Yapay Zeka, Makine Öğrenimi ve Derin Öğrenmeyi Anlamak
Yapay Zeka (AI) ve onun alt kümeleri olan Makine Öğrenimi (ML) ve Derin Öğrenme (DL), Veri Biliminde önemli bir rol oynamaktadır. Veri Bilimi, ön işleme, analiz, görselleştirme ve tahmin içeren kapsamlı bir süreçtir. AI ve alt kümelerine derinlemesine dalalım.
Yapay Zeka (AI) tipik olarak insan zekası gerektiren görevleri yerine getirebilen akıllı makineler oluşturmakla ilgilenen bir bilgisayar bilimi dalıdır. AI temel olarak aşağıdaki gibi üç kategoriye ayrılır
-
Yapay Dar Zeka (ANI)
-
Yapay Genel Zeka (AGI)
-
Yapay Süper Zeka (ASI).
Bazen ‘Zayıf Yapay Zeka’ olarak adlandırılan dar yapay zeka, tek bir görevi belirli bir şekilde en iyi şekilde gerçekleştirir. Örneğin, kahve yapmak için iyi tanımlanmış bir dizi eylem gerçekleştiren otomatik bir kahve makinesi çalıyor. Oysa ‘Güçlü Yapay Zeka’ olarak da adlandırılan AGI, bir insan gibi düşünmeyi ve muhakeme etmeyi içeren çok çeşitli görevleri yerine getirir. Bazı örnekler Google Assist, Alexa, Doğal Dil İşleme (NPL) kullanan Chatbot’lardır. Yapay Süper Zeka (ASI), insan yeteneklerini gerçekleştiren gelişmiş versiyondur. Sanat, karar verme ve duygusal ilişkiler gibi yaratıcı faaliyetler gerçekleştirebilir.
Şimdi bakalım Makine Öğrenimi (ML). Karmaşık veri modellerinin ve kümelerinin tanınmasına dayalı tahminler yapmaya yardımcı olan algoritmaların modellenmesini içeren bir yapay zeka alt kümesidir. Makine öğrenimi, algoritmaların sağlanan verilerden öğrenmesini, içgörü toplamasını ve toplanan bilgileri kullanarak önceden analiz edilmemiş veriler üzerinde tahminler yapmasını sağlamaya odaklanır. Makine öğreniminin farklı yöntemleri
-
denetimli öğrenme (Zayıf AI – Görev odaklı)
-
denetimsiz öğrenme (Güçlü Yapay Zeka – Veriye Dayalı)
-
yarı denetimli öğrenme (Güçlü AI – uygun maliyetli)
-
güçlendirilmiş makine öğrenimi. (Güçlü AI – hatalardan ders alın)
Denetimli makine öğrenimi, davranışı anlamak ve gelecekteki tahminleri formüle etmek için geçmiş verileri kullanır. Burada sistem belirlenmiş bir veri kümesinden oluşur. Giriş ve çıkış için parametrelerle etiketlenmiştir. Ve yeni veriler geldikçe, ML algoritması yeni verileri analiz eder ve sabit parametreler temelinde kesin çıktı verir. Denetimli öğrenme, sınıflandırma veya regresyon görevlerini gerçekleştirebilir. Sınıflandırma görevlerine örnek olarak görüntü sınıflandırma, yüz tanıma, e-posta spam sınıflandırması, dolandırıcılığı tespit etme vb. ve regresyon görevleri için hava durumu tahmini, nüfus artışı tahmini vb. verilebilir.
Denetimsiz makine öğrenimi, herhangi bir sınıflandırılmış veya etiketlenmiş parametre kullanmaz. Sistemlerin bir işlevi doğru bir şekilde çıkarmasına yardımcı olmak için etiketlenmemiş verilerden gizli yapıları keşfetmeye odaklanır. Kümeleme veya boyut indirgeme gibi teknikler kullanırlar. Kümeleme, veri noktalarının benzer metrikle gruplandırılmasını içerir. Veriye dayalıdır ve kümelemeye yönelik bazı örnekler, Netflix’te kullanıcı için film tavsiyesi, müşteri segmentasyonu, satın alma alışkanlıkları vb.
Yarı denetimli makine öğrenimi, öğrenme doğruluğunu artırmak için hem etiketlenmiş hem de etiketlenmemiş verileri kullanarak çalışır. Yarı denetimli öğrenme, verileri etiketlemenin pahalı olduğu ortaya çıktığında uygun maliyetli bir çözüm olabilir.
Takviyeli öğrenme, denetimli ve denetimsiz öğrenmeye kıyasla oldukça farklıdır. Sonunda sonuç veren bir deneme yanılma süreci olarak tanımlanabilir. t Yinelemeli iyileştirme döngüsü ilkesiyle elde edilir (geçmişteki hatalardan öğrenmek). Takviyeli öğrenme, temsilcilere simüle edilmiş ortamlarda otonom sürüşü öğretmek için de kullanılmıştır. Q-learning, takviyeli öğrenme algoritmalarına bir örnektir.
ilerlemek Derin Öğrenme (DL), katmanlı bir mimariyi takip eden algoritmalar oluşturduğunuz bir makine öğrenimi alt kümesidir. DL, ham girdiden aşamalı olarak daha yüksek düzey özellikleri çıkarmak için birden çok katman kullanır. Örneğin, görüntü işlemede, alt katmanlar kenarları tanımlayabilirken, daha yüksek katmanlar rakamlar, harfler veya yüzler gibi bir insanla ilgili kavramları tanımlayabilir. DL genel olarak derin yapay sinir ağı olarak adlandırılır ve bunlar ses tanıma, görüntü tanıma, doğal dil işleme vb. problemler için son derece hassas olan algoritma kümeleridir.
Veri Bilimini özetlemek gerekirse, makine öğrenimini içeren yapay zekayı kapsar. Bununla birlikte, makine öğreniminin kendisi, derin öğrenme olan başka bir alt teknolojiyi kapsar. Gittikçe zorlaşan sorunları (kanseri onkologlardan daha iyi tespit etmek gibi) insanlardan daha iyi çözebildiği için yapay zeka sayesinde.
