Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, Sakarya Uygulamalı Bilimler Üniversitesi'nde doktora öğretim üyesi olan Caner Erden'in sunduğu dört haftalık bir yapay zeka giriş kursunun kaydıdır. Konuşmacı, sezgisel optimizasyon ve makine öğrenmesi alanlarında çalışmalar yapan bir akademisyendir.
- Video, yapay zekanın temel kavramlarını, tarihçesini ve kullanım alanlarını kapsamlı şekilde ele almaktadır. İçerikte yapay zekanın özellikleri, Turing testi, makinelerin tarihçesi, makine öğrenmesi alt alanları (gözetimli, gözetimsiz ve takviyeli öğrenme) ve çeşitli sınıflandırma teknikleri (karar ağaçları, en yakın komşu, yapay sinir ağları, destek vektör makineleri) detaylı olarak anlatılmaktadır.
- Ayrıca videoda makine öğrenmesi modelinin performansını değerlendirmek için kullanılan karışıklık matrisi, TP, TN, FP, FN gibi kavramlar ve F1 skoru gibi ölçümler açıklanmaktadır. Makine öğrenmesi uygulamalarında karşılaşılabilecek sorunlar (veri yetersizliği, aşırı öğrenme, az öğrenme) ve doğru kullanım yöntemleri de ele alınmaktadır. Video, yapay zeka projelerinde izlenmesi gereken metodoloji adımlarını da içermektedir.
- Konuşmacının Tanıtımı
- Konuşmacı Caner Erden, Sakarya Uygulamalı Bilimler Üniversitesi'nde doktora öğretim üyesi olarak çalışmaktadır.
- Çalışma alanları arasında sezgisel optimizasyon ve makine öğrenmesi bulunmaktadır.
- Şu anda güncel olarak makine öğrenmesi ve sezgisel optimizasyonun birleştirilmesi üzerine araştırmalar yapmaktadır.
- 01:32Kurs Hakkında Bilgi
- Bu kurs, yapay zekaya giriş olarak temel bilgiler verilecek bir kursdur.
- Dört haftalık bir kurs olup, her cumartesi günleri haftada iki saat olmak üzere toplamda sekiz saatlik ders yapılacaktır.
- İlk derste yapay zekanın ne olduğu, ne olmadığı, ilişkili kavramlar, kısa tarihçesi ve günümüzde popüler olan kullanım alanları ele alınacaktır.
- 03:05Yapay Zeka Kavramı
- Yapay zeka, makinelerin veya programların zeki hale getirilmesidir.
- Makine kavramı, üretim makinesi, robot veya tamamen sanal bir şey olabilir.
- Programlar ise bilgisayar yazılımları veya makine yazılımları olabilir.
- 03:44Zeki Olmanın Özellikleri
- Makinenin zeki olması için öncelikle çıkarım yapma mekanizması olmalıdır.
- Çıkarım yapabilmek, bir girdiden sonuç çıkartabilmektir.
- İkinci özellik ise öğrenmedir; bir şeyi öğrenip öğrendikten sonra uygulayabilme kabiliyeti vardır.
- 04:55Yapay Zekanın Temel Özellikleri
- Yapay zeka, çıkarım yapma, problem çözme, öğrenme ve algılama gibi insan zekasının temel özelliklerini içerir.
- Problem çözme, insan gibi düşünme, problemi ele alma ve insanın işine yarayacak sonuçlar üretme anlamına gelir.
- Algılama ise makinelerin duyma, görme, hissetme ve koku koklama gibi duyu organlarımızın işlevlerini yapabilmesi veya artırılmış gerçeklik çalışmaları gibi duyu organlarımızın üzerinde çıkabilmesi anlamına gelir.
- 06:00Turing Testi ve Yapay Zekanın Başlangıcı
- Yapay zeka çalışmalarının 1950'lere, özellikle 1950 yılında Turing'in "Computing Machinery and Intelligence" adlı makalesine dayanmaktadır.
- Turing makinesi veya Turing testi, "Makineler düşünebilir mi?" sorusunu gündeme getirerek, makinelerin plan yapma, öğrenme, çıkarım yapma ve problem çözme gibi insan zekasının özelliklerini taşıyabilmesi gerektiğini vurgulamıştır.
- Turing testinde, bir odada hem insan hem makine bulunur ve üçüncü bir kişi sorular sorduğunda insan ve makineyi ayırt edemezse, bu makine yapay zeka olarak kabul edilir.
- 09:36Yapay Zekanın Gelişimi
- Makineler, enerjiyi bir yerden bir yere aktaran parçalar olarak tanımlanır ve bize daha az kuvvetle daha fazla iş yapma imkanı sağlar.
- Boston Dynamics'in robotları gibi, robotların insan gibi hareket etmesi ve tırmanması gibi gelişmeler, basit makinelerden kompleks makinelere geçişin bir parçasıdır.
- Programlanabilir makineler, 19. yüzyılda müzik kutularından başlayarak hesap makinelerine, bilgisayarlara doğru evrilmeye başlamıştır.
- 11:26Bilgisayarların Tarihi ve Gelişimi
- Hesap makineleri önce toplama, sonra çıkarma, daha sonra çarpma ve bölme gibi işlemler yapabilme özelliğine sahip olmuştur.
- İlk bilgisayarlar (1930'larda) bir odayı kaplayacak büyüklükteyken, zamanla boyutları küçüldü ve yapabildikleri işler güçlendi.
- Günümüzde, geçmişte çözülemez denilen problemler birkaç saniye içinde çözülebilmektedir.
- 13:34Makinelerin Öğrenmesi
- Bilgisayarların öğrenmesi, problem çözme ve uygulama geliştirmeyi içerir.
- Makinelerin öğrenme sürecinde deneme yanılma süreçleri ve algoritmalar önemli roller oynar.
- 1957 yılında, makinelerin insan aklıyla yarışabilecek ve yenebilecek bir satranç oynayabilmesi için çalışmalara başlanmış, bu da yapay zeka alanında önemli bir çalışma alanını oluşturmuştur.
- 15:12Yapay Zeka ve Makine Öğrenmesi
- 1957 yılında satranç oynayan ilk makinelerden biri gösteriliyor ve bu sadece satranç değil, mekanik veya hesaplamalı problemlerin çözümüne ulaşabilen bir sistemdir.
- Yapay zeka, insanın aklının sınırlarının yeterli olmadığı karmaşık hesaplamalarda yardımcı olabilir; örneğin satrançta binlerce farklı hamle sayısı olabilir ve her hamle farklı sonuçlara neden olabilir.
- Yapay zeka çalışmalarının 1950'li yıllarda başladığı belirtiliyor.
- 16:42Yapay Zeka ve Alt Alanları
- Yapay zeka, altında makine öğrenmesi, derin öğrenme ve veri madenciliği gibi bağlantılı alanları içeren geniş bir kavramdır.
- Yapay zeka çalışıyorum demek, hangi alanda çalıştığını belirtmeden hiçbir şey dememiş olur; makine öğrenmesi, derin öğrenme veya veri madenciliği gibi daha spesifik alanları belirtmek gerekir.
- Yapay zeka ve makine öğrenmesi, geleneksel programcılığa alternatif bir programcılık paradigması ortaya koymuştur.
- 18:26Geleneksel Programcılık ve Makine Öğrenmesi Karşılaştırması
- Geleneksel programcılıkta, kullanıcı kuralları belirler ve programı nasıl çalışacağını söyler; örneğin istenmeyen mailleri belirlemek için kural tanımlar.
- Makine öğrenmesi programcılığında ise kullanıcı girdileri ve çıktıları verir, program ise arka plandaki ilişkileri bulur; örneğin spam mailleri belirleme için mailleri ve hangi maillerin spam olduğunu belirten etiketleri verir.
- Makine öğrenmesi, girdilerle çıktılar arasındaki ilişkileri bulma sanatıdır; örneğin tomografi görüntüleri ve hastalıklar arasındaki ilişkiyi öğrenmek için kullanılabilir.
- 23:58Yapay Zeka Çalışmalarının Üç Kategorisi
- Yapay zeka çalışmalarının literatürde üç kategoriye ayrıldığı belirtiliyor: sıradan işler (task), formal işler ve expert (uzman) sistemler.
- Sıradan işler kategorisinde perceptronlar, yapay sinir ağları, bilgisayarlı görüntüleme (computer vision), konuşma anlama (speech recognition), doğal dil anlama (natural language understanding) ve çeviri uygulamaları yer alıyor.
- Formal işler kategorisinde satranç oynamak gibi karmaşık problem çözme çalışmaları, geometri ve lojik çalışmaları bulunuyor.
- 27:13Expert (Uzman) Sistemler
- Expert sistemlerde mühendislik, tasarım ve hata tespit çalışmaları, üretim sistemlerinde ve makinelerin çizelgelenmesinde yapay zeka kullanımı yer alıyor.
- Bilimsel çalışmalar, medikal sistemler ve hukuk sisteminde karar verme süreçlerinde yapay zeka kullanılıyor.
- Uzman sistemler insanlara karar alması konusunda yardımcı olmak için tasarlanmış karar destek sistemleri olarak adlandırılıyor.
- 30:52Yapay Zeka Uygulama Alanları
- Yapay zeka uygulamaları arasında uçuş izleme sistemleri, klinik sistemler, görüntüleme cihazlarından çıkan sonuçların analizi ve doğal dil işleme uygulamaları bulunuyor.
- Yapay sinir ağları ve derin ağlar ile görüntü tanıma işlemleri, plaka tanıma sistemleri ve karekod okuma gibi uygulamalar yapay zeka alanında yer alıyor.
- Robotik alanında akıllı süpürgeler ve endüstriyel robotlar yapay zeka uygulamaları olarak değerlendiriliyor.
- 33:13Bulanık Mantık ve Güncel Örnekler
- Bulanık mantık sistemlerinde net sayılar yerine bulanık sayılar kullanılarak, örneğin çamaşır makinesinin sıcaklık ayarları gibi durumlarda daha yumuşak ve adaptif çözümler sunulabiliyor.
- Konuşma tanıma uygulamalarında ses dalgaları nümerik sistemlere çevrilerek ses örüntüleri yakalanabiliyor.
- Trafik sistemlerinde de yapay zeka uygulamaları kullanılmaya başlanıyor.
- 34:49Yapay Zeka Uygulamaları
- Takip sistemleri, öndeki araçla aracınız arasındaki mesafeyi korumak için sensörler yardımıyla hızı ayarlayan yapay zeka uygulamalarıdır.
- Görüntü işleme çalışmaları, görüntülerdeki meyveler, hayvanlar veya nesneleri tanıma çalışmalarını içerir.
- Akıllı/ziyaret robotlar, ürünleri tanıma, yerleştirmesi gibi görevleri gerçekleştirebilen robotik uygulamalardır.
- 37:45Makine Öğrenmesi Çeşitleri
- Makine öğrenmesi, geleneksel programcılıkla farklı olarak girdi ile çıktı arasındaki ilişkiyi tespit ederek sonuçları ölçer.
- Makine öğrenmesi üç ana kategoriye ayrılır: gözetimli öğrenme, gözetimsiz öğrenme ve takviyeli öğrenme.
- Gözetimli öğrenmede (supervised learning) girdiler ve çıktılar (etiketler, labellar) önceden bilinir.
- 39:13Gözetimsiz ve Takviyeli Öğrenme
- Gözetimsiz öğrenmede (unsupervised learning) çıktılar belli değildir, sistem kural oluşturarak gruplama (kümeleme) yapar.
- Takviyeli öğrenmede (reinforcement learning) bir ajan (agent) daha iyi sonuç alırsa ödül, daha kötü sonuç alırsa ceza alır.
- Takviyeli öğrenmede makine, eksi puan almamaya çalışarak daha önceki hatalarını tekrarlamadan daha iyi sonuçlar elde eder.
- 42:18Gözetimli Öğrenme ve Sınıflandırma
- Gözetimli öğrenmede sınıflandırma çalışmaları, bir kategoriyi tahmin etmeye çalışır.
- Sınıflandırma çalışmalarında önceden verilen eğitim setindeki doğru sonuçlar kullanılarak yeni veriler için tahmin yapılır.
- İki tane çıktıya sahip sınıflandırma işlemleri binary classification, birden fazla çıktıya sahip olanlar ise multi-class classification olarak adlandırılır.
- 44:16Sınıflandırma ve Regresyon
- Sınıflandırma, veriler arasındaki ilişkileri ortaya koyan öğrenme algoritmalarının, sınırlı sayıda değer alan kategorik çıktılar ürettiği çalışmalarıdır.
- Regresyon ise çıktı değişkenlerinde aralık'taki tüm değerleri alan sürekli değerlerin olduğu çalışmalarıdır.
- Regresyon çalışmasında, verileri en iyi yansıtan ve hatalar minimum olan bir çizgi (beta + beta1*x + hata terimi) bulunur.
- 47:57Model Performansı Ölçümü
- Sınıflandırma ve regresyon modellerinin performansı, eğitim setinde öğrenilen kuralların test setinde ne kadar başarılı bir şekilde uygulanabildiğiyle ölçülür.
- Sınıflandırma çalışmalarında iki sınıf söz konusuysa, karışıklık matrisi (confusion matrix) kullanılır.
- Karışıklık matrisinde true pozitif, true negatif, false pozitif ve false negatif değerleri bulunur ve bu değerlerin önem dereceleri duruma göre değişebilir.
- 53:36Performans Ölçüleri
- True pozitif oranı, true pozitiflerin true pozitifler artı false pozitiflere bölünmesiyle hesaplanır.
- Kesinlik (precision) ölçüsü, true pozitiflerin true pozitifler artı false negatiflere bölünmesiyle hesaplanır.
- F1 ölçüsü, true pozitif ve false pozitif değerlerini birlikte dikkate aldığı için hibrit bir çözüm olarak daha iyi sonuç verebilir.
- 54:18Performans Ölçütleri ve Sınıflandırma Teknikleri
- Performans ölçütleri probleme göre değişebilir ve detaylı bir inceleme gerektirebilir.
- Ölümcül hataları vurgulamak istenildiğinde kullanılan performans ölçütü değişmelidir.
- Genel olarak ev ölçüsü daha iyi bir çözüm sunar ancak problemden probleme değişebilir.
- 55:21Sınıflandırma Teknikleri
- Sınıflandırma teknikleri arasında karar ağaçları, kural tabanlı, en yakın komşu, yapay sinir ağları, derin öğrenme ağları ve destek vektör makineleri bulunmaktadır.
- Sınıflandırma probleminde çıktı değişkenleri kategoriktir ve veri test ve eğitim seti olarak ikiye ayrılır.
- Karar ağaçları parametrik olmayan bir yapıdadır, veriler bir modele uymuyorsa (normal, üst üste veya binom dağılımına) parametrik değildir.
- 57:06Sınıflandırma Algoritmalarının Seçimi
- Tüm algoritmaları denemek yerine verilere uygun algoritmaların seçilmesi gerekir.
- Veri analizi yapmak, veriyi anlamak, grafiksel olarak ifade etmek ve dağılımını ortaya koymak önemlidir.
- Sınıflandırıcı seçerken sistematik bir yaklaşım uygulanmalı ve neden o sınıflandırıcı seçildiği açıklanmalıdır.
- 58:30Gözetimsiz Öğrenme ve Kümeleme
- Gözetimsiz öğrenmede bir sınıfın olduğu düşünülür ancak bu sınıfla ilgili çıktı değişkeninin değerleri bilinmez.
- Kümeleme, verilerdeki kümelenmeleri ortaya çıkarmayı amaçlar ve müşteri segmentasyonu gibi uygulamalarda kullanılır.
- Kümelemede amacımız, küme içerisindeki verilerin birbirlerine olan uzaklığını minimum tutarken, kümeler arasındaki mesafeyi maksimum tutmaktır.
- 1:01:15Kümeleme Uygulamaları
- Uzaklık kavramı literatürde öklid mesafesi, mikski uzaklığı, menatın uzaklığı gibi farklı ölçülerle ifade edilebilir.
- Benzerlik raporları oluşturmak da bir kümeleme çalışması olarak görülebilir.
- İyi bir kümeleme çalışmasında aynı kümedeki uzaklıklar yakın olmalı, benzerlikler fazla olmalı, iki kümenin sınır çizgileri arasındaki mesafe uzak olmalı.
- 1:03:16Yapay Zeka Çalışmalarının Metodolojisi
- Yapay zeka çalışması gerçekleştirmek için önce problem belirlenir, sonra alan (sınıflandırma, gözetimli öğrenme, takviyeli öğrenme) belirlenir.
- Problemin ortaya koyulması aşamasında amaç, geçerlilik çerçevesi ve varsayımlar belirlenir.
- Veri toplama süreci zorlu, maliyetli ve yanlış yapıldığında analizi etkileyebilir.
- 1:05:44Veri Analizi ve Makine Öğrenmesi
- Verilerin analize hazır hale getirilmesi aşamasında veriyi önce anlamlandırmak, sonra veri görselleştirme ve analiz yapmak gerekir.
- Makine öğrenmesi modelleri seçildikten sonra parametrelerin ayarlanması ve optimizasyonu yapılır.
- Çalışma sonunda bulgular, doğruluk oranı ve sonuçlar raporlanır.
- 1:08:30Yapay Zeka Çalışmalarında Başarısızlık Nedenleri
- Yapay zeka çalışmalarında yeterli veri ile çalışmak gerekir, veri azsa istatistiksel doğrulamalar yapılamaz.
- Yapay zeka projelerinde adımlar sırasıyla uygulanmalı, biri yapılmadan diğerine geçilirse eksik ve hatalı bir çalışma yapılmış demektir.
- 1:08:59Makine Öğrenmesi'de Veri Sorunları
- Makine öğrenmesi çalışması için yeterli sayıda veri yoksa, algoritma yanlış öğrenir veya aşırı/az öğrenme durumlarına düşer.
- Aşırı öğrenme (overfitting) durumunda, algoritma eğitim setini çok iyi öğrenir ve ezberler, ancak test setinde veya yeni verilerde başarısız olur.
- Az öğrenme (underfitting) durumunda ise, algoritma eğitim setini yeterince öğrenemeyip ilişkileri doğru ortaya koymaz.
- 1:09:55Makine Öğrenmesi'nin Doğru Kullanımı
- Tüm algoritmaları denemek yerine, öncelikle analiz ve sistematik bir yaklaşım ortaya konmalıdır.
- Bazı problemler makine öğrenmesiyle çözülmemesi gerekirken, bu yöntemle çözülmeye çalışıldığında başarısızlık yaşanır.
- Analitik yöntemler uygundurken (net girdi-çıktı ilişkileri olan durumlarda) makine öğrenmesi kullanmak gereksizdir, örneğin kimyasal reaksiyonlar gibi net durumlarda.
- Makine öğrenmesi, belirsizlik ve stokastik süreçler söz konusu olduğunda, girdiler aynı olmasına rağmen çıktılar farklı olduğunda kullanılmalıdır.