Yapay Zeka-Bölüm 5

merlins

Üye
24 Mar 2019
172
0
5. ve son bölüm ile devam edelim. Haydi başlayalım;

11- Yapay Zekanın Alt Dalları Ve Detayları

Makine Öğrenimi nedir?

Makine öğrenimi , Yapay Zekanın temel ilkelerinden birini tanımlayan bir yapay zeka (AI) alt kümesidir, yalnızca talimatlardan ziyade deneyimden öğrenme yeteneği.
Makine Öğrenimi algoritmaları çıktılarından öğrenerek otomatik olarak öğrenir ve gelişir. İstenilen çıktıyı üretmek için açık talimatlara ihtiyaçları yoktur. Erişilebilir veri setlerini gözlemleyerek öğrenirler ve bunları nihai çıktı örnekleri ile karşılaştırırlar. Son çıktıyı tanınabilir kalıplar için inceler ve bir çıktı üretmek için yüzleri tersine mühendislik yapmaya çalışır.

Yapay Zeka ve Makine Öğrenimi

AI ve ML genellikle birbirinin yerine kullanılır ve Makine Öğrenimi, AI'nın bir alt kümesi olmasına rağmen, ikisi arasında birkaç fark vardır. Referans olması için, aşağıda birkaç farklılık listelenmiştir.

Yapay zeka

-AI, karmaşık problemleri çözmek için insanlar gibi akıllı bir bilgisayar sistemi yapmayı hedefliyor.
-Temelde yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış verilerle ilgilenir.
-Yeteneğe bağlı olarak, AI üç türe ayrılabilir. Zayıf AI, Genel AI ve Güçlü AI.
-AI sistemleri, başarı şansını en üst düzeye çıkarmakla ilgilenir.
-AI, çeşitli karmaşık görevleri yerine getirebilen akıllı bir sistem oluşturmaya çalışır.
-AI, bir makinenin insan davranışını simüle etmesini sağlar.
-Yapay zeka uygulamaları Siri, tekne kullanan müşteri desteği, Uzman Sistem, Çevrimiçi oyun oynama, akıllı insansı robot vb.

Makine öğrenme

-Makine öğrenimi, makinelerin verilerden öğrenmesini ve böylece doğru çıktı vermesini sağlar.
-Makine öğrenimi, yapılandırılmış ve yarı yapılandırılmış verilerle ilgilenir.
-Makine öğrenimi ayrıca 3 türe ayrılır: Denetimli öğrenme, Denetimsiz öğrenme ve Pekiştirmeli öğrenme.
-Makine öğrenimi esas olarak doğruluk ve kalıplarla ilgilidir.
-Makine öğrenimi, makinelerin verilerden öğrenmesini ve böylece doğru bir çıktı vermesini sağlar.
-Makine öğrenimi, yapay zekanın bir alt kümesidir. Açıkça programlama yapmadan bir makinenin geçmiş verilerden otomatik olarak öğrenmesini sağlar.
-Makine öğrenimi uygulamaları Çevrimiçi öneri sistemi, Google arama algoritmaları, Facebook otomatik arkadaş etiketleme önerileri vb.

Farklı Makine Öğrenimi türleri nelerdir?

Makine Öğrenimi Türleri
• Denetimli Öğrenme
• Denetimsiz Öğrenme
• Yarı denetimli öğrenme
• Takviye Öğrenme

Denetimli Öğrenim nedir?

Denetimli Makine Öğrenimi, geçmiş verilere dayanarak öğrendiklerini uygular ve istenen çıktıyı üretmek için uygular. Genellikle, algoritmanın çıkarsanmış bir işlev üreteceği temel alınarak belirli bir veri kümesiyle eğitilirler . Nihai çıktıyı tahmin etmek için bu çıkarsanan işlevi kullanır ve bunun bir tahminini verir.
Buna denetimli öğrenme denir çünkü algoritmanın, çıkarsanan işlevi oluşturmasına yardımcı olması için belirli bir veri kümesiyle öğretilmesi gerekir. Veri seti, algoritmanın verileri daha iyi 'anlamasına' yardımcı olmak için açıkça etiketlenmiştir. Algoritma, modelini daha doğru olacak şekilde değiştirmek için çıktısını etiketli çıktıyla karşılaştırabilir.


Denetimsiz Öğrenim nedir?

Denetimsiz öğrenmeyle, eğitim verileri hala sağlanır ancak etiketlenmez. Bu modelde, algoritma, herhangi bir kalıp veya çıkarım bulmak için verileri araştırarak eğitim verilerinin özniteliklerine dayalı çıkarımlar yapmak için eğitim verilerini kullanır. Bu kalıpları açıklama mantığını oluşturur ve çıktısını buna dayandırır.

Yarı Denetimli Öğrenim nedir?

Bu, yukarıdaki ikisine benzer, tek fark hem etiketli hem de etiketsiz verilerin bir kombinasyonunu kullanmasıdır. Bu, büyük veri kümelerini etiketleme zorunluluğunu çözer, programcı yalnızca verilerin küçük bir alt kümesini etiketleyebilir ve makinenin geri kalanını buna göre belirlemesine izin verebilir. Bu yöntem genellikle veri setlerinin etiketlenmesi uygun olmadığında kullanılır, çünkü büyük hacimlerde onu etiketleyecek vasıflı kaynakların bulunmaması nedeniyle.

Pekiştirmeli Öğrenme nedir?

Pekiştirmeli öğrenme, algoritma ortamına bağlıdır. Algoritma, erişebildiği veri kümeleriyle etkileşime girerek öğrenir ve bir deneme yanılma süreci aracılığıyla programcı tarafından belirlenen 'ödülleri' ve 'cezaları' keşfetmeye çalışır. Algoritma, bu ödülleri maksimize etme eğilimindedir ve bu da istenen çıktıyı sağlar. Buna pekiştirmeli öğrenme denir çünkü algoritma, karşılaştığı ödüllere göre doğru yolda olduğu konusunda pekiştirme alır. Ödül geri bildirimi, sistemin gelecekteki davranışını modellemesine yardımcı olur.

Derin Öğrenme nedir?

Derin Öğrenme, yapay sinir ağları adı verilen beynin yapısı ve işlevinden esinlenen algoritmalarla ilgilenen bir makine öğrenimi alt alanıdır. Derin Öğrenme kavramları, biz insanlara doğal olarak gelenleri makinelere öğretmek için kullanılır. Derin Öğrenme kullanılarak, bir bilgisayar modeline girdi olarak görüntü, metin veya ses alarak sınıflandırma eylemlerini çalıştırması öğretilebilir.
Derin Öğrenme , modeller son teknoloji doğruluğa ulaşabildiğinden popüler hale geliyor. Bu modelleri sinir ağı mimarileri ile birlikte eğitmek için büyük etiketli veri kümeleri kullanılır.
Basitçe söylemek gerekirse, Derin Öğrenme, öğrenme algoritmalarını verimli ve kullanımı daha basit hale getirmeyi umarak beyin simülasyonlarını kullanıyor. Şimdi Derin Öğrenme ile Makine Öğrenimi arasındaki farkın ne olduğunu görelim.

Derin Öğrenme Nasıl Kullanılır: Uygulamalar

Derin Öğrenme uygulamaları su yüzüne çıkmaya başladı, ancak gelecek için çok daha büyük bir kapsamı var. Geleceğe yön verecek derin öğrenme uygulamalarından bazıları burada listelenmiştir.
• Görüntü ve video öğeleri ekleme: Siyah beyaz görüntülere renk eklemek için derin öğrenme algoritmaları geliştirilmektedir. Ayrıca, filmlere ve video kliplere otomatik olarak sesler ekleme.
• Otomatik Makine Çevirileri: Metni diğer dillere otomatik olarak çevirme veya resimleri metne çevirme. Otomatik makine çevirileri bir süredir piyasada olsa da derin öğrenme en iyi sonuçları elde ediyor.
• Nesne Sınıflandırma ve Algılama: Bu teknoloji, okullardaki katılım sistemleri için yüz algılama veya güvenlik kameraları aracılığıyla suçluları tespit etme gibi uygulamalarda yardımcı olur. Nesne sınıflandırması ve tespiti, çok büyük evrişimli sinir ağları kullanılarak elde edilir ve birçok endüstride kullanım durumlarına sahiptir.
• Otomatik Metin Oluşturma: Makine öğrenimi algoritması tarafından büyük bir metin topluluğu öğrenilir ve bu metin yeni metin yazmak için kullanılır. Model, anlamlı metin oluşturmada oldukça üretkendir ve hatta çıktı metnindeki külliyatın tonunu eşleyebilir.
• Kendi Kendini Süren Arabalar: Kendi kendine giden arabalar hakkında çok şey söylendi ve duyuldu ve muhtemelen derin öğrenmenin en popüler uygulamasıdır. Burada, modelin sürüşün tüm önemli kısımlarını anlamak için geniş bir veri kümesinden öğrenmesi gerekir, bu nedenle, daha fazla giriş verisi beslendikçe performansı artırmak için derin öğrenme algoritmaları kullanılır.
• Sağlık Hizmetlerinde Uygulamalar: Derin Öğrenme, meme kanseri ve cilt kanseri gibi kronik hastalıkları tespit etmede umut verici sonuçlar verir. Aynı zamanda mobil ve izleme uygulamaları ile tahmin ve kişiselleştirilmiş tıp alanında büyük bir kapsama sahiptir.


Derin Öğrenme neden önemlidir?

Bugün, yeteri kadar veriyi öğrenme modellerine aktararak makinelere okumayı, yazmayı, görmeyi ve duymayı öğretebilir ve bu makinelerin insanların yaptığı gibi, hatta daha iyi yanıt vermesini sağlayabiliriz. Akıllı telefonlar ve internet aracılığıyla üretilen büyük miktarda verinin kullanılabilirliği ile desteklenen sınırsız hesaplama gücüne erişim, derin öğrenme uygulamalarının gerçek hayattaki sorunlara dönüştürülmesini mümkün kılmıştır. Derin öğrenme patlamasının zamanı geldi ve Google gibi teknoloji liderleri bunu zaten mümkün olan her yerde ve her yerde uyguluyorlar. Derin öğrenme modelinin performansı, girdi verisi miktarındaki artışla performansın düşme eğiliminde olduğu Makine Öğrenimi modellerine kıyasla girdi verilerinin miktarındaki artışla iyileşir.

NLP nedir?

Yapay Zekanın bir bileşeni olan Doğal Dil İşleme, bir makinenin insan dilini konuşulduğu gibi anlama yeteneğidir. NLP'nin amacı, nihayetinde bir sonuçla sunmak için insan dilini anlamak ve deşifre etmektir. NLP tekniklerinin çoğu, insan dilinden iç görüler elde etmek için makine öğrenimini kullanır.

NLP'deki farklı adımlar nelerdir?

NLP'nin uygulanmasında yer alan adımlar şunlardır:
• Bilgisayar programı gerekli tüm verileri toplar. Buna, veri tabanı dosyaları, elektronik tablolar, e-posta iletişim zincirleri, kayıtlı telefon görüşmeleri, notlar ve diğer tüm ilgili veriler dahildir.
• Bu verilerden tüm durdurma kelimelerini çıkarmak için bir algoritma kullanılır ve aynı anlama sahip belirli kelimeleri normalleştirir.
• Kalan metin, simge olarak bilinen gruplara ayrılmıştır.
• NLP programı, belirteçlerin kullanımını ve uygulanabilirliğini anlamak için kalıpları, sıklıklarını ve diğer istatistikleri belirlemek için sonuçları analiz eder.

NLP nerede kullanılır?

Natural Language Processing tarafından yönlendirilen yaygın uygulamalardan bazıları şunlardır:
• Dil çeviri uygulaması
• Metnin gramer doğruluğunu kontrol etmek için kelime işlemciler
• Çağrı merkezleri, kullanıcı isteklerine yanıt vermek için Etkileşimli Sesli Yanıt kullanır; IVR bir uygulama NLP'sidir
• Siri ve Cortana gibi kişisel sanal asistanlar, NLP'nin klasik bir örneğidir

Bilgisayarla Görme nedir?

Bilgisayarla Görme , bilgisayarların dijital görüntüleri ve videoları 'görmesini' ve anlamasını sağlayan tekniklerin geliştirildiği bir çalışma alanıdır. Bilgisayar vizyonunun amacı, görsel kaynaklardan çıkarımlar yapmak ve bunu gerçek dünyadaki bir sorunu çözmeye uygulamaktır.
Bilgisayarla Görme ne için kullanılır?
Günümüzde Bilgisayarla Görmenin birçok uygulaması var ve gelecek çok büyük bir kapsama sahip.
• Gözetim ve güvenlik sistemleri için Yüz Tanıma
• Perakende mağazaları ayrıca envanteri ve müşterileri izlemek için bilgisayar vizyonu kullanır
• Otonom Araçlar
• Tıpta Bilgisayar Görme, hastalıkları teşhis etmek için kullanılır
• Finans Kuruluşları, dolandırıcılığı önlemek, mobil para yatırmaya izin vermek ve bilgileri görsel olarak görüntülemek için bilgisayar vizyonunu kullanır

Derin Öğrenme Bilgisayarlı Görü nedir?

Bilgisayarla görme için derin öğrenmenin kullanımları şunlardır:
• Nesne Sınıflandırma ve Yerelleştirme: Belirli görüntü veya video sınıflarının nesnelerinin, genellikle etraflarında kare bir kutu ile vurgulanan konumlarıyla birlikte tanımlanmasını içerir.
• Anlamsal Segmentasyon: Bir görüntü veya videodaki tüm pikselleri sınıflandırmak ve bulmak için sinir ağlarını içerir.
• Renklendirme: Gri tonlamalı görüntüleri tam renkli görüntülere dönüştürme.
• Görüntüleri Yeniden Yapılandırma: Bozuk ve tahrif edilmiş görüntüleri yeniden yapılandırma.

Sinir Ağları nedir?

Sinir Ağı, bir veri kümesindeki temel ilişkileri ve kalıpları belirlemek için insan beyninin işleyişini taklit eden bir dizi algoritmadır.

Sinir Ağları ne için kullanılır?

Sinir Ağları kavramı, finans sektörü için ticaret sistemleri geliştirmede uygulama bulmuştur. Ayrıca zaman serisi tahmini, güvenlik sınıflandırması ve kredi riski modellemesi gibi süreçlerin geliştirilmesine yardımcı olurlar.

Farklı Sinir Ağları nelerdir?

• İleri Beslemeli Sinir Ağı: Yapay Nöron: Burada veri girişleri, giriş düğümünden girerek ve çıkış düğümünden çıkarak yalnızca bir yönde hareket eder.
• Radyal temel işlevi Sinir Ağı: İşlevleri için, radyal temel işlevli sinir ağı, merkezden bir nokta arasındaki mesafeyi dikkate alır.
• Kohonen Kendi Kendini Düzenleyen Sinir Ağı: Buradaki amaç, nöronlardan oluşan ayrık haritaya rastgele boyuttaki vektörleri girmektir.
• Yinelenen Sinir Ağı (RNN): Yinelenen Sinir Ağı, bir katmanın çıktısını kaydeder ve katmanın çıktısını tahmin etmeye yardımcı olmak için girdiye geri besler.
• Evrişimli Sinir Ağı: Öğrenebilen önyargılara ve ağırlıklara sahip nöronlarla ileri beslemeli sinir ağlarına benzer. Sinyal ve görüntü işlemede uygulanır.
• Modüler Sinir Ağları: Her biri bir alt görevi işleyen birçok farklı sinir ağının bir koleksiyonudur. Her biri, çıktıya katkıda bulunan diğer sinir ağlarına kıyasla benzersiz bir girdi setine sahiptir.

Sinir Ağlarının faydaları nelerdir?

Sinir Ağlarının üç temel faydası şunlardır:
• Doğrusal olmayan ve karmaşık ilişkileri öğrenme ve modelleme yeteneği
• YSA'lar modelleri genelleştirebilir, görünmeyen veriler üzerinde de görünmeyen ilişkiler çıkarabilir
• YSA, giriş değişkenlerine herhangi bir kısıtlama getirmez.
 
Üst

Turkhackteam.org internet sitesi 5651 sayılı kanun’un 2. maddesinin 1. fıkrasının m) bendi ile aynı kanunun 5. maddesi kapsamında "Yer Sağlayıcı" konumundadır. İçerikler ön onay olmaksızın tamamen kullanıcılar tarafından oluşturulmaktadır. Turkhackteam.org; Yer sağlayıcı olarak, kullanıcılar tarafından oluşturulan içeriği ya da hukuka aykırı paylaşımı kontrol etmekle ya da araştırmakla yükümlü değildir. Türkhackteam saldırı timleri Türk sitelerine hiçbir zararlı faaliyette bulunmaz. Türkhackteam üyelerinin yaptığı bireysel hack faaliyetlerinden Türkhackteam sorumlu değildir. Sitelerinize Türkhackteam ismi kullanılarak hack faaliyetinde bulunulursa, site-sunucu erişim loglarından bu faaliyeti gerçekleştiren ip adresini tespit edip diğer kanıtlarla birlikte savcılığa suç duyurusunda bulununuz.