MIT Açık Kursu “Yapay Zeka ile Her Şeyi Nasıl Yapabiliriz” (PDF dosyası)

“Yapay Zeka ile Her Şeyi Nasıl Yapabiliriz”, MIT tarafından sunulan ve yapay zeka teknolojilerini ve bunların çeşitli gerçek dünya veri biçimlerindeki uygulamalarını derinlemesine inceleyen, çığır açıcı bir derstir. Ders, dilden görüntüye, sese, sensörlere ve tıbbi verilere kadar çok modlu içeriği kapsayan modern derin öğrenme ve temel modellere odaklanır. Dersler, okumalar, tartışmalar ve araştırma projeleri aracılığıyla öğrenciler eleştirel düşünme becerilerini geliştirecek, yapay zekadaki en son teknolojik gelişmeleri anlayacak ve çok modlu yapay zeka ilkelerine hakim olacaklardır. Ders, hem teorik öğrenmeyi hem de pratik uygulamayı vurgulayarak, öğrencileri yenilik yapmaya ve yapay zekanın birçok alanda sunduğu sonsuz olanakları keşfetmeye teşvik eder.

” Yapay Zeka ile Her Şey Nasıl Yapılır ” raporunun orijinal PDF dosyası: https://mit-mi.github.io/how2ai-course/spring2025/schedule/

Ders İçeriği

Ders Açıklaması

Yapay zeka araştırması nasıl yapılır?

Bu ders, öğrencilere araştırma fikirleri üretmeyi, makaleleri okumayı, araştırma planlarını yürütmeyi ve araştırma makaleleri yazmayı öğretir. Aşağıdan yukarıya keşif ve yukarıdan aşağıya tasarım yaklaşımları da dahil olmak üzere araştırma sürecinin tüm yönlerini ayrıntılı olarak ele alır. Bilimsel soruların ve hipotezlerin önemini vurgular ve çok modlu yapay zekâ, sensör veri işleme, yapay zekâ muhakemesi, etkileşimli aracılar, somutlaştırılmış yapay zekâ, sosyal yapay zekâ, insan-bilgisayar etkileşimi ve etik ve güvenlik gibi çeşitli araştırma alanlarından örnekler sunar. Ayrıca, literatür tarama yöntemlerini, araştırma fikirlerini test etme adımlarını ve makale yazmanın yapısını ve temel noktalarını da ele alır.

Ders, öğrencilere araştırmaları boyunca destek olmak için zengin kaynak bağlantıları ve araç önerileri sunmaktadır. Belgede ayrıca, proje tercih formu gönderimi ve gelecek haftanın ders konularının önizlemesi de dahil olmak üzere haftalık ödevler de özetlenmektedir. Ders, öğrencilere teoriden pratiğe kadar her şeyi kapsayan, yapay zeka araştırmalarına kapsamlı bir giriş sunmaktadır.

Veri, Yapı ve Öğrenme

Bu ders, farklı veri biçimlerinin (görme, dil, ses, sensör verileri, tablo verileri, grafik verileri ve toplu veriler gibi) özelliklerine, yapılarına ve ortak öğrenme hedeflerine odaklanır. Her bir biçimin veri gösterimini, dağılımını, ayrıntı düzeyini, yapısını, bilgi içeriğini, gürültüsünü ve korelasyonunu ayrıntılı olarak inceler. Gözetimli öğrenme, gözetimsiz öğrenme ve pekiştirmeli öğrenme gibi çeşitli öğrenme paradigmalarını ve bunların çok modlu ve çok görevli öğrenmedeki uygulamalarını ele alır. Ders, veri ön işleme, görselleştirme ve model seçiminin öneminin yanı sıra, bir modelin genelleme yeteneğinin eğitim, doğrulama ve test verileri kullanılarak nasıl değerlendirileceğini vurgular.

Ders, proje tercih formunun teslimi, proje teklifinin hazırlanması ve sunumu ve gelecek hafta için isteğe bağlı bir makine öğrenimi araçları eğitimi de dahil olmak üzere bu haftanın ödevlerinin bir özetiyle sona eriyor. Bu eğitim, öğrencilere veri işleme ve makine öğrenimi hakkında temel bir anlayış kazandırarak, yapay zeka araştırmalarında farklı yöntemlerden elde edilen verileri daha iyi anlamalarına ve uygulamalarına yardımcı oluyor.

Veri, Yapı ve Öğrenme

Bu ders, farklı veri biçimlerinin (görme, dil, ses, sensör verileri, tablo verileri, grafik verileri ve toplu veriler gibi) özelliklerine, yapılarına ve ortak öğrenme hedeflerine odaklanır. Her bir biçimin veri gösterimini, dağılımını, ayrıntı düzeyini, yapısını, bilgi içeriğini, gürültüsünü ve korelasyonunu ayrıntılı olarak inceler. Gözetimli öğrenme, gözetimsiz öğrenme ve pekiştirmeli öğrenme gibi çeşitli öğrenme paradigmalarını ve bunların çok modlu ve çok görevli öğrenmedeki uygulamalarını ele alır. Ders, veri ön işleme, görselleştirme ve model seçiminin öneminin yanı sıra, bir modelin genelleme yeteneğinin eğitim, doğrulama ve test verileri kullanılarak nasıl değerlendirileceğini vurgular.

Ders, proje tercih formunun teslimi, proje teklifinin hazırlanması ve sunumu ve gelecek hafta için isteğe bağlı bir makine öğrenimi araçları eğitimi de dahil olmak üzere bu haftanın ödevlerinin bir özetiyle sona eriyor. Bu eğitim, öğrencilere veri işleme ve makine öğrenimi hakkında temel bir anlayış kazandırarak, yapay zeka araştırmalarında farklı yöntemlerden elde edilen verileri daha iyi anlamalarına ve uygulamalarına yardımcı oluyor.

Pratik Yapay Zeka Araçları

Kurs, PyTorch ve Hugging Face araçlarına odaklanarak öğrencilere bu araçları yapay zeka geliştirme ve hata ayıklama için kullanma konusunda pratik bir rehber sunar. Kurs, dönüştürücüler ve veri kümesi kütüphaneleri de dahil olmak üzere Hugging Face’in temel özelliklerini tanıtır. Araçlar, PyTorch ile kusursuz bir şekilde entegre edilerek güçlü önceden eğitilmiş modeller ve veri yükleme yetenekleri sağlar. Kurs, PyTorch ile model performansını ve bellek kullanımını optimize etmek için sıklıkla kullanılan bitsandbytes ve flash-attn kütüphanelerinden bahseder. Kurs, verilerle yakın bağlantı kurma, uçtan uca bir iskelet modeli oluşturma, aşırı uyum yoluyla hataları teşhis etme, düzenleme yoluyla genelleme yeteneğini geliştirme, hiperparametreleri ayarlama ve son performans iyileştirmesini elde etme gibi yapay zeka geliştirme için hata ayıklama tekniklerini açıklar.

Bu kurs, basit modellerle başlayıp karmaşıklıklarını kademeli olarak artırmayı vurgulayarak, yeni veriler için makine öğrenimi modelleri tasarlama konusunda tavsiyeler sunar. Ayrıca, giriş verilerinin ve etiketlerin doğruluğunu kontrol etme, eğitim kaybını gözlemleme ve aşırı uyum ve yetersiz uyum gibi sorunları ele alma gibi model hata ayıklamanın temel adımlarını da özetler. Bu kurs, öğrencilerin yapay zeka geliştirmedeki yaygın hatalardan kaçınmalarına ve modellerinin güvenilirliğini ve performansını artırmalarına yardımcı olur.

Model Mimarisi

Bu ders, dizi verileri, uzamsal veriler, toplama verileri ve grafik verileri gibi farklı veri biçimleri için model mimarisi tasarımına yönelik ilke ve yöntemleri tanıtmaktadır. Konular arasında, zaman serisi verileri için tekrarlayan sinir ağları (RNN’ler), uzamsal veri işleme için evrişimli sinir ağları (CNN’ler) ve grafik veri işleme için grafik sinir ağları (GNN’ler) gibi veri özelliklerine dayalı uygun model mimarilerinin nasıl seçileceği yer almaktadır. Ders, parametre paylaşımı ve bilgi toplama yoluyla veri değişmezliği ve eşdeğişkenliğinin nasıl elde edileceğini ve veri semantiği, ayrıntı düzeyi, yapı, bilgi içeriği, gürültü ve korelasyona dayalı modellerin nasıl tasarlanacağını ele almaktadır.

Ders, proje teklifi sunumu ve okuma-tartışma hazırlığı da dahil olmak üzere haftanın ödevlerinin bir özetiyle sona erer. Ders, öğrencilere model mimarisi tasarımı konusunda sistematik rehberlik sağlayarak, yapay zeka araştırmalarında farklı model mimarilerini daha iyi anlamalarına ve uygulamalarına yardımcı olur.

Çok modlu yapay zeka ve hizalama

Bu ders, veri heterojenliği, modlar arası bağlantı ve etkileşim gibi çok modlu yapay zekanın temel kavramlarını derinlemesine inceler. Davranışsal dönemden derin öğrenme dönemine ve şimdi de temel model dönemine kadar çok modlu araştırmanın tarihsel aşamalarını ele alır. Dil ve görseli birleştirme, duygu analizi ve video olay tanıma gibi çok modlu görevlerin çeşitliliğini tanıtır. Ayrıca, ayrık ve sürekli hizalama yöntemleri de dahil olmak üzere çok modlu hizalamanın zorluklarını ve karşılaştırmalı öğrenme yoluyla modlar arası hizalamanın nasıl sağlanacağını inceler.

Ders, çok modlu yapay zekânın altı temel zorluğunu ayrıntılı olarak ele alır: temsil öğrenme, hizalama, akıl yürütme, üretim, aktarım ve niceleme. CLIP modelinin dil ve görme görevlerine uygulanmasını ve karşılaştırmalı öğrenme yoluyla paylaşılan ve benzersiz modal bilgilerin nasıl öğrenileceğini özellikle ele alır. Son olarak, okuma tartışmaları ve proje ilerlemesiyle ilgili geri bildirimler de dahil olmak üzere haftanın ödevlerini özetler. Ders, öğrencilere çok modlu yapay zekâ alanına kapsamlı bir genel bakış sunarak, çok modlu verilerin karmaşıklığını ve bu zorlukların model tasarımı ve öğrenme yöntemleri aracılığıyla nasıl ele alınacağını anlamalarına yardımcı olur.

Çok modlu füzyon

Bu ders, erken, orta ve geç füzyon dahil olmak üzere çok modlu füzyonun temel kavram ve tekniklerinin yanı sıra, eklemeli, çarpımsal, tensör, düşük dereceli ve kapılı füzyon gibi çeşitli yaklaşımları ele alır. Ders, basit doğrusal füzyondan karmaşık doğrusal olmayan füzyona kadar uzanan teknikleri kapsar ve dinamik füzyon stratejileri aracılığıyla çok modlu verilerin temsil ve öğreniminin nasıl optimize edileceğini inceler. Ders, modaliteler arasında aşırı uyum ve genellemenin dengelenmesi gibi çok modlu füzyondaki optimizasyon zorluklarını ve karşılaştırmalı öğrenme ve çok modlu temsil öğrenimi yoluyla pratik zorlukların nasıl ele alınacağını ele alır.

Ders, çok modlu füzyonun pratik zorluklarını ele aldı; örneğin, intermodal heterojenliğin nasıl ele alınacağı, tek modlu önyargının füzyon sonuçları üzerindeki etkisinin nasıl önleneceği ve dinamik füzyon ve mimari arama yoluyla model performansının nasıl iyileştirileceği. Ders, öğrencilerin çok modlu füzyon tekniklerini daha iyi anlamalarına ve uygulamalarına yardımcı olmak için, okuma tartışmaları ve proje ilerlemesiyle ilgili geri bildirimler de dahil olmak üzere, haftanın ödevlerinin bir özetiyle sona erdi.

Çapraz-modal öğrenme

Ders, birleştirme, hizalama ve çeviri yoluyla modaliteler arasında bilgi aktarımı da dahil olmak üzere, modaliteler arası öğrenmenin temel kavram ve tekniklerini ele alır. Önceden eğitilmiş model aktarımı, işbirlikçi öğrenme ve model tümevarım gibi çok modaliteli öğrenmede çeşitli aktarım stratejilerini kapsar. Kısmen gözlemlenebilir modaliteler arasında bilgi aktarımı sağlayan ve çoklu görev öğrenmesi ile birden fazla modalite ve görev arasında aktarım öğrenimine uygulanabilen Yüksek Modal Çok Modal Dönüştürücü (HighMMT) modeli özellikle vurgulanmaktadır.

Derste, düşük kaynaklı öğrenme biçimleri, dil ve görmenin ötesindeki uygulamalar, karmaşık veri ve model eğitiminin zorlukları ve model yorumlanabilirliği gibi çapraz-modal öğrenmedeki açık zorluklar ele alındı. Belge, öğrencilerin çapraz-modal öğrenme tekniklerini daha iyi anlamalarına ve uygulamalarına yardımcı olmak için okuma tartışmaları ve proje ilerlemesiyle ilgili geri bildirimler de dahil olmak üzere haftanın ödevlerinin bir özetiyle sona erdi.

Büyük tabanlı model

Bu kurs, ön eğitim yöntemleri, mimari türleri, talimat ince ayarı ve tercih ayarı ile verimli eğitim ve çıkarım teknikleri de dahil olmak üzere büyük dil modellerinin (LLM) gelişimini ayrıntılı olarak ele almaktadır. Kurs, yinelemeli sinir ağlarından (RNN’ler) Transformatör mimarisine geçişi ve gözetimsiz öğrenme yoluyla büyük ölçekli metin verileri üzerinde nasıl ön eğitim yapılacağını ele almaktadır. Ayrıca, talimat ince ayarı ve tercih ayarı yoluyla model performansının nasıl optimize edileceğini ve LoRA (düşük rütbeli adaptasyon) ve nicemleme gibi tekniklerle eğitim verimliliğinin ve çıkarım hızının nasıl artırılacağını da incelemektedir.

Derste, büyük ölçekli dil modelleri için gelecekteki yönler ele alındı. Bunlar arasında, modellerin akıl yürütmeyi nasıl öğreteceği, çok modlu LLM programlarının daha fazla modaliteyi kapsayacak şekilde nasıl genişletileceği ve bu modellerin gerçek dünya uygulamalarında nasıl değerlendirilip uygulanacağı yer aldı. Ders, öğrencilerin büyük ölçekli temel modellerin tekniklerini daha iyi anlamalarına ve uygulamalarına yardımcı olmak için bir ara dönem raporu ve bir kaynak talep formu içeren haftalık bir ödevle sona erdi.

Büyük çok modlu modeller

Bu kurs, büyük ölçekli çok modlu modellerin temellerini, ön eğitim yöntemlerini, büyük dil modellerinin (LLM’ler) çok modlu LLM’lere nasıl uyarlanacağını ve metinden çok modlu modele dönüştürme alanındaki en son gelişmeleri ayrıntılı olarak ele almaktadır. Kurs, çok modlu temel modeller için temsil yöntemlerini, çok modlu Dönüştürücü mimarisini, çapraz modlu dikkat mekanizmalarını ve talimat ince ayarı ve tercih ayarlaması yoluyla çok modlu modellerin performansının nasıl optimize edileceğini ele almaktadır. Kurs, önek ayarlaması ve bağdaştırıcı katmanları aracılığıyla çok modlu koşullu üretimin nasıl uygulanacağını ve büyük ölçekli ön eğitim veri kümeleri ve çok modlu talimat ince ayarı veri kümeleri kullanılarak model genellemesinin nasıl iyileştirileceğini incelemektedir.

Derste, yerel çok modlu modellerin tasarımı, çok modlu uzmanlar karışımı (MoE) modellerinin uygulanması ve çok modlu modellerin zaman serisi verileri gibi pratik senaryolara nasıl uygulanacağı da dahil olmak üzere çok modlu modellerdeki gelecekteki gelişmeler ele alındı. Ders, öğrencilerin büyük ölçekli çok modlu modellerin tekniklerini daha iyi anlamalarına ve uygulamalarına yardımcı olmak için okuma tartışmaları ve proje ilerlemesiyle ilgili geri bildirimler içeren haftalık bir ödevle sona erdi.

Modern Üretken Yapay Zeka

Bu kurs, üretken yapay zekanın temel kavramlarını, mevcut en son teknolojiyi, koşullu üretim yöntemlerini, model mimarilerini ve bu modelleri eğitme tekniklerini ayrıntılı olarak ele almaktadır. Varyasyonel otokodlayıcılardan (VAE’ler) difüzyon modellerine ve akış eşleştirme modellerine kadar çeşitli üretken modelleri kapsayan kurs, modellerin eğitim hedeflerini, gürültü işleme yöntemlerini, örnekleme hızlarını ve avantaj ve dezavantajlarını incelemektedir. Ayrıca, koşullu vektör alanları ve kayıp fonksiyonları kullanılarak üretim sürecinin nasıl optimize edileceğini ve belirli mimari tasarımlar aracılığıyla model performansının nasıl iyileştirileceğini de açıklamaktadır.

Kurs ayrıca, üretilen içeriğin kalitesini ve çeşitliliğini değerlendirmeye yardımcı olmak için Fréchet Başlangıç Mesafesi (FID), CLIP Puanı, hassasiyet/geri çağırma ve estetik puanlar gibi üretken yapay zeka için değerlendirme ölçütlerini de ele aldı. Kurs, öğrencilerin üretken yapay zeka tekniklerini daha iyi anlamalarına ve uygulamalarına yardımcı olmak için okuma ödevleri ve proje ilerlemesiyle ilgili geri bildirimler içeren haftalık ödevlerle sona erdi.

Son geliştirme yönü

Ders, çok modlu akıl yürütme, yapay zeka ajanları, insan-bilgisayar etkileşimi, etik ve güvenlik gibi en son alanları ele aldı. Konular arasında çok modlu temel modeller için temsil yöntemleri, büyük dil modellerinin çok modlu metin oluşturma modellerine nasıl uyarlanacağı, metin ve görüntü oluşturmanın nasıl uygulanacağı ve insan-bilgisayar etkileşimi aracılığıyla model güvenilirliğinin ve güvenliğinin nasıl artırılacağı yer aldı. Derste özellikle, görsel akıl yürütme ve kod yürütme yoluyla problem çözme etkinliğini artıran, iş birlikçi ve görsel problem çözme için çok modlu bir eğitim sistemi olan “Etkileşimli Eskiz Defteri” sistemi vurgulandı.

Derste, öğrencilerin görsel akıl yürütme yoluyla soyut geometrik kavramları anlamalarına yardımcı olmak gibi çok modlu modellerin eğitimde uygulanması ele alındı. Ayrıca, çok modlu modellerin güvenlik ve etik zorlukları da ele alındı; model eksikliklerinin nasıl ölçüleceği, model davranışının nasıl tahmin edilip kontrol edileceği ve modeller içindeki önyargı ve adaletsizliklerin nasıl ele alınacağı gibi konular ele alındı. Ders, haftanın ödevlerinin özeti, final proje raporunun teslimi ve ders geri bildirimlerinin toplanmasıyla sona erdi.

Ders projesi adresi

• Projenin resmi web sitesi : https://mit-mi.github.io/how2ai-course/spring2025/
• GitHub deposu : https://github.com/MIT-MI/how2ai-course

Kursun uygulama senaryoları

• Sağlık : Tıbbi görüntü ve tıbbi kayıt verilerinin yapay zekâ tabanlı işlenmesi, yardımcı tanı sistemlerinin geliştirilmesi, hastalık tespiti ve tedavisinin doğruluğunun ve verimliliğinin artırılması.
• Akıllı Ulaşım : Yapay zeka teknolojisine dayalı trafik kamerası videolarını ve sensör verilerini analiz ederek otonom sürüş destek sistemlerini ve trafik akışı optimizasyonunu uygulayın.
• Sanat ve Yaratıcı Tasarım : Yapay zekayı kullanarak müzik ve resim gibi yaratıcı içerikler üretin, dil açıklamalarını görsel veya işitsel çalışmalara dönüştürün ve sanatçılar ile tasarımcılar için yaratıcı araçlar sağlayın.
• Akıllı Eğitim : Öğrenci davranışlarını ve geri bildirimlerini analiz ederek özelleştirilmiş öğrenme yolları ve öğretim içeriği sağlayan yapay zeka destekli kişiselleştirilmiş öğrenme sistemleri geliştirin.
• Çevre koruma : Çevresel değişiklikleri izlemek, doğal afetleri tahmin etmek ve ekolojik korumayı ve sürdürülebilir kalkınmayı desteklemek için uydu görüntülerini ve çevresel sensör verilerini işlemek amacıyla yapay zekanın kullanılması.