yapay zekayı yapay zeka ile uğraştırtıyorum desem
yani ciddi ciddi 28 yıl önce arkadaşları keklerdim benim bilgisayar konuşuyor diye "chat odaları vardı mp dosyası göndererek konuşurduk" şimdi oturdum bilgisayarla ben konuşuyorum .
misal :
arşa istiva etti ne demek
"Arşa istiva etti" ifadesi, Arap harfleriyle yazılmış Kuran-ı Kerim metninde yer alan bir ifadedir. Bu ifade, Kuran'da belirli ayetlerde geçer ve İslam inancına göre Allah'ın niteliklerini ifade etmek amacıyla kullanılır.
İslam inancına göre Allah, Kuran'da belirli niteliklerle tanıtılır ve bu nitelikler insanlara rehberlik etmek, bilgi ve anlayış sunmak amacıyla ifade edilir. "Arşa istiva etti" ifadesi de Allah'ın "arşa (taht)" yükselmesini ve hâkimiyetini ifade eder.
Bu ifade, Kuran'da çeşitli surelerde ve ayetlerde yer alır, örneğin, A'raf Suresi'nin 54. ayetinde geçer:"Rahman Arşa istiva etti. Gökleri ve yeri altı günde yarattı, sonra Arşa istiva etti. Geceyi gündüze bürüyüp örtüyor; güneşi, ayı ve yıldızları emrine amade kıldı. Dikkat edin, işleri (yaratma ve idare) emri, ancak O'nundur. Yüceler yücesi Allah'ın işlerini nasıl bir düşünce ile düşünmezler!" (A'raf Suresi, 7:54)
Bu ifade, Allah'ın egemenliğini, yüceliğini ve her şeyin yaratıcısı olarak üstün konumunu vurgulamak amacıyla kullanılır. İslam inancında, Allah'ın kudreti ve hâkimiyeti her şeyin üstündedir ve bu ifade bu konsepti ifade etmek için kullanılır.
ve
bana yazdığı python için mini bir yapay zeka (sinirağı) kodu :
import numpy as np
# Sigmoid aktivasyon fonksiyonu
def sigmoid(x):
return 1 / (1 + np.exp(-x))
# Verileri ve etiketleri tanımla
# Örneğin, iki girdili bir sınıflandırma problemi olsun
veriler = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
etiketler = np.array([[0], [1], [1], [0]])
# Ağırlıkları başlangıç olarak rastgele ata
np.random.seed(0)
agirliklar = np.random.uniform(size=(2, 1))
# Öğrenme oranını belirle
ogrenme_orani = 0.1
# Eğitim
for epoch in range(10000):
# Çıkışı hesapla
cikis = sigmoid(np.dot(veriler, agirliklar))
# Hata hesapla
hata = etiketler - cikis
# Ağırlıkları güncelle
agirliklar += ogrenme_orani * np.dot(veriler.T, hata * (cikis * (1 - cikis)))
# Test verileri
test_verileri = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
# Eğitilmiş modelle test yap
for i in range(len(test_verileri)):
test_cikis = sigmoid(np.dot(test_verileri
, agirliklar))
print(f"Girdi: {test_verileri} - Çıkış: {test_cikis}")