Yapay Zeka Nedir? (YZ Tarihçesi ve Türleri)

Al Nedir?

• Al, insan zekasının, düşünme, öğrenme ve görevleri yerine getirme yeteneğinin makineler tarafından taklididir.
• Makine Öğrenimi (ML), makinelerin açık programlama olmadan verilerden öğrenme yeteneğidir.
• Derin Öğrenme, çok katmanlı sinir ağlarını içeren makine öğreniminin bir alt kümesidir.
• Doğal Dil İşleme (NLP), makinelerin insan dilini anlama ve yanıt verme yeteneğidir.
• Bilgisayarla Görme, makinelerin görsel bilgileri yorumlama yeteneğidir.

YZ Türleri

• Narrow AI (Weak AI): Belirli görevler için tasarlanmış YZ sistemleridir (örneğin, sesli asistanlar, görüntü tanıma).
• General AI (Strong AI): İnsanların yapabileceği herhangi bir entelektüel görevi yerine getirebilen varsayımsal YZ.
• Super AI: İnsan zekasını her yönüyle aşan spekülatif bir YZ kavramıdır.

Yapay Zekanın Tarihçesi

• 1950'ler: Yapay zekanın doğuşu, Alan Turing ve Turing testi, erken dönem YZ öncüleri ve temel çalışmalar.
• 1960'lar-1970'ler: Yapay zeka araştırmalarının ilk günleri, sembolik veya kural tabanlı sistemler ve erken uygulamalar.
• 1980'ler: Uzman sistemler ve yapay zeka uygulamalarının yükselişi, bu dönemde yapay zeka alanında tıp ve finans gibi uygulamalar da ilgi çekmiş.
• 1990'lar: Yapay zekanın yeniden canlanması, sinir ağları ve makine öğrenimi üzerine daha derin araştırmalar.
• 2000'ler-2010'lar: Yapay zeka yaygınlaşıyor, büyük veri, derin öğrenme, doğal dil işleme, bilgisayarla görme alanlarındaki gelişmeler.

Sembolik Yapay Zeka ve Bağlantıcılık

• Hem sembolik yapay zeka hem de bağlantıcılık 1950'lerde başlamıştır.
• Yapay zeka ve bilişsel modellemeye ilişkin temelde iki farklı bakış açısını temsil eder.
• Her ikisi de akıllı sistemleri açıklamaya ve üretmeye çalışır.
• Radikal olarak farklı metodolojiler kullanırlar.

İyi Eski Tarz Yapay Zeka (GOFAI)

• Bilgiyi semboller ve mantık tabanlı kurallar kullanarak temsil eder.
• 1950'lerde ve 1960'larda ilgi çekmişti.
• İnsan bilişsel süreçlerinden esinlenmiştir.
• Mantık ve sembolik manipülasyon yoluyla problemleri çözmeyi hedefler.

Kural Tabanlı Sistemler

• Bilgi, semboller ve IF-THEN kuralları ile kodlanır.
• Problem tanımları, gerçekler ve kurallar oluşturarak yapılır.
• Sembolik yapay zekanın bir alt kümesi.
• Günümüzde hala bazı uygulamalarda kullanılıyor.
• Büyük ve karmaşık problemler için kullanımda sınırlamalar var.

Kural Tabanlı Sistemlerin Gerçek Dünya Uygulamaları

• MYCIN - 1970'lerde bakteriyel enfeksiyonları tanılamak ve tedavi önermek için geliştirilmiş tıbbi uzman sistem.
• DENDRAL - Kimyada kullanılmış, kütle spektrometresi verilerinden moleküler yapıları belirlemede kullanılan bir uzman sistem.

Basit Bir Kural Tabanlı Sistem Oluşturma

• Problemi tanımlama, ilgili gerçekleri belirleme, kurallar oluşturma ve bir çıkarım motoru kullanarak sonuç üretme.

Çalışma Belleği

• Çıkarım motoru çalışırken gerçeklerin geçici olarak depolandığı bir alan.

Uzman Sistemler

• Gerçek dünya uygulamalarında kullanılan kural tabanlı sistemlerin gelişmiş bir şekli.
• Belirli alanlardaki insan uzmanlarının karar verme yeteneklerini taklit etmek için tasarlanır.

Sembolik Yapay Zeka (ve diğer ilgili kavramlar) ile Makine Öğreniminin Yükselişi

• Yapay zeka kışı; 1980'lerde ve 1990'larda sembolik zeka yaklaşımının sınırlamalarının daha fazla ilgi ve yatırımın akışını kesmesine sebep olduğunu görüyoruz.
• Bunun nedeni, makine öğreniminde önemli bir ilerleme kaydedilmesidir. Özellikle, derin öğrenme gibi yeni yöntemler, büyük veri kümelerini işlemek ve karmaşık desenleri ve ilişkileri öğrenebilmek için büyük potansiyele sahiptir.
• Kural tabanlı sistemlerin büyük ve karmaşık problemler için kullanımda sınırlamalarına karşın, makine öğrenimi daha esnek ve ölçeklenebilir çözümler sunar.

Makine Öğrenimi (ML)

• Verilerden öğrenerek karar vermek veya tahminlerde bulunmak için bilgisayar sistemlerinin yeteneği.
• Açık kurallar gerektirmez, örneklerden genelleme yapar.
• Gürültülü veya eksik verilerde daha başarılıdır.

Makine Öğrenimi (ML) Unsurları

• Verilerden öğrenme
• Örüntü ve ilişkileri bulma
• Tahmin veya karar verme
• Model geliştirme / iyileştirme
• Gerçek dünya problemlerine uygulanabilirlik

Veri Toplama ve Hazırlama

• Modeli eğitmek için kullanılacak verileri toplama.
• Verilerin kalitesi ve temsil ettiğinin doğruluğunun önemi.
• Gürültüyü, eksik değerleri gidermek için hazırlama çalışmaları.

Model Seçimi

• Problemin türüne göre uygun algoritmayı seçme.

Model Eğitimi

• Modeli verilerle eğitme ve öğrenme sürecini gerçekleştirme.

Model Test Edilmesi

• Modeli test etme ve performansını ölçme.

Model Geliştirme

• Modelin etkinliğini iyileştirmek için verileri, özellikleri ve algoritmaları düzenleme.

Denetimli Öğrenme (Supervised Learning)

• Etiketli veriler kullanılır
• Verilerden çıkarılan kurallarla yeni veriler sınıflandırılır veya tahmin edilir.
• Sınıflandırma ve regresyon gibi problemler için uygundur.

Denetimsiz Öğrenme (Unsupervised Learning)

• Etiketsiz veriler kullanılır
• Verilerde gizli kalıplar ve ilişkiler bulunur
• Kümeleme, boyut azaltma gibi problemler için uygundur.

Güçlendirilmiş Öğrenme (Reinforcement Learning)

• Eylemlerin ödüllerini kullanarak öğrenme
• Agent, çevreyle etkileşimde bulunarak öğrenir.
• Hesaplamalı problemler için uygundur ve robot bilimleri gibi gelecekteki uygulamalar için potansiyel içerir.
• Örneğin, bir robotun bir labirenti geçmesi veya bir oyun oynaması için öğrenmesi düşünülür.

Yarı Denetimli Öğrenme

• Etiketli ve etiketsiz veri setlerini birleştirir
• Her iki öğrenmenin de güçlü yönlerinden yararlanır
• Çok fazla etiketli veri işleme kolaylığı

Grafik Tabanlı Yöntemler

• Veri noktalarını bir grafik yapıya dönüştürür.
• İlişkileri grafik yapıları üzerinden yayar.
• Grafik teorisi ve ilgili kavramların kullanımı.

Destek Vektör Makineleri (SVM)

• Veri noktaları arasında en büyük mesafeyi koruyan bir çizgi oluşturur.
• Veri noktalarının sınıflandırılmasına yardımcı olan bir algoritma.

K-En Yakın Komşu (KNN)

• Benzer veri noktalarının gruplara ayrıldığı bir algoritma.

Boyut Azaltma

• Veri setindeki özelliklerin sayısını azaltma.
• Örneğin, PCA, fazlalıkları azaltmak ve verinin daha basit bir temsilini oluşturmak için kullanılabilen bir boyut azaltma tekniğidir.

Bu quiz, yapay zekanın tanımını, çeşitli türlerini ve tarihçesini keşfetmenizi sağlıyor. Makinelerin insan zekasını nasıl taklit ettiğinden, makine öğrenimi ve derin öğrenmeye kadar geniş bir konu yelpazesi sunulmaktadır.