Makine öğrenimi (ML), çeviri uygulamalarından otonom araçlara kadar kullandığımız en önemli teknolojilerden bazılarına güç verir. Bu kursta, makine öğreniminin arkasındaki temel kavramlar açıklanmaktadır.
Makine öğrenimi; 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 hiç görülmemiş görüntüler oluşturabilir.
Temel olarak makine öğrenimi, model olarak adlandırılan bir yazılım parçasını eğlendirme sürecidir. Bu parça, faydalı tahminler yapmak veya verilerden içerik oluşturmaktır.
Örneğin, yağış miktarını tahmin etmek için bir uygulama oluşturmak istediğimizi varsayalım. Geleneksel bir yaklaşım da ML yaklaşımı da kullanabiliriz. Geleneksel bir yaklaşım kullanarak, Dünya'nın atmosferinin ve yüzeyinin fiziğe dayalı bir temsilini oluşturur, devasa miktarlarda akış dinamikliği denklemlerini hesaplardık. Bu son derece zor bir iş.
ML yaklaşımı sayesinde, makine öğrenimi modeli farklı miktarlarda yağmur üreten hava durumu kalıpları arasındaki matematiksel ilişkiyi öğreninceye kadar bir ML modeline çok miktarda hava durumu verisi verirdik. Ardından modele mevcut hava durumu verilerini verir ve yağmur miktarını tahmin ederiz.
Öğrendiklerinizi Kontrol Edin
ML Sistemi Türleri
ML sistemleri, tahminde bulunmayı veya içerik oluşturmayı nasıl öğrendiklerine bağlı olarak aşağıdaki kategorilerden biri veya birkaçına ayrılır:
- Gözetimli öğrenim
- Gözetimsiz öğrenme
- Pekiştirmeli öğrenme
- İçerik Üretici Yapay Zeka
Gözetimli öğrenim
Gözetimli öğrenme modelleri, doğru yanıtları içeren çok miktarda veri gördükten ve ardından verilerdeki öğeler arasındaki bağlantıları keşfedip doğru yanıtları bulduktan sonra tahminde bulunabilir. Bu, öğrencinin hem soru hem de yanıt içeren eski sınavlara çalışıp yeni bir materyal öğrenmesine benzer. Öğrenci, yeterli sayıda eski sınav için eğitim aldıktan sonra, yeni bir sınava girmeye hazır duruma gelir. Bu ML sistemleri, insanların bilinen doğru sonuçlarla ML sistemi verilerini vermesi anlamında "denetlenir".
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 modelleri hakkında daha fazla örnek için aşağıdaki tabloya bakın:
Senaryo | Olası giriş verileri | Sayısal tahmin |
---|---|---|
Gelecekteki konut fiyatı | Metrekare, posta kodu, yatak odası ve banyo sayısı, arsa boyutu, konut kredisi faiz oranı, emlak vergisi oranı, inşaat maliyetleri ve bölgedeki satılık ev sayısı. | Evin fiyatı. |
Gelecekteki yolculuk süresi | Geçmiş trafik koşulları (akıllı telefonlardan, trafik sensörlerinden, araç çağırma ve diğer navigasyon uygulamalarından toplanan), varış noktasına uzaklık ve hava koşulları. | Bir hedefe varmak için gereken süre (dakika ve saniye cinsinden). |
Sınıflandırma
Sınıflandırma modelleri öğenin bir kategoriye ait olma olasılığını tahmin eder. Çıktısı sayı olan regresyon modellerinin aksine, sınıflandırma modelleri bir şeyin belirli bir kategoriye ait olup olmadığını belirten bir değer üretir. Örneğin, sınıflandırma modelleri bir e-postanın spam olup olmadığını veya bir fotoğrafta kedi olup olmadığını tahmin etmek için kullanılır.
Sınıflandırma modelleri iki gruba ayrılır: ikili sınıflandırma ve çok sınıflı sınıflandırma. İkili sınıflandırma modelleri, yalnızca iki değer içeren bir sınıftan değer üretir (ör. rain
veya no rain
sağlayan bir model). Çok sınıflı sınıflandırma modelleri, ikiden fazla değer içeren bir sınıftan değer üretir (ör. rain
, hail
, snow
veya sleet
çıktılarını verebilen bir model).
Öğrendiklerinizi Kontrol Edin
Gözetimsiz öğrenme
Gözetimsiz öğrenme modelleri, doğru cevapları içermeyen veriler sağlanarak tahminlerde bulunur. Gözetimsiz öğrenme modellerinin amacı, veriler arasındaki anlamlı kalıpları belirlemektir. Diğer bir deyişle, modelde her bir veri parçasının nasıl sınıflandırılacağıyla ilgili hiçbir ipucu bulunmaz; bunun yerine, kendi kurallarını tahmin etmesi gerekir.
Yaygın olarak kullanılan bir denetlenmeyen öğrenme modeli, küme adlı bir teknik kullanır. Bu model, doğal gruplamaları tanımlayan veri noktalarını bulur.
Şekil 1. Benzer veri noktalarını kümeleyen bir ML modeli.
2. Şekil. Doğal sınırlara sahip küme grupları.
Kategorileri siz tanımlamadığınızdan, kümeleme sınıflandırmadan farklıdır. Örneğin, gözetimsiz bir model sıcaklığa dayalı bir hava durumu veri kümesini kümeleyerek mevsimleri tanımlayan segmentasyonları ortaya çıkarabilir. Daha sonra bu kümeleri, veri kümesi anlayışınıza göre adlandırmaya çalışabilirsiniz.
3. Şekil. Benzer hava durumu kalıplarını kümeleyen bir ML modeli.
4. Şekil. Kar, sulu kar, yağmur ve yağmur yok şeklinde etiketlenmiş hava durumu kalıpları
Öğrendiklerinizi Kontrol Edin
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 odanın etrafında yürümek gibi görevleri yerine getirmek üzere eğitmek ve Go oyununu oynamak için AlphaGo gibi yazılım programlarını eğitmek için kullanılır.
İçerik Üretici Yapay Zeka
Üretken yapay zeka, kullanıcı girişlerinden içerik oluşturan bir model sınıfıdır. Örneğin, üretken yapay zeka yeni resimler, müzik besteleri ve şakalar oluşturabilir; makaleleri özetleyebilir, bir görevin nasıl gerçekleştirileceğini açıklayabilir veya bir fotoğrafı düzenleyebilir.
Üretken yapay zeka çeşitli girişler alıp metin, resim, ses ve video gibi farklı çıktılar oluşturabilir. Ayrıca, bunların kombinasyonlarını da alabilir ve oluşturabilir. Örneğin, bir model girdi olarak bir görüntü alıp çıktı olarak resim ve metin oluşturabilir veya giriş olarak resim ve metin alıp çıktı olarak video oluşturabilir.
Üretken modelleri, genellikle "giriş türü" ila "çıktı türü" şeklinde yazılan girdi ve çıkışlarına göre tartışabiliriz. Örneğin, aşağıda üretken modeller için bazı giriş ve çıkışların kısmi bir listesi verilmiştir:
- Metinden metne
- Metin-resim
- Metinden videoya
- Koda metin
- Metin okuma
- Resim ve metin-resim
Aşağıdaki tabloda üretken modellere ilişkin örnekler, bunların girişleri ve olası çıkışlarına ilişkin bir örnek listelenmiştir:
Model | Giriş | Örnek çıkış |
---|---|---|
Metinden metne | Le Mans yarışını kim keşfetti? |
Le Mans 24 Saat, 1906 yılında kurulan otomobil organizasyonu Automobile Club de l'Ouest (ACO) tarafından kuruldu. İlk yarış 26 ve 27 Mayıs 1923'te, Fransa'nın Le Mans kasabası yakınlarında bulunan 13,426 kilometrelik bir kara yolu pistinde yapıldı.
Yarış, başlangıçta ACO ve Sarthe bölgesini tanıtmanın bir yolu olarak tasarlandı. Kaynak: Bard |
Metin-resim | Bir portalda süzülen uzaylı ahtapot, gazete okuyor. |
Kaynak: Imagen |
Metinden videoya | San Francisco'da okyanusta yüzen, fotogerçekçi bir oyuncak ayı. Oyuncak ayı suyun altına düşüyor. Oyuncak ayı, rengarenk balıklarla suyun altında yüzmeye devam ediyor. Su altında yüzen bir panda ayı. |
Kaynak: Phenaki |
Koda metin | Sayılar listesi üzerinde döngü oluşturan ve asal sayıları yazdıran bir Python döngüsü yazın. |
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. Karayiplerde bulunurlar. Kaynak: Google DeepMind |
Üretken yapay zeka nasıl çalışır? Üretken modeller, üst düzeyde yeni ama benzer veriler üretme amacıyla verilerdeki kalıpları öğrenir. Üretken modeller şöyledir:
- İnsanların davranışlarını ve konuşma tarzını gözlemleyerek başkalarını taklit etmeyi öğrenen komedyenler
- Belirli bir tarzda çok sayıda tabloyu inceleyerek belirli bir tarzda resim yapmayı öğrenen sanatçılar
- Çok sayıda müziği dinleyerek belirli bir müzik grubuna benzetmeyi öğrenen cover grupları
Benzersiz ve yaratıcı çıktılar üretmek için üretken modeller başlangıçta denetlenmeyen bir yaklaşım kullanılarak eğitilir. Bu yaklaşımda model, eğitildiği verileri taklit etmeyi öğrenir. Model, bazen, modelden gerçekleştirmesi istenebilecek görevlerle ilgili belirli verilerde (ör. bir makaleyi özetleme veya bir fotoğrafı düzenleme) gözetimli veya güçlendirici öğrenme kullanılarak daha ayrıntılı bir şekilde eğitilir.
Üretken yapay zeka, sürekli olarak yeni kullanım alanları keşfedilen 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 olur.