Otostopçunun Yapay Zeka Rehberi'nin bu bölümünde pekiştirmeli öğrenmenin doğuşundan günümüzün en ileri yapay zekâ başarılarına uzanan kapsamlı bir yolculuğu ele alıp pekiştirmeli öğrenme nasıl çalışıyor anlamaya çalışıyoruz. Bunu yaparken hayvan deneylerinden otonom sürüş uygulamalarına, matematiksel temellerden oyunlarda elde edilen başarılara kadar uzanan güçlü bir içerik sunuyoruz.

Kaynaklar

www.fbildirici.github.io

• Kitaplar

  • Sutton, R. S. & Barto, A. G. — Reinforcement Learning: An Introduction

  • Li, Yuxi — Deep Reinforcement Learning: An Overview (arXiv, 2017)

• Makaleler

  • Mnih, V. et al. (2015) — “Human-level control through deep reinforcement learning” (Nature)

  • Silver, D. et al. (2016) — “Mastering the game of Go with deep neural networks and tree search” (Nature)

  • Schrittwieser, J. et al. (2020) — “Mastering Atari, Go, Chess and Shogi by planning with a learned model” (Nature)

• Belgeseller & Filmler

  • AlphaGo (2017) —DeepMind’ın Lee Sedol zaferini ve algoritmanın arkasındaki gerçek hikayeleri ele alalım - Netflix

• Videolar & Çevrimiçi Dersler

  • David Silver’in “Deep Reinforcement Learning” dersi (YouTube) — AlphaGo ekibinin RL uzmanından kapsamlı bir eğitim serisi, epey eski ama hala güncel detaylı güzel bir video serisi

  • Andrew Ng’nin “Reinforcement Learning” eğitimi (Coursera / deeplearning.ai)

Otostopçunun Yapay Zeka Rehberi'nin bu bölümünde, makinelerin dünyayı algılamayı, karar vermeyi ve en önemlisi öğrenmeyi nasıl başardığını; denetimli ve denetimsiz öğrenmenin nasıl çalıştığını, güçlü ve zayıf yönlerini, gerçek ve etkileyici örneklerle anlamaya çalışıyoruz.

Kaynaklar:

Websitem: https://fbildirici.github.io

IBM Açıklamalı Video Anlatımı: https://www.youtube.com/watch?v=W01tIRP_Rqs

Otostopçunun Yapay Zeka Rehberi'nin yeni bölümünde bu bölüm Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task araştırmasından yola çıkarak yapay zekanın yarattığı bilişsel sorunları, bilimsel, kültürel, akademik çalışmalarla anlatıyoruz. Johan Hari'den, Yuval Noah Harari'ye, Aza Raskin'den Chomsky'e uzmanların görüşlerini ele alarak Nataliya Kosmyna ve arkadaşlarının ufuk açıcı çalışmasından yola çıkıyor, Center for Humane Technology gibi çalışmalara gidip yapay zekanın bizi aptallaştırma potansiyelini anlamaya çalışıyoruz.

Kaynaklar:

Websitem: https://fbildirici.github.io

İlgili Araştırma Hakkında: Reddit Tartışması

Aza Raskin: https://azaza.org

Çalınan Dikkat: https://www.goodreads.com/book/show/63829567

Stokastik Papağanların (Yapay Zeka) Tehlikeleri Üzerine:

https://dl.acm.org/doi/10.1145/3442188.3445922

Otostopçunun Yapay Zeka Rehberi'nin bu bölümünde Derin Öğrenme ve Makine Öğrenmesinin farklarına odaklanıyoruz. Maliyet, kaynak ihtiyacı, veri ihtiyacı, zaman, özellikle efektif çalıştığı projeler, kullanım alanları derken yapay öğrenmenin önemli alanlarından derin ve makine öğrenmesi alanlarını anlamaya çalışıyoruz.

Kaynaklar:

• Websitem: https://fbildirici.github.io
• Derin Öğrenme Kitabı - Ian Goodfellow - Yoshua Bengio: https://www-deeplearningbook-org
• Microsoft: https://learn.microsoft.com/tr-tr/azure/machine-learning/concept-deep-learning-vs-machine-learning?view=azureml-api-2
• Ilya Sutskever Deep Learning Lex Friedman Röportajı: https://www.youtube.com/watch?v=13CZPWmke6A
• Deep Learning Github Book: https://d2l.ai
• Andrej Karpathy - Derin Öğrenme Kursu: https://karpathy.ai/zero-to-hero.html

Bu bölümde sizlerle birlikte derin öğrenmenin kökenlerinden başlayıp gelişimine kadar ele almaya çalışıyoruz. Derin öğrenmenin kökenleri, yapay sinir ağları, çalışma mantığı ve makine öğrenmesi ile farklarından yola çıkarak ilk bölümde Derin Öğrenme konusunu detaylı olarak ele alıyoruz.

Kaynaklar:

Websitem: https://fbildirici.github.io

Ian Goodfellow Derin Öğrenme Kitabı: https://www-deeplearningbook-org

Deep Learning AI Kursları: https://www-deeplearning-ai

Intro to Deep Learning: https://www.geeksforgeeks.org/introduction-deep-learning/

Backpropogation: https://www.datacamp.com/tutorial/mastering-backpropagation

Bu bölümde, teknolojik değişimin ortasında birey olarak nasıl güçlü kalabileceğimizi keşfediyoruz. Yapay zekâ iş dünyasını dönüştürürken, bizler hangi becerileri geliştirmeliyiz? Sürekli öğrenmenin, duygusal zekânın ve yaratıcılığın önemi neden hiç olmadığı kadar büyük anlamaya çalışıyoruz. Özellikle Harari'nin, WEF Raporlarının, Kai Fu Lee, Fei Fei Li, Andrew Ng gibi araştırmacıların görüşleriyle bakışımızı derinleştirmeye çalışıyoruz.

Kaynaklar:

Websitem: https://fbildirici.github.io

WEF Future of Jobs: https://www.weforum.org/publications/the-future-of-jobs-report-2025/

HBR AI Job Impact: https://hbr.org/2024/11/research-how-gen-ai-is-already-impacting-the-labor-market

Harari AI Revolution and Jobs: https://www.youtube.com/watch?v=KNqr4tGXpFA

Fei Fei Li: Staying Curious About AI

https://www.youtube.com/watch?v=WX7mTMXTuy4&pp=0gcJCdgAo7VqN5tD

Kai Fu Lee: AI Jobs Impact

https://fortune.com/2024/05/25/ai-job-displacement-forecast-50-percent-2027-kai-fu-lee-chatgpt-openai/

Harari - Nexus Views:

https://aboutdigitalhealth.com/2024/09/13/hararis-6-plagues-of-ai/

Bölüm 1’de, yapay zeka ve işgücü perspektifinin ötesine geçerek “Tekno-Feodalizm” adı verilen yeni güç dengelerini keşfedeceğiz: Dijital altyapı ve yapay zekâ devlerinin egemenliğinde oluşan çalışma biçimleri nasıl bir “Prekarya” yarattı anlamaya çalışacağız. 19. yüzyılın Ludditeleri örneğinde olduğu gibi, teknolojik dönüşümün yarattığı kaygılar ve direniş biçimlerini konuşacağız. Daron Acemoğlu’nun otomasyonun işgücü üzerindeki etkileri çalışması ışığında konuyu anlamaya çalışacağız.

Kaynaklar:

Websitem: https://fbildirici.github.io

Acemoğlu Yapay Zeka Ekonomisi: https://www.pandora.com.tr/kitap/redesigning-ai/794899

David Autor TED Konuşması:

https://www.ted.com/talks/david_autor_will_automation_take_away_all_our_jobs

Guy Standing Prekarya:

https://iletisim.com.tr/kitap/prekarya/10281?srsltid=AfmBOoqUPD2uMyInb4hSi5hiGnLjxNCh_8LloIv54orKuKqGCuUaQbbZ

Tekno Feodalizm Hakkında - Yanis Varoufakis:

https://gazeteoksijen.com/dunya/tekno-feodalizm-dunyayi-ele-geciriyor-34785

Otostopçunun Yapay Zeka Rehberi'nin bu bölümünde, DevOps’un yeteneklerini alıp makine öğrenmesi projelerinin canlı ortama kesintisiz ve güvenilir geçişini sağlayan MLOps projelerini, araçlarını, süreçlerini ele alıyoruz. Hem teorik altyapıyı hem de Netflix, Uber, American Express gibi öncü şirketlerin başarı hikâyelerini anlatıyoruz, MLOps’un veri ve model yaşam döngüsüne nasıl etki ettiğini incelemeye çalışıyoruz.

Kaynaklar:

Websitem: https://fbildirici.github.io

• The Phoenix Project by Gene Kim, Kevin Behr & George Spafford: https://itrevolution.com/book/the-phoenix-project/

• Continuous Delivery by Jez Humble & David Farley: https://martinfowler.com/books/continuousDelivery.html

• Hidden Technical Debt in Machine Learning Systems (Sculley et al., 2015

  https://proceedings.neurips.cc/paper_files/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf

  MLOPS Uygulamaları Hakkında: https://www.datacamp.com/blog/mlops-best-practices-and-how-to-apply-them

  MLOps Araç Seti Hakkında:

  https://github.com/kelvins/awesome-mlops

  Google Cloud Blog: https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning

  Uber'in Use Casei: https://www.uber.com/en-TR/blog/continuous-integration-deployment-ml/

  ML Flow Araç Seti ve Yetenekleri:

  https://mlflow.org/docs/latest/index.html

Otostopçunun Yapay Zeka Rehberi'nin bu bölümünde, yapay zekanın “halüsinasyon” adı verilen, hiç var olmayan bilgileri gerçekmiş gibi sunma kusurunu ele aldığımız 2. bölüme geçiyoruz ve yarattığı riskleri ve bu rüyamsı yanıltmaları önlemek için geliştirilen Retrieval-Augmented Generation (RAG), Zincirleme Düşünce (CoT), Self-Consistency, İnsan Geri Bildirimiyle Öğrenme (RLHF), çok modlu doğrulama gibi yöntemleri uygulama örnekleri eşliğinde ele alıyoruz. Dünyaca ünlü araştırmacıların ve teknoloji liderlerinin görüşleriyle de güvenilir bir yapay zekâya nasıl ulaşabileceğimizi anlamaya çalışıyoruz. Bu yolculuğa eşlik etmek için:

Kaynaklar:

• Websitem: fbildirici.github.io
• Stanford State of AI Index Rapor: https://hai.stanford.edu/ai-index/2023-ai-index-report
• Chain-of-Thought'u adeta karşılaştırarak doğrulayan Self-Consistency mekanizması: https://arxiv.org/abs/2203.11171
• Human Feedback ile Pekiştirmeli Öğrenme Kullanımı Hakkında: https://arxiv.org/abs/2203.02155
• Eliezer Yudkowsy'nin Blogu: https://www.lesswrong.com/posts/wAczufCpMdaamF9fy/my-objections-to-we-re-all-gonna-die-with-eliezer-yudkowsky
• Chain of Thought'u Ortaya Çıkaran Makale, Geçmiş Bölümlerde Anlatmıştık: https://arxiv.org/abs/2201.11903
• Altman'ın Hallucination Hakkındaki Görüşleri: https://thereader.mitpress.mit.edu/hallucinating-ais-sound-creative-but-lets-not-celebrate-being-wrong/

Bu bölümde, GPT’nin nasıl devasa metin veri setleri üzerinde önceden eğitildiğini, nasıl Transformer mimarisi üzerine kurulduğunu ve metinleri nasıl bir kelimenin sonrasında hangisinin geleceğini tahmin ederek oluşturduğunu keşfediyoruz. Bunu yaparken, eski dostumuz Turing'e selam veriyor, Doğal Dil İşleme'nin (NLP) tarihine göz atıyor, ELIZA'ya hal hatır soruyoruz.

Beatles'ın "All you need is love" haykırışını kulaklarımızda çınlatırken, biz de dikkat mekanizmalarına, tokenizasyona, embedding yöntemlerine göz atıyoruz. RNN’lerden LSTM’lere algoritmaların nasıl evrildiğine kısaca bakıyoruz. GPT’nin arkaplanını, hem matematiksel hem tarihsel hem de kültürel bir yolculukta adım adım çözmeye çalışıyoruz.

Websitem: https://fbildirici.github.io

Kaynaklar

• Attention Is All You Need (Vaswani et al., 2017)
  Transformer mimarisinin doğuşunu anlatan temel makale.
  https://arxiv.org/abs/1706.03762

• The Bitter Lesson (Rich Sutton, 2019)
  Yapay zekâda deneyimlerin ve insan tasarımından ziyade hesaplama gücünün önemine dair etkili bir bakış.
  http://www.incompleteideas.net/IncIdeas/BitterLesson.html

• Stochastic Parrots (Bender et al., 2021)
  Büyük dil modellerinin önyargılar, sürdürülebilirlik ve etik risklerine dair eleştirel bir çalışma. Geçen bölümde de bahsetmiştik, ama bu konu hâlâ gündemimizde.
  https://dl.acm.org/doi/10.1145/3442188.3445922

• The Illustrated GPT-2 (Jay Alammar)
  GPT mimarisini görsel anlatımlarla sadeleştiren detaylı ve anlaşılır bir blog yazısı.
  https://jalammar.github.io/illustrated-gpt2/