Yapay Zekanın Temelleri (Makine Öğrenmesi ve Derin Öğrenme)

Yapay zeka; derin öğrenme, makine öğrenimi ve sinir ağları ile ilişkilendirilir ve hepsi bir rol oynasa da, bu terimler konuşmada birbirinin yerine kullanılma eğilimindedir ve aralarındaki nüanslar konusunda bazı karışıklıklara yol açar.

Yapay Zeka Kavramları

Yapay zeka, makine öğrenimi, sinir ağları ve derin öğrenme hakkında düşünmenin belki de en kolay yolu, onları matruşka bebek yani iç içe geçmiş bebekleri gibi düşünmektir. Her biri esasen önceki terimin bir bileşenidir.

Yani makine öğrenimi, yapay zekanın bir alt alanıdır. Derin öğrenme, makine öğreniminin bir alt alanıdır ve sinir ağları, derin öğrenme algoritmalarının omurgasını oluşturur.

Yapay Sinir Ağları Nelerdir?

Kısaca insan beynindeki nöronların arasındaki iletişimi öğrenme sürecini takip eden matematiksel bir modelleme yöntemi diyebiliriz.

Sinir ağları; Artificial Neural Networks(ANN) yapay sinir ağları  bir dizi algoritma aracılığıyla insan beynini taklit eder. Temel gösterimde, bir sinir ağı dört ana bileşenden oluşur: girdiler, ağırlıklar, bir önyargı veya eşik ve bir çıktı.Doğrusal regresyona benzer şekilde , cebirsel formül şuna benzer:

Derin Öğrenmenin Sinir Ağlarından Farkı Nedir?

Sinir ağlarının açıklamasında ima edilmiş olsa da, daha açık bir şekilde belirtmeye değer. Derin öğrenmedeki “derin”, bir sinir ağındaki katmanların derinliğine atıfta bulunur. Üçten fazla katmandan oluşan ve girdileri ve çıktıları içeren bir sinir ağı, bir derin öğrenme algoritması olarak düşünülebilir.

Derin sinir ağlarının çoğu ileri beslemedir, yani yalnızca girdiden çıktıya tek yönde akarlar. Bununla birlikte, modelinizi geri yayılım yoluyla da eğitebilirsiniz; yani, çıktıdan girdiye ters yönde hareket edin. Geri yayılım, her bir nöronla ilişkili hatayı hesaplamamıza ve ilişkilendirmemize olanak tanıyarak, algoritmayı uygun şekilde ayarlamamıza ve uydurmamıza olanak tanır.

Derin Öğrenme ile Makine Öğrenmesi Farkları

Derin öğrenme yalnızca makine öğreniminin bir alt kümesidir.

Klasik veya “derin olmayan” makine öğrenimi, insan müdahalesinin öğrenmesine bağlıdır ve veri girişleri arasındaki farkları anlamak için etiketli veri kümeleri gerektirir. Örneğin, size farklı fast food türlerinin bir dizi resmini gösterecek olsaydım, her resmi “pizza”, “burger” veya “hot dog” gibi bir fast food türü ile etiketlerdim. Makine öğrenimi modeli, denetimli öğrenme olarak da bilinen, kendisine beslenen etiketli verilere dayalı olarak eğitir ve öğrenir.

“Derin” makine öğrenimi, algoritmasını bilgilendirmek için etiketli veri kümelerinden yararlanabilir, ancak etiketli bir veri kümesi gerektirmez; bunun yerine, kendini eğitmek için denetimsiz öğrenmeden de yararlanabilir. Denetimli öğrenme etiketli verilerden yararlanırken, denetimsiz öğrenim yapılandırılmamış veya etiketlenmemiş verileri kullanır.

Verilerdeki kalıpları gözlemleyerek, bir makine öğrenimi modeli girdileri kümelendirebilir ve sınıflandırabilir. Daha önceki aynı örneği ele alarak, pizza, hamburger ve hot dog resimlerini, resimlerde tanımlanan benzerliklere göre ilgili kategorilere ayırabiliriz. Bununla birlikte, bir derin öğrenme modeli, doğruluğunu artırmak için daha fazla veri noktası gerektirirken, bir makine öğrenimi modeli, temeldeki veri yapısı göz önüne alındığında daha az veriye dayanır.

Makine Öğrenmesi ile Yapay Zeka Farkları

Son olarak, yapay zeka , insan zekasını taklit eden makineleri sınıflandırmak için kullanılan en geniş terimdir. İnsanların tarihsel olarak yaptığı konuşma ve yüz tanıma, karar verme ve çeviri gibi görevleri tahmin etmek, otomatikleştirmek ve optimize etmek için kullanılır.

Yapay zekanın 3 ana kategorisi vardır:

• Artificial Narrow Intelligence (ANI)
• Artificial General Intelligence (AGI)
• Artificial Super Intelligence (ASI)

ANI, “zayıf” AI olarak kabul edilirken, diğer iki tür “güçlü” AI olarak sınıflandırılır. Zayıf AI, bir satranç oyunu kazanma veya bir dizi fotoğrafta belirli bir kişiyi tanımlama gibi çok özel bir görevi tamamlama yeteneği ile tanımlanır. AGI ve ASI gibi daha güçlü AI biçimlerine geçtikçe, tonu ve duyguyu yorumlama yeteneği gibi daha fazla insan davranışının dahil edilmesi daha belirgin hale geliyor. Chatbotlar ve Siri gibi sanal asistanlar bunun yüzeyini çiziyor, ancak yine de ANI örnekleridir, yani yapay dar zeka olarak geçer.

Güçlü AI, insanlara kıyasla kabiliyetiyle tanımlanır. Yapay Genel Zeka (AGI) başka bir insanla eşit performans gösterirken, Süper Zeka olarak da bilinen Yapay Süper Zeka (ASI), bir insanın zekasını ve yeteneğini aşacak söylemleri de uzun zaman tartışma konusu olacak gibi.

Denetimli Öğrenme (Supervised)

“Denetimli”, bir öğretmenin eğitim süreci boyunca programa yardım ettiği anlamına gelir: etiketli veriler içeren bir eğitim seti vardır. Örneğin, bilgisayara kırmızı, mavi ve yeşil topları farklı sepetlere koymayı öğretmek istiyorsunuz.

Öncelikle, sisteme nesnelerin her birini gösterir ve neyin ne olduğunu söylersiniz. Ardından, öğrenilen işlevin doğru olup olmadığını kontrol eden bir doğrulama setinde programı çalıştırın. Program iddialarda bulunur ve bu sonuçlar yanlış olduğunda programcı tarafından düzeltilir. Eğitim süreci, model eğitim verileri üzerinde istenen doğruluk düzeyine ulaşana kadar devam eder. Bu tür öğrenme genellikle sınıflandırma ve regresyon için kullanılır.

Denetimli Öğrenme Algoritma Örnekleri:

• Naive bayes,
• Destek Vektör Makinesi,
• Karar ağacı,
• K-En Yakın Komşular,
• Lojistik regresyon,
• Doğrusal ve Polinom regresyonları.

Denetimsiz Öğrenme(Unsupervised)

Denetimsiz öğrenmede, programa kalıpları bağımsız olarak aramasına izin veren herhangi bir özellik sağlamazsınız. Bilgisayarın farklı kategorilere ayırması gereken büyük bir çamaşır sepetiniz olduğunu hayal edin: çoraplar, tişörtler, kot pantolonlar… Buna kümeleme denir ve denetimsiz öğrenme genellikle verileri benzerliğe göre gruplara ayırmak için kullanılır.

• Denetimsiz öğrenme, içgörülü veri analitiği için de iyidir. Bazen program, büyük miktarlarda sayısal veriyi işleyemememiz nedeniyle insanların gözden kaçıracağı kalıpları tanıyabilir.
• Spotify
• Netflix
• E-ticaret Web sitesi ile ilgili ürünler öneri sistemi gibi uygulamalar da örnek gösterilebilir.

Denetimsiz Öğrenme Algoritma örnekleri:

• K-means
• Sınıflandırma
• Gauss karışım
• Gizli Markov Modelleri
• Bulanık Ortalama
• Kümeleme

Pekiştirmeli Öğrenme (Reinforcement Learning)

Bu, insanların nasıl öğrendiğine çok benzer: deneme yanılma yoluyla. İnsanların, denetimli öğrenmedeki gibi etkili bir şekilde öğrenmek için sürekli denetime ihtiyacı yoktur. Eylemlerimize yanıt olarak yalnızca olumlu veya olumsuz pekiştirme sinyalleri alarak, yine de çok etkili bir şekilde öğreniyoruz. Örneğin, bir çocuk acıyı  hissettikten sonra sıcak bir tavaya dokunmamayı öğrenir.

Pekiştirmeli Öğrenmenin en heyecan verici bölümlerinden biri, statik veri kümeleriyle ilgili eğitimden uzaklaşmanıza izin vermesidir. Bunun yerine bilgisayar, oyun dünyaları veya gerçek dünya gibi dinamik, gürültülü ortamlarda öğrenebilir.

Oyunlar, ideal veri açısından zengin ortamlar sağladıkları için pekiştirmeli öğrenme araştırmaları için çok kullanışlıdır. Oyunlardaki puanlar; oyundaki doğru hamleye ödül yanlış hamleye ceza vermek gibi düşünülebilir.