counter free hit invisible

Makine Öğrenmesi – 2

Andrew NG Herkes için yapay zeka kursundan aldığım notlar :

Şuan kullancığımız/geiştirdiğimiz yapay zeka bir iş yapabiliyor, düşünüp kendi kararlar alan bir zekadan çok uzak. Yani benim anladığım GPT sadece konuşuyor cevaplar veriyor, düşünüp planlar yapacak şekilde bir geliştirme yok. Bunun için on yıllar var önümüzde.

Makine öğrenmesi, A verisinden öğrenilerek B çıktısına ulaşılır. A verisi si video, audio, text gibi yapılandırılmamış (unstructered) bir veri olabileceği gibi , tablo (excel gibi.) yapılandırılmış (structered) da olabilir.

Makine öğrenmesi ile bir çıktıya ulaşılabilirken , bu çıktıların yorumlanması Data Science (Veri Bilimi) verilerden anlam çıkarmakla ilgilidir.

Makine öğrenmesinde verileri çıktıya ulaştıran matematiksel yapıya Yapay Sinir Ağları denilirken Derin Öğrenme bununla aynı anlamda kullanılmaya başlanmıştır. Yapay sinir ağları biyolojik başlangıçta beyinden ilham alınarak geliştirilmiş olsa da çalışma şekli bakımından hiç bir benzerliği/ilgisi yoktur.

Supervised Learning (Gözetimli Öğrenme) Örnekleri:

E-posta input => Spam / Değil : Spam Filtreleme

Ses Dosyası => Metine Dönüştürme : Konuşma Tanıma (Speech Recognition)

Türkçe => İngilizce : Çeviri (Machine Translation)

Yapay Zeka ile ilgii yanlış inanışlardan bir tanesi yapay zakanın yapmak için öğrendiği görevi %100 doğrulukla yapacağına olan inanıştır. Yapay zeka genellikle %100 doğru çalışmaz bunun nedenleri :

  • Makine öğrenmesinin limitleri (yapabildikleri / yapamadıkları)
  • Verimsiz Data ( Yeterli olmayan veri)
  • Yanlış etiketlenmiş data ( Örneğin ev fiyat tahmin datasında bir evin fiyatının 0,1 yazılması)
  • Belirsiz etiketler

Yapay Zeka araçları:

Makine Öğrenmesi Çatıları (frameworks) :

  • Tensorflow
  • PyTorch
  • Keras
  • MXNet
  • CNTK
  • Caffe
  • PaddlePaddle
  • Scikit-learn
  • R
  • Weka

Devam ediyor …

Yorum yapın