"Yapay Zeka Yolculuğu: Adım 3"

Yazımızın 3. Adımından devam ediyoruz.

İnsanların öğrenme şekillerini taklit etmek için tükettikleri verilere göre öğrenen ya da performansını ve doğruluğunu kademeli olarak iyileştiren yapay zekanın bir alt kümesidir. Kısacası öğrenen ve bundan ders çıkartan bir zekadır. Makine öğrenmesinde büyük veri kümelerinde desenleri ve korelasyonları bulmak da en iyi kararı almak için eğitilmiştir.

Gerçek hayatta makine öğrenmesi ile yapılabilenler;

-Bilgisayarla görü(Computer vision): Bilgisayarın bir şekilde gerçek hayattaki nesneleri tanıyıp ona göre aksiyon almasıdır. Görsel verileri anlaması, işlemesi ve reaksiyon almasıdır .

Nesne Tanıma: Görüntülerdeki nesneleri tanıması ve sınıflandırmasıdır. O nesneler hakkında yorum yapması, çıkarımda bulunmasıdır.

Görüntü işleme: Öznitelik çıkarımının kolaylaştırılmasıdır amacımız.

Yüz tanıma: Yüz izlerinden bazı özelliklerin tanınmasıdır. Cinsiyetin tanınması ve yaşın hesaplanması gibi çeşitli uygulamaları görebiliriz.

Sanal gerçeklik: Makinenin tamamen sanal bir ortamda sizin hareketlerinize göre reaksiyon vermesidir ve size sanal dünyadaki hisleri sunmasıdır. Oyun sektöründe çok kullanılır.

Ses tanıma: Bilgisayarların insan seslerini algılamasını ve anlamasını sağlayan teknolojidir. Ses girdileri anlaşılarak doğal dil işleme teknikleriyle metne dönüştürerek işlemesini sağlayan bir teknolojidir.

Robotlar ve Hareketleri: Robotların çevrelerini algılaması, çevresel bilgileri işlemesi ve bu bilgilere dayanarak hareket etmesi için makine öğrenimi tekniklerinin kullanılmasıdır. Bu teknikler, robotların çeşitli görevleri yerine getirmesine, engelleri aşmasına, nesneleri kavramasına ve etkileşime girmesine yardımcı olur.

Pazarlama: Müşteri davranışlarını analiz ederek kişiselleştirilmiş pazarlama stratejileri oluşturur. Aynı zamanda gelecekteki satış rakamlarını tahmin ederek pazarlama faaliyetlerini optimize eder.

CRM: Müşteri verilerini yönetmek ve müşteri ilişkilerini geliştirmek için kullanılan bir sistemdir. Bu sistem sayesinde müşteri davranışlarını analiz edip satış tahminleri yaparak daha sağlam müşteri ilişkileri kurar.

Tavsiye Algoritmaları: Kullanıcılara belirli ürünleri veya içerikleri tavsiye etmek için kullanılabilir

Sağlık: tıbbi verilerin analiz edilmesi ve hastalıkların teşhis edilmesi, tedavi planlarının oluşturulması ve sağlık hizmetlerinin iyileştirilmesi gibi birçok farklı alanda kullanılır.

Uydu görüntüleri ve yer bilimi: Uydu görüntüleri ve yer bilgisi verileri, çeşitli makine öğrenimi algoritmalarıyla analiz edilir ve işlenir. Bu analizler, doğal afetlerin izlenmesi, tarım alanlarının izlenmesi, kent planlaması, çevre koruma, coğrafi bilgi sistemleri ve daha birçok uygulama için kullanılabilir.

Sahtekarlık Yakalama: Siber güvenlik alanında da sıklıkla kullanılan bir kısımdır.

Endüstri 4.0: Aydınlatması olmayan fabrikalardır. İçerisine insanın girmesine gerek olmayan kendi kendine yeterli bir problem olduğunda kendi kendine çözebilen tamamen otomatize olabilen ve yapay zekalar tarafından kontrol edilebilen bizim verdiğimiz talimatları yapan fabrikalardır.

IOT: Sensörlerden ve cihazlardan gelen verilern analiz edilerek öngörü elde edilmesidir.

Makine öğrenmesinin günlük hayatta kullanılmasını öğrendiğimize göre türlerine de bakabiliriz. Bunlar;

• Gözetimli
• Gözetimsiz
• Pekiştirmeli

Gözetimli Makine Öğrenmesi(Denetimli Öğrenme, Supervised Learning):

Verilen makine öğrenmesinde makineye öğretme işlemine elimizdeki verilerle birlikte bu verilere etiket koyarak kullanılır. Etiketlenen verilerle birlikte bir girdi oluşturulur ve bir hedef çıktıya sahiptir. Model ise bu girdileri alır ve hedef çıktıları ön görmek için eğitilir. Sınıflandırma ve regresyon problemlerinde kullanılır.

REGRESYON:

Regresyon modeli dijital bir değeri tahmin eder. Örneğin, yağmur miktarını inç veya milimetre cinsinden tahmin eden bir hava durumu modeli, regresyon modelidir.

SINIFLANDIRMA:

Sınıflandırma modelleri öğesinin bir kategoriye ait olması olasılığını tahmin eder. Çıktısı sayısı olan regresyon modellerinin aksine, görünen modellerin bir şeyi belirli bir kategoriye ait olup olmadığını gösteren bir değer üretir. Örneğin, modellerin bir e-postanın spam olup olmadığı veya bir fotoğrafta kedi olup olmadığını tahmin etmek için kullanılır.

Gözetimsiz Makine Öğrenmesi(Denetimsiz Öğrenme, Unsupervised Learning):

Denetimli öğrenmede yüklediğimiz verilerin etiketi bulunuyordu bu kısımda ise tam tersi olarak etiket bulunmaz. Etiketlenmemiş veri kümesi üzerinde modelin eğitildiği bir makine öğrenimi yöntemidir. Doğal olarak da hedef çıktıya sahip değildir. Kümelenme, boyut indirgeme ve ilişkilendirme gibi problemlerde kullanılır.

Pekiştirmeli Makine Öğrenmesi(Takviyeli Öğrenme, Reinforcement Learning):

Pekiştirmeli makine öğrenmesi, bir ajanın çevresiyle etkileşime girerek deneyim kazandığı bir makine öğrenimi yöntemidir. Bu yöntemde, ajan bir gözlem yapar, ardından bu gözlemi analiz eder, bir eylem seçer ve çevresiyle etkileşime girer. Ödül bazlı bir çalışma sistemi bulunmaktadır. Anlık olarak alınan kararların gelişimini izleme şansı yakalarız.

Umarım beğenmişsinizdir. Yazı serisi devam edecektir. Buraya kadar vakit ayırdığınız için teşekkürler:)