Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitmen tarafından sunulan yapay zeka ve beyin felsefesi konulu kapsamlı bir eğitim içeriğidir. Konuşmacı, Recep Perros gibi bilim insanlarının görüşlerini de içeren detaylı bir anlatım sunmaktadır.
- Video, yapay zekanın felsefi boyutlarından başlayarak beynin ve bilgisayar arasındaki temel farkları incelemektedir. Ardından yapay zeka kavramı, makine öğrenmesi, yapay sinir ağları ve derin öğrenme gibi teknik konular ele alınmaktadır. İçerik, yapay zekanın insan beynini tam olarak taklit edemeyeceği felsefi tartışmaları, Turing Testi ve Çin Odası Deneyi gibi önemli testleri ve makine öğrenmesinin denetimli ile denetimsiz öğrenme kategorilerini kapsamaktadır.
- Video ayrıca yapay zeka alanlarının temelini oluşturan uzman sistemler, doğal dil işleme ve bilgisayarlı görme konularını da ele almaktadır. Derin öğrenme bölümünde menekşe bitkisi sınıflandırma örneği gibi pratik uygulamalar da sunulmaktadır. İçerik, yapay zeka algoritmalarının nasıl çalıştığı, verinin önemi ve yapay sinir ağlarının biyolojik sinir sistemine benzer şekilde modellenmesi gibi teknik detayları da içermektedir.
- 00:04Yapay Zekanın Felsefi Boyutu
- Sunum, yapay zekayı doğrudan anlatmak yerine, yapay zekanın felsefi arka planda dönen tartışmalarını ve farklı görüşlerini dile getirmeyi amaçlamaktadır.
- Yapay zekanın karşılaştığı temel problem, uygun programlanmış bilgisayarın insanın hesapları ve düşünce işlemleri taklit edip edemeyeceği sorusundan ziyade, insanın bilinçli zeka ürünü olarak yürüttüğü düşünme faaliyetlerinin tümünün hesaplanabilir olup olmadığıdır.
- Bilgisayarlar ve yapay zeka uygulamaları, sayısal ve matematiğe dökülebilir zihinsel işlemleri başarılı bir şekilde gerçekleştirebilmektedir, ancak insanın yaptığı tüm faaliyetlerin hesaplanabilir olup olmadığı sorgulanmaktadır.
- 01:22Sunum İçeriği
- Sunumda beyin ve bilgisayarın farkları, yapay zeka ve bilinç üzerine yaklaşımlar, yapay zeka nedir-ne değildir, veri ve verinin önemi, yapay zeka alanları ve algoritmaları ele alınacaktır.
- Yapay zeka alanının en temel ve en çok kullanılan kısmı olan makine öğrenmesi, yapay sinir ağları ve derin öğrenme konuları da sunumun kapsamındadır.
- 02:00Beyin ve Bilgisayarın Farkları
- Beyinde bir gram dokuda yaklaşık 10 üzeri 24 atom bulunurken, sinir hücre sayısı 16 milyar, genetik bilgi taşıyan insan gel sayısı 1 milyon ve sinir hücreleri arasındaki bağlantı sayısı yaklaşık 100 katrilyon civarındadır.
- Beyindeki paralellerin toplam uzunluğu dünyanın çevresini iki kere çevirebilecek kadar olan 100 bin kilometreye ulaşmaktadır.
- Beyindeki nöronlar ve bağlantıları modellemenin zorluğu, beynin karmaşıklığını göstermektedir.
- 02:57Akıl ve Beyin Bağlantısı
- Akıl sorunu olduğunda, sinir hücresi kendini merkezileştirmez, milyonlarca hücreden oluşan bir demokrasi oluşturur.
- Tek bir sinir hücresi minyatür bir beyin değildir ve beynin hiçbir özelliği tek bir hücrede barındırılmamaktadır.
- Akıl, zihin ve bizi insan yapan özellikler sadece nöronların bir araya gelip oluşturduğu grup bağlantılarında bir anlam kazanır.
- 04:47Beyin ve Bilgisayarın Diğer Farkları
- Beyin bazen aynı anda hem bir hem sıfır durumunu üst üste gelebilirken, bilgisayar sadece bir veya sıfır durumlarında çalışır.
- Bilgisayardaki mantık devreleri sadece beş volt veya sıfır volt elektrik geçer, ikisi bir arada bulunamaz.
- Kuantum bilgisayarlarında iki durumun bir arada bulunması mümkün olsa da, bu alan henüz çok yeni ve beyin tam olarak bu duruma uymamaktadır.
- 05:29Beyin ve Bilgisayar Arasındaki Farklar
- Beyin, doğum sonrası çevre uyaranlarına ve koşullara göre yeniden organize olabilir, plastik ve esnek bir yapıya sahiptir.
- Bilgisayar ise sabit ve sert tel yapısına sahiptir, kendiliğinden değişim göstermez ve dışarıdan programlanmazsa başlangıçtaki organizasyonu kalır.
- Beyinde iletişimin temelinde kimyasal ve elektrikseldir, bilgisayar ise tamamen elektrikle çalışırken beyin elektrik kullanır ancak canlılık dediğimiz farklı bir faz durumundadır.
- 06:53Beyin ve Bilgisayarın İşleyiş Farkları
- Beyinde uyarı olmadan bile daima sinaptik boşalımlar vardır, bilgisayar ise herhangi bir uyarı olmadan çalışmaz.
- Aynı uyarı beyinde daima aynı sonucu doğurmaz, girdiler daha önceki deneyim, anı, içgüdü ve önyargılarla etkilenir.
- Bilgisayar aynı girdi için daima aynı çıktıyı verir çünkü sabit programı ve işlemcisi vardır.
- 07:19Beyin Özelliklerinin Bilgisayara Taşınması
- Değer yargıları, sevgi, aşk, duygular, estetik, yaratıcılık, adalet, sağduyu, esinleme ve benzeri sanat gibi özellikler bilgisayarda söz konusu değildir.
- Yapay zekanın asıl amacı, bu özelliklerin bilgisayarda yazılımsal olarak gerçekleştirilmesidir.
- Pensa'ya göre duygular, estetik, yaratıcılık, adalet, sağduyu, esinlenme ve sanat gibi zihinsel etkinlikler hesaplanamaz ve algoritmik hale getirilemez.
- 08:33Matematiksel Modeller ve Yapay Zeka
- Matematiksel modeller insan beynini taklit etmek için değil, dünyadaki tüm modeller için kullanılır.
- İnsan beynini taklit etmek için matematiksel modelleri bilmek gerekir, aksi takdirde yapay zekayı elde etmek mümkün değildir.
- Yapay zekayı elde etmek için bir şey öğretmek için bir algoritmaya ihtiyaç vardır.
- 09:16İnsan ve Bilgisayar Arasındaki Farklar
- İnsanlar basit temel algoritmaları öğrenirken, ne zaman ve nasıl kullanacaklarını kendileri karar verirler.
- Bilgisayar, sayı ve çarpanları formüle edip hesaplama yapabilirken, nerede durması gerektiğini bilmez ve sonsuza kadar hesaplama yapabilir.
- Deep Blue adlı satranç bilgisayarı 1997'de dünya şampiyonunu yenirken, sezgisizliği nedeniyle bazı maçları kaybetmiştir.
- 11:29Bilinç ve Zeka Felsefesi Üzerine Görüşler
- Recep Perros, bilinç ve zeka felsefesi üzerine ilgilenen bir astrofizikçi ve matematikçidir.
- Bilinçli düşünme ve hesaplama ilişkisine dört farklı görüş vardır: düşünmenin tamamen hesaplanabilir olması, farkındalığın beynin fiziksel işleyişine ait bir özelliği olması, farkındalığın beynin erişilemez fiziksel işleyişine dayanması ve farkındalığın bilimsel yollarla açıklanamaz olması.
- Değer yargıları (ahlak, etik, iyi-kötü gibi) hesaplanabilir değildir, çok fazla değişken ve kişiden kişiye göre değişen durumlar söz konusudur.
- 15:14Güçlü Yapay Zeka Kavramı
- Güçlü yapay zeka görüşüne göre, iyi bir bilgisayar sadece iyi bir zekaya değil aynı zamanda bir akıl da sahip olabilir.
- Beynin termostatla arasındaki fark, beynin çok daha karmaşık olması ve nöronların yapısının her saniye değişmesi gibi olaylardır.
- Beynin korteksindeki dış ve iç ilişkilerin belirlenememesi, beyni termostat gibi basit sistemlerden ayıran en büyük özelliklerden biridir.
- 16:39Beynin Karmaşıklığı ve Turing Testi
- Beynimiz evrendeki bildiğimiz en karmaşık şey olduğundan, beynimizi taklit edebilir teknoloji geliştirmek oldukça zorlaşmaktadır.
- Turing testi, 1950'lerde geliştirilmiş bir testtir ve iki farklı odaya biri yapay zeka biri insan yerleştirilerek dışarıdan metinsel iletişim kurulur.
- Eğer dışarıdaki sorgulayıcı içeridekilerin hangisinin yapay zeka olduğunu tespit edemezse, yapay zeka Turing testini geçmiş olur.
- 18:12Turing Testinin Aşamaları
- Turing testinin ilk aşaması oyuncak modeldir, idrak kapasitesinin insan idrak kapasitesinin bir kısmının test edildiği temel bir aşamadır.
- İkinci aşamada, John'un Çin odası deneyi uygulanır; içerideki insan Çince bilmeden kullanma kılavuzuyla taklit ederek cevap verir.
- Üçüncü aşamada robotik testi yapılır; yapay zeka sadece semboller değil, anlam bilimsel özellikleri taklit ederek insan-robot ayrımı yapılamaz hale gelmelidir.
- 19:45Turing Testinin Son Aşamaları
- Dördüncü aşamada ayrılmazlık testi yapılır; beynimizdeki sinir hücreleri ve yöneticilerin seviyesinde işlevsel anlamda ayrılmazlık sağlanmalıdır.
- Son aşamada "beyin-her şey" teorisi uygulanır; elektronların her birinin insandaki sinir hücresiyle aynı olması ve aksiyon fonksiyonlarının matematiksel formülünün tam karşısı ve aynı davranması gerekir.
- Bu son aşama teorik olarak var olan bir teori olup, pratikte çok zor bir uygulama söz konusudur.
- 21:25Çin Odası Deneyi ve Felsefi Önermeler
- Çin odası deneyinde, John'un taklit ediyorsa yoksa gerçekten anlıyor mu olduğu felsefi bir sorudur.
- Beyin aklın nedenidir ve sadece söz dizimi anlam için yeterli değildir; bir akıl varsa beyin olmak zorundadır.
- Bilgisayar programları sadece biçimsel veya sözdizimsel yapıları ile tanınırken, zihin buna rağmen anlamsal içeriği vardır.
- 22:23Çin Odası Deneyinin Çıkarımları
- Hiçbir bilgisayar programı tek başına bir zihin oluşturmak için yeterli değildir; programlar zihin değildirler ve tek başına zihin olamazlar.
- Beyinsel süreçlerin insan zihinsel olarak yol açması yalnızca bilgisayar programlarının kullanılmasıyla sağlanamaz.
- Zihinsel durumu oluşturacak yapay bir sistem için sadece programların yürütülmesi yeterli değildir; bu programlar insan beynine eşdeğer bir güce sahip olmalıdır.
- 24:20Yapay Zeka Kavramı
- Şu ana kadar geliştirilen yapay zeka modelleri asla insan taklit edebilecek düzeyde değildir, sadece insanın bazı yeteneklerini belli bir kısımda taklit edebilmektedir.
- Yapay zeka, doğa ile yapımı yapılmamış olan ve insanın kavrama, yargılama ve sonuç çıkarma yeteneklerini yazılımsal olarak bir makinede (bilgisayar) gerçekleştirme sürecidir.
- Yapay zeka için en önemli husus veridir; veri olmadan yapay zeka öğrenemez çünkü insan olarak her an milyarlarca veriye maruz kalırken, bilgisayara makul sayıda veri sağlamamız gerekir.
- 26:20Yapay Zekanın Öğrenme Süreci
- Yapay zeka, makinenin açıkça kodlanmadan örnek ve deyimlerle öğrenme konseptini kastedir; insan taklit ederken her durumu if ve else ile modellemek çok zordur.
- Programcı kod yazmak yerine genel algoritmayı veri ile besleyerek makine öğrenmesini sağlar, yeterince veri ile beslenen makine matematiksel ve istatiksel yöntemler kullanarak çıkarımlar yapar.
- Yapay zeka, tüm ihtimalleri kodlamak yerine belli örnekleri vererek öğrenmesini sağlar ve kendi çıkarımlarını yaparak öğrenir.
- 27:25Yapay Zeka ve Kodlama Farkı
- Yapay zeka olmayan bir kod örneğinde, programcı tüm ihtimalleri kesin kodlayarak belirtirken, yapay zekada bu şekilde kodlanmaz.
- Yapay zekada yüzlerce farklı ihtimal verilip belli bir algoritma sunulur ve yapay zeka bu verilerden öğrenerek çıkarımlar yapar.
- Yapay zekada, o anki durumlar (sıcaklık, hız gibi) ve sonucunda görevin tamamlanıp tamamlanmadığı bilgisi verilerek, yapay zeka hangi durumlarda hangi sonuç için neler yapması gerektiğini anlar.
- 30:15Veri Ön İşleme ve Önemi
- Veri ön işleme, herhangi bir işleme tabi tutulmadan gözlem ve ölçüm yöntemleri ile elde edilen değerlerdir; verilerle bilgi elde edilir ve analizler yapılır.
- Yapay zeka için yüzbinlerce veri gereklidir ve günümüzde sosyal medya ve internet üzerinden günde milyarlarca veri üretilmektedir.
- Tek başına bir veri önemli değildir, veriler bir araya gelerek analiz edildiğinde anlam kazanır ve her veri setinin yapay zeka modeli için kullanılabilmesi için ön işleme geçirmesi gerekir.
- 32:19Yapay Zeka Alanları
- Yapay zeka alanlarında uzman sistemler, doğal dil işleme ve bilgisayarlı görü temel alanları oluştururken, makine öğrenmesi, yapay zeka ve derin öğrenme metotları bu alanları kapsayan algoritmaları sağlar.
- Uzman sistemler, ses tanıma, görüntü analizi, denetim, hava tahmini, tahıl tahmini veya tıp gibi alanlarda uzmanların bilgilerini veritabanında depolar ve kullanıcı sorularına veritabanından bilgileri alarak sonuç üretir.
- Doğal dil işleme, insan dillerini (Türkçe, İngilizce gibi) bilgisayarın anlayabilmesini sağlayan bir alan olup, ses veya metin verilerini işleyerek bilgisayarla iletişim kurmayı sağlar.
- 34:52Doğal Dil İşleme ve Uygulamaları
- Doğal dil işleme sürecinde önce ses veya metin verisi alınır, ardından fonetik analiz, tokenization, morfolojik analiz ve dizimsel analiz yapılır.
- Anlamsal yorumlama aşamasında, verinin kullanım alanı (sosyal medya analizi, makale analizi gibi) doğrultusunda farklı yorumlama süreçleri işletilir.
- Günümüzde sesli asistanlar (Siri, Google Asistan), çeviri uygulamaları (Google Translate, Yandex) ve chatbotlar doğal dil işleme teknolojisini kullanmaktadır.
- 37:12Bilgisayarlı Görü ve Makine Öğrenmesi
- Bilgisayarlı görü alanı, bilgisayarın görmesini sağlayan bir alandır ve yüz tanıma, otonom araçlar, tıbbi görüntüleme gibi alanlarda kullanılır.
- Bilgisayarlı görüntü işlemede, görüntülerin doğru ve yanlış sınıflandırılması için devasa veri setleri gereklidir ve algoritmalar bu verilerden yola çıkarak sonuç üretir.
- Makine öğrenmesi, matematiksel ve istatiksel işlemlerle veriler üzerinden çıkarımlar yaparak tahminlerde bulunan sistemlerin modellenmesine verilen addır ve genellikle finansal analizlerde kullanılır.
- 41:05Makine Öğrenmesi Alt Alanları
- Makine öğrenmesi temelde denetimsiz öğrenme ve denetimli öğrenme olarak ikiye ayrılır.
- Denetimsiz öğrenme, kümeleme algoritması ile belli müşteri grupları veya verilerin bir arada değerlendirildiği bir yöntemdir.
- Denetimli öğrenme ise sınıflandırma ve regresyon algoritmaları ile bir sonuç üretir; sınıflandırma belirli sınıflara ait verileri gruplandırırken, regresyon sürekli sayısal tahminler yapar.
- 42:05Denetimli Öğrenme Algoritmaları
- Denetimli öğrenme algoritmaları, girdi ve çıktısı bilinen veri setlerini kullanarak model oluşturan algoritmalardır.
- Denetimli öğrenme algoritmaları iki ana kategoriye ayrılır: sınıflandırma ve regresyon.
- Sınıflandırma algoritmaları ayrı sonuçları tahmin eder, örneğin bir mailin spam veya spam olmaması gibi iki farklı sınıfa böler.
- 43:00Regresyon ve Denetimsiz Öğrenme
- Regresyonda sayısal tahminler yapılır ve lineer regresyon, polinom regresyon veya karar ağacı regresyon modelleri kullanılabilir.
- Denetimsiz öğrenme, veriyi incelemek ve içerisinde gizli desenler bulmak için kullanılır.
- Kümeleme algoritmaları, verileri belli gruplara ayırmayı amaçlar ve sonuçların kesin doğruluğu garantilenmez.
- 45:57Yapay Sinir Ağları ve Derin Öğrenme
- Yapay sinir ağları ve derin öğrenme modelleri, insan zihnini taklit etmeye yönelik daha gelişmiş bir yaklaşımdır.
- Yapay sinir ağları, insan beyninden esinlenerek geliştirilen, eğitilebilir, adaptif ve kendini organize edebilen bilgisayar programlarıdır.
- Yapay sinir ağları, insan beynindeki nöronların sinir hücrelerinin nasıl çalıştığını modelleyerek insan zihninin öğrenme yapısını taklit etmeye çalışır.
- 47:24Yapay Sinir Ağlarının Çalışma Prensibi
- Yapay sinir ağlarında, gelen bilgilerin ağırlıkları belirlenir ve bu ağırlıklar bilginin önemini gösterir.
- Ağırlık değerleri iteratif bir süreçte güncellenir ve doğru sonuca ulaşıldığında sabitlenir.
- Aktivasyon fonksiyonu, verilerin normalize edilmesini sağlar ve her nöron için bir çıktı üretir.
- 50:26Yapay Sinir Ağlarının Avantajları
- Yapay sinir ağları örneklerle ilgili bilgilerden genellemeler yapar ve bu genelleme yeteneği onu diğer makine öğrenmesi metotlarından ayrılır.
- Yapay sinir ağları kendini sürekli güncellediği için daha esnek ve geniş bir öğrenme yapısı sunar.
- Yapay sinir ağları, hiç görmediği örneklerle karşılaşınca yaptığı genellemelerden yararlanarak daha fazla doğru sonuç üretir.
- 51:23Derin Öğrenme ve Yapay Sinir Ağları
- Derin öğrenme, bir veya daha fazla gizli katman içeren yapay sinir ağları ve benzeri makine öğrenme algoritmalarını kapsayan bir çalışma alanıdır.
- Derin öğrenme, tek katmanlı yapay sinir ağlarına göre daha karmaşık bir yapıya sahiptir ve birden fazla katman kullanarak daha derin analizler yapabilir.
- Yapay sinir ağları, biyolojik sinir sistemindeki nöronların birbirleriyle ilişkisi gibi modellenmiş olup, aslında sadece matematiksel süreçlerden oluşur.
- 52:28Derin Öğrenme Algoritmalarının Çalışma Prensibi
- Derin öğrenme algoritmalarının iyi sonuçlar üretebilmesinin nedeni işlenen birçok verinin olmasıdır.
- Giriş katmanındaki nöron sayısı, veri setindeki özelliklerin sayısına bağlı olarak belirlenir ve her nöron gelen verideki karşılık gelen değeri işler.
- Yapay zeka, ağırlık değerlerini sürekli rastgele değiştirerek önemli özelliklerin ağırlıklarını yükseltir ve gereksiz özelliklerin ağırlıklarını düşürür.
- 54:39Derin Öğrenme ve Makine Öğrenmesi Arasındaki Farklar
- Klasik makine öğrenmesinde bir yapay zeka mühendisi, hangi özelliklerin önemli olduğunu tespit edip veri işlem adımlarını uygulamak zorundadır.
- Derin öğrenme modellerinde ise veri olduğu gibi verilir ve model rastgele ağırlık değerlerini değiştirerek hangi özelliklerin önemli olduğunu tespit eder.
- Derin öğrenme modelleri, eğitildikten sonra farklı veri setlerinde de benzer tahminler yapabilir.
- 56:59Derin Öğrenme Uygulaması
- Gösterilen örnek, menekşe bitkisinin üç farklı cinsini (setosa, versicolor, virginica) sınıflandırmak için bir regresyon algoritması kullanmaktadır.
- Bitki cinslerini belirleyen özellikler, yaprakların uzunluğu ve genişliği gibi sayısal değerlerdir.
- Yapay zeka modeli, veri setini eğitim ve test olarak ikiye bölerek eğitilir ve yaklaşık %91 doğrulukla bitki cinslerini sınıflandırabilir.