yapay zeka algoritmaları
Yapay zeka (AI) alanında, farklı problem türleri için çok sayıda algoritma vardır. Bu bağlamda hangi temel algoritmalar sınıflandırılabilir?
Geçen hafta yapay zekanın çeşitli temel kavramlarını tartıştık. Bazı temel algoritmaların ele alınabileceği temeli temsil ederler. Elbette yapay zeka için sayısız algoritma var ama bazıları diğerlerinden daha önemli ve bu nedenle ticaretin temel araçları arasında yer alıyor.
Verileri otomatik olarak kümelere bölmek için kullanılan, kümelerin türünü değil yalnızca sayısını belirten k-means algoritmasıyla başlar. Algoritma tamamen otonom olarak çalıştığı için denetimsiz bir algoritmadır.
k-Ortalamalar sonuçta üç adımdan oluşur. İlk olmak k Kümeler oluşturulur ve veriler bu kümelere rastgele atanır. İkinci aşamada, “centroid” olarak adlandırılan her bir küme için ortalama değer hesaplanır. Üçüncü aşamada, veriler, ilgili kümenin merkezine mümkün olduğunca benzer olacak şekilde kümelere yeniden atanır. Ardından, başka değişiklik kalmayana kadar yineleyin.
Bu şaşırtıcı derecede sıra dışı görünüyor ve şaşırtıcı bir şekilde “zeka” ile çok az ilgisi var, ama aslında bu genellikle yapay zekaya giriş olarak öğretilen algoritmalardan biri. Prensip olarak, k-ortalamaları, biraz istatistikle birleştirilmiş varsayımlar ve aritmetiğin zekice bir kombinasyonundan başka bir şey değildir. Önemsiz görünse de maalesef bu neredeyse tüm yapay zeka algoritmalarının çekirdeğidir, yalnızca hesaplamaların karmaşıklığı açısından değişiklik gösterir.
Önerilen editoryal içerik
İzninizle, buraya harici bir YouTube videosu (Google Ireland Limited) yüklenecek.
Her zaman YouTube videoları yükleyin
YouTube videosunu şimdi yükleyin
K-ortalamalı kümeler
genetik algoritmalar
Genellikle optimizasyon problemlerini çözmek (veya tahmin etmek) için kullanılan “genetik algoritmalar” ile durum pek farklı değildir. Prensipte, burada bir başlangıç çözümü de rasgele tahmin edilir ve bu daha sonra yinelemeli olarak geliştirilir. Bunun için genetiğe dayalı çeşitli önlemler mevcuttur.
Bunlar, örneğin, çözümün öğelerinin rastgele değiştirildiği mutasyon ve farklı çözüm adaylarının birleştirilerek yenisinin oluşturulduğu rekombinasyonu içerir. Optimizasyon problemlerinde bir çözümü mutlak terimlerle değerlendirmek genellikle zor olduğundan, kişi göreli karşılaştırmalarla tatmin olur: çözüm mutasyonlar, yeniden birleştirmeler vb. yoluyla geliştiği sürece, görünüşe göre doğru yönde ilerliyor.
Sonucu tekrar kötüleştiren çözümler genellikle atılır. Yani burada bir seçim var. Örneğin, Gezici Satış Elemanı (TSP) sorununa bir çözüm yol boyunca ele alınabilir, ancak sorunu klasik yoldan çözmeye çalışmaktan çok daha az hesaplama çabasıyla.
Önerilen editoryal içerik
İzninizle, buraya harici bir YouTube videosu (Google Ireland Limited) yüklenecek.
Her zaman YouTube videoları yükleyin
YouTube videosunu şimdi yükleyin
genetik algoritmalar
nöral ağlar
Sonuçta, sinir ağları ile biraz farklı görünüyor. Son yıllardaki birçok gelişme sinir ağlarının ilerlemelerine dayandığından, tabiri caizse başarılı AI algoritmalarının ilk örneğidirler. Ancak bu ilerleme, temel araştırmalardan çok daha hızlı donanıma bağlıdır.
Sinir ağlarının temel kavramları bugün hala 50 yıl öncekiyle aynı – yalnızca bugün, güçlü GPU’larla, vektör ve matris hesaplamalarında uzmanlaşmış ve birkaç on yıl önce yalnızca bir rüya olan şeylere izin veren son derece hızlı yongalar mevcut. .
Prensip olarak, bir sinir ağı nöronlardan oluşur ve bu durumda bir nöron, parametreleri üzerinde ağırlıklı bir toplam hesaplayan bir fonksiyondur. Giriş değerleri genellikle 0 ile 1 arasındadır, ancak ağırlıklı toplam 1’den büyük olabilir. Bu nedenle, sonuç genellikle örneğin sigmoid işleviyle normalleştirilir. Ağırlıklar, bireysel toplamları artırmak veya azaltmak için kullanılabilir.
Bu tür nöronları bir katmanda yan yana ve bu tür birkaç katmanı arka arkaya yerleştirir ve katmanları birleştirirseniz, bir sinir ağı elde edersiniz. Eğitim gözetim altında gerçekleşir, bu da hataların hesaplanabileceği anlamına gelir. Hatalardan, hatayı azaltmak için ağırlıkların nasıl ayarlanması gerektiğini belirlemek için geri yayılım adı verilen bir işlem kullanılabilir. Bir sinir ağı yol boyunca “öğrenir”.
Nihayetinde, bir sinir ağı çok karmaşık bir işlevden başka bir şey değildir. Genellikle biri girdi, biri gizli ve biri de çıktı olmak üzere üç katman kullanılır. Birinci ve üçüncü katmandaki nöron sayısı girdinin şekli ve beklenen çıktı ile sabitlenirken, gizli katman değişkendir.
Önerilen editoryal içerik
İzninizle, buraya harici bir YouTube videosu (Google Ireland Limited) yüklenecek.
Her zaman YouTube videoları yükleyin
YouTube videosunu şimdi yükleyin
nöral ağlar
Generative, Convolutional & Co.
Sinir ağlarında önemli olan, verilerin yalnızca bir katmandan diğerine, tabiri caizse “ileri” iletilmesidir. Bu nedenle ileri beslemeli ağlardan da bahsediyoruz. Böyle olmak zorunda değil. Örneğin, nöronların birbirini doğrudan veya dolaylı olarak etkilediği geri bildirim döngülerini dahil etmek mümkündür. Bu durumda Tekrarlayan Sinir Ağlarından (RNN) bahsediyoruz.
Evrişimli sinir ağları (CNN’ler) gibi, yalnızca bireysel veri değerlerini değil aynı zamanda çevrelerini de hesaba katan başka sinir ağı türleri de vardır. Bu, özellikle görüntü ve kelime tanıma alanında kullanışlıdır, bu nedenle bu durumda CNN’ler belirli bir sıklıkta kullanılmaktadır.
Ayrıca sinir ağları, örneğin geçerliliği bir başkası tarafından doğrulanan verileri üreten bir ağ tarafından birleştirilebilir. Yaratıcılık yol boyunca taklit edilebilir: örneğin, bir ağ görüntüler üretir, ikincisi görüntülerin belirli kriterleri karşılayıp karşılamadığına karar verir ve birinci ağ sırayla öğrenir. Burada Üretici Düşman Ağlarından (GAN) bahsediyoruz.
Önerilen editoryal içerik
İzninizle, buraya harici bir YouTube videosu (Google Ireland Limited) yüklenecek.
Her zaman YouTube videoları yükleyin
YouTube videosunu şimdi yükleyin
Generative, Convolutional & Co.
derin öğrenme
Bir sinir ağına birden fazla gizli katman eklenmesine derin öğrenme denir. İlk olarak, hesaplama çabası muazzam bir şekilde artıyor, ancak umut daha iyi sonuçlar elde etmektir. Bu gerçekten böyle olabilir, ancak gizli katmanlardaki nöronların sayısı sorunu, özellikle gizli katmanların sayısının tanımlanması gerektiğinden, daha da zorlaşmaktadır. Bu noktada çok fazla deneme yanılma kullanılır.
Yaklaşım, yukarıda belirtilen sinir ağları türleri ile birleştirilebilir, örneğin, kulağa kesinlikle çok gösterişli gelen Derin Konvolüsyonel Sinir Ağları (DCNN), ancak gerçekte yukarıda açıklanan modelden başka bir şey değildir, yalnızca daha fazla hesaplama çabası ile – ne ancak bugün mevcut olan yüksek performanslı donanım sayesinde hala mümkündür.
Önerilen editoryal içerik
İzninizle, buraya harici bir YouTube videosu (Google Ireland Limited) yüklenecek.
Her zaman YouTube videoları yükleyin
YouTube videosunu şimdi yükleyin
derin öğrenme
Çözüm
Bütün bunlarda ortaya çıkan soru şudur: bizi nereye götürecek? Gerçek büyük ölçekli ilerleme bugün hala çok az ve insanlara eşit olacak güçlü yapay zekadan hâlâ çok uzağız. İlk hayal kırıklığı 80’lerde/90’larda geldi. O kadar ileri gitti ki, o zamanlar sözde yapay zeka kışından söz ediliyordu.
Son on yılın tüm modern yapay zeka gelişmeleri bir yandan etkileyici, ancak diğer yandan iddia ettikleri gibi değil, çünkü bunlar esas olarak bilgi işlem gücündeki artıştan kaynaklanıyor. Bunun ne kadar süre devam edeceği ve ikinci AI kışının ne zaman başlayacağı henüz belli değil. Geleceği kesin – tek soru ne zaman.
()
Haberin Sonu