Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme: Fark Nedir?

Günümüzde Yapay Zeka, Makine Öğrenimi ve Derin Öğrenme terimlerinin tümü medya tarafından sık kullanılıyor. Ancak bu terimler zaman zaman birbirinin yerine de kullanıldığı için kavramlar birbiri ile karışabiliyor. Benzer süreçleri ele alsalar da bu kelimeler eş anlamlı değil. İlişkileri çerçevesinde ancak eşmerkezli daireler biçiminde düşünülmelidirler. Bu yazıda ana hatları ile kavramları tanıyalım.

Makine öğrenimi, yapay zekanın bir alt kümesidir. Derin öğrenme de makine öğreniminin bir alt kümesidir.

Yapay Zeka (Artificial Intelligence – AI) Nedir?

En basit ifadeyle yapay zeka, görevleri yerine getirmek için insan zekasını taklit eden ve topladıkları bilgilere göre yinelemeli olarak kendilerini iyileştirebilen sistemler veya makineler anlamına gelir. Makine öğrenimi ve yapay zeka genellikle bir arada değerlendirilir. Kimi durumlarda birbirinin yerine kullanılır ancak aynı anlama gelmezler. Tüm makine öğrenimi çözümleri yapay zeka iken tüm yapay zeka çözümlerinin makine öğrenimi olmaması önemli bir ayrımdır.

Yapay Zeka, zayıf ve güçlü olarak iki kategoriye ayrılır. Zayıf yapay zeka, genellikle medyada duyduğumuz yapay zeka gelişmelerinin tamamıdır. Sesli komut sistemleri, yüz tanıma sistemleri, otonom arabalar, insanları Go veya satranç gibi oyunlarda yenen makineler zayıf yapay zeka örnekleridir.

Güçlü yapay zeka ise genel zeka noktasına ulaşmış bir programı veya makineyi tanımlamak için kullanılmaktadır. Bu, programların insan zekasıyla eşit olduğu ve ortalama bir insanın yapabileceği her şeyi yapma yeteneğine sahip olduğu zamandır. Henüz orada değiliz, ancak yakın gelecekte o noktaya ulaşacağımız düşünülmektedir.

Makine Öğrenimi (Machine Learning) Nedir?

Yapay zeka alanındaki en önemli gelişmelerden biri makine öğrenimidir. Buradaki fikir, bir makinenin herhangi bir program kullanmadan, karmaşık görevleri nasıl çözeceğini, verilerden ve de deneyimlerinden öğrenmesini sağlamaktır.

İnsan müdahalesi olmadan öğrenmek için makineler algoritmalar ve istatistiksel modeller kullanır. Makine öğrenimi, bugün kullandığımız hizmetlerin çoğunu işleten süreçtir. Makine öğrenimi, bugün kullandığımız hizmetlerin çoğunu işleten süreçtir.

Örneğin; Netflix, YouTube ve Spotify’ daki öneri sistemleri, Google ve Baidu gibi arama motorları, Facebook ve Twitter gibi sosyal medya mecraları, Siri ve Alexa gibi ses asistanları.Sonucunda her türlü platform sizinle ilgili mümkün olduğunca çok veri toplar. Bu toplanan veri sayesinde de makine öğrenimi sağlanır. Bunun sonucunda da algoritmalar sizin tercihlerinizi öğrenir ve de ona uygun önerilerde bulunur.

Makine öğrenimi, üç türe ayrılmıştır: denetimli (supervised), denetimsiz (unsupervised) ve pekiştirmeli (reinforcement) öğrenme.

Denetimli, Denetimsiz ve Pekiştirmeli Öğrenme

Denetimli öğrenmeyi okuldaki öğrenme sürecine benzetebilirsiniz. Ancak bu sefer öğretmen bir veri seti olacaktır. Bu veri setinin görevi de makineyi eğitmektir. Model eğitildikten sonra, kendisine yeni veri verildiğinde bir tahmin veya karar vermeye başlar.

Örneğin, bir algoritmanın elle yazılı sayılardaki rakamları tanımasını istediğinizi varsayalım. Yazılı rakamların dijital görüntülerinin önce matematiksel olarak bir bilgisayarın anlayabileceği bir şeye çevrilmesi gerekir. Bazı teknikler ile ilk olarak görüntüdeki düz çizgi parçalarının sayısı gibi ana özelliklerin ayıklanması gerekecektir.

Bu sayede sayısal görüntüyü nispeten az sayıda değerden oluşan bir liste olarak temsil etmek mümkün olacaktır. Daha sonrasında yazılı rakamlardan oluşan bir görüntü seti ile başlayarak, öğrenme algoritması, hangi görüntülerin aynı basamağı temsil ettiğini belirlemeye çalışacaktır. Daha sonrada da çıktılarını eğitim setindeki doğru etiketlerle karşılaştıracaktır. Eğer hata varsa, ağ bu hatayı tüm eğitim setinde en aza indirecek şekilde eğitilecektir.

Denetimsiz öğrenme ise, makineye hiçbir etiketli veri sağlanmadığında ve algoritmaların herhangi bir rehberlik olmaksızın bilgiler üzerinde hareket etmesine izin verildiğinde gerçekleşir. Makine, diğer veri kaynaklarından önceden herhangi bir eğitim almadan, sıralanmamış bilgileri benzerliklere, kalıplara ve farklılıklara göre gruplandırır.

Model gözlem yoluyla öğrenir ve verilerdeki yapıları bulur. Modele bir veri kümesi verildiğinde, içinde kümeler oluşturarak, veri kümesindeki kalıpları ve ilişkileri bulur. Yapamayacağı şey, kümeye etiket eklemektir. Yani meyveler ile ilgili bir veri girerseniz bunu elma ya da armut diye ayıramaz.

Pekiştirmeli öğrenme de ise bir algoritma, net bir hedefe ulaşmak için deneme yanılma yoluyla öğrenir.Bu, bir köpeğe yeni bir numara öğretmek gibidir. Pekiştirmeli öğrenme, Google’ın karmaşık Go oyununda en iyi oyuncuları yenen program AlphaGo’nun temelidir.

Derin Öğrenme ( Deep Learning) Nedir?

Derin öğrenme ile makine öğrenmesinin karşılaştırılması. Eski algoritmalar insan bağımlı özellikler ile çalışabilirken, Derin
Öğrenme insan bağımsız özellikler ile çalışmaktadır. Bu, Derin Öğrenme algoritmasının ayırt edici özellikleri kendi kendine
öğrenmesi anlamına gelir. Kaynak: https://medium.com/@jiterockzz

Algoritmaların beynin yapısından ve işlevinden ilham aldığı Makine Öğreniminin bir alt kümesidir. Tanımda kullanılan “derin” kelimesi, ağın katman sayısının çok olmasından gelir. Bu öğrenme yöntemi yapay sinir ağlarına dayalıdır. .

Kilit nokta bir nesnenin gösterimindeki farklı katmanlardır. Her katman ayrı ayrı eğitilir

Derin Öğrenme algoritmaları yapay sinir ağlarının daha karmaşık halidir. Bu sinir ağları insandaki öğrenme işleyişinden hareketle geliştirilmiştir. Algoritmanın bu şekilde; öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahip olacağı düşünülmüştür. Makine öğrenimi ile farkı ise çok yüksek miktarda veriye ve karmaşık yapısı ile de bu yüksek veriyi işleyebilecek çok yüksek hesaplama gücü olan donanımlara ihtiyaç duymasıdır.

Derin öğrenme, makinelerin dünyayı algılama ve anlamasına yönelik yapay zekâ geliştirmede en popüler yaklaşımdır. Pek çok önde gelen firma başta ses ve yüz tanıma alanı olmak üzere farklı alanlar için çalışmalara başlamış ve kendi derin öğrenme kütüphanelerini oluşturmaya başlamışlardır.



Kaynaklar ve İleri okumalar:

Matematiksel

Sibel Çağlar

Merhabalar. Matematik öğretmeni olarak başladığım hayatıma 2016 yılında kurduğum matematiksel.org web sitesinde içerikler üreterek devam ediyorum. Matematiğin aydınlık yüzünü paylaşıyorum. Amacım matematiğin hayattan kopuk olmadığını kanıtlamaktı. Devamında ekip arkadaşlarımın da dahil olması ile kocaman bir aile olduk. Amacımıza da kısmen ulaştık. Yolumuz daha uzun ama kesinlikle çok keyifli.
Başa dön tuşu