Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitmen tarafından sunulan makine öğrenmesi ve yapay zeka konularını içeren kapsamlı bir eğitim dersidir.
- Ders, veri madenciliği, yapay zeka ve makine öğrenmesi kavramlarının tanıtımıyla başlayıp, makine öğrenmesinin tarihsel gelişimini anlatmaktadır. Ardından üç temel öğrenme tipi (gözetimsiz, gözetimli ve takviyeli öğrenme) detaylı olarak açıklanmakta, gerçek hayat uygulamalarıyla desteklenmektedir. Dersin son bölümünde sınıflandırma algoritmaları, performans ölçütleri ve karışıklık matrisi konuları ele alınmaktadır.
- Videoda ayrıca regresyon, kümeleme ve takviyeli öğrenme gibi makine öğrenmesi kavramları çeşitli örneklerle açıklanmakta, Tesla araçları, CAPTCHA sistemleri, fraud detection ve tavsiye edici sistemler gibi uygulamalar gösterilmektedir. Dersin sonunda sınav hakkında bilgi verilmekte ve bir sonraki derste karar ağaçları ve regresyon analizleri ele alınacağı belirtilmektedir.
- Dersin İçeriği ve Planı
- Dersin ilk haftalarında kullanılan paketler ve kütüphaneler tanıtılıp, öğrencilerin ders dışında da bu konulara çalışması gerektiği vurgulanmıştır.
- Sonraki haftalarda çalışma ortamı, Anakonda programı ve Jupyter Notebook kullanımı anlatılmıştır.
- Bu haftadan itibaren veri madenciliği için geliştirilen metodlar ve yöntemler gösterilecek, bunlar uygulanacak ve öğrenciler bir proje hazırlayacaklardır.
- 01:50Bugünki Konu
- Bugün ana hatlarıyla veri madenciliği, makine öğrenmesi ve yapay zeka kavramları ele alınacak.
- Bu kavramlar yaygın olarak kullanılmakta ancak içeriği ve arka planı detaylı olarak açıklanacak.
- Yapay öğrenme çeşitleri, sınıflandırma ve performans ölçütleri de konu olacak.
- 03:45Yapay Zeka ve Tarihi
- Veri madenciliği ve makine öğrenmesi çalışmaları birbirlerinden net çizgilerle ayrılmamış, birlikte kullanılan kavramlardır.
- Yapay zeka en üst çerçevede bulunur ve diğer çalışmalar bu çerçevede yer alır.
- Yapay zekanın tarihine bakıldığında, Yunan filozoflarının insan gibi düşünen cisimlerin olduğunu düşündüğü bilinmektedir.
- 05:12Turing Makinesi ve Yapay Zeka
- 1970'ler ve 1980'lerde bilgisayarlar ortaya çıkmış, bu dönemde en çok referans gösterilen Alan Turing'in makinesi önemlidir.
- Turing makinesi, chatbotlar gibi düşünülebilir ve iki ayrı odada bir insan ve bir makine bulunup, kullanıcıların hangisinin insan olduğunu anlamaları zorlandığı bir testtir.
- Yapay zekanın kalitesi, makinenin insan olarak algılanma oranına göre değerlendirilir.
- 08:05Yapay Zeka ve Makine Öğrenmesi İlişkisi
- Yapay zeka çatısı altında makine öğrenmesi bulunur, ancak makine öğrenmesinde yapılan her şey yapay zekayı kapsamaz.
- Makine öğrenmesi sihirli bir kavram değildir, istatistiksel, matematiksel veya hesaplamalı analizler doğru şekilde tanımlanması gerekir.
- Makine öğrenmesi içinde yapay sinir ağları ve derin öğrenme bulunur, veri madenciliği ise yapay zeka, makine öğrenmesi ve derin öğrenmeden bir tutam alarak kendi başına bir kavram olarak karşımıza çıkar.
- 09:39Makine Öğrenmesi ve Veri Madenciliği
- Makine öğrenmesi, matematiksel ve istatistiksel işlemlerle veri setinden çıkarım yapma, tahminlerde bulunma veya bu verileri modelleme sürecidir.
- Veri madenciliği ise veriden anlamlı ve işe yarar bilgi üretme sürecidir.
- Yapay zeka, veri madenciliği ve makine öğrenmesi arasında keskin çizgiler yoktur, bunlar iç içe geçen çalışmalardır.
- 10:49Makine Öğrenmesinin Tarihi ve Gelişimi
- Makine öğrenmesinin tarihi 1980'lerden başlamaktadır.
- İlk makine öğrenmesi çalışmaları spam mail tanıma sistemlerinde uygulanmıştır.
- Derin öğrenme, karmaşık makine öğrenmesi problemlerini çözen, video ve ses dosyalarını işleyen, büyük veri setlerini analiz eden bir kavramdır.
- 13:16Öğrenme Kavramı
- İnsanlar için öğrenme, bilgiyi özümseyip davranışa dönüştürme sürecidir.
- Makine öğrenmesi, insan öğrenmesinin benzer yanlarına bakarak geliştirilmiştir.
- Makine öğrenmesinde, verilerden yola çıkarak ortama adapte olma ve verileri davranışa dönüştürme becerisi önemlidir.
- 15:38Makine Öğrenmesi Süreci
- Makine öğrenmesinde önce veriler makineye verilir, sonra bir model geliştirilir ve makine bu model vasıtasıyla öğrenir.
- Makine öğrenmesi, daha önce görmediği veya gelecekte olabilecek verileri tahmin etmeye çalışır.
- Makine öğrenmesi üç ana gruba ayrılır: gözetimli öğrenme, gözetimsiz öğrenme ve yarım gözetimli öğrenme.
- 17:01Gözetimli Öğrenme
- Gözetimli öğrenmede, verilerin özellik seti ve etiketleri önceden bilinir.
- Gözetimli öğrenme, sınıflandırma ve regresyon gibi tahmin çalışmalarını içerir.
- Sınıflandırmada hedef değerler kesikli veri tipindedir, regresyonda ise sürekli verilerden oluşur.
- 19:07Gözetimsiz Öğrenme
- Gözetimsiz öğrenmede makine, verilmeyen bilgileri keşfetmeye çalışır.
- Gözetimsiz öğrenme, yapay zeka endişelerinin kaynağıdır.
- Bu tür öğrenmede, makinenin daha önce verilmeyen bilgileri keşfetme ve öğrenme becerisi önemlidir.
- 20:34Gözetimsiz Öğrenme ve Uygulamaları
- Gözetimsiz öğrenmede, veri setindeki örüntüler, bağlantılar ve ilişkilerden yola çıkarak makinelerin öğrenme süreçleri gerçekleştirilir.
- Kümeleme algoritmaları, benzer verileri bir araya getirerek ve birbirinden uzak verileri farklı gruplarda tutarak gözetimsiz öğrenmenin en sık kullanılan örneğidir.
- Boyut azaltma çalışmaları da gözetimsiz öğrenme kapsamında olup, özellikler setinde işe yaramayan veya gereksiz özelliklerin ortaya çıkartılmasıdır.
- 22:40Gözetimli, Gözetimsiz ve Yarı Gözetimli Öğrenme
- Gözetimli ve gözetimsiz öğrenme, öğrenmenin yaklaşık yüzde yetmiş-yüzde sekseni oluştururken, tamamlaması için yarı gözetimli veya takviyeli öğrenme (reinforcement) kullanılır.
- Takviyeli öğrenmede, hedef değerlerin olduğu ancak deneme-yanılma veya ödül-ceza sisteminden yararlanarak öğrenme gerçekleştirilir.
- Takviyeli öğrenme, insan öğrenmesine en yakın öğrenme tipidir; ajanlar sistemin durumuna göre pozisyon alır, iyi durumlarda ödüllendirilir, kötü durumlarda cezalandırılır ve daha fazla puan elde etmeye çalışır.
- 24:31Takviyeli Öğrenme Örneği
- Bebeklerin yürümeyi öğrenmesi veya sıcak bir cisimden uzaklaşması gibi insan öğrenmesinde de deneme-yapma ve deneyimleme süreci vardır.
- Takviyeli öğrenmede ajanlar (agentlar) deneyimlerinden öğrenir, iyi sonuçlar verirse davranışını değiştirir veya kendi başına kararlar vermeye çalışır.
- Video örneğinde, araba (agent) park etmeyi öğrenmek için binlerce deneme yapar, çarpmalar ve başarısızlıklar sonucunda zamanla doğru park etmeyi öğrenir.
- 28:50Öğrenme Sürecinin Değerlendirilmesi
- İnsanlarda da fark etme yeteneği, araba kullanma gibi beceriler belirli sayıda denemede öğrenilir.
- Çabuk öğrenen ve uygulayan kişilere zeki denir, benzer şekilde agentlerin de ne kadar az sayıda denemeyle öğrenmesi onların "zekasını" ölçer.
- Video örneğindeki araba, park etmeyi öğrenmek için 317 bin denemeden sonra başarılı olur, bu süreçte zaman kısıtlaması da deneme başarısızlığını belirler.
- 30:45Makine Öğrenmesi ve Otomobil Güvenliği
- Makine, bir eylemi üç yüz on bin kez tekrarlayarak öğrendikten sonra, bir sonraki park etme sırasında daha az kaza yapacaktır.
- Tesla araçları, deneyimleyerek ve hata yaparak öğrenmeye çalışıyor, ancak insan hayatı söz konusu olduğu için güvenirliği sorgulanmaktadır.
- Ufak hatalar insan hayatına mal olabileceği için, bu sistemlerin güvenilir olması için çok fazla deneme yapılması gerekmektedir.
- 31:38Veri Toplama ve Kullanımı
- Google ve Tesla, sürücüsüz araçlar için trafik ışıkları, tabelalar ve yaya yollarını tanıma yeteneği kazandırmak için veri topluyor.
- İnsanlar "Ben Robot Değilim" testinde verileri doğrularken, aslında makineye bu nesneleri tanıtmak için veri sağlıyorlar.
- Makine öğrenmesi algoritmaları, insan gözüyle algılanan verileri kullanarak kendi kendine öğrenmeyi başlıyor.
- 32:44Gözetimli Öğrenme ve Sınıflandırma
- Gözetimli öğrenme (supervised learning) kapsamında sınıflandırma (classification) uygulamaları yapılabilmektedir.
- Kredi kartı sahibinin olağandışı kullanımını tespit eden fraud detection uygulamaları, sınıflandırma çalışmalarının bir örneğidir.
- Görüntü işleme çalışmaları, kedi-köpek tespiti gibi nesne tanıma ve yüz ifadesi analizi gibi alanlarda sınıflandırma çalışmalarına örnektir.
- 34:25Veri Seti Önemi
- İnsan yüzündeki ifadeleri tespit etmek için (gülümseyen, ağlayan) gerçek veri setlerine ihtiyaç vardır.
- Makine öğrenmesinde, önceden veri seti olarak verilen örnekler olmadan sınıflandırma çalışması ve öğrenme gerçekleşemez.
- Örneğin, bir makine ağlayan bir görüntüyü tanımayı öğrenmek için önce ağlayan resimlerle eğitilmelidir.
- 35:24Regresyon Analizi
- Regresyon analizi ile bir şehrin nüfus artış hızı hesaplanabilir ve gelecekteki nüfus tahmini yapılabilir.
- Regresyon analizinde şehrin en son nüfusu, göç oranı, işsizlik oranı gibi parametreler kullanılarak tahminler yapılır.
- Regresyon analizi ayrıca pazar tahmini, market forecast ve ürün pazar payı gibi soruların cevaplarını da verebilir.
- 36:29Gözetimsiz Öğrenme ve Kümeleme
- Gözetimsiz öğrenme (unsupervised learning) kapsamında kümeleme ve boyut indirgeme kavramları bulunmaktadır.
- Kümeleme çalışmalarıyla müşteri segmentasyonu yapılabilir, örneğin pazarlama kampanyalarında hedef kitlesi belirlemek için kullanılır.
- Netflix, Amazon, Spotify gibi platformlarda kullanıcılar için içerik önerileri yapmak için kümeleme algoritmaları kullanılır.
- 37:30Boyut İndirgeme
- Boyut indirgeme (dimension reduction) çalışmalarında, veri setindeki özellik sayısı azaltılarak analiz kolaylığı sağlanır.
- Veri görselleştirme için üçüncü boyuttan sonraki boyutlar görselleştirilemez, bu nedenle az boyutta çalışmak önemlidir.
- Kümeleme ve boyut indirgeme çalışmalarında tavsiye edici sistemler (recommender systems) önemli bir uygulama alanıdır.
- 41:37Takviyeli Öğrenme
- Takviyeli öğrenme (reinforcement learning) ile yapay zekalı oyunlarda karakterler, ödül ve ceza sistemine göre öğrenirler.
- Makine, her oynayışta kaza yapma gibi olumsuz durumlardan kaçınarak daha iyi skorlar elde etmeye çalışır.
- Google'ın Deep Mind projesindeki robotlar, önceden programlanmadan ortama bırakılıp, deneyerek ve yanılarak öğrenirler.
- 46:11Sınıflandırma Kavramı
- Sınıflandırma, özellikler seti ve feature sayısı kullanılarak daha önce verilen hedef değerlerin yeni veriler için ne olacağını anlamaya veya tahmin etmeye çalışmaktır.
- Sınıflandırma örneği olarak spam maillerin sınıflandırılması veya zambak çiçeğinin hangi türe ait olduğunu tahmin etme çalışması verilebilir.
- Canlılar biyologlar tarafından sınıflandırılmıştır (memeli, sürüngen, balık gibi), ancak makine öğrenmesi kullanılarak da bu sınıflandırma yapılabilir.
- 48:53Yapay Zeka ve Doğal Zeka Çatışması
- Makine öğrenmesi çıktıları insan aklı çıktılarıyla bazen çatışabilir, bu alanda yapay zeka ile doğal zekanın karşı karşıya geldiği noktalar ortaya çıkabilir.
- Tıp alanında yapay zeka ile doğal zeka sıklıkla çelişir, örneğin bir röntgeni inceleyen doktor ile makine öğrenmesi algoritması farklı teşhisler verebilir.
- Yapay zeka ile doğal zekanın çatışmalarının etik olup olmaması da ayrı bir konudur.
- 50:45Model Performansını Değerlendirme
- Modelin iyi çalışıp çalışmadığını anlamak için veri setini eğitim seti ve test seti olarak parçalayarak değerlendirme yapılır.
- Eğitim seti genellikle veri setinin yüzde yetmiş'lik kısmı olarak alınır ve model bu verilerle öğrenir.
- Test seti ise modelin ne kadar iyi öğrendiğini test etmek için kullanılır ve modelin tahmin ettiği veriler ile doğru veriler karşılaştırılarak modelin kalitesi değerlendirilir.
- 53:43Sınıflandırma Teknikleri
- Sınıflandırma yaparken karar ağaçları, kural tabanlı sınıflandırıcılar, en yakın komşu sınıflandırıcıları, yapay sinir ağları ve destek vektör makineleri gibi teknikler kullanılır.
- Bu tekniklerin her biri ayrı bir konu olabilir, ancak bu derste özellikle uygulamaları üzerinde durulacaktır.
- İyi bir veri madenciliği projesi için birden fazla metodu kullanarak metotlar arasında kıyaslamalar yapılarak hangi metodun daha iyi sonuçlar verdiği ortaya konabilir.
- 54:58Sınıflandırma Kalitesini Ölçme Metrikleri
- Sınıflandırma algoritmalarının kalitesini ölçmek için performans ölçütleri (metrikler) kullanılır.
- Karışıklık matrisi (confusion matrix) en sık kullanılan performans ölçütlerindendir ve sınıfların doğru tahmin edilip edilmediğini gösterir.
- Karışıklık matrisi regresyonda kullanılmaz çünkü regresyonda yakın tahminler de önemlidir, ancak sınıflandırma algoritmalarında tam olarak doğru tahmin etmek önemlidir.
- 57:27Karışıklık Matrisi Kavramları
- Karışıklık matrisinde true pozitif (TP), true negatif (TN), false pozitif (FP) ve false negatif (FN) dört hücre bulunur.
- True pozitif, doğru sınıflandırma sonucuna ulaşıldığını gösterir (örneğin spam maili spam olarak sınıflandırmak).
- True negatif, spam olmayan bir maili spam olmadığını doğru olarak sınıflandırmak anlamına gelir.
- False negatif, spam olan bir maili spam olmadığını yanlış olarak sınıflandırmak demektir.
- False pozitif, spam olmayan bir maili spam olarak yanlış sınıflandırmak anlamına gelir.
- 59:48Performans Ölçütleri
- Duyarlılık (precision) kavramı, doğru sınıflandırdığımız pozitif örnekleri toplam pozitif örnek sayısına bölerek hesaplanır (TP / (TP + FP)).
- Kesinlik (recall) kavramı, gerçek olarak bulduğumuz pozitiflerin sayısını (TP) gerçek pozitif artı false negatiflere bölerek hesaplanır (TP / (TP + FN)).
- F ölçüsü, hem precision hem recall kavramlarını birlikte kullanarak hesaplanır ve genellikle daha çok kullanılır.
- Bu ölçütler kesikli hedef değerleri için geçerlidir, sürekli hedef değerleri için (regresyon problemleri) farklı ölçütler kullanılır.
- 1:02:55Ders Özeti ve Sınav Bilgileri
- Dersin özetinde makine öğrenmesi, yapay zeka, sınıflandırma, kümeleme, regresyon gibi temel kavramlar ve veri madenciliğinin bunlar içindeki konumu anlatıldı.
- Sınıflandırma için geliştirilen metotlar (karar ağaçları, destek vektör makineleri) ve performans ölçütleri incelendi.
- Sınav 90 dakika sürecek, yaklaşık 15-20 sorudan oluşacak ve cevaplar Jupyter notebook dosyasında kodlarla verilecek.
- Sınav sonuçları Google Classroom üzerinden paylaşılacak, iki hesabı olan öğrencilerin hesaplarını tek hale getirmeleri ve dersi seçen tüm öğrencilerin Google Classroom'a katılması gerekiyor.