Merhaba arkadaşlar, sizlerle bir proje için hazırladığım araştırma raporunu paylaşmak isterim. İyi okumalar!

İlk olarak yapay zekayı kapsayan makine öğrenmesinin iki ana başlığa ayrıldığını söyleyebiliriz:

Supervised Learning ve Unsupervised Learning

Supervised Learning Nedir?

Gözetimli öğrenme anlamına gelen “Supervised Learning” etiketli verilerle çalışan öğrenmeye denir. Bu yöntem ile model, girdiler ile çıktılar arasında etiketleme yaparak ilişkiyi kurar. Öncelikle model etiketli veriler üzerinden eğitilir ve test işlemine tabii tutulur. Sonrasında model, etiketlenmemiş veriler üzerinden tahmin değeri yaparak doğru etiketi çıktı olarak vermeye çalışır.

Örnek: Yazım yanlışları, gereksiz kelime kullanımı, kelime sayısı vb. özelliklere dayanarak gelen maillerin spam olup olmadığına karar veren algoritmalar.

Unsupervised Learning Nedir?

Gözetimsiz öğrenme anlamına gelen “Unsupervised Learning” verileri sebep-sonuç, girdi-çıktı şeklinde etiketlemeden veri içindeki ilişkileri ve yapıları öğrenmeye denir. Yani burada verinin sınıfı belli değildir. Farklı yaklaşımlar ile uygulamaya konar:

• Kümeleme: Verileri benzerliklerine göre gruplandırmak.

Örnek: Tanıyor olabileceğiniz kişiler sistemi.

• Boyut İndirgeme: Farklı yöntemlerle verilerin boyutunu azaltıp bazen sıfırlayarak daha kontrol edilebilir hale getirmek.

Reinforcement Learning Nedir?

Pekiştirmeli Öğrenme anlamına gelen “Reinforcement Learning” makine öğrenmesinin alt kollarından biridir. Bu yöntem, makineye neden-sonuçların öğretilmesine değil, kendisinin bir amaç doğrultusunda gözlemleyerek öğrenip kararda bulunmasına dayanır. Makine burada başta bir deneyimle başlamadığı için gözlem yapar ve ödül-ceza sistemiyle çalışarak her adımında öğrenerek daha iyi bir düzeye gelmek için çabalar. Yani her aldığı sonucu iyileştirmek için birikim yaparak devam eder.

Örnek: Satranç, go gibi oyunlar yani ödül-ceza sistemine sahip uygulamalar için kullanılması.

Deep Learning Nedir?

Derin Öğrenme anlamına gelen “Deep Learning” makine öğrenmesinin bir alt dalıdır ve insan beyninin çalışma prensibine benzer şekilde yapay sinir ağları kullanılarak verideki karmaşık ilişkileri, kuralları, örüntüleri öğrenmesidir. Yapay sinir ağları aynı insan beynine benzer şekilde birbirine bağlıdır ve giriş, gizli ve çıkış olmak üzere üç katmandan oluşur.

• Giriş Katmanı: Veriler alınır.

• Gizli Katman: “Derin Öğrenme”deki “derin” kısmını ifade eder, gerekli hesaplamalar yapılır.

• Çıkış Katmanı: Çıktılar alınır.

Derin öğrenmede katman ve her katmandaki nöron sayısına karar vermek en zor kısımlardır. Ancak böylece daha karmaşık ve zor sorunlar çözülebilir hale gelir.

Örnekler ve kullanım alanları: Görüntü ve ses tanıma, doğal dil işleme, öneri sistemleri…

Computer Vision Nedir?

Bilgisayarlı Görü anlamına gelen “Computer Vision“ derin öğrenmeye benzer şekilde insanın görme sisteminden esinlenerek makinelerin girdi olarak görüntüleri algılayıp analizlerini yapmasına ve uygun çıktılar elde etmesine denir. Bunu yaparken görüntü işlemeden de yardım alır ancak farklı olarak görüntü işlemenin tekniklerini uygulamaya döker.

Örnek: MR, yüz tanıma, sanal gerçeklik uygulamaları.

Natural Language Processing Nedir?

Doğal Dil İşleme anlamına gelen “Natural Language Processing” bilgisayarın insan dilini anlayıp, işleyip anlamlı bir sonuç ortaya koyabilmesidir. Bunu yaparken konuşma veya yazı dilini, dili kurallara, yapıya, anlama göre modelleme, küçük parçalara bölme, köklendirme işlemleri yapma, duygusal içerikleri analiz etme gibi aşamalara sokarak makinenin anlayacağı bir biçime dönüştürerek çeşitli analizler yaparak anlamlar çıkarır.

Örnek: Chatbotlar, sanal asistanlar, özetleme işlemleri, ses tanıma.

Semi-Supervised Learning Nedir?

Yarı-Denetimli Öğrenme anlamına gelen “Semi-Supervised Learning”, yapay zeka modellerini eğitmek için hem etiketli hem etiketsiz verileri kullanarak makine öğrenmesini sağlayan bir yaklaşımdır. Kullanım alanı olarak tamamen etiketlenmiş veriler ile çalışmanın zor ve maliyetli olduğu ve daha fazla etiketlenmemiş veri kullanarak model doğruluğunu artırmanın hedeflendiği durumlar örnek verilebilir. Makine, etiketlenmiş ve etiketlenmemiş verilerden oluşan veri setinden önce etiketlenmiş sonra etiketlenmemiş veriler ile eğitilir ve böylece modelin genelleme özelliği de artar.

Örnek: Etiketlenmemiş verilerin çok olduğu görüntü tanıma, doğal dil tanıma işlemlerinde, etiketlemelerin zor olduğu tıbbi görüntüleme gibi durumlar.