Makine öğrenimi (ML), çeviri uygulamalarından sürücüsüz araçlara kadar kullandığımız en önemli teknolojilerden bazılarını destekler. Bu kursta, makine öğreniminin temel kavramları açıklanmaktadır.
ML, sorunları çözmek, karmaşık soruları yanıtlamak ve yeni içerikler oluşturmak için yeni bir yol sunar. Makine öğrenimi; hava durumunu tahmin edebilir, seyahat sürelerini tahmin edebilir, şarkı önerebilir, cümleleri otomatik olarak tamamlayabilir, makaleleri özetleyebilir ve daha önce hiç görülmemiş resimler oluşturabilir.
En basit haliyle makine öğrenimi, model adı verilen bir yazılımı eğiterek verilerden yararlı tahminler yapma veya içerik (ör. metin, resim, ses ya da video) oluşturma sürecidir.
Örneğin, yağmur yağmasını tahmin eden bir uygulama oluşturmak istediğimizi varsayalım. Geleneksel bir yaklaşım veya makine öğrenimi yaklaşımı kullanabiliriz. Geleneksel bir yaklaşımla, Dünya'nın atmosferinin ve yüzeyinin fizik tabanlı bir temsilini oluşturur, büyük miktarda akışkanlar dinamiği denklemini hesaplardık. Bu son derece zordur.
Makine öğrenimi yaklaşımını kullanarak, makine öğrenimi modeline çok büyük miktarlarda hava durumu verisi girerdik. Bu işlem, makine öğrenimi modeli farklı miktarlarda yağmur üreten hava durumu kalıpları arasındaki matematiksel ilişkiyi öğrenene kadar devam ederdi. Ardından modele mevcut hava durumu verilerini verirdik ve model, yağmur miktarını tahmin ederdi.
Öğrendiklerinizi Test Etme
ML sistemi türleri
Makine öğrenimi sistemleri, tahmin yapmayı veya içerik oluşturmayı öğrenme şekillerine göre aşağıdaki kategorilerden birine ya da daha fazlasına girer:
- Denetimli öğrenme
- Denetimsiz öğrenme
- Pekiştirmeli öğrenme
- Üretken yapay zeka
Denetimli öğrenme
Denetimli öğrenme modelleri, doğru yanıtları içeren çok sayıda veri gördükten ve ardından verilerdeki doğru yanıtları üreten öğeler arasındaki bağlantıları keşfettikten sonra tahminlerde bulunabilir. Bu, öğrencinin hem soruları hem de cevapları içeren eski sınavları inceleyerek yeni materyaller öğrenmesine benzer. Öğrenci yeterli sayıda eski sınav üzerinde çalıştıktan sonra yeni bir sınava girmeye hazır olur. Bu makine öğrenimi sistemleri, bir insanın makine öğrenimi sistemine doğru sonuçları içeren veriler vermesi anlamında "denetimli"dir.
Gözetimli öğrenmenin en yaygın kullanım alanlarından ikisi regresyon ve sınıflandırmadır.
Regresyon
Regresyon modeli sayısal bir değeri tahmin eder. Örneğin, yağmur miktarını inç veya milimetre cinsinden tahmin eden bir hava durumu modeli, regresyon modelidir.
Regresyon modelleriyle ilgili daha fazla örnek için aşağıdaki tabloya bakın:
| Senaryo | Olası giriş verileri | Sayısal tahmin |
|---|---|---|
| Gelecekteki ev fiyatı | Metrekare, posta kodu, yatak odası ve banyo sayısı, arsa büyüklüğü, ipotek faiz oranı, emlak vergisi oranı, inşaat maliyetleri ve bölgedeki satılık ev sayısı. | Evin fiyatı. |
| Gelecekteki yolculuk zamanı | Geçmişteki trafik koşulları (akıllı telefonlardan, trafik sensörlerinden, araç çağırma ve diğer navigasyon uygulamalarından toplanır), hedefe olan mesafe ve hava koşulları. | Bir hedefe ulaşmak için gereken süre (dakika ve saniye cinsinden). |
Sınıflandırma
Sınıflandırma modelleri, bir öğenin bir kategoriye ait olma olasılığını tahmin eder. Çıkışı sayı olan regresyon modellerinin aksine, sınıflandırma modelleri bir şeyin belirli bir kategoriye ait olup olmadığını belirten bir değer çıkarır. Örneğin, bir e-postanın spam olup olmadığını veya bir fotoğrafta kedi olup olmadığını tahmin etmek için sınıflandırma modelleri kullanılır.
Sınıflandırma modelleri iki gruba ayrılır: ikili sınıflandırma ve çok sınıflı sınıflandırma. İkili sınıflandırma modelleri, yalnızca iki değer içeren bir sınıftan değer çıkarır. Örneğin, rain veya no rain değerini veren bir model. Çok sınıflı sınıflandırma modelleri, ikiden fazla değer içeren bir sınıftan değer çıkarır. Örneğin, rain, hail, snow veya sleet değerlerinden birini çıkarabilen bir model.
Öğrendiklerinizi Test Etme
Denetimsiz öğrenme
Gözetimsiz öğrenme modeli, bir veri kümesindeki anlamlı kalıpları tanımlamayı amaçlar. Örneğin, birçok gözetimsiz öğrenme modeli, benzer verileri gruplar ("kümeler") halinde düzenlemek için kümeleme adı verilen bir teknikten yararlanır.
Şekil 1. Benzer veri noktalarını kümeleyen bir makine öğrenimi modeli.
Şekil 2. Doğal sınırları olan küme grupları.
Kategoriler sizin tarafınızdan tanımlanmadığı için kümeleme, sınıflandırmadan farklıdır. Örneğin, gözetimsiz bir model, hava durumu veri kümesini sıcaklığa göre kümeleyerek mevsimleri tanımlayan segmentasyonları ortaya çıkarabilir. Ardından, veri kümesiyle ilgili anlayışınıza göre bu kümeleri adlandırmaya çalışabilirsiniz.
Şekil 3. Benzer hava durumu modellerini kümeleyen bir makine öğrenimi modeli.
Şekil 4. Kar, sulu kar, yağmur ve yağmur yok olarak etiketlenmiş hava durumu kalıpları kümeleri.
Öğrendiklerinizi Test Etme
Pekiştirmeli öğrenme
Pekiştirmeli öğrenme modelleri, bir ortamda gerçekleştirilen işlemlere göre ödül veya ceza alarak tahminlerde bulunur. Pekiştirmeli öğrenme sistemi, en fazla ödülü almak için en iyi stratejiyi tanımlayan bir politika oluşturur.
Pekiştirmeli öğrenme, robotları bir odada dolaşmak gibi görevleri yerine getirmek üzere eğitmek ve AlphaGo gibi yazılım programlarını Go oyununu oynamak üzere eğitmek için kullanılır.
Üretken yapay zeka
Üretken yapay zeka, kullanıcı girişlerinden içerik oluşturan bir model sınıfıdır. Örneğin, üretken yapay zeka benzersiz resimler, müzik kompozisyonları ve şakalar oluşturabilir, makaleleri özetleyebilir, bir görevin nasıl yapılacağını açıklayabilir veya fotoğrafları düzenleyebilir.
Üretken yapay zeka, çeşitli girişler alıp metin, resim, ses ve video gibi çeşitli çıkışlar oluşturabilir. Ayrıca, bunların kombinasyonlarını da alıp oluşturabilir. Örneğin, bir model giriş olarak resim alıp çıkış olarak resim ve metin oluşturabilir veya giriş olarak resim ve metin alıp çıkış olarak video oluşturabilir.
Üretken modelleri giriş ve çıkışlarına göre değerlendirebiliriz. Bunlar genellikle "giriş türü" -"çıkış türü" şeklinde yazılır. Örneğin, aşağıda üretken modeller için bazı giriş ve çıkışların kısmi bir listesi verilmiştir:
- Metinden metin üretimi
- Metinden görüntü oluşturma
- Metinden videoya
- Metinden koda dönüştürme
- Metin-konuşma
- Görüntü ve metinden görüntü oluşturma
Aşağıdaki tabloda, üretken modellerin, girişlerinin ve olası çıkışlarının örnekleri yer almaktadır:
| Model | Giriş | Örnek çıkış |
|---|---|---|
| Metinden metin üretimi | Le Mans yarışını kim icat etti? |
Le Mans 24 Saat, 1906'da kurulan bir motorlu araç kuruluşu olan Automobile Club de l'Ouest (ACO) tarafından kuruldu. İlk yarış, 26-27 Mayıs 1923'te Fransa'nın Le Mans kasabası yakınlarındaki 13,426 kilometrelik (8,345 mil) Sarthe pistinde düzenlendi.
Yarış, başlangıçta ACO ve Sarthe bölgesinin tanıtımını yapmak amacıyla düzenlenmişti. Kaynak: Bard |
| Metinden görüntü oluşturma | Uzaylı bir ahtapot, gazete okurken bir portaldan geçiyor. |
 Kaynak: Imagen |
| Metinden videoya | San Francisco'da okyanusta yüzen fotogerçekçi bir oyuncak ayı. Oyuncak ayı suya giriyor. Oyuncak ayı, rengarenk balıklarla birlikte suyun altında yüzmeye devam ediyor. Bir panda su altında yüzüyor. |
 Kaynak: Phenaki |
| Metinden koda dönüştürme | Bir sayı listesinde döngü oluşturup asal sayıları yazdıran bir Python döngüsü yaz. |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) Kaynak: Bard |
| Resimden metne |  |
Bu bir flamingo. Karayipler'de bulunur. Kaynak: Google DeepMind |
Üretken yapay zeka nasıl çalışır? Genel olarak üretken modeller, yeni ancak benzer veriler üretmek amacıyla verilerdeki kalıpları öğrenir. Üretken modeller şunlardır:
- İnsanların davranışlarını ve konuşma tarzlarını gözlemleyerek başkalarını taklit etmeyi öğrenen komedyenler
- Belirli bir tarzda çok sayıda tabloyu inceleyerek o tarzda resim yapmayı öğrenen sanatçılar
- Belirli bir müzik grubunun çok sayıda şarkısını dinleyerek o gruba benzemeyi öğrenen cover grupları
Üretken modeller, benzersiz ve yaratıcı çıktılar üretmek için başlangıçta denetimsiz bir yaklaşımla eğitilir. Bu yaklaşımda model, üzerinde eğitildiği verileri taklit etmeyi öğrenir. Model bazen, yapması istenebilecek görevlerle (ör. bir makaleyi özetleme veya bir fotoğrafı düzenleme) ilgili belirli veriler üzerinde denetimli öğrenme veya pekiştirmeli öğrenme kullanılarak daha fazla eğitilir.
Üretken yapay zeka, sürekli yeni kullanım alanları keşfedilen ve hızla gelişen bir teknolojidir. Örneğin, üretken modeller, dikkat dağıtıcı arka planları otomatik olarak kaldırarak veya düşük çözünürlüklü resimlerin kalitesini artırarak işletmelerin e-ticaret ürün resimlerini iyileştirmesine yardımcı oluyor.