YAPAY ZEKA (AI), MAKİNE ÖĞRENMESİ (ML) , SİNİR AĞLARI (NN) ve DERİN ÖĞRENME (DL) Arasındaki İlişki :

yapay zeka makine öğrenmesi sinir ağı derin öğrenme kavramları

AI geniş bir alandır. ML,NN’ler ve DL, AI’ın alt kümeleridir.

NN’ler ve DL, ML’in spesifik bir alanıdır. NN ve DL öğrenmeden önce genel ML ile aşina olsan iyi olur.

Tüm NN’ler, derin Öğrenme modeli değildir.

Terimlere detaylıca bakalım.

Yapay Zeka (AI – Artificial Intelligence) :

AI, makinelerin ve sistemlerin zeka ve tahmin yeteneği kazanmasına olanak tanıyan ileri bir teknolojidir. AI sistemler, sağlanan geçmiş deneyimlerden veya verilerden öğrenir. Makine öğrenimi (ML), ve Derin Öğrenme (DL), Yapay zekanın en önemli iki yönüdür. Bugün kompleks AI sistemler bulunur ancak çoğu, doğal zekanın var olduğu insan beynine yeterince yakın değildir.

Makine Öğrenmesi (ML) :

Makine öğrenimi, bilgisayarların açıkça programlanmadan verilerden öğrenme yeteneğidir. Makine öğrenimi ile geleneksel programlama arasında ayrım yapmak yararlı olabilir.

Geleneksel programlamada programcı, programın bir bilgisayarda veya makinede nasıl çalışması gerektiğini tanımlayan kuralları açıkça yazar. Ancak makine öğreniminde model, kuralları verilerden öğrenir. Bu kuralları açıkça yazmamıza gerek yok. Ancak yine de makine öğrenimi modelini oluşturmak için gereken kodu yazmamız gerekiyor.

Bir makine öğrenimi modelini eğitirken verilerden öğrenmesi gerekir. Verileri ezberlememelidir. Makine öğrenimi modelleri, verilerden öğrenirken verilerdeki gizli kalıpları keşfedebilir veya eğitim sırasında kullanılmayan yeni veriler üzerinde doğru tahminler yapabilir. Bir makine öğrenimi modeli, verilerdeki kalıpları öğrenmek yerine verileri ezberlerse, yeni girdi verileri üzerinde genelleme yapamaz. Bu durumda model, eğitim sırasında kaçınmamız gereken bir sorun olan aşırı uyum (overfit) sağlama eğilimindedir.

Makine öğrenmesi 3 kategoriye ayrılır.

Denetimli Öğrenme (Supervised Learning)  :

Denetimli öğrenmede, makine öğrenimi modelleri etiketli verilerle eğitilir. Giriş için veri örnekleri (X olarak adlandırılır) ve etiketler (y olarak adlandırılır) sağlamamız gerekir. Denetimli öğrenme algoritmasının amacı, X’i y’ye daha doğru bir şekilde eşleyen bir f(θ) işlevi bulmaktır. Denetimli bir model, gerçek (temel gerçeklik) değeriyle karşılaştırılan bir sonucu tahmin eder. İki tür denetimli öğrenme modeli vardır.

Regresyon ve Sınıflandırma

Bir regresyon modeli sürekli bir değeri tahmin ederken, bir sınıflandırma modeli ayrık bir değeri (sınıf veya kategori) tahmin eder.

Denetimsiz Öğrenme (Unsupervised Learning) :

Denetimsiz öğrenmede, makine öğrenimi modelleri etiketlenmemiş verilerle eğitilir. Giriş için yalnızca veri örnekleri (X olarak adlandırılır) sağlarız. Denetimsiz öğrenmenin amacı, verilerdeki gizli kalıpları, yapıları ve ilişkileri keşfetmektir. Kümeleme denetimsiz öğrenmenin ana türüdür. Kümeleme, verilerdeki grupları bulur.

Reinforcement Learning : algoritmalar problem çözme stratejilerini öğrenmek için çevre ile etkileşime girer. Sadece bir ödül sistemi vardır ve denetimli öğrenmedeki gibi hata hesaplama süreci yoktur. Amaç, çevre ile etkileşimlerden öğrenen bir sistem geliştirmektir. Bu tür öğrenme genellikle oyunlarda (örn. Satranç) kullanılır.

Sinir Ağları (NN) ve Derin Öğrenme (DL) :

Bu terimleri sıklıkla birbirinin yerine kullanırız çünkü NN’ler ve DL arasında yalnızca küçük bir fark vardır. Sinir ağları (genellikle Yapay Sinir Ağları-YSA olarak adlandırılır) insan beyninden esinlenmiştir. Böyle bir sinir ağı, birden çok yapay nöronun (algılayıcı) birlikte istiflenmesiyle oluşturulur.

Bir sinir ağının derinliği, gizli katman sayısıyla tanımlanır. Gizli katmanı olmayan veya yalnızca bir gizli katmanı olan bir YSA, Sığ Sinir Ağı(Shallow Neural Network) olarak bilinir. İki veya daha fazla gizli katmana sahip bir YSA, Derin Sinir Ağı olarak bilinir. Derin sinir ağlarının öğrenme sürecine “Derin Öğrenme” denir. Derin Öğrenme’deki “Derin” terimi, ağdaki gizli katmanların (derinlik) sayısını ifade eder.

Derin öğrenme, Sinir Ağlarının (NN’ler) bir alt kümesidir. Bunun nedeni, sığ sinir ağlarını eğitme sürecini derin öğrenme olarak görmememizdir.

Sinir ağlarını genellikle ikiden fazla gizli katmanla eğitiriz. Gizli katmanı olmayan veya yalnızca bir gizli katmanı olan YSA’lar, verilerdeki karmaşık ilişkileri öğrenecek kadar güçlü değildir. Genel makine öğrenimi modellerine çok yakındırlar. Örneğin lojistik regresyonu, hiçbir gizli katmanı olmayan çok basit bir sinir ağı modeli olarak düşünebiliriz.

Derin Öğrenme, makine öğreniminden farklılaşır.

  • Derin sinir ağları, yüksek performans elde etmek için büyük miktarda veri gerektirir. Az miktarda veriyle, genel makine öğrenimi algoritmalarını bile yenemezler.
  • Verilerdeki karmaşık ilişkileri öğrenebilirler.
  • Eğitmek için çok miktarda hesaplama kaynağına ihtiyaç duyar.
  • Doğruluk oranı yüksektir.
  • Derin sinir ağlarının eğitilmesi için daha fazla zamana ihtiyacı vardır.
  • Derin sinir ağları, büyük veri setlerinden özellikleri otomatik olarak çıkarabilir.

AI, hayatımızı tamamen farklı bir formata dönüştüren yeni bir elektrik türü olarak kabul edilir. Yapay zeka sayesinde sürücüsüz arabalarımız, yapay zeka sağlık sistemlerimiz, konuşma tanıma sistemlerimiz, görüntü işleme sistemlerimiz, tavsiye sistemlerimiz ve çok daha fazlası var. Hepsi yaşam tarzımızı ve işimizi tanımlar.

ML ve DL, AI’nın en önemli iki yönüdür. Akıllı cihazlar sayesinde bir saniyede inanılmaz miktarda veri üretiliyor. Buna paralel olarak, teknoloji ilerledikçe hesaplama kaynaklarının maliyeti de azalmaktadır. Bu şeyler birlikte, makine öğrenimi ve derin öğrenme sistemleri geliştirme yolunun kilidini açmanın anahtarını sağlar.

Makine öğrenimi ve DL sistemleri, verileri bilgiye ve bilgileri anlayış,kavrayışa dönüştürür.

Veri → Bilgi → Anlayış → Eyleme Geçirilebilir Öngörüler

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

error: Yapay ZekAi : İçerik Korumalıdır !!