Adım Adım Makine Öğrenimini (Machine Learning) Keşfedin

Yapay zekanın yaratıcıları Minsky ve McCarthy, 1950’li yıllarda yapay zekayı, daha önce insan zekası gerektirdiği düşünülen bir makine tarafından gerçekleştirilen herhangi bir görev olarak tanımlamıştır.

Yapay zeka sistemleri, insan zekası ile ilişkili davranışlardan en temel olanlarını: planlama, öğrenme, akıl yürütme, problem çözme, bilgi temsili, yapay zeka, hareket ve manipülasyon ve daha az ölçüde zeka ve yaratıcılık.

Zeka yaratmanın ne anlama geldiğine dair modern tanımlar daha spesifiktir. Google’da yapay zeka araştırmacısı ve makine öğrenimi yazılım kütüphanesi Keras’ın yaratıcısı olan Francois Chollet, yapay zekanın bir sistemin yeni bir ortama uyum sağlama ve doğaçlama yapma, bilgisini genelleştirme ve beklenmedik senaryolara uygulama becerisine bağlı olduğunu söylemiştir.

İlginizi çekebilir: Otonom Araçlar ve Yapay Zekaya Dayalı Çalışma Mantığı

Yapay Zeka Nerelerde Kullanılır?

Yapay zeka (AI), makinelerin deneyimlerden öğrenmesini, yeni girdilere uyum sağlamasını ve insan benzeri görevleri gerçekleştirmesini mümkün kılar. Satranç oynayan bilgisayarlardan sürücüsüz araba teknolojisine kadar kadar bugün duyduğunuz çoğu yapay zeka örneği, büyük ölçüde derin öğrenme ve doğal dil işlemeye dayanır.

Yapay zeka destekli olduğunu fark etmeyebileceğiniz bazı AI uygulamalarını aslında her gün kullanmaktayız. Gelin şimdi gün geçtikçe hayatımızın merkezinde yer alan yapay zeka teknolojilerinin bazılarını beraber inceleyelim:

  • Online Alışveriş ve Reklam: Her gün sıklıkla kullandığımız ama pek farkında olmadığımız bir yapay zeka uygulaması da e-ticaret sitelerinde karşımıza çıkar. Önceki arama ve satın alma işlemlerine veya diğer çevrimiçi davranışlarına dayalı olarak kişiselleştirilmiş öneriler sağlamak için yaygın olarak kullanılan yapay zeka teknolojisini arama motorları, alakalı arama sonuçları sağlamak için kullanıcıları tarafından sağlanan geniş veri girişinden öğrenir.
  • Dijital Kişisel Asistanlar: Akıllı telefonlar, mümkün olduğunca alakalı ve kişiselleştirilmiş hizmetler sağlamak için yapay zekayı kullanır.
  • Makine Çevirileri: Yazılı veya sözlü metne dayalı dil çeviri yazılımı, çeviri sağlamak ve geliştirmek için yapay zekaya güvenir. Bu, otomatik altyazı gibi işlevler için de geçerlidir.
  • Akıllı Evler, Şehirler ve Altyapı: Akıllı termostatlar, enerji tasarrufu için davranışımızdan bir şeyler öğrenirken, akıllı şehir geliştiricileri bağlantıyı iyileştirmek ve trafik sıkışıklığını azaltmak için trafiği düzenlemeye yardımcı olur.
  • Arabalar: Kendi kendini süren araçlar henüz standart olmasa da, arabalar zaten yapay zeka destekli güvenlik işlevlerini kullanıyor. Örneğin AB, olası tehlikeli durumları ve kazaları tespit eden otomatik sensörler üreten VI-DAS’a fon sağlanmasına yardımcı oldu. Ve her gün kullandığımız navigasyonlarda büyük ölçüde yapay zeka desteklidir.
  • Siber Güvenlik: AI sistemleri sürekli veri girişi, kalıpları tanıma ve saldırıları geri izleme temelinde siber saldırıları ve diğer siber tehditleri tanımaya ve bunlarla mücadele etmeye yardımcı olmaya devam ediyor. 
  • Covid-19’a Karşı Yapay Zeka: Covid-19 durumunda, yapay zeka havaalanlarında ve başka yerlerde termal görüntülemede kullanılmıştır. Tıpta, bilgisayarlı tomografi akciğer taramalarından kaynaklanan enfeksiyonun tanınmasına yardımcı olmaktadır.
  • Dezenformasyonla Mücadele: Bazı yapay zeka uygulamaları, sosyal medya bilgilerini araştırarak, sansasyonel veya etik olmayan kelimeleri arayarak ve hangi çevrimiçi kaynakların yetkili kabul edildiğini, sahte haberleri ve dezenformasyonu tespit edebiliyor.

Makine öğrenimi, yapay zeka gibi birçok ilgili alanla örtüşen ve onlardan fikirleri devralan geniş bir çalışma alanıdır. Alanın odak noktası öğrenme, yani deneyimden beceri veya bilgi edinmektir. Gelin yapay zeka ve makine ilişkisini incelediğimiz yazımıza devam edelim. 

Makine Öğrenimi Nedir?

Bugüne kadar yapay zekanın arkasındaki başarıların büyük çoğunluğunu bir yapay zeka kümesi olan makine öğrenimi oluşturmuştur. İnsanlar bugün yapay zeka hakkında konuşurken, genellikle makine öğreniminden bahsediyorlar. Basit bir ifadeyle, yeniden popüler olmanın tadını çıkaran makine öğrenimi, bilgisayar sisteminin bir görevi nasıl yapacağını programlamak yerine nasıl gerçekleştireceğini öğrendiği yerdir. Makine öğreniminin bu tanımı, dünyanın ilk kendi kendine öğrenme sistemlerinden biri olan satranç oynama programını geliştiren ve yapay zekanın öncülerinden Arthur Samuel tarafından yapıldığı 1959 yılına kadar uzanır. Öğrenmek için kodlanan sistemler büyük miktarda veriyle beslenir ve bunları daha sonra komutları anlamak için öğrenmeye devam ederler. Bu veri setinin yapay zeka kalitesi ve boyutu, belirlenen görevi doğru bir şekilde yerine getirebilecek bir sistem oluşturmak için önemlidir.

İlginizi Çekebilir: Kuantum Bilişim ve Makine Öğrenimi Birbirini Nasıl Etkileyecek?

Sinir Ağları Nedir ve Sinir Ağları Nasıl Çalışır?

Makine öğrenimi başarısının anahtarı sinir ağlarıdır. Bu matematiksel modeller, çıktılarını değiştirmek için dahili parametreleri değiştirebilir. Bir sinir ağı, eğitim sırasında belirli veriler sunulduğunda ne öğrenmesi gerektiğini öğreten veri kümeleriyle beslenir. Ağ daha sonra eğitilecek ve her görüntüde gösterilen sayıyı yüksek derecede doğrulukla sınıflandırana kadar dahili parametrelerini ayarlayacaktır. Bu eğitilmiş sinir ağı daha sonra sıfır ile 9 arasındaki sayıların diğer toplam yapay zeka görüntülerini sınıflandırmak için kullanılabilir. Böyle bir ağ ilk kez 1989 yılında Yann LeCun tarafından yayınlanan ve ABD Posta Servisi tarafından kullanılan sinir ağlarının uygulamasını el yazısı posta kodlarını tanımak için yapılan ufuk açıcı bir yapay zeka projesinde kullanılmıştır.

Çalışma Prensibi: Sinir ağlarının yapısı ve işleyişi, beyindeki nöronlar arasındaki bağlantılara benzetilebilir. Sinir ağları, birbirine bağlı ve verilerle beslenen yapay zeka algoritma katmanlarından oluşur. Bu katmanlar arasında geçerken verilere atfedilen önemi değiştirerek belirli görevleri yerine getirmek için eğitilebilirler. Bu sinir ağlarının eğitimi sırasında, veriler katmanlar arasında geçerken eklenen komutlar, sinir ağından elde edilen çıktı istenene çok yakın olana kadar değişmeye devam edecektir. Bu noktada, ağ belirli bir görevi nasıl gerçekleştireceğini ‘öğrenmiş’ olacaktır. İstenen çıktı, bir görüntüdeki meyveleri doğru şekilde etiketlemekten, sensör verilerine dayanarak bir asansörün ne zaman arıza yapabileceğine tahmin etmeye kadar her şey olabilir.

Makine Öğreniminin Unsurları Nelerdir?

Makine öğrenimi yapay zekanın bir alt kümesidir ve genellikle iki ana kategoriye ayrılır: denetimli ve denetimsiz öğrenme.

  • Denetimli Öğrenme: Yapay zeka sistemlerini öğretmek için yaygın olarak kullanılan bu teknik, onları birçok etiketli örnek kullanarak eğitmektir. Bu makine öğrenimi sistemleri, ilgilenilen özellikleri vurgulamak için açıklamalar eklenmiş büyük miktarda veriyle beslenir. Bunlar, bir köpek içerip içermediğini belirtmek için etiketlenmiş fotoğraflar veya ‘bas’ kelimesinin müzikle mi yoksa bir eylemle mi ilgili olduğunu gösteren dipnotları olan yazılı cümleler olabilir. Bir kez eğitildikten sonra, sistem bu etiketleri yeni verilere, örneğin yeni yüklenen bir fotoğraftaki bir köpeğe uygulayabilir.
  • Denetimsiz Öğrenme: Algoritmaların verilerdeki kalıpları tanımlamaya çalıştığı ve bu verileri kategorilere ayırmak için kullanılabilecek benzerlikler aradığı farklı bir yaklaşım denetimsiz öğrenmede kullanılır. Örneğin denetimsiz öğrenmede makinenin görevi benzer ağırlıktaki meyveleri veya benzer motor boyutuna sahip arabaları bir araya getirmek olabilir. Algoritma, belirli veri türlerini seçmek için önceden kurulmamıştır; yalnızca benzerliklerinin gruplandırabileceği verileri arar; örneğin, Google Haberler’in her gün benzer konulardaki haberleri bir araya getirmesi gibi
  • Pekiştirmeli Öğrenme: Bu öğrenme somut olarak şöyle açıklayabiliriz. Evcil bir hayvan numara yaptığında ödülle ödüllendirilir, pekiştirmeli öğrenmede aynı buna benzer; sistem, girdi verilerine dayanarak bir ödülü en üst düzeye çıkarmaya çalışır, temel olarak mümkün olan en iyi sonuca ulaşana kadar bir deneme yanılma sürecinden geçer. Takviyeli öğrenmeye bir örnek, çeşitli klasik video oyunlarında en iyi insan performansı için kullanılan Google DeepMind’ın Deep Q ağıdır. Sistem, her oyundan piksellerle beslenir ve ekrandaki nesneler arasındaki mesafe gibi çeşitli bilgileri belirler. Pekiştirmeli öğrenme ayrıca, pekiştirmeli öğrenmenin özerk robotlara gerçek dünya ortamlarında davranmanın en uygun yolunu öğretmeye yardımcı olabileceği robotik araştırmalarında da kullanılır.

Nöroevrim ve Yapay Zeka İlişkisi

Darwin’in doğa hakkındaki görüşlerini, yapay zeka seleksiyon teorisi ile oldukça benzerdir. Genetik yapay zeka algoritmaları, belirli bir soruna en uygun çözümü geliştirmek amacıyla nesiller arasında rastgele mutasyonlara ve kombinasyonlara maruz kalmaktadır. Bu yaklaşım, yapay zekayı oluşturmaya yardımcı olmak için AI’yı etkin bir şekilde kullanarak AI modellerinin tasarlanmasına yardımcı olmak için bile kullanılmıştır.

Nöroevrim özetle yapay sinir ağları (YSA), parametreler, topoloji ve kurallar oluşturmak için evrimsel algoritmaları kullanan bir yapay zeka biçimidir. En yaygın olarak yapay yaşamda, genel oyun oynama ve evrimsel robotikte uygulanır.