Elektrik dünyanın işleme tarzını değiştirdi. Ulaşım, üretim, tarım ve hatta sağlık hizmetleri bile elektrik sayesinde değişti. Yapay zekanın da benzer bir etkisinin olması bekleniyor.
Teknoloji ilerledikçe, yapay zeka alanındaki araştırmalar da artıyor. Yapay zekanın gelişmesiyle birlikte, makina öğrenmesi ve derin öğrenme gibi terimler de ortaya çıktı ve bunların arasındaki fark bazen çok belirsiz olabiliyor. Peki bunlar ne anlama geliyor ve birbirlerinden farkları neler?
Resimde de görüldüğü üzere, makina öğrenmesi yapay zekanın bir parçası ve derin öğrenme de makina öğrenmesinin bir parçası. Gelin, önce yapay zekanın ne olduğunu netleştirelim.
Yapay Zeka
Yapay zeka on yıllardır araştırılıyor ancak yine de bilgisayar biliminde anlaşılması en zor olan konulardan biri. Bu kısmen konunun çok geniş çaplı ve muğlak olmasından kaynaklanıyor. Bizim bugün toplumdaki neredeyse her türlü bilgisayar kullanımımızda bunun uygulamaları bulunuyor. Yapay zeka, insanlar gibi düşünmek ve insanların hareketlerini taklit etmek üzere programlanmış makinalardaki bütün insan zekası simülasyonlarını ifade ediyor.
İlk kez 1956 yılında John McCarthy tarafından icat edilen bir terim olan yapay zeka, genel anlamda çevresini inceliyor ve başarı şanslarını en üst düzeye çıkaran eylemlerde bulunuyor. İlk zamanlarda yapay zekaya olan yaklaşımlar genel mantık ve uzman sistemler şeklinde olsa da, zaman içinde belirli problemleri çözmek üzerinde daha fazla durulmaya başlandı ve aynı zamanda yapay zeka ve başka alanlar arasında da yeni bağlantılar var. Ve bunlardan biri de makina öğrenmesi.
Makina Öğrenmesi
Adından da anlaşılacağı gibi, makina öğrenmesi verilerden öğrenen makinalar anlamına geliyor ve çocukluktan yetişkinliğe kadar olan insan öğrenmesi kavramını taklit ediyor. Örneğin, bir bebeğe kediler ve köpekleri ayırt etmesi öğretilecekse ona kedi ve köpek resimleri verilir. Aynı şekilde, eğer bir makinanın öğrenmesini sağlamak isteniyorsa, makinaya da kediler ve köpekler hakkında bilgiler sağlanması gerekiyor. Ve makinaya ne kadar çok resim sağlanırsa, o kedi ve köpekleri ayırt etmekte o kadar zeki hale geliyor.
Makina öğrenmesi tahminlerde bulunmayı içeriyor ve aynı zamanda veri madenciliği alanıyla da ilişkisi bulunuyor. Makina öğrenmesinde birkaç tür algoritma kullanılıyor.
Gözetimli Öğrenme
Gözetimli öğrenme bir girdiyi istenen sonuçlara doğru haritalandıran fonksiyonlar üretiyor. Algoritma, veri paternlerini inceliyor ve gelecekteki verileri tahmin etmek adına onları bir model haline dönüştürüyor.
Gözetimsiz Öğrenme
Gözetimsiz öğrenme, kümeleme yapmak gibi işlemlerle veri setini modelliyor. Kümeleme benzer verileri kümeleme yoluyla işliyor.
Pekiştirmeli Öğrenme
Pekiştirmeli öğrenme, çevrelerinin şartlarına uyum sağlayabilmeleri için akıllı üstlenicilere uygulanan bir öğrenme algoritması. Bu kazanılabilecek “ödülün” değerini en üst seviyeye çıkararak sağlanıyor. Bu türdeki algoritma, bir sorunla başa çıkmak için nasıl davranılması gerektiğini öğretiyor.
Bunun en basit örneği otonom arabalar. Bu arabalardan kazalar ya da kural ihlalleri yapmaktan kaçınması isteniyor. Eğer bunlardan biri gerçekleşirse, makinaya negatif bir ödül veriliyor ve makina işi doğru yaparsa da pozitif bir değer veriliyor. Ve bu şekilde makina araba kullanmayı öğreniyor.
Derin Öğrenme
Derin öğrenme, beynin yapısından ve işlevinden esinlenen ve yapay sinir ağları adı verilen algoritmalarla gerçekleşen makina öğrenmesi ve bu öğrenme çeşitli katmanlarda gerçekleşiyor. Temel olarak, derin öğrenme geniş bir sinir ağı. Genellikle iki ya da daha fazla gizli katmanın olması “derin” olarak sayılıyor.
Sıradan makina öğrenmesi yöntemleriyle karşılaştırıldığında, derin öğrenmenin avantajları çok sayıda veri setini ele alabilmesini ve modelleme konusunda insan müdahalesi miktarını azaltmasını içeriyor.
Derin öğrenmeye derin denmesinin sebebi, onun bir objeyi ve eğitimin bir parçası olan her şeyi tanımak için birkaç aşamasının olması.
Birçok yöntemi olan derin öğrenmenin uygulama alanları arasında otonom arabalar, makina çevirisi ve görüntü renklendirme de bulunuyor.
Orijinal makale: TowardsDataScience
