Ara
  • İrem Samur

Yapay Zekayı Yakından Tanıyalım

Yapay zeka, bilim ve mühendisliğin birleşimi olan akıllı makineler ve özellikle de akıllı bilgisayar programları olarak tanımlanabilir. Bir başka deyişle yapay zeka, insan zekası süreçlerinin makineler, özellikle bilgisayar sistemleri tarafından simülasyonudur.


Peki Yapay Zeka Nasıl Çalışır?


Genel olarak, yapay zeka sistemleri, büyük miktarda etiketlenmiş eğitim verisi alarak, verileri korelasyonlar ve kalıplar için analiz eder ve bu kalıpları gelecekteki durumlar hakkında tahminlerde bulunmak için kullanır.


Şimdi yapay zekayı aşağıdaki şema ile daha yakından tanıyalım.


Önce temel yapay zeka çeşitlerini tanıyalım.


Narrow AI (Dar Yapay Zeka) : Dar Yapay Zeka veya Zayıf Zeka olarak da bilinen Yapay Dar Zeka (ANI), tek bir sınırlı göreve odaklanan bir Yapay Zeka türüdür. Sınırlı, dar bir yetenek yelpazesine sahiptir. Bugün için var olan tek Yapay zeka türü olarak da bilinir. Dar Yapay Zeka, çoğumuzun günlük olarak etkileşime girdiği bir türdür. Google Asistan, Google Translate, Siri, Cortana veya Alexa’yı örnek olarak düşünebiliriz. Tamamı Doğal Dil İşleme (NLP) kullanan makine zekalarına sahiptir.


General AI (Genel Yapay Zeka) : Bir insanın yapabileceği herhangi bir zihinsel görevi başarıyla gerçekleştirebilecek bir makinenin zekasıdır. Günümüzdeki bazı yapay zeka araştırmalarının temel amacıdır ve bilimkurgu ve fütüroloji'de de ortak bir konudur. Bazı araştırmacılar Yapay genel zekâyı "güçlü yapay zekâ", "tam yapay zekâ" veya bir makinenin "genel akıllı eylem" gerçekleştirme kabiliyeti olarak adlandırmaktadır. Bu tabloda bulunmasa bile üçüncü bir yapay zeka çeşidi ise Süper yapay zekadır. Süper yapay üzerinde çalışmalar halen devam etmektedir.


Süper Yapay Zeka : Süper Yapay Zeka (ASI) geleceğin kendisi olarak tanımlanabilirBu noktaya ulaşmak ve bir Yapay Zeka’nın “Süper Yapay Zeka” olarak ifade edilebilmesi için insanları kesinlikle her konuda aşması gerekecektir ki Süper Yapay Zeka türü, Yapay Zeka bir insandan daha yetenekli olduğunda söz konusu olabilir. Bu tür Yapay Zeka, sanat, karar verme ve duygusal ilişkiler gibi konularda olağanüstü performans gösterebilecektir. Bu gibi şeyler bugün bir makineyi bir insandan ayıran şeylerdir.


Şimdi Dar yapay zekayı daha yakından tanıyalım.


Experts Systems (Uzman Sistemler) : Belirli bir uzmanlık alanında, gerçek kişilerden derlenen bilgileri temel alarak sebepten sonuca veya sonuçtan sebeplere ulaşabilen sistemlerdir.


Symbolic Logic (Sembolik Mantık) : Önermelerin sembolleştirilmesine dayalı mantık disiplinidir. Amacı genel geçer bir mantık dili oluşturmaktır.


Optimization (Optimizasyon) : Matematikte matematiksel programlama, en iyileme ya da optimizasyon terimi; bir gerçel fonksiyonu minimize ya da maksimize etmek amacı ile gerçek ya da tam sayı değerlerini tanımlı bir aralıkta seçip fonksiyona yerleştirerek sistematik olarak bir problemi incelemek ya da çözmek işlemlerini ifade eder.


Machine Learning (Makine Öğrenmesi) : İnsanların öğrenme şekillerini taklit etmek için veri ve algoritmaların kullanımına odaklanıp doğruluğunu kademeli olarak artıran bir yapay zeka (AI) ve bilgisayar bilimi dalıdır. Makine öğrenmesi, büyüyen veri birimi alanının önemli bir bileşenidir. İstatistiksel yöntemler kullanılarak, algoritmalar; sınıflandırmalar veya tahminler yapmak üzere eğitilir ve veri madenciliği projelerinde temel içgörüleri ortaya çıkarmaktadır. Bu içgörüler, sonrasında uygulamalar ve işler dahilinde karar verme sürecini teşvik ederek, ideal anlamda önemli büyüme ölçütlerini etkiler.


Şimdi yapay zeka dediğimiz zaman en çok karşımıza çıkan popüler kavramlardan birisi olan makine öğrenmesi kavramının alt bileşenlerini inceleyelim.


Decision Tree (Karar Ağacı): Temel fikir, giriş verisinin bir kümeleme algoritması yardımıyla tekrar tekrar gruplara bölünmesine dayanır. Grubun tüm elemanları aynı sınıf etiketine sahip olana kadar kümeleme işlemi derinlemesine devam eder.


Neural Networks (Yapay Sinir Ağı) :

Yapay sinir ağları (YSA), insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri, herhangi bir yardım almadan otomatik olarak gerçekleştirebilmek amacı ile geliştirilen bilgisayar sistemleridir. Yapay sinir ağları insan beyni örnek alınarak, öğrenme sürecinin matematiksel olarak modellenmesi sonucu ortaya çıkmıştır. Beyindeki biyolojik sinir ağlarının yapısını, öğrenme, hatırlama ve genelleme kabiliyetlerini taklit eder.


Clustering (Kümeleme): Clustering ( Kümeleme ) bir veri setinde benzer özellikler gösteren verilerin gruplara ayrılmasına denir. Aynı küme içinde benzerlikler fazla, kümeler arası benzerlikler azdır. Unsupervised Learning ( Gözetimsiz öğrenme ) vardır yani önceden herhangi bir bilgi verilmez. K-Means ve Hiyerarşik Bölütleme yaygın olarak kullanılan kümeleme algoritmalarındandır. Bu algoritmalar müşteri segmentasyonu, pazar segmentasyonu, bilgisayar ile görü gibi alanlarda sıkça kullanılırlar.


SVM (Support Vector Machine-Destek Vektör Makineleri) : Makine öğrenmesinde , destek vektör makineleri (SVM’ler vektörel ağları destekler), sınıflandırma ve regresyon analizi için kullanılan veriyi analiz eden ilişkili öğrenme algoritmalarıyla denetimli öğrenme modelleridir.


Graphical Models (Grafiksel Modeller) : Bir grafiğin rastgele değişkenler arasındaki koşullu bağımlılık yapısını ifade ettiği olasılıksal bir modeldir. Olasılık teorisinde, istatistiklerde, özellikle Bayes istatistiklerinde ve makine öğreniminde yaygın olarak kullanılırlar .


Deep Learning (Derin Öğrenme) : Derin Öğrenme bir makine öğrenme yöntemidir. Verilen bir veri kümesi ile çıktıları tahmin edecek yapay zekayı eğitmemize olanak sağlar. Yapay zekayı eğitmek için hem denetimli hem de denetimsiz öğrenme kullanılabilir.



Şimdi birazda yapay zeka da kullanılan makine öğrenmesinin temellerini oluşturan yapay zekanın deney yaklaşımlarına bakalım.




Supervised Learning (Denetimli Öğrenme) : Denetimli makine öğrenimi , belirsizlik dahilinde kanıta dayalı tahminler yapan bir model oluşturur. Denetimli bir öğrenme algoritması bilinen bir girdi verisi seti ve verilere bilinen yanıtları alır, ardından yeni verilere yanıt için makul tahminler oluşturmak üzere bir modeli eğitir. Tahmin etmeye çalıştığınız çıktı için bilinen verileriniz varsa denetimli öğrenmeyi kullanabilirsiniz.


Unsupervised Learning (Denetimsiz Öğrenme) : Gözetimsiz (denetimsiz) öğrenme, modeli denetlemenize gerek olmayan bir makine öğrenme tekniğidir. Bunun yerine, modelin bilgileri keşfetmek için kendi başına çalışmasına izin vermeniz gerekir. Denetimsiz öğrenme algoritmaları, denetimli öğrenmeye kıyasla daha karmaşık işleme görevleri gerçekleştirmenizi sağlar. Dentimsiz öğrenmede sistem öğretilmiyor, verilerden öğreniyor. Denetimsiz makine öğrenimi, verilerdeki bilinmeyen her türlü paterni bulur. Denetimsiz yöntemler, kategorizasyon için yararlı olabilecek özellikleri bulmanıza yardımcı olur.


ReinForcement Learning (Takviyeli Öğrenme) : Takviyeli öğrenme (Reinforcement Learning), bulunduğu ortamı algılayan ve kendi başına kararlar alabilen bir sistemin, hedefine ulaşabilmesinde doğru kararlar almayı nasıl öğrenebileceğini gösterir. Bu yöntem aksiyona göre ödüllendirmeye dayanır. Bu yöntem robotik, oyun programlama, hastalık teshisi ve fabrika otomasyonu gibi alanlarda sıklıkla kullanılır. Takviyeli öğrenme yaklaşımları içerisinde en çok bilineni Q-Öğrenme yöntemidir.


Umarım sizler için faydalı bir yazı olmuştur.


İrem Samur

Datasurgery, Software Intern

17 görüntüleme0 yorum

Son Paylaşımlar

Hepsini Gör