Yapay Zeka Öğrenme Teknikleri

Yapay Zeka Öğrenme Teknikleri

Yapay Zeka Türleri

Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme’yi çevreleyen sosyal, ahlaki ve politik konulardan bahsediyoruz, ancak çoğu zaman bu terimlerin ne anlama geldiği, birbirinden nasıl farklı oldukları ve her birinin günlük örnekleri olabileceği çok açık değil. Bu terimler, biraz farklı şeyler ifade etmelerine rağmen genellikle birbirlerinin yerine kullanılır. AI ve ML’yi gördüğümüzde tanıyabiliriz, örneğin mesajlarımızdan öğrenen ve telefon sözlüğüne kelimeler ekleyen tahmine dayalı metinlerde. Ancak sizden her bir kavramı tanımlamanız ve nasıl çalıştığını ve diğerlerinden nasıl farklı olduğunu açıklamanız istenirse, böyle bir görevin biraz daha karmaşık olacağını tahmin edeceğiz.

Bunun ışığında, Yapay Zeka, Makine Öğrenimi ve Derin Öğrenme arasındaki farkı açıklamak için bu yazıyı bir araya getirdik. Farklılıkları açıklamadan önce , bu teknolojik ilerlemelerin en önemli yapı taşını algoritmaları açıklamak önemlidir. Bilgisayarlar kendilerine verilen kodla ne yapılacağını bilirler. Ancak kod yazmadan önce bir algoritmaya ihtiyacınız var.

En temel düzeyinde bir algoritma, bir sorunun çözülmesine yol açan sıralı kurallar listesidir. Sıralama çok önemlidir. Yemek pişirme, bir algoritmada siparişin öneminin yararlı bir örneğidir. Birisine nasıl biftek yapacağınızı sorduğunuzda, size her seferinde rastgele sırayla veya farklı bir sırayla adımları verme eğilimi göstermez.

Makine öğrenme : Özünde, makine öğrenimi yapay zekaya ulaşmanın bir yoludur . Makine öğrenimi, sistemlerin açıkça programlanmadan deneyime dayalı olarak öğrenmelerini ve ilerlemelerini sağlayan yapay zeka (AI) uygulamasıdır. Makine öğrenimi, verilere erişebilen ve kendi öğrenimleri için kullanabilen bilgisayar programlarının geliştirilmesine odaklanır.

4 tür makine öğrenimi vardır

  1. Denetimli öğrenme
  2. Denetimsiz öğrenme
  3. Yarı denetimli öğrenme
  4. Güçlendirilmiş öğrenme
  5. Denetimli öğrenme
  6. Kontrollü makine öğrenimi, geçmişte öğrendiklerini alabilir ve gelecekteki modelleri ve olayları tahmin etmek için etiketli örnekler kullanarak yeni verilere uygulayabilir. Açık bir örnekle öğrenir.

Denetimli öğrenme, algoritmanın olası çıktılarının zaten bilinmesini ve algoritmayı eğitmek için kullanılan verilerin zaten doğru cevaplarla etiketlenmesini gerektirir. Bu, bir çocuğa 2 + 2 = 4 olduğunu öğretmek veya bir köpeğin görüntüsünü göstermek ve çocuğa köpek olarak adlandırılmasını öğretmek gibidir. Denetimli makine öğrenmesine yaklaşım esas olarak aynıdır. Önceden belirlenmiş sonuçlara ulaşmak için ihtiyaç duyduğu tüm bilgilerle birlikte sunulur. Sonuçlara nasıl ulaşılacağını öğrenir, tıpkı bir çocuğun toplam ‘5’ ve oraya ulaşmanın önceden belirlenmiş birkaç yoluna nasıl ulaşacağını öğrenmesi gibi, örneğin 2 + 3 ve 1 + 4. 6 + 3’ü 5’e ulaşmanın bir yolu olarak sunsaydınız, bu yanlış olarak belirlenirdi. Hatalar bulunacak ve düzeltilecektir.
Algoritma, hataları bulmak için gerçek çıktısını doğru çıktılarla karşılaştırarak öğrenir. Daha sonra modeli buna göre değiştirir.

Denetimli öğrenme, tarihsel verilerin gelecekteki olası olayları öngördüğü uygulamalarda yaygın olarak kullanılır. Önceki örneği kullanarak, 6 + 3, 5’e ulaşmanın en yaygın hatalı yoluysa, makine, birisi 6 + 3 girdiğinde, 9’un doğru cevabından sonra 5’in en çok beklenen ikinci sonuç olacağını tahmin edebilir. Günlük bir örnek de düşünebiliriz kredi kartı işlemlerinin ne zaman hileli olabileceği veya hangi sigorta müşterisinin bir talepte bulunma olasılığı daha yüksek olabilir.

Denetimli öğrenme ayrıca aşağıdakilere ayrılır:

  1. sınıflandırma
  2. gerileme
  3. Denetimsiz öğrenme
    Denetimli öğrenme görevleri, öğrenilecek “doğru cevaplar” veri kümesine sahip olduğumuz kalıpları bulur.

Sisteme önceden belirlenmiş bir çıktılar kümesi veya girdiler ve çıktılar arasındaki korelasyonlar veya “doğru cevap” verilmez. Algoritmanın kendi başına ne gördüğünü bulması gerekir, referans noktaları depolaması yoktur. Amaç, verileri keşfetmek ve bir çeşit yapı örüntüsü bulmaktır.

Denetimsiz öğrenme, veriler işlem olduğunda iyi çalışır. Örneğin, benzer özelliklere sahip müşterilerin daha sonra pazarlama kampanyalarında hedeflenebilecek ceplerinin belirlenmesi.

Denetimsiz makine öğrenimi daha karmaşık bir süreçtir ve denetlenen makine öğreniminden çok daha az kez kullanılmıştır. Ama tam da bu nedenle yapay zekanın geleceği konusunda çok fazla söylendi var. Gözetimsiz ML’deki ilerlemeler, AI’nın geleceği olarak görülür, çünkü dar AI’dan uzaklaşır ve AGI’ye (birkaç paragraf daha önce tartıştığımız ‘yapay genel zeka’) daha yakındır. Birinin kendi kendini öğreten bilgisayarlardan bahsettiğini duyduysanız, bu aslında bahsettikleri şeydir.

Denetimsiz öğrenmede ne bir eğitim veri seti ne de sonuçların bir listesi verilmez. AI problemi kör olarak girer sadece onu yönlendirmek için kusursuz mantıksal işlemleriyle. Kendinizi hiç sporu duymamış veya görmemiş bir kişi olarak düşünün. Bir futbol maçına alınırsınız ve ne gözlemlediğinizi anlarsınız. Diğer sporlar hakkındaki bilginize başvuramazsınız ve sonunda futbol anlayışına dayanacak benzerlikler ve farklılıklar çizmeye çalışamazsınız. Bilişsel yeteneğinden başka bir şeyin yok. Gözetimsiz öğrenme yapay zekayı bu durumun eşdeğerine yerleştirir ve yalnızca tüm bilgisayar sistemlerinde kullanılan açma / kapama mantık mekanizmalarını kullanarak öğrenmeye bırakır.

  1. Yarı denetimli öğrenme (SSL)
    Yarı denetimli öğrenme, denetimli ve denetimsiz öğrenmenin ortasında bir yere düşer. Yapay zekanın çözmede kullandığı birçok sorunun her iki yaklaşımın da dengesini gerektirdiği için kullanılır.

Çoğu durumda, sorunu çözmek için gereken referans verileri mevcuttur, ancak ya eksik ya da bir şekilde yanlıştır. Bu, mevcut gözetimli verilere erişebildiği ve daha sonra boşlukları doldurmak için elinden gelenin en iyisini yapmak üzere denetimsiz öğrenme tekniklerini kullanabildiği için yarı denetimli öğrenmenin yardım için çağrıldığı zamandır.

Etiketli veri kullanan denetimli öğrenmenin aksine, etiketlenmiş veri verilmeyen denetimsiz öğrenmenin aksine SSL her ikisini de kullanır. Ölçekler genellikle etiketlenmemiş veriler lehine bahsetmez, çünkü daha ucuz ve elde edilmesi daha kolaydır, mevcut etiketli verilerin hacmini azınlıkta bırakır. AI etiketli verilerden öğrenerek etiketlenmemiş veriler hakkında bir yargıya varır ve kalıplar, ilişkiler ve yapılar bulur.

SSL aynı zamanda süreçteki insan yanlılığının azaltılmasında da yararlıdır. Tamamen etiketlenmiş, denetimli bir öğrenme yapay zekası bir insan tarafından etiketlenmiştir ve bu nedenle sonuçların yanlış etiketleme nedeniyle çarpılma riski vardır. SSL ile, eğitim sürecinde çok sayıda etiketsiz veri eklemek genellikle zaman ve maliyet azalırken nihai sonucun hassasiyetini artırır. Veri bilimcilerinin, her birine bilgi ve etiket atamak için aşılmaz bir görevle yüzleşmek zorunda kalmadan çok sayıda etiketsiz verilere erişmesini ve bunları kullanmasını sağlar.

  1. Takviye öğrenme
    Takviye öğrenme, bir ödül ve ceza sistemi kullanarak algoritmaları eğiten bir dinamik programlama türüdür.

Bir takviye öğrenme algoritması veya aracısı çevresi ile etkileşerek öğrenir. Doğru şekilde yaparak ödüller ve yanlış yaptığı için ceza alır.

Bu nedenle, bir insan tarafından doğrudan öğretilmeden öğrenir en büyük ödülü arayarak ve cezayı en aza indirerek öğrenir. Bu öğrenme bir bağlamla bağlantılıdır, çünkü bir durumda maksimum ödüle yol açabilecek şey doğrudan başka bir durumda ceza ile ilişkilendirilebilir.

Bu tür öğrenme üç bileşenden oluşur: aracı (AI öğrenen / karar verici), çevre (aracının etkileşime girdiği her şey) ve eylemler (aracının yapabilecekleri). Temsilci, bunu yapmanın en iyi yolunu bularak hedefe çok daha hızlı ulaşacaktır ve hedef budur ödülü en üst düzeye çıkarmak, cezayı en aza indirgemek ve bunu yapmanın en iyi yolunu bulmak.

Makineler ve yazılım acenteleri, performansını ve ödüllendirmeyi en üst düzeye çıkarmak için belirli bir bağlamda mükemmel davranışı belirlemeyi öğrenir. Öğrenme pekiştirme sinyali olarak bilinen ödül geribildirimi ile gerçekleşir. Takviye öğrenme, oyun, robotik ve navigasyon için kullanılır. Algoritma, hangi adımların deneme yanılma sürecinde maksimum ödüle yol açtığını keşfeder. Facebook’un Haber Akışı çoğumuzun anlayabileceği bir örnektir. Facebook, insanların beslemelerini kişiselleştirmek için makine öğrenimini kullanıyor. Belirli bir arkadaşınızın etkinliğini sık sık okur veya “beğenirseniz”, Haber Akışı bu arkadaşın etkinliğinden daha sık ve en üste yaklaşmaya başlar. Bu arkadaşınızın aktivitesi ile aynı şekilde etkileşimi keserseniz, veri kümesi güncellenecek ve Haber Akışı sonuç olarak ayarlanacaktır.

Derin Öğrenme : Derin öğrenme, makine öğreniminin özel bir şeklidir. Derin Öğrenme, Derin Sinirsel Öğrenme veya Derin Sinir Ağı olarak da bilinir. Derin öğrenme, makine öğrenme süreci için hiyerarşik düzeyde yapay sinir ağları kullanır. Bu ağlar, insan beyninin işlevine benzemek için inşa edilmiştir, nöron düğümleri bir ağ gibi birbirine bağlıdır.

Standart bir makine öğrenimi iş akışı, seçilen özelliklerin görüntülerden elle çıkarılmasıyla başlar. Bu özellikler daha sonra seçilen nesneleri kategorilere ayırmak için bir model oluşturmak için kullanılır. İlgili özellikler otomatik olarak çıkarıldığından, derin bir öğrenme iş akışı bundan farklıdır. Buna ek olarak, derin öğrenme “uçtan uca öğrenme” gerçekleştirir ham veri ve sınıflandırma gibi gerçekleştirme görevi verilir ve bunu kendi başına nasıl yapacağını öğrenir.

Makine öğreniminde, görüntüleri sıralamak için özellikleri ve bir sınıflandırıcıyı manuel olarak seçersiniz. Derin öğrenme ile özellik çıkarma ve modelleme adımları otomatiktir. Derin öğrenmeyi çevreleyen dedikotulara rağmen, hala çok büyük bir zorluk. İlerlemesinde büyük adımlar atılırken, makine öğrenimini sınıflamasının ötesine yolculuğu zorlu olacaktır.

  • Site İçi Yorumlar
  • Aşağıdaki Boş Yeri Doldurun *Captcha loading...