AI nedir?
AI (Yapay zeka) , makinelerin programlandığı ve insanlar ve hayvanlar gibi eylemleri düşünmek ve taklit etmek için bilişsel bir yetenek verildiği bir bilgisayar bilimi dalıdır. Yapay zeka için referans noktası, gelecekte çok uzak olan muhakeme, konuşma, öğrenme, vizyon ve problem çözme ile ilgili insan zekasıdır.
AI'nın üç farklı seviyesi vardır:
- Dar Yapay Zeka : Makine belirli bir görevi bir insandan daha iyi gerçekleştirebildiğinde yapay zekanın dar olduğu söyleniyor. Yapay zekanın güncel araştırması şimdi burada
- Genel Yapay Zeka : Bir yapay zeka, herhangi bir entelektüel görevi bir insanın yapacağı doğruluk düzeyinde gerçekleştirebildiğinde genel duruma ulaşır.
- Aktif AI : Bir AI, birçok görevde insanları yenebildiği zaman aktiftir
İlk yapay zeka sistemleri model eşleştirme ve uzman sistemler kullanıyordu.
Bu eğitimde öğreneceksiniz-
- AI nedir?
- ML nedir?
- Derin Öğrenme nedir?
- Makine Öğrenimi Süreci
- Derin Öğrenme Süreci
- DL kullanarak Özellik Ayıklamayı Otomatikleştirin
- Makine Öğrenimi ve Derin Öğrenme arasındaki fark
- ML veya DL ne zaman kullanılır?
ML nedir?
ML (Makine Öğrenimi) , bir bilgisayarın, insanlar için kapsamlı veya imkansız olan görevleri otomatikleştirmek için eğitildiği bir yapay zeka türüdür. Bilgisayar algoritmaları çalışmasına dayalı olarak verilerdeki kalıpları analiz etmek, anlamak ve tanımlamak için en iyi araçtır. Makine öğrenimi, minimum insan müdahalesi ile kararlar verebilir.
Yapay Zeka ile Makine Öğrenimini karşılaştıran Makine öğrenimi, girdi ve çıktı arasındaki ilişkiyi anlayabilen bir algoritmayı beslemek için verileri kullanır. Makine öğrenmeyi bitirdiğinde, yeni bir veri noktasının değerini veya sınıfını tahmin edebilir.
Derin Öğrenme nedir?
Derin öğrenme, beyindeki nöron ağını taklit eden bir bilgisayar yazılımıdır. Makine öğreniminin bir alt kümesidir ve derin sinir ağlarından yararlandığı için derin öğrenme olarak adlandırılır. Makine, verilerden öğrenmek için farklı katmanlar kullanır. Modelin derinliği, modeldeki katman sayısı ile temsil edilir. Derin öğrenme, yapay zeka açısından teknolojinin yeni halidir. Derin öğrenmede, öğrenme aşaması bir sinir ağı aracılığıyla yapılır. Sinir ağı, katmanların üst üste istiflendiği bir mimaridir.
Makine Öğrenimi Süreci
Nesneleri tanıyan bir program geliştirmeniz gerektiğini düşünün. Modeli eğitmek için bir sınıflandırıcı kullanacaksınız . Bir sınıflandırıcı, ait olduğu sınıfı tanımlamayı denemek için bir nesnenin özelliklerini kullanır.
Örnekte sınıflandırıcı, görüntünün bir:
- Bisiklet
- Tekne
- Araba
- uçak
Yukarıdaki dört nesne, sınıflandırıcının tanıması gereken sınıftır. Bir sınıflandırıcı oluşturmak için, girdi olarak bazı verilere sahip olmanız ve ona bir etiket atamanız gerekir. Algoritma bu verileri alacak, bir model bulacak ve ardından onu ilgili sınıfta sınıflandıracaktır.
Bu göreve denetimli öğrenme denir . Denetimli öğrenmede, algoritmaya beslediğiniz eğitim verileri bir etiket içerir.
Bir algoritma eğitimi, birkaç standart adımı takip etmeyi gerektirir:
- Verileri toplayın
- Sınıflandırıcıyı eğitin
- Tahminlerde bulunun
İlk adım gereklidir, doğru veriyi seçmek algoritmayı başarılı veya başarısız kılacaktır. Modeli eğitmek için seçtiğiniz verilere özellik adı verilir . Nesne örneğinde, özellikler görüntülerin pikselleridir.
Her görüntü, verilerdeki bir satırdır ve her piksel bir sütundur. Görüntünüz 28x28 boyutundaysa, veri kümesi 784 sütun (28x28) içerir. Aşağıdaki resimde her resim bir özellik vektörüne dönüştürülmüştür. Etiket bilgisayara görüntüde hangi nesnenin olduğunu söyler.
Amaç, nesnenin türünü sınıflandırmak için bu eğitim verilerini kullanmaktır. İlk adım, unsur sütunlarının oluşturulmasından oluşur. Ardından ikinci adım, modeli eğitmek için bir algoritma seçmeyi içerir. Eğitim bittiğinde, model hangi resmin hangi nesneye karşılık geldiğini tahmin edecektir.
Bundan sonra, yeni görüntüleri tahmin etmek için modeli kullanmak kolaydır. Modele beslenen her yeni görüntü için, makine ait olduğu sınıfı tahmin edecektir. Örneğin, etiketsiz tamamen yeni bir görüntü modelden geçiyor. Bir insan için görüntüyü bir araba olarak görselleştirmek önemsizdir. Makine, görüntünün bir araba olduğunu tahmin etmek için de önceki bilgilerini kullanır.
Derin Öğrenme Süreci
Derin öğrenmede, öğrenme aşaması bir sinir ağı aracılığıyla yapılır. Sinir ağı, katmanların üst üste istiflendiği bir mimaridir.
Yukarıdaki aynı resim örneğini düşünün. Eğitim seti bir sinir ağına beslenecek
Her girdi bir nörona gider ve bir ağırlıkla çarpılır. Çarpmanın sonucu bir sonraki katmana akar ve girdi olur. Bu işlem, ağın her katmanı için tekrarlanır. Son katman, çıktı katmanı olarak adlandırılır; regresyon görevi için gerçek bir değer ve sınıflandırma görevi için her sınıfın bir olasılığını sağlar. Sinir ağı, tüm nöronların ağırlıklarını güncellemek için matematiksel bir algoritma kullanır. Nöral ağ, ağırlıkların değeri gerçeğe yakın bir çıktı verdiğinde tamamen eğitilmiştir. Örneğin, iyi eğitilmiş bir sinir ağı, bir resimdeki nesneyi geleneksel sinir ağından daha yüksek doğrulukla tanıyabilir.
DL kullanarak Özellik Ayıklamayı Otomatikleştirin
Bir veri kümesi, bir düzine ile yüzlerce özellik içerebilir. Sistem, bu özelliklerin uygunluğundan öğrenecek. Ancak, tüm özellikler algoritma için anlamlı değildir. Makine öğreniminin önemli bir parçası, sistemin bir şeyler öğrenmesini sağlamak için alakalı bir dizi özellik bulmaktır.
Makine öğreniminde bu bölümü gerçekleştirmenin bir yolu, özellik çıkarma kullanmaktır. Özellik çıkarma, daha alakalı bir özellik kümesi oluşturmak için mevcut özellikleri birleştirir. PCA, T-SNE veya diğer boyutsal azaltma algoritmaları ile yapılabilir.
Örneğin, bir görüntü işleme, uygulayıcının görüntüdeki özelliği manuel olarak göz, burun, dudak vb. Gibi çıkarması gerekir. Çıkarılan bu özellikler, sınıflandırma modeline beslenir.
Derin öğrenme, özellikle evrişimli bir sinir ağı için bu sorunu çözer. Bir sinir ağının ilk katmanı, resimden küçük ayrıntıları öğrenecek; sonraki katmanlar, daha karmaşık bilgiler oluşturmak için önceki bilgileri birleştirecektir. Evrişimli sinir ağında, özellik çıkarma, filtre kullanılarak yapılır. Ağ, bir eşleşme olup olmadığını, yani özelliğin şeklinin görüntünün bir parçasıyla aynı olup olmadığını görmek için resme bir filtre uygular. Bir eşleşme varsa, ağ bu filtreyi kullanacaktır. Özellik çıkarma işlemi bu nedenle otomatik olarak yapılır.
Makine Öğrenimi ve Derin Öğrenme arasındaki fark
Aşağıda, Derin Öğrenme ile Makine Öğrenimi arasındaki temel fark vardır
|
Makine öğrenme |
Derin Öğrenme |
|
|
Veri Bağımlılıkları |
Küçük / orta ölçekli bir veri kümesinde mükemmel performanslar |
Büyük bir veri kümesinde mükemmel performans |
|
Donanım bağımlılıkları |
Düşük kaliteli bir makinede çalışın. |
Tercihen GPU'lu güçlü bir makine gerektirir: DL, önemli miktarda matris çarpımı gerçekleştirir |
|
Özellik mühendisliği |
Verileri temsil eden özellikleri anlamanız gerekiyor |
Verileri temsil eden en iyi özelliği anlamanıza gerek yok |
|
Uygulama vakti |
Birkaç dakikadan saate kadar |
Haftalara kadar. Sinir Ağının önemli sayıda ağırlık hesaplaması gerekiyor |
|
Yorumlanabilirlik |
Bazı algoritmaların yorumlanması kolaydır (lojistik, karar ağacı), bazıları neredeyse imkansızdır (SVM, XGBoost) |
Zordan imkansız |
ML veya DL ne zaman kullanılır?
Aşağıdaki tabloda, makine öğrenimi ile derin öğrenme arasındaki farkı örneklerle özetliyoruz.
| Makine öğrenme | Derin öğrenme | |
| Eğitim veri kümesi | Küçük | Büyük |
| Özellikleri seçin | Evet | Hayır |
| Algoritma sayısı | Birçok | Az |
| Antrenman vakti | Kısa | Uzun |
Makine öğrenimiyle, algoritmayı eğitmek için derin öğrenmeye göre daha az veriye ihtiyacınız var. Derin öğrenme, temel yapıyı belirlemek için kapsamlı ve çeşitli bir veri kümesi gerektirir. Ayrıca, makine öğrenimi daha hızlı eğitilmiş bir model sağlar. En gelişmiş derin öğrenme mimarisinin eğitilmesi günler ila bir hafta sürebilir. Derin öğrenmenin makine öğrenimine göre avantajı, son derece doğru olmasıdır. Verilerin en iyi temsilinin hangi özelliklerin olduğunu anlamanıza gerek yoktur; sinir ağı, kritik özelliklerin nasıl seçileceğini öğrendi. Makine öğreniminde, modele hangi özellikleri dahil edeceğinizi kendiniz seçmeniz gerekir.
Özet
Yapay zeka, bir makineye bilişsel bir yetenek kazandırıyor. Yapay Zeka ile Makine Öğrenimini karşılaştıran ilk yapay zeka sistemleri, kalıp eşleştirme ve uzman sistemler kullandı.
Makine öğreniminin arkasındaki fikir, makinenin insan müdahalesi olmadan öğrenebilmesidir. Makinenin, verilere verilen bir görevi nasıl çözeceğini öğrenmesi için bir yol bulması gerekiyor.
Derin öğrenme, yapay zeka alanında bir dönüm noktasıdır. Eğitim için yeterli veri olduğunda, derin öğrenme, özellikle görüntü tanıma ve metin çevirisi için etkileyici sonuçlar elde eder. Ana neden, özellik çıkarımının ağın farklı katmanlarında otomatik olarak yapılmasıdır.