranlar, klavyeler, izleme panelleri ve diğer fiziksel giriş-çıkış cihazları kadar yaygın bir etkileşim şekli olacağını tahmin ediyor.

11:07

That’s particularly good news for robots, who don’t want to have to walk around with keyboards in order to communicate with humans. 

Turkce:

Bu, özellikle insanlarla iletişim kurmak için klavyeyle dolaşmak istemeyen robotlar için iyi bir haber.

11:13

But, we’ll talk more about them next week. 

Turkce:

Ancak, gelecek hafta onlar hakkında daha fazla konuşacağız.

11:16

See you then. 

Turkce:

Sonra görüşürüz.

 

Amazing Things NLP Can Do!
https://www.youtube.com/watch?v=xj5ZvWgPqKM

00:00

hello everyone today I want to talk about the natural language processing or NLP and some of the amazing things that you can do with NLP.
 Turkce:
Herkese merhaba, bugün doğal dil işleme veya NLP'den ve NLP ile yapabileceğiniz harika şeylerden bahsetmek istiyorum.

00:11

Natural language processing basically means getting a computer to understand text and help you with your analysis.
Turkce:
Doğal dil işleme, temel olarak, bir bilgisayarın metni anlamasını ve çözümlemenizde size yardımcı olması sağlama anlamına gelir. 

00:16

So let's talk about some of the major tasks that are a part of NLP.
Turkce:
Öyleyse, NLP'nin bir parçası olan bazı ana görevlerden bahsedelim. 

00:21

And I have some of them listed here
Turkce:
Ve bazılarını burada listeledim.

00:24

Basically we have; automatic summarization
 Turkce:
Temelde şu görevleri sağlatabiliriz; otomatik özetleme

00:27

core reference resolution,
 Turkce:
çekirdek referans çözünürlüğü

00:29

discourse analysis, machine translation,
 Turkce:
 söylem analizi, makine çevirisi,

00:32

morphological segmentation, named entity recognition or NER
 Turkce:
morfolojik bölümlendirme, adlandırılmış varlık tanıma veya NER

00:35

natural language generation
 Turkce:
doğal dil üretimi

00:37

natural language understanding,
 Turkce:
doğan dil anlama

00:39

 optical character recognition or OCR,
 Turkce:
optik karakter tanıma veya OCR,

00:41

 we have part of speech tagging,
 Turkce:
konuşma etiketlenmenin bir parçası var,

00:44

 textual parsing, question answering,
 Turkce:
metinsel ayrıştırma, soru cevaplama,

00:47

 relation extraction, sentence breaking
 Turkce:
ilişki çıkarma, cümle kurma

00:49

sentiment analysis which is pretty popular now
 Turkce:
Şimdi oldukça popüler olan duygu analizi,

00:51

 speech recognition,
 Turkce:
 konuşma tanıma

00:53

speech segmentation, topic segmentation and recognition
 Turkce:
konuşma bölümlendirme, konu bölümlendirme ve tanıma,

00:57

 we can do also word segmentation,
 Turkce:
ayrıca kelime segmentasyonu(bölümlendirmesi) yapabiliriz,

01:00

 word sense disambiguation,
 Turkce:
kelime anlamı belirsizliği,

01:02

something called a lemmatization or
 Turkce:
kök çözümleme denilen bir şey veya

01:05

native language identification, you can do stemming,
 Turkce:
anadili tanıma, sıkılama yapabilirsiniz

01:08

 text simplification,
 Turkce:
metin sadeleştirmesi,

01:10

text-to-speech, text proofing, natural language search,
 Turkce:
metinden konuşmaya, metin sağlaması, doğal dil araması,

01:13

 as well as query expansion and
 Turkce:
yanı sıra sorgu genişletme ve

01:16

automated essay scoring and true casing.
 Turkce:
otomatik kompozisyon puanlama ve gerçek durumlama.

01:21

So let's discuss some of the cool things
 Turkce:
Öyleyse bazı güzel şeyleri tartışalım,

01:24

that natural language processing can help us with in life
 Turkce:
doğal dil işlemenin hayatımızda bize yardımcı olabileceklerini.

01:26

The first thing I want to talk about is spam filters
 Turkce:
Konuşmak istediğim ilk şey spam filtreleri.

01:31

Now nobody wants to receive spam emails and
 Turkce:
Şimdi kimse spam e-postaları almak istemiyor ve

01:33

NLP is here to help fight spam and reduce the numbers of spam emails that you receive.
 Turkce:
NLP, spam'le mücadele etmeye ve aldığınız spam e-postalarının sayısını azaltmaya yardımcı olmak için burada.

01:37

So it's not perfect yet and I'm sure we still all receive some spam emails, but can you imagine how many you get without natural language processing?

 Turkce:
Sonuçta henüz mükemmel değil ve eminim ki hala bazı spam e-postalar alıyoruz, ancak doğal dil işleme olmadan ne kadar aldığınızı hayal edebiliyor musunuz?

01:48

Next I want to talk about is bridging language barriers.
 Turkce:
Sonraki konuşmak istediğim, dil engellerini aşmak.

01:50

When you come across a phrase or in an even entire website in another language,

Turkce:
Bir cümleyle veya hatta bütün başka bir dilde bir web sitesiyle karşılaştığınızda,

01:57

NLP can basically help you translate it into something that you can understand.

 Turkce:
NLP, temelde, anladığınız bir şeye çevirmenize yardımcı olabilir.

02:05

Investment decisions
 Turkce:
Yatırım kararları

02:08

So NLP has the power to help you make decisions for financial investing.
 Turkce:
Bu yüzden NLP, finansal yatırım için karar vermenize yardımcı olacak güce sahiptir.

02:09

You can read large amounts of text such as news articles press releases etc.

 Turkce:
Haber bültenleri, basın bültenleri, vb. Gibi çok miktarda metni okuyabilirsiniz.

02:14

You can pull in the key example in key data that you you'll need in order to make your buy hold or sell decisions.

 Turkce:
Satın almayı bekletmek veya satın almak için gereken kararları almak için ihtiyaç duyacağınız önemli verilere anahtar örnek verebilirsiniz.

02:21

For example, let you know if there's an acquisition that's planned or has happened which has large implications on the value of your investments.

 Turkce:
Örneğin, planladığınız veya gerçekleşen bir satın alma işleminin yatırımlarınızın değeri üzerinde büyük etkileri olan bir durum olup olmadığını öğrenebilirsiniz.

02:30

 They met into insights. This is my favorite.

 Turkce:
Seziyorlar. Bu benim favorim.

02:38

So humans simply can't read everything that's available to us and we have a lot of data available to us.

 Turkce:
Dolayısıyla insanlar bizim için mevcut olan her şeyi okuyamıyor ve elimizde çok fazla veri var.

02:41

So NLP helps to summarize this data that we have and help us helps us to call meaningful information out.

 Turkce:
NLP sahip olduğumuz bu verileri özetlememize yardımcı olur ve anlamlı bilgileri elde etmemize yardımcı olur.

02:49

So an example of this is a computer reading through thousands of customer reviews to identify any issues or conducting sentiment analysis.

 Turkce:
Bunun bir örneği, herhangi bir sorunu tanımlamak veya duyarlılık analizi yapmak için binlerce müşteri incelemesini okuyan bir bilgisayardır.

02:57

So I personally have an example of when I use NLP in my line of work.

 Turkce:
Şimdi kişisel çalışma alanımda NLP kullanımıma bir örneğim var.

03:05

Basically we conducted a very in-depth survey.

 Turkce:
Temel olarak çok derinlemesine bir anket yaptık.

03:10

We concluded about two to three thousand survey respondents
 Turkce:
Yaklaşık iki ya da üç bin anket katılımcısının cevapları hakkında sonuca vardık,

03:13

and we had several questions that were open-ended which resulted in us receiving unstructured text in response.

 Turkce:
ve yanıt olarak yapılandırılmamış metni almamıza neden olan açık uçlu birkaç sorumuz vardı.

03:17

So we have let's say for the for this example we had 2000 paragraphs of unstructured text.

 Turkce:
Dolayısıyla, diyelim ki bu örnek için 2000 paragraflık yapılandırılmamış metin vardı.

03:26

One thing that I was able to do was create an algorithm that can parse or categorize this text into about six categories using keywords for each category.

Turkce:
Yapabildiğim bir şey, bu metni her kategori için anahtar kelimeler kullanarak bu metni yaklaşık altı kategoriye bölen veya altı kategoriye ayırabilen bir algoritma oluşturmaktı. 

03:36

 This ended up saving a lot of time and it actually turned out to be really accurate.

Turkce:
Bu, çok zaman kazandırarak sona erdi ve gerçekten doğru olduğu ortaya çıktı. 

03:41

So thank you for watching the amazing things that NLP can do.

Turkce:
NLP'nin yapabileceği şaşırtıcı şeyleri izlediğiniz için teşekkür ederiz. 

03:47

And please subscribe to the YouTube channel to be notified of all future content.

 Turkce:
Ayrıca gelecekteki tüm içeriklerden haberdar olmak için lütfen YouTube kanalına abone olun.

03:51

thank you
Turkce:
Teşekkür ederim. 
 

Computer Vision: Crash Course Computer Science #35
https://www.youtube.com/watch?v=-4E2-0sxVUM

00:03

Hi, I’m Carrie Anne, and welcome to Crash Course Computer Science! 

Turkce:
 Merhaba, ben Carrie Anne ve Crash Course Computer Science'a hoş geldiniz!

00:05

Today, let’s start by thinking about how important vision can be. 

Turkce:
Bugün görünün ne kadar önemli olabileceğini düşünerek başlayalım.

00:09

Most people rely on it to prepare food, walk around obstacles, read street signs, watch videos like this, and do hundreds of other tasks. 

Turkce:
Çoğu insan yemek hazırlamak, engellerin etrafında dolaşmak, sokak tabelalarını okumak, bunun gibi videoları izlemek ve yüzlerce başka işi yapmak için buna güveniyor.

00:16

Vision is the highest bandwidth sense, and it provides a firehose of information about the state of the world and how to act on it. 

Turkce:
Vizyon, en yüksek ölçekli duyudur ve dünyanın durumu ve bunun üzerine nasıl hareket edileceği hakkında bilgi içeren bir bilgi topluluğu sağlar.

00:22

For this reason, computer scientists have been trying to give computers vision for half a century, birthing the sub-field of computer vision. 

Turkce:
Bu nedenle bilgisayar bilimcileri, yarım asırdan beri bilgisayarlara görü vermeye çalışıyorlar ve bu da bilgisayar görüsü alanını doğurdu.

00:29

Its goal is to give computers the ability to extract high-level understanding from digital images and videos.
 Turkce:
Amacı, bilgisayarlara dijital görüntülerden ve videolardan, üst düzey bir anlayış çıkarma becerisini kazandırmaktır.

00:35

As everyone with a digital camera or smartphone knows, computers are already really good at capturing photos with incredible fidelity and detail – much better than humans in fact. 

Turkce:
Dijital kamerası veya akıllı telefonu olan herkesin bildiği gibi, bilgisayarlar gerçekten de aslına uygun ve detaylı fotoğraf çekmede gerçekten çok iyi - aslında insanlardan çok daha iyi.

00:43

But as computer vision professor Fei-Fei Li recently said, “Just like to hear is the not the same as to listen. 

 Turkce:
Ancak bilgisayarlı görü profesörü Fei-Fei Li'nin son zamanlarda söylediği gibi, “Nası duymakla dinlemek aynı değilse,

00:49

To take pictures is not the same as to see.” 

 Turkce:
Fotoğraf çekmek de, görmekle aynı değildir. ”

00:52

INTRO

01:01

As a refresher, images on computers are most often stored as big grids of pixels. 

 Turkce:
Hatırlatma olarak, bilgisayarlardaki görüntüler genellikle büyük piksel ızgaraları olarak depolanır.

01:05

Each pixel is defined by a color, stored as a combination of three additive primary colors: red, green and blue. 

 Turkce:
Her piksel, üç ana rengin bir kombinasyonu olarak depolanan bir renkle tanımlanır: kırmızı, yeşil ve mavi.

01:11

By combining different intensities of these three colors, we can represent any color, which are called RGB values. 

 Turkce:
Bu üç rengin farklı yoğunluklarını birleştirerek, RGB değerlerini kullanarak herhangi bir rengi temsil edebiliriz.

01:17

Perhaps the simplest computer vision algorithm – and a good place to start – is to track a colored object, like a bright pink ball. 

 Turkce:
Belki de en basit bilgisayarlı görüntü algoritması - ve başlamak için iyi bir yer - parlak bir pembe top gibi renkli bir nesneyi izlemektir.

01:23

The first thing we need to do is record the ball’s color. 

 Turkce:
Yapmamız gereken ilk şey, topun rengini kaydetmek.

01:26

For that, we’ll take the RGB value of the centermost pixel. 

 Turkce:
Bunun için, en merkezi pikselin RGB değerini alacağız.

01:30

With that value saved, we can give a computer program an image, and ask it to find the pixel with the closest color match. 

 Turkce:
Bu değer kaydedildiğinde, bir bilgisayar programına bir görüntü verebilir ve en yakın renk eşleşmesine sahip pikseli bulmasını isteyebiliriz.

01:35

An algorithm like this might start in the upper right corner, and check each pixel, one at time, calculating the difference from our target color. 

 Turkce:
Bunun gibi bir algoritma sağ üst köşeden başlayabilir ve her bir pikseli tek tek kontrol ederek hedef rengimizden farkını hesaplayabilir.

01:43

Now, having looked at every pixel, the best match is very likely a pixel from our ball. 

 Turkce:
Şimdi, her piksele baktığımızda, en iyi eşleşme, muhtemelen toptan bir piksel olacaktır.

01:47

We’re not limited to running this algorithm on a single photo; we can do it for every frame in a video, allowing us to track the ball over time. 

 Turkce:
Bu algoritmayı tek bir fotoğrafta çalıştırmakla sınırlı değiliz; Bir videodaki her kare için bunu yapabiliriz ve zamanla topu izlememize izin verir.

01:54

Of course, due to variations in lighting, shadows, and other effects, the ball on the field is almost certainly not going to be the exact same RGB value as our target color, but merely the closest match. 

 Turkce:
Tabii ki, aydınlatmadaki, gölgelerdeki ve diğer efektlerdeki değişiklikler nedeniyle, sahadaki top neredeyse kesinlikle hedef rengimizle tam olarak aynı RGB değeri olmayacak, sadece en yakın eşleşme olacak.

02:04

In more extreme cases, like at a game at night, the tracking might be poor. 

 Turkce:
Daha zor durumlarda, geceleri oynanan bir oyunda olduğu gibi, izleme zayıf olabilir.

02:08

And if one of the team's jerseys used the same color as the ball, our algorithm might get totally confused. 

 Turkce:
Ve takımın formalarından biri topla aynı rengi kullanırsa, algoritmamız tamamen karışabilir.

02:13

For these reasons, color marker tracking and similar algorithms are rarely used, unless the environment can be tightly controlled. 

 Turkce:
Bu nedenlerden dolayı, ortamın sıkı bir şekilde kontrol edilemediği durumlarda renk işaretleyici izleme ve benzer algoritmalar nadiren kullanılır.

02:20

This color tracking example was able to search pixel-by-pixel, because colors are stored inside of single pixels. 

 Turkce:
Bu renk izleme örneği, her renk tek pikselin içinde depolandığından, piksel piksel arayabiliyordu.

02:27

But this approach doesn’t work for features larger than a single pixel, like edges of objects, which are inherently made up of many pixels. 

 Turkce:
Ancak bu yaklaşım, doğası gereği birçok pikselden oluşan nesnelerin kenarları gibi tek bir pikselden daha büyük olan özellikler için çalışmaz.

02:34

To identify these types of features in images, computer vision algorithms have to consider small regions of pixels, called patches. 

 Turkce:
Görüntüdeki bu tür özellikleri ayırt etmek için, bilgisayarlı görü algoritmaları yama olarak adlandırılan küçük piksel bölgelerini dikkate almalıdır.

02:40

As an example, let’s talk about an algorithm that finds vertical edges in a scene, let’s say to help a drone navigate safely through a field of obstacles. 

 Turkce:

02:48

Örnek olarak, bir sahnede dikey kenarları bulan bir algoritmadan bahsedelim, bir dronun engeller bulunan bir alanda güvenle gezinmesine yardım edelim.

 Turkce:

02:53

Now let’s zoom into one of these poles to see what an edge looks like up close. 

 Turkce:
Şimdi bir kenarın neye benzediğini görmek için bu direklerden birine doğru yakınlaştıralım.

02:57

We can easily see where the left edge of the pole starts, because there’s a change in color that persists across many pixels vertically. 

 Turkce:
Direğin sol kenarının nerede başladığını kolayca görebiliriz, çünkü dikey olarak birçok pikselde devam eden bir renk değişimi vardır.

03:04

We can define this behavior more formally by creating a rule that says the likelihood of a pixel being a vertical edge is the magnitude of the difference in color between some pixels to its left and some pixels to its right. 

 Turkce:
Bu davranışı daha resmi olarak tanımlayabiliriz; bir pikselin dikey kenar olma olasılığı, bazı piksellerin solundaki ile bazı piksellerin sağındaki pikselle arasındaki renk farkı kadar büyüktür.

03:15

The bigger the color difference between these two sets of pixels, the more likely the pixel is on an edge. 

 Turkce:
Bu iki piksel kümesi arasındaki renk farkı arttıkça, pikselin kenarda olması olasılığı da artar.

03:20

If the color difference is small, it’s probably not an edge at all. 

 Turkce:
Renk farkı küçükse, muhtemelen kenarda değildir.

03:23

The mathematical notation for this operation looks like this – it’s called a kernelor filter. 

 Turkce:
Bu işlemin matematiksel gösterimi şöyle görünür - buna çekirdek filtresi denir.

03:28

It contains the values for a pixel-wise multiplication, the sum of which is saved into the center pixel. 

 Turkce:
Toplamı merkez piksele kaydedilen, piksel cinsinden bir çarpma için değerler içerir.

03:33

Let’s see how this works for our example pixel. 

 Turkce:
Bunun örnek piksel için nasıl çalıştığını görelim.

03:36

I’ve gone ahead and labeled all of the pixels with their grayscale values. 

 Turkce:
Devam ettim ve tüm pikselleri gri tonlama değerleri ile etiketledim.

03:39

Now, we take our kernel, and center it over our pixel of interest. 

 Turkce:
Şimdi çekirdeğimizi alıyoruz ve onu ilgilendiğimiz pikselin üzerinde merkezliyoruz.

03:43

This specifies what each pixel value underneath should be multiplied by. 

 Turkce:
Bu, altındaki her piksel değerinin ne ile çarpılması gerektiğini belirtir.

03:46

Then, we just add up all those numbers. 

 Turkce:
Ardından, tüm bu sayıları toplarız.

03:49

In this example, that gives us 147. 

 Turkce:
Bu örnekte, bu bize 147 veriyor.

03:51

That becomes our new pixel value. 

 Turkce:
Bu bizim yeni piksel değerimiz olur.

03:54

This operation, of applying a kernel to a patch of pixels, is called a convolution. 

 Turkce:
Piksel yamasına bir çekirdek uygulayan bu işleme, evrişim denir.

03:58

Now let’s apply our kernel to another pixel. 

 Turkce:
Şimdi çekirdeğimizi başka bir piksele uygulayalım.

04:00

In this case, the result is 1. 

 Turkce:
Bu durumda, sonuç 1'dir.

04:02

Just 1. 

 Turkce:
Sadece 1.

04:03

In other words, it’s a very small color difference, and not an edge. 

 Turkce:
Başka bir deyişle, çok küçük bir renk farkıdır ve kenar değildir.

04:06

If we apply our kernel to every pixel in the photo, the result looks like this, where the highest pixel values are where there are strong vertical edges. 

 Turkce:
 Çekirdeğimizi fotoğraftaki her piksele uygularsak, sonuç şöyle görünür; en yüksek piksel değerlerinin güçlü dikey kenarlarda olduğu.

04:13

Note that horizontal edges, like those platforms in the background, are almost invisible. 

 Turkce:
Arka plandaki platformlar gibi yatay kenarların neredeyse görünmez olduğuna dikkat edin.

04:18

If we wanted to highlight those features, we’d have to use a different kernel – one that’s sensitive to horizontal edges. 

 Turkce:
Bu özellikleri vurgulamak istiyorsak, yatay kenarlara duyarlı olan farklı bir çekirdek kullanmamız gerekir.

04:23

Both of these edge enhancing kernels are called Prewitt Operators, named after their inventor. 

 Turkce:
Bu kenar arttırıcı çekirdeklerin her ikisine de mucitlerinden sonra adlandırılan Prewitt Operators adı verilir.

04:29

These are just two examples of a huge variety of kernels, able to perform many different image transformations. 

 Turkce:
Bunlar, birçok farklı görüntü dönüşümünü gerçekleştirebilen çok çeşitli çekirdeklere sadece iki örnektir.

04:34

For example, here’s a kernel that sharpens images. 

 Turkce:
Örneğin, görüntüleri keskinleştiren bir çekirdek.

04:37

And here’s a kernel that blurs them. 

 Turkce:
Ve işte onları bulanıklaştıran bir çekirdek.

04:39

Kernels can also be used like little image cookie cutters that match only certain shapes. 

 Turkce:
Çekirdekler, yalnızca belirli şekillerle eşleşen küçük görüntü üzerinde örüntü yakalayıcılar gibi de kullanılabilir.

04:43

So, our edge kernels looked for image patches with strong differences from right to left or up and down. 

 Turkce:
Böylelikle, kenar çekirdeklerimiz sağdan sola veya yukarı ve aşağı doğru güçlü farklılıklara sahip görüntü yamalarını aradı.

04:49

But we could also make kernels that are good at finding lines, with edges on both sides. 

 Turkce:
Ancak, her iki taraftaki kenarları da bulmamızı sağlayan, çizgi bulmakta iyi olan çekirdekleri de yapabiliriz.

04:53

And even islands of pixels surrounded by contrasting colors. 

 Turkce:
Ve hatta kontrast(karşıt) renkler ile çevrili piksel adalarını bile bulabiliriz.

04:57

These types of kernels can begin to characterize simple shapes. 

 Turkce:
Bu tür çekirdekler basit şekilleri tanımlamaya başlayabilir.

05:00

For example, on faces, the bridge of the nose tends to be brighter than the sides of the nose, resulting in higher values for line-sensitive kernels. 

 Turkce:
Örneğin, yüzlerde, burun köprüsü, burun kenarlarından daha parlak olma eğilimindedir ve bu da çizgiye duyarlı çekirdekler için daha yüksek değerler sağlar.

05:08

Eyes are also distinctive – a dark circle surrounded by lighter pixels – a pattern other kernels are sensitive too. 

 Turkce:
Gözler de belirgindir - daha açık piksellerle çevrelenmiş koyu renkli bir daire - diğer çekirdeklerin de hassas olduğu bir örüntü.

05:14

When a computer scans through an image, most often by sliding around a search window, it can look for combinations of features indicative of a human face. 

 Turkce:
Bir bilgisayar bir görüntüyü taradığında, genellikle bir arama penceresinin etrafında kaydırarak, bir insan yüzünü belirten özelliklerin kombinasyonlarını arayabilir.

05:22

Although each kernel is a weak face detector by itself, combined, they can be quite accurate. 

 Turkce:
Her bir çekirdek kendi başına zayıf bir yüz detektörü olmasına rağmen, bir araya geldiklerinde neredeyse hatasız olabilirler.

05:26

It’s unlikely that a bunch of face-like features will cluster together if they’re not a face. 

 Turkce:
Bir yüz değilse, yüze benzer özelliklerin bir araya gelmesi pek olası değildir.

05:31

This was the basis of an early and influential algorithm called Viola-Jones Face Detection. 

 Turkce:
Bu, Viola-Jones Yüz Algılama adı verilen eski ve etkili algoritmanın temelidir.

05:35

Today, the hot new algorithms on the block are Convolutional Neural Networks. 

 Turkce:
Bugün, bloktaki yeni popüler algoritma, Evrişimli Sinir Ağları.

05:40

We talked about neural nets last episode, if you need a primer. 

 Turkce:
Ön bilgiye ihtiyacın olursa sinir ağlarından geçen bölümünde bahsettik.

05:42

In short, an artificial neuron – which is the building block of a neural network – takes a series of inputs, and multiplies each by a specified weight, and then sums those values all together. 

 Turkce:
Kısacası, bir sinir ağının yapı taşı olan yapay bir nöron, bir dizi girdi alır ve her birini belirli bir ağırlıkla çarpar ve ardından bu değerleri bir araya toplar.

05:53

This should sound vaguely familiar, because it’s a lot like a convolution. 

 Turkce:
Bu belli belirsiz tanıdık geliyor olabilir, çünkü evrişim yapısına benziyor.

05:56

In fact, if we pass a neuron 2D pixel data, rather than a one-dimensional list of inputs, it’s exactly like a convolution. 

 Turkce:
Aslında, tek boyutlu bir girdi listesinden ziyade bir nörona 2D piksel verisini verirsek, tam olarak bir evrişim gibidir.

06:03

The input weights are equivalent to kernel values, but unlike a predefined kernel, neural networks can learn their own useful kernels that are able to recognize interesting features in images. 

 Turkce:
Girdi ağırlıkları çekirdek değerlerine eşdeğerdir, ancak önceden tanımlanmış bir çekirdeğin aksine, sinir ağları görüntülerde ilginç özellikleri tanıyabilen kendi yararlı çekirdeklerini öğrenebilir.

06:13

Convolutional Neural Networks use banks of these neurons to process image data, each outputting a new image, essentially digested by different learned kernels. 

 Turkce:
Konvolüsyonlu Sinir Ağları, her biri farklı öğrenilen çekirdekler tarafından düzenlenen ve yeni bir görüntü çıkaran görüntü verilerini işlemek için bu nöron kümelerini kullanır.

06:21

These outputs are then processed by subsequent layers of neurons, allowing for convolutions on convolutions on convolutions. 

 Turkce:
Bu çıkışlar daha sonra, kendinden sonraki nöron katmanları tarafından işlenir ve bu da evrişimde evrişimler evrişimlere izin verir.

06:28

The very first convolutional layer might find things like edges, as that’s what a single convolution can recognize, as we’ve already discussed. 

 Turkce:
İlk evrişim katmanı, daha önce tartıştığımız gibi tek bir evrişimin tanıyabileceği kenarlar gibi şeyleri bulabilir.

06:35

The next layer might have neurons that convolve on those edge features to recognize simple shapes, comprised of edges, like corners. 

 Turkce:
Bir sonraki katman, köşeler gibi, kenarlardan oluşan basit şekilleri tanımak için bu kenar özellikleri üzerinde bükülen nöronlara sahip olabilir.

06:42

A layer beyond that might convolve on those corner features, and contain neurons that can recognize simple objects, like mouths and eyebrows. 

 Turkce:
Bunun ötesinde bir katman, bu köşe özellikleri üzerinde bükülebilir ve ağızlar ve kaşlar gibi basit nesneleri tanıyabilen nöronlar içerir.

06:49

And this keeps going, building up in complexity, until there’s a layer that does a convolution that puts it together: eyes, ears, mouth, nose, the whole nine yards, and says “ah ha, it’s a face!” 

 Turkce:
Ve bu devam eder, karmaşık bir şekilde birleştirip, bunları bir araya getiren bir evrişim yapan katman olana kadar: gözler, kulaklar, ağız, burun, ne var ne yok hepsi, ve “ah ha, bu bir yüz!” der.

06:59

Convolutional neural networks aren’t required to be many layers deep, but they usually are, in order to recognize complex objects and scenes. 

 Turkce:
Evrişimsel sinir ağlarının çok sayıda katman derinliği olması şart değildir, ancak genellikle karmaşık nesneleri ve sahneleri tanıması için gereklidir.

07:07

That’s why the technique is considered deep learning. 

 Turkce:
Bu nedenle bu teknik derin öğrenme olarak kabul edilir.

07:09

Both Viola-Jones and Convolutional Neural Networks can be applied to many image recognition problems, like recognizing handwritten text, spotting tumors in CT scans and monitoring traffic flow on roads. 

 Turkce:
Hem Viola-Jones hem de Konvolüsyonel Sinir Ağları, el yazısı metnin tanınması, Bilgisayarlı Tomografi taramalarındaki tümörleri tespit etmek ve yollardaki trafik akışını izlemek gibi birçok görüntü tanıma sorununa uygulanabilir.

07:20

But we’re going to stick with faces. 

 Turkce:
Ama biz yüzlere bağlı kalacağız.

07:22

Regardless of what algorithm was used, once we’ve isolated a face in a photo, we can apply more specialized computer vision algorithms to pinpoint facial landmarks, like the tip of the nose and corners of the mouth. 

 Turkce:
Hangi algoritmanın kullanıldığına bakılmaksızın, bir fotoğrafta bir yüzü izole ettikten sonra, burnun ucu ve ağzın köşeleri gibi yüz işaretlerini tam olarak belirlemek için daha özel bilgisayar görüntüleme algoritmaları uygulayabiliriz.

07:33

This data can be used for determining things like if the eyes are open, which is pretty easy once you have the landmarks – it’s just the distance between points. 

 Turkce:
Bu veriler, gözlerin açık olup olmadığı gibi durumları belirlemek için kullanılabilir; bu, belirli noktalara sahip olduğunuzda oldukça kolaydır - sadece noktalar arasındaki mesafelere bakılır.

07:41

We can also track the position of the eyebrows; their relative position to the eyes can be an indicator of surprise, or delight. 

 Turkce:
Kaşların konumunu da izleyebiliriz; gözlere göre pozisyonları sürpriz veya keyif göstergesi olabilir.

07:47

Smiles are also pretty straightforward to detect based on the shape of mouth landmarks. 

 Turkce:
Ayrıca gülümsemelerin algılanması, ağız işaretlerinin şekline bakıldığında oldukça basittir.

07:52

All of this information can be interpreted by emotion recognition algorithms, giving computers the ability to infer when you’re happy, sad, frustrated, confused and so on. 

 Turkce:
Bu bilgilerin tümü, duyguları tanıma algoritmaları ile yorumlanabilir, böylece bilgisayarlara mutlu olduğunuz, hüzünlü olduğunuz, sinirli olduğunuz, kafanızın karıştığı vb. sonucuna varma yeteneği verir.

08:02

In turn, that could allow computers to intelligently adapt their behavior... maybe offer tips when you’re confused, and not ask to install updates when you’re frustrated. 

 Turkce:
Bu da, bilgisayarların davranışlarınıza zekice uyum sağlamalarına izin verebilir ... belki kafanız karıştığında ipuçları verebilir ve üzgün olduğunuzda güncellemeler yüklemenizi istemeyebilir.

08:11

This is just one example of how vision can give computers the ability to be context sensitive, that is, aware of their surroundings. 

 Turkce:
Bu, görünün bilgisayarlara etraflarına duyarlı olma, yani çevrelerinin farkında olma yeteneğini nasıl verdiğinin bir örneğidir.

08:18

And not just the physical surroundings – like if you're at work or on a train – but also your social surroundings – like if you’re in a formal business meeting versus a friend’s birthday party. 

 Turkce:
Ve sadece fiziksel etkenler için değil - mesela işte veya bir trende iseniz - ve aynı zamanda sosyal çevreniz - bir arkadaşınızın doğum günü partisindee veya resmi bir iş toplantısındaysanız.

08:27

You behave differently in those surroundings, and so should computing devices, if they’re smart. 

 Turkce:
Bu ortamda farklı davranıyorsunuz ve eğer akıllılarsa bilgisayar aygıtları da farklı davranmalıdır.

08:32

Facial landmarks also capture the geometry of your face, like the distance between your eyes and the height of your forehead. 

 Turkce:
Yüz işaretleri, gözlerinizin arasındaki mesafe ve alnınızın yüksekliği gibi yüzünüzün geometrisini de yakalar.

08:38

This is one form of biometric data, and it allows computers with cameras to recognize you. 

 Turkce:
Bu bir biyometrik veri biçimidir ve kameralı bilgisayarların sizi tanımasını sağlar.

08:43

Whether it’s your smartphone automatically unlocking itself when it sees you, or governments tracking people using CCTV cameras, the applications of facial recognition seem limitless. 

 Turkce:
Sizi gördüğünde akıllı telefonunuzun kilidini otomatik olarak açması ya da CCTV kamera kullanan insanları takip eden hükümetler gibi, yüz tanıma uygulamaları sınırsız görünüyor.

08:52

There have also been recent breakthroughs in landmark tracking for hands and whole bodies, giving computers the ability to interpret a user’s body language, and what hand gestures they’re frantically waving at their internet connected microwave. 

 Turkce:
Yakın zamanda eller ve tüm vücutlar gibi önemli noktaların izlenmesi konusunda gelişmeler olmuştur, bu da bilgisayarlara bir kullanıcının beden dilini ve internete bağlı mikrodalga fırına çılgınca salladıkları el hareketlerini yorumlama yeteneği vermiştir.

09:03

As we’ve talked about many times in this series, abstraction is the key to building complex systems, and the same is true in computer vision. 

 Turkce:
Bu seride pek çok kez konuştuğumuz gibi, soyutlama, karmaşık sistemler inşa etmenin anahtarıdır ve aynısı bilgisayar görüsü için de geçerlidir.

09:10

At the hardware level, you have engineers building better and better cameras, giving computers improved sight with each passing year, which I can’t say for myself. 

 Turkce:
Donanım düzeyinde, daha iyi ve daha da iyi kameralar yapan mühendisler var, her geçen yıl bilgisayarlara daha iyi görüş veren, ve bunu kendim için söyleyemem.

09:18

Using that camera data, you have computer vision algorithms crunching pixels to find things like faces and hands. 

 Turkce:
Bu kamera verilerini kullanarak, yüzler ve eller gibi şeyleri bulmak için pikselleri öğüten bilgisayarlı görü algoritmalarına sahipsiniz.

09:25

And then, using output from those algorithms, you have even more specialized algorithms for interpreting things like user facial expression and hand gestures. 

 Turkce:
Ayrıca, bu algoritmaların çıktısını kullanarak, kullanıcının yüz ifadesi ve el hareketleri gibi şeyleri yorumlamak için daha da uzmanlaşmış algoritmalara sahipsiniz.

09:32

On top of that, there are people building novel interactive experiences, like smart TVs and intelligent tutoring systems, that respond to hand gestures and emotion. 

 Turkce:
Bunun da ötesinde, akıllı TV'ler ve akıllı ders sistemleri gibi, el jestlerine ve duygularına cevap veren yeni etkileşimli deneyimler geliştiren insanlar var.

09:41

Each of these levels are active areas of research, with breakthroughs happening every year. 

 Turkce:
Bu seviyelerin her biri aktif araştırma alanlarıdır ve her yıl atılımlar olmaktadır.

09:46

And that’s just the tip of the iceberg. 

 Turkce:
Ve bu buzdağının sadece görünen kısmı.

09:47

Today, computer vision is everywhere – whether it’s barcodes being scanned at stores, self-driving cars waiting at red lights, or snapchat filters superimposing mustaches. 

 Turkce:
Bugün, bilgisayar görüsü her yerde - mağazalarda taranan barkodlar, kırmızı ışıkta bekleyen kendini süren arabalar veya size bıyık takan Snapchat filtreleri.

09:56

And, the most exciting thing is that computer scientists are really just getting started, enabled by recent advances in computing, like super fast GPUs. 

 Turkce:
Ve en heyecan verici olanı, bilgisayar bilimciler bu alana, süper hızlı GPU'lar gibi, bilgisayardaki son gelişmelerle gelen fırsatlar sayesinde, daha yeni başladılar.

10:05

Computers with human-like ability to see are going to totally change how we interact with them. 

 Turkce:
İnsani görme yeteneğine sahip bilgisayarlar, onlarla etkileşime girme biçimimizi tamamen değiştirecek.

10:10

Of course, it’d also be nice if they could hear and speak, which we’ll discuss next week. 

 Turkce:
Tabii ki, gelecek hafta konuşacağımız gibi, duyabilselerdi ve konuşabilselerdi güzel olurdu.

10:15

I’ll see you then.

Turkce:
Tekrar görüşmek üzere.