Yapay zekanın temel kavramları
Yapay zeka (AI), son yılların en sıcak konularından biridir. Bu nedenle, belirli konuları doğru bir şekilde ortaya koyabilmek için en azından temel bir bilgi yararlıdır. Hangi temel yapay zeka terimleri bilinmelidir?
“Yapay zeka” (AI) terimini tanımlamak zordur çünkü “zeka” terimini tam olarak tanımlamak zordur. Klas, AI’nın, amacı akıllı davranışı simüle etmek ve yapay bir şekilde öğrenmeyi amaçlayan bir bilgisayar bilimi alt alanı olmasıdır. Bilgisayarlar, elle programlanmaya gerek kalmadan bağımsız olarak gelişmeye ve değişen durumlara uyum sağlamaya devam etmelidir.
Güçlü ve zayıf AI arasında bir ayrım yapılır. İlki insanlara eşit ve jenerikken, zayıf AI yalnızca özel görevlerin üstesinden gelir. Bununla birlikte, en azından güçlü AI, son yıllarda önemli bir ilerleme kaydetmedi. Zayıf AI, akıllı davranışı simüle etmekten memnundur – dünya hakkında herhangi bir farkındalığı veya anlayışı olan “gerçek” zeka değildir.
Herhangi bir yapay zeka için özel bir zorluk, kafa karışıklığı ve belirsizlikle uğraşmaktır, bu nedenle olasılık teorisi genellikle yapay zekada önemli bir rol oynar. Bu yeteneğin ayrıca en başından itibaren AI sistemine dahil edilmesi ve sonradan düşünülmemesi gerekir. Zayıf yapay zekadan memnunsanız, son on yılın getirdiği gelişmeler gerçekten dikkate değer.
Önerilen editoryal içerik
İzninizle, buraya harici bir YouTube videosu (Google Ireland Limited) yüklenecek.
Her zaman YouTube videoları yükleyin
YouTube videosunu şimdi yükleyin
Yapay Zeka (AI) Nedir?
Denetimli, denetimsiz & Co.
Yapay zeka öğreniminden bahsederken, iki tür öğrenim arasında ayrım yapmak önemlidir. Bir yandan, yapay zekanın rehberlik için kullanabileceği ve uyum sağlayabileceği dışarıdan geri bildirim aldığı denetimli öğrenme vardır. Öte yandan, tabiri caizse yapay zekanın kendi cihazlarına bırakıldığı denetimsiz öğrenme var. Bu, farklı tipte tipik AI problemleriyle iyi bir şekilde gösterilmiştir.
İlk problem türü, verilerin önceden tanımlanmış kategorilere atanmasını içeren sözde sınıflandırmadır. Bunun örnekleri, kanser hücrelerinin, bitkilerin veya benzerlerinin tanınmasıdır. Bir AI kendi başına hangi atamanın anlamlı olup hangisinin olmadığını bilemediği için, bunun önce dışarıdan belirtilmesi gerekir: algoritma “eğitilir”. Bu nedenle sınıflandırma “denetlenir”.
Denetlenen başka bir problem türü de regresyon analizidir. Bu, satılık bir evin mümkün olan en yüksek fiyatı gibi değerleri tahmin etmeyi içerir. Buradaki amaç, sınıflandırmadan farklı olsa da, prosedür benzerdir: burada da algoritma, daha sonra tahminlerde bulunabilmek için bilinen veriler ve sonuçlarla eğitilir.
Durum, verilerin de kategoriler halinde sıralanması gereken sözde kümelemede farklıdır – ancak sınıflandırmanın aksine, kategoriler belirtilmez, yalnızca sayıları belirtilir. AI daha sonra kategorileri kendisi bulmalıdır. Bunun veriler hakkında açıklamalarda bulunabilmesi mantıklıdır, ancak semantiği uygulayamaz.
Önerilen editoryal içerik
İzninizle, buraya harici bir YouTube videosu (Google Ireland Limited) yüklenecek.
Her zaman YouTube videoları yükleyin
YouTube videosunu şimdi yükleyin
Yapay Zekanın (AI) Önemli Temel Terimleri
tren algoritmaları
Daha önce de belirtildiği gibi, AI algoritmalarının “eğitilmesi” gerekir. Bu, algoritmanın zaten bilinen verilere uyarlanması anlamına gelir ve bu uyarlama otomatik olarak gerçekleşir. Algoritmayı verilerle “beslersiniz” ve algoritmanın öğrendiklerinizin üzerine “basılmasını” umarsınız. Algoritmayı doğru yöne yönlendirmek için denetimli bir prosedür seçilebilir, ancak bu verilen soruna ve açıkça verilere bağlıdır.
Eğitimde, deterministik ve stokastik prosedürler arasında bir ayrım yapılır. Aynı başlangıç noktasına ve aynı verilere sahip deterministik eğitim her zaman aynı sonuca götürürken, stokastik eğitim şans içerir. Bu nedenle, stokastik olarak eğitilmiş algoritmaların değerlendirilmesi daha zordur, ancak genellikle daha verimlidir.
Yapay zeka algoritmalarının verileri işleyebilmesi için önce verilerin uygun bir biçime dönüştürülmesi gerekir ki bu genellikle sayıların, çoğunlukla vektörlerin ve matrislerin dönüştürülmesi anlamına gelir. Bu nedenle Python, NumPy ve GPU’lar gibi vektör ve matris dostu diller, kitaplıklar ve donanımlar yapay zeka için çok uygundur.
Önerilen editoryal içerik
İzninizle, buraya harici bir YouTube videosu (Google Ireland Limited) yüklenecek.
Her zaman YouTube videoları yükleyin
YouTube videosunu şimdi yükleyin
Yapay zeka (AI) algoritmalarını eğitin.
verileri normalleştir
Ayrıca verilerin ortak bir paydada buluşması, örneğin farklı boyutları ele alabilmek de önemlidir. Bu nedenle, eğitim ve uygulamadan önce verilerin normalleştirilmesi gerekir. Bunun nasıl çalıştığı belirli ölçeğe bağlıdır. Ancak nihai olarak amaç her zaman verileri 0 ila 1 aralığına (veya algoritmaya bağlı olarak -1 ila 1 aralığına) normalleştirmektir.
Bunu yapmak için, gerçekte ne tür verilerin mevcut olduğunu düşünmeniz gerekir. Örneğin, nominal ölçekler, sıralı ölçeklerden farklı şekilde normalleştirilir ve aralık ve oran ölçekleri de farklı şekilde ele alınır. Örneğin, nominal ölçekler tek sıcak kodlamayla, sıralı ölçekler yüzde olarak temsil edilebilir. Prensip olarak, aralık ve oran ölçeklerindeki değerler zaten sayı olarak mevcuttur, sadece istenen aralığa eşlenmeleri gerekir.
Giriş verilerini sayılara dönüştürürken, veri miktarının çok büyük olmamasını sağlamanız gerekebilir. Örneğin, 1000 x 1000 piksellik bir görüntüyü dönüştürmek isterseniz, üç milyon veri noktası elde edersiniz (kırmızı, yeşil ve mavi kanallar için bir milyon piksel). Bu nedenle, öncelikle görüntülerin veya diğer girdi verilerinin çözünürlüğünün düşürülmesi genellikle tavsiye edilir.
Önerilen editoryal içerik
İzninizle, buraya harici bir YouTube videosu (Google Ireland Limited) yüklenecek.
Her zaman YouTube videoları yükleyin
YouTube videosunu şimdi yükleyin
Verileri yapay zeka (AI) için normalleştirin.
Fazla takma ve yetersiz takma
Bir AI algoritması şimdi hazırlanmış verilerle karşı karşıya kalırsa, geri bildirim almalıdır (en azından denetimli bir algoritma durumunda). Bunu yapmak için, gerçek ve beklenen sonuç arasındaki fark hesaplanır. Bu sapmaya “hata” adı verilir ve zamanla en aza indirilmesi amaçlanır. Bununla birlikte, pozitif ve negatif hataların birbirini götürmediği unutulmamalıdır, bu yüzden genellikle hataların karesi alınır.
Daha sonra kare hatalarını eklerseniz, karelerin toplamı hatasını (SSE) alırsınız. Ancak, bariz nedenlerden dolayı büyük miktarda veri için daha yüksek olacağından, bu yalnızca sınırlı bir öneme sahiptir. Bu nedenle, genellikle ortalama hala alınır ve bu daha sonra ortalama karesel hata (MSE) olarak adlandırılır. Bazen bu değerin kökü de alınır ve Ortalama Karekökü (RMS) verir. Ancak pratikte MSE sıklıkla kullanılır.
Bir algoritmanın kalitesi artık bu değerler temelinde değerlendirilebilir, ancak yine de dikkatli olunmalıdır: En düşük hataya sahip algoritmayı (veya algoritma yapılandırmasını) seçerseniz, bunun muhtemelen bir iyi seçim. Bu durumda sözde fazla uydurma yürürlüğe girer.
Algoritma, eğitim sırasında genelleme yapmadı, ancak yalnızca kesin değerleri öğrendi – yalnızca “gördüğünü” yeniden üretebilir. Bunun tersi yetersiz uyumdur, bu da algoritmanın verileri doğru bir şekilde nasıl sınıflandıracağını öğrenmediği ve her şeyi az ya da çok ayrım gözetmeksizin kabul ettiği anlamına gelir.
Bu sorunlardan kaçınmak için, girdi verileri üç alt gruba ayrılır: birinci grup algoritmayı eğitmek için kullanılır, ikincisi hangi konfigürasyonun daha yakından inceleneceğine karar vermek için kullanılır ve üçüncüsü algoritmayı test etmek için kullanılır. Algoritmanın tabiri caizse ilgili verilere “tarafsız” tepki vermesi için bu üç veri setinin karıştırılmaması önemlidir.
Önerilen editoryal içerik
İzninizle, buraya harici bir YouTube videosu (Google Ireland Limited) yüklenecek.
Her zaman YouTube videoları yükleyin
YouTube videosunu şimdi yükleyin
Fazla takma ve yetersiz takma
Çözüm
AI ve AI algoritmalarının nasıl çalıştığını anlamanız ve anlamanız için önce bazı temel terimleri bilmeniz önerilir. Veri seçimi, normalleştirme ve algoritma değerlendirmesi konusunda henüz bir deneyim olmadığından, özellikle yeni başlayanlar için burada gizlenen bazı tuzaklar var.
Ancak, bu terimleri bilmek iyidir, çünkü bu, yapay zekayı daha iyi anlamak için atılan ilk adımdır. Bu ön bilgiyle donanmış olarak, artık k-means, genetik algoritmalar ve hatta sinir ağları gibi erken algoritmalar üzerinde çalışmaya başlayabilirsiniz.
()
Haberin Sonu