Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenmeyi Anlamak

Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenmeyi Anlamak

Yapay Zeka (AI) ve alt kümeleri Makine Öğrenimi (ML) ve Derin Öğrenme (DL) Veri Bilimlerinde önemli birer rol oynamaktadır. Veri Bilimi, ön işleme, analiz, görselleştirme ve tahmin içeren kapsamlı bir süreçtir. Yapay zeka ve alt kümelerine derinlemesine dalış yapalım.

Yapay Zeka

yapay zeka
yapay zeka

Yapay Zeka (AI), tipik olarak insan zekası gerektiren görevleri yerine getirebilen akıllı makineler oluşturmakla ilgili bir bilgisayar bilimi dalıdır. Yapay zeka esas 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 en iyi şekilde belirli bir şekilde gerçekleştirir. Örneğin, kahve yapmak için iyi tanımlanmış bir dizi işlem gerçekleştiren otomatik bir kahve makinesi çalmaktadır.

Oysa ‘Güçlü Yapay Zeka’ olarak da adlandırılan AGI, insan gibi düşünme ve akıl yürütmeyi içeren çok çeşitli görevleri yerine getirir. Doğal Dil İşleme (NPL) kullanan Google Assist, Alexa, Chatbot’lar buna bir örnektir. Yapay Süper Zeka (ASI), insan yeteneklerini yerine getiren gelişmiş bir sürümdür. Sanat, karar verme ve duygusal ilişkiler gibi yaratıcı aktiviteler gerçekleştirebilir.

Makine Öğrenmesi

makine öğrenmesi
makine öğrenmesi

Şimdi Makine Öğrenimine (ML) bakalım. Karmaşık veri modellerinin ve kümelerinin tanınmasına dayalı tahminler yapmaya yardımcı olan algoritmaların modellenmesini içeren bir Yapay Zeka alt kümesidir.

Makine öğrenimi, toplanan bilgileri kullanarak algoritmaların sağlanan verilerden öğrenmesine, iç görü toplamasına ve önceden analiz edilmemiş veriler hakkında tahminler yapmasına odaklanır. Farklı makine öğrenimi yöntemleri

Denetimli öğrenme (Zayıf Yapay Zeka – Göreve dayalı)

Gözetimsiz öğrenme (Güçlü Yapay Zeka – Veriye Dayalı)

Yarı denetimli öğrenme (Güçlü Yapay Zeka – etkili )

Güçlendirilmiş makine öğrenimi. (Güçlü Yapay Zeka – hatalardan öğren)

Denetimli makine öğrenimi, davranışı anlamak ve gelecekteki tahminleri formüle etmek için geçmiş verilerini kullanır. Burada sistem belirlenmiş bir veri kümesinden oluşur. Giriş ve çıkış parametreleri ile etiketlenmiştir. Ve yeni veriler ML algoritması analizi geldiğinde yeni veriler ve sabit parametreler temelinde kesin çıktı verir.

Denetimli öğrenme sınıflandırma veya regresyon görevlerini yerine getirebilir. Sınıflandırma görevlerine örnek olarak resim sınıflandırması, yüz tanıma, e-posta spam sınıflandırması, sahtekarlık tespiti, vb. Gösterilebilir ve regresyon görevleri için hava tahmini, nüfus artışı tahmini vb.

Denetimsiz makine öğrenimi sınıflandırılmış veya etiketlenmiş herhangi bir parametre kullanmaz. Etiketlenmemiş verilerden gizli yapıları keşfetmeye odaklanır ve sistemlerin bir işlevi düzgün bir şekilde çıkarmasına yardımcı olur.

Kümeleme veya boyutsallık azaltma gibi teknikler kullanırlar. Kümeleme, veri noktalarının benzer metriklerle gruplanmasını içerir. Bu veri odaklı ve kümelenme için bazı örnekler Netflix’te kullanıcı için film önerisi, müşteri segmentasyonu, satın alma alışkanlıkları, vb. Boyutsal azaltma örneklerinden bazıları özellik oluşturma, büyük veri görselleştirme.

Yarı denetimli makine öğrenimi, öğrenme doğruluğunu artırmak için hem etiketlenmiş hem de etiketlenmemiş verileri kullanarak çalışır. Verileri etiketlemenin pahalı olduğu ortaya çıktığında yarı denetimli öğrenme maliyet etkin bir çözüm olabilir.

Takviye öğrenimi, denetimli ve denetimsiz öğrenmeye kıyasla oldukça farklıdır. Sonuç olarak sonuç veren bir deneme yanılma süreci olarak tanımlanabilir. Yinelemeli iyileştirme döngüsü prensibi ile elde edilir (geçmiş hatalarla öğrenmek için).

Takviye öğrenimi aynı zamanda aracıların simüle edilmiş ortamlarda otonom sürüşü öğretmek için de kullanılmıştır. Q-learning pekiştirme öğrenme algoritmalarına bir örnektir.

Derin Öğrenme

derin öğrenme
derin öğrenme

Derin Öğrenme’ye (DL) ilerlerken, katmanlı bir mimariyi takip eden algoritmalar oluşturduğunuz makine öğreniminin bir alt kümesidir. DL, ham girdiden daha yüksek düzey özellikleri aşamalı olarak çıkarmak için birden çok katman kullanır.

Örneğin, görüntü işlemede alt katmanlar kenarları tanımlayabilirken, daha yüksek katmanlar bir insanla ilgili rakamlar, harfler veya yüzler gibi kavramları tanımlayabilir. DL genellikle derin bir yapay sinir ağına atıfta bulunur ve bunlar ses tanıma, görüntü tanıma, doğal dil işleme gibi sorunlar için son derece hassas olan algoritma setleridir.

Özetlemek gerekirse Veri Bilimi, makine öğrenimini içeren yapay zekayı kapsamaktadır. Bununla birlikte, makine öğreniminin kendisi de derin öğrenme olan başka bir alt teknolojiyi kapsar. Yapay zeka sayesinde daha zor ve daha zor sorunları (kanseri onkologlardan daha iyi tespit etmek gibi) insanlardan daha iyi çözebildiği için.


Zaman zaman dijital pazarlama konusunda bir dijital pazarlama uzmanı olarak vereceğim bilgileri takip etmek için mehmetortac.com adresini ve Twitter hesabımı takip etmeyi unutmayın!

Click to rate this post!
[Total: 0 Average: 0]

Bir Cevap Yazın

Mehmet Ortaç sitesinden daha fazla şey keşfedin

Okumaya devam etmek ve tüm arşive erişim kazanmak için hemen abone olun.

Okumaya Devam Edin