Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitmen tarafından sunulan Naive Bayes algoritması hakkında kapsamlı bir eğitim içeriğidir. Eğitmen, algoritmanın matematiksel ve olasılık temelli yapısını basit bir şekilde anlatmayı amaçlamaktadır.
- Video, Naive Bayes algoritmasının temel prensiplerini açıklayarak başlıyor ve koşullu olasılık kavramını örneklerle açıklıyor. Nezle tahmin etme örneği üzerinden algoritmanın uygulaması gösteriliyor ve kategorik verilerle çalışan bir örnek üzerinden koşullu olasılıkları hesaplama formülü anlatılıyor. Ayrıca, Naive Bayes'in bağımsız değişkenler varsayımı ve performans kriterleri (threshold kavramı) hakkında bilgi verilmektedir.
- Video, teorik olarak en iyi sınıflandırma algoritması olduğunu ancak pratikte sayısal veriler ve regresyon uygulamalarında zorluk yaşayabileceğini belirtiyor ve önümüzdeki bölümlerde confusion matrix ile daha ayrıntılı performans analizi yapılacağını belirterek sonlanıyor.
- Naive Bayes Algoritması Tanıtımı
- Naive Bayes algoritması, olasılık ve özellikle koşullu olasılıklar üzerine kurulmuş bir sınıflandırma algoritmasıdır.
- Bu algoritma sınıfları tahmin etmede kullanılır ve regresyon olarak da kullanılabilir, ancak sayısal verilerle çalışırken hesaplamalar daha karmaşık hale gelir.
- Naive Bayes algoritması, kategorik veriler üzerinde çalışırken daha kolay ve etkilidir.
- 01:48Naive Bayes Algoritmasının Temel Özellikleri
- Teorik olarak Naive Bayes en iyi sınıflandırıcı olmalıdır, ancak gerçek hayatta feature'lar arasındaki korelasyonu varsaymadığı için bu durum her zaman geçerli değildir.
- Regresyon olarak kullanıldığında, tüm değerlerin dağılımını bilmek gerekiyor ki bu pratikte tam olarak bilinemez.
- Gerçek hayatta bazı veri setlerinde daha iyi sınıflandırıcılar olabilir, bu nedenle teorik olarak en iyi olmasına rağmen pratikte en iyi algoritma olmayabilir.
- 02:57Koşullu Olasılık Örneği
- Koşullu olasılık, belirli bir koşul altında bir olayın olasılığını hesaplamaktır.
- Örneğin, 30 kişilik bir sınıfta 20 kız ve 10 erkek öğrenci varken, kız öğrencilerin 16'sı Fenerbahçe'yi tutuyorsa, seçilen kişinin kız olduğu bilindiğinde Fenerbahçeli olma olasılığı %80'dir.
- Matematiksel olarak koşullu olasılık formülü kullanılarak aynı sonuç elde edilebilir.
- 04:55Çoklu Bağımsız Değişkenli Naive Bayes
- Tek bir koşul yerine birden fazla bağımsız değişken olduğunda Naive Bayes formülü modifiye edilir.
- Formülde yukarıdaki koşullar tek tek çarpılıp, olası tüm sonuçlar y'ye göre çarpılıp toplanır.
- Bu formülün tamamıyla mantığını anlamak uzun sürebilir, meraklılar için detaylı incelemeler yapılabilir.
- 05:40Regresyon ve Örnek Uygulama
- Naive Bayes sınıflandırma için kullanıldığında kategorik verilerle çalışırken, regresyon için Gauss (çan) dağılımı kullanılabilir.
- Veri setlerinde dağılımların tam olarak bilinmesi zordur, ancak genellikle Gauss dağılımı kullanmak yararlıdır.
- Örnek uygulamada, üşüme, burun akıntısı, baş ağrısı ve ateş verilerine bakarak bir kişinin nezle olup olmadığı tahmin edilebilir.
- 07:31Yapay Zeka ve İnsan Beyni
- Yapay zeka algoritmaları aslında herkesin kafasında yaptığını otomatikleştirmektedir.
- Doktorlar da tarihi datalara bakarak hastaların semptomlarına göre belirli bir hastalığa sahip olma olasılığını hesaplarlar.
- Deep learning ve neural networks algoritmaları, insan beyninin düşünme ve öğrenme mantığını bilgisayarlara öğretmeye çalışmaktadır.
- 08:24Naive Bayes Algoritması ve Veri Seti
- Veri setinde tüm veriler kategorik (class) datalar olup, numerik ve sürekli datalar bulunmuyor.
- Bu örnekte, kişinin nezle olma ihtimalinin yüzde kaç olduğunu hesaplamak için Naive Bayes formülü kullanılıyor.
- Tabloda verilen koşullu olasılıklar, örneğin nezle olduğu verilen bir kişinin üşümesin olma ihtimali gibi hesaplanıyor.
- 10:01Olasılık Hesaplama
- Formülde, flu'nun yes olduğu kısmı hesaplamak için test verisindeki değerler (childs yes, runny nose no, hd mild, fever yes) kullanılıyor.
- Pay kısmı hesaplandığında 0,06, payda kısmı ise 0,06 ve 0,08'in toplamı olarak 0,14 olarak bulunuyor.
- Sonuç olarak, verilen hastanın nezle olma ihtimali yaklaşık yüzde yirmidört olarak hesaplanıyor.
- 11:19Naive Bayes Algoritmasının Özellikleri
- Naive Bayes algoritması, "naive" (ayıp olmayan) ismiyle, bağımsız değişkenlerin birbirinden bağımsız olduğunu ve korelasyon olmadığını varsayar.
- Bu varsayım gerçek olmayabilir, bu nedenle hesaplanan olasılık tam olarak doğru olmayabilir.
- Performans kriterlerinde, olasılık için bir threshold (eşik değer) belirlenir ve genellikle 0,50 gibi değerler kullanılır.