Yapay Zeka Özeti PDF

**AI nedir?** **- Tanım:** Düşünmek, öğrenmek ve normalde insan zekası gerektiren görevleri yerine getirmek üzere programlanmış makineler tarafından insan zekasının simülasyonu. **- Makine Öğrenimi (ML):** Makinelerin açık programlama olmadan verilerden öğrenme yeteneği. **- Derin Öğrenme:** Çok...

**AI nedir?** **- Tanım:** Düşünmek, öğrenmek ve normalde insan zekası gerektiren görevleri yerine getirmek üzere programlanmış makineler tarafından insan zekasının simülasyonu. **- Makine Öğrenimi (ML):** Makinelerin açık programlama olmadan verilerden öğrenme yeteneği. **- Derin Öğrenme:** Çok katmanlı sinir ağlarını içeren makine öğreniminin bir alt kümesi. **- Doğal Dil İşleme (NLP):** Makinelerin insan dilini anlama ve yanıt verme yeteneği. **- Bilgisayarla Görme:** Bir makinenin görsel bilgileri yorumlama yeteneği. **YZ Türleri:** **- Narrow AI (Weak AI):** Belirli görevler için tasarlanmış YZ sistemleri (örn. sesli asistanlar, görüntü tanıma). **- General AI (Strong AI):** Bir insanın yapabileceği herhangi bir entelektüel görevi yerine getirme yeteneğine sahip varsayımsal YZ. **- Super AI:** Her yönüyle insan zekasını aşan spekülatif YZ kavramı. **Yapay Zekanın Tarihçesi** **1950s: Yapay Zekanın Doğuşu:** \- Alan Turing ve Turing Testi. \- YZ\'nin bir alan olarak ilk resmi tartışmaları. \- Erken dönem YZ öncüleri ve temel çalışmalar. **1960\'lar-1970\'ler: Yapay Zeka Araştırmalarının İlk Günleri:** \- İlk yapay zeka programlarının geliştirilmesi (örneğin, ELIZA, SHRDLU). \- Sembolik YZ ve kural tabanlı sistemler. \- İyimserliğin ortaya çıkışı ve ilk zorluklar. **1980s: Uzman Sistemler ve Yapay Zeka Uygulamalarının Yükselişi:** \- Tıp ve finans gibi sektörlerde uzman sistemlerin büyümesi. \- Makine öğrenimi kavramlarına giriş. \- Yapay zeka kışı: Finansman kesintileri ve karşılanamayan beklentiler nedeniyle ilgi kaybı. **1990s: Yapay zekanın yeniden canlanması:** \- Sinir ağlarının geliştirilmesi ve makine öğrenimi üzerine daha derin araştırmalar. \- IBM\'in Deep Blue\'sunun dünya satranç şampiyonu Garry Kasparov\'u yenmesi gibi atılımlar. **2000\'ler-2010\'lar: Yapay Zeka Yaygınlaşıyor:** \- Büyük verinin büyümesi ve hesaplama gücündeki gelişmeler. \- Derin öğrenme, NLP ve bilgisayarla görme alanlarındaki gelişmeler. \- Siri, Alexa ve Google\'ın AlphaGo\'su gibi popüler yapay zeka sistemleri. **1.Günümüz:** **Modern YZ Uygulamaları ve Gelecek Trendleri** 1\. Sağlık, otonom araçlar ve eğlence alanlarındaki mevcut YZ uygulamaları. 2\. Etik tartışmalar, YZ yönetişimi ve YZ\'nin geleceği (örneğin, YZ güvenliği, süper zeka). **Sembolik Yapay Zeka ve Bağlantıcılık** \- Hem Sembolik Yapay Zeka hem de bağlantıcılık 1950\'lerde başlamıştır. \- Yapay zeka ve bilişsel modellemeye yönelik temelde farklı iki yaklaşımı temsil etmektedirler. \- Her ikisi de akıllı sistemleri açıklamaya ve yaratmaya çalışır. \- Radikal olarak farklı metodolojiler kullanırlar. **Sembolik Yapay Zeka:** \- Sembollere ve kurallara dayalı olarak çalışır. Zekanın açık semboller (örneğin, kelimeler, nesneler) ve bu sembolleri manipüle eden mantıksal kurallar (örneğin, IF-THEN ifadeleri) aracılığıyla temsil edilebileceğini varsayar. \- Zekayı modellemek için resmi muhakeme, mantık ve yapılandırılmış temsiller kullanır. \- İnsan tanımlı bilgi yapılarına dayanan Eski Usul Yapay Zeka (GOFAI) paradigması ile ilişkilidir. **Bağlantıcılık:** \- Zeka, beynin yapısına benzer şekilde birbirine bağlı basit birimlerden (nöronlar) oluşan ağlardan ortaya çıkar. \- Bağlantıcı modellerde zeka, açıkça programlanmak yerine öğrenme yoluyla gelişen kalıplardan ve ağırlıklardan ortaya çıkar. \- Genellikle modern yapay zekada sinir ağları ve derin öğrenme ile ilişkilendirilir.  \- Good Old-Fashioned AI (GOFAI) olarak da bilinir \- Bilgiyi temsil etmek için sembolleri ve bu bilgiyi işlemek ve manipüle etmek için mantık tabanlı kuralları kullanan bir yaklaşım. \- 1950\'lerde ve 1960\'larda ilgi görmüştür. \- Büyük ölçüde insan bilişsel süreçlerinden esinlenmiştir. \- Problemler mantık ve sembolik manipülasyon yoluyla çözülür. **Anahtar Kavramlar:** \- YZ sistemleri nesnelerin, eylemlerin ve kuralların sembolik temsillerini manipüle ederek çalışır. \- Yapay zeka "akıl yürütme" süreci insan mantığını taklit eder. **Örnek:** Blokları anlamak ve manipüle etmek için tasarlanmış bir program olan SHRDLU gibi ilk YZ sistemleri büyük ölçüde sembolik YZ\'ye dayanıyordu. **Kural Tabanlı Sistemler: Temeller ve Yapı** \- Kural tabanlı sistemler, bilginin semboller ve IF-THEN kuralları ile kodlandığı bir sembolik yapay zeka biçimidir. **- Bileşenler:** **- Gerçekler:** Dünya hakkında depolanan bilgiler (örneğin, "Gökyüzü mavidir"). **- Kurallar:** Koşullara dayalı eylemleri tetikleyen mantıksal ifadeler (örneğin, "EĞER gökyüzü maviyse, o zaman muhtemelen gündüzdür"). **- Çıkarım Motoru:** Yeni bilgiler veya eylemler çıkarmak için kuralları bilinen gerçeklere uygulayan bileşen. **- Çalışma Belleği:** Çıkarım motoru çalışırken gerçeklerin geçici olarak depolandığı bir alan. **İşlem:** \- Sistem, verilen gerçekleri kurallarla karşılaştırır, yeni gerçekler çıkarır veya kurallara dayalı eylemler gerçekleştirir. **Örnek:** \- Sağlık hizmetlerinde basit bir kural tabanlı sistem, aşağıdaki gibi kurallar kullanarak semptomlara dayalı olarak soğuk algınlığı teşhisi koyabilir: "EĞER ATEŞ VE ÖKSÜRÜK VARSA, O ZAMAN GRİP TEŞHİSİ KOYUN." **Uzman Sistemler ve Uygulamaları** \- Uzman sistemler, gerçek dünya uygulamalarında kullanılan kural tabanlı sistemlerin gelişmiş bir şeklidir. \- Belirli alanlardaki insan uzmanların karar verme yeteneklerini taklit etmek için tasarlanmış ilk yapay zeka sistemleridir. **Yapı:** **- Bilgi Tabanı:** Belirli bir alanla ilgili kuralları ve gerçekleri depolar. **- Çıkarım Motoru:** Sonuçlar çıkarmak için kuralları gerçeklere uygular. **- Kullanıcı Arayüzü:** Kullanıcıların sistemle etkileşime girmesine ve yeni gerçekler veya sorgular girmesine izin verir. **Çıkarım Süreçleri: İleri ve Geri Zincirleme** **- İleri Zincirleme:** Çıkarım süreci bilinen gerçeklerle başlar ve bir hedefe veya sonuca ulaşılana kadar yeni gerçekler çıkarmak için kurallar uygular. **- Geriye Doğru Zincirleme:** Bu süreç bir hedefle başlar ve bilinen gerçeklerin bu hedefi destekleyip desteklemediğini görmek için geriye doğru çalışır. **- Soru:** Tıbbi bir teşhis sisteminde, sistem olası bir teşhisle (örneğin, "grip") başlayabilir ve hangi kuralların ve gerçeklerin bu teşhisi destekleyeceğini kontrol edebilir.  **Gerçek Dünya Uygulamaları:** **- MYCIN:** 1970\'lerde bakteriyel enfeksiyonları teşhis etmek ve tedavi önermek için geliştirilen bir tıbbi uzman sistem. **- DENDRAL:** Kütle spektrometresi verilerinden moleküler yapıları belirlemek için kimyada kullanılan bir uzman sistem. **- Sınırlamalar:** \- Katı kural yapıları karmaşık, muğlak veya belirsiz verilerin ölçeklendirilmesini ve işlenmesini zorlaştırır. \- Bu sistemler, alan uzmanlarının büyük miktarda bilgiyi manuel olarak kodlamasını gerektirir, bu da onları oluşturmak için zaman alıcı hale getirir. **Basit Bir Kural Tabanlı Sistem Oluşturma** **- Senaryo:** Tıbbi teşhis asistanı gibi basit bir karar verme sistemi oluşturmak. **- Adımlar:** \- Problemi tanımlayın. \- İlgili gerçekleri belirleyin. \- Tıbbi bilgiyi temsil etmek için kurallar oluşturun. \- Kuralları işlemek ve sonuçlar üretmek için bir çıkarım motoru kullanın. **- Araçlar:** Kural tabanlı sistemler oluşturmak için yaygın olarak kullanılan CLIPS veya Prolog. **- Örnek Çıktı:** Girdi semptomlarına dayalı olarak olası tanıları öneren basit, kural tabanlı bir tıbbi sistem. **Örnek 1: Tıbbi Tanı Sistemi** **Semboller (Gerçekler):** Kural tabanlı bir sistemde, semboller dünya hakkındaki gerçekleri veya verileri temsil eder. Bu durumda, bir hastanın semptomları olabilirler. \- fever \- cough \- sore\_throat \- headache \- runny\_nose **Kurallar:** Kurallar, olguları (sembolleri) koşul olarak kullanarak ve sonuç olarak bir tanı veya öneri belirterek IF-THEN biçiminde tanımlanır. **- Kural 1:** IF fever AND cough THEN flu **- Kural 2:** IF sore\_throat AND fever AND headache THEN strep\_throat **- Kural 3:** IF runny\_nose AND cough THEN common\_cold **Çıkarım Süreci:** Çıkarım mühendisi, kuralları bilinen gerçeklere (hastanın semptomları) uygulayarak sonuçlar çıkarır. **- Verilen Gerçekler:** Hastanın fever, sore\_throat ve headache var. **- Çıkarım:** \- Sistem tüm kuralları kontrol eder. \- Kural 2 eşleşir çünkü hastanın fever, sore\_throat ve headache vardır. \- Sistem, hastanın muhtemelen strep\_throat hastası olduğu sonucuna varır. \- Sonuç, sistemin mevcut gerçeklere baktığı ve yeni gerçekler (bu durumda bir teşhis) çıkarmak için kuralları uyguladığı ileri zincirleme yoluyla elde edilir. **Örnek 2 -Kredi Kartı Dolandırıcılık Tespit Sistemi** **Semboller (Gerçekler):** Dolandırıcılık tespit sistemindeki semboller farklı işlem niteliklerini temsil eder. large\_transaction\_amount unusual\_location unusual\_time high\_frequency\_transactions **Kurallar:** ** Kural 1:** IF large\_transaction\_amount AND unusual\_location THEN potential\_fraud ** Kural 2:** IF unusual\_time AND high\_frequency\_transactions THEN potential\_fraud ** Kural 3:** IF large\_transaction\_amount AND unusual\_time THEN potential\_fraud **Çıkarım Süreci:** **- Verilen Gerçekler:** Sistem, işlem tutarının büyük olduğu ve işlemin olağandışı bir zamanda gerçekleştiği bir işlem hakkında bilgi alır. **- Çıkarım:** \- Sistem Kural 3\'ü uygular çünkü large\_transaction\_amount AND unusual\_time koşullarının her ikisi de doğrudur. \- Sonuç olarak, sistem işlemi potential\_fraud olarak işaretler. \- Çıkarım motoru her bir kuralı bilinen gerçeklere göre değerlendirir ve bir sonuca varır. **Örnek 3 -Ev Otomasyon Sistemi** **Semboller (Gerçekler):** Bir ev otomasyon sisteminde, semboller çeşitli cihazların ve sensörlerin durumunu temsil eder. motion\_detected\_in\_room light\_off\_in\_room time\_is\_night ** Kurallar:** ** Kural 1:** IF motion\_detected\_in\_room AND time\_is\_night AND light\_off\_in\_room THEN turn\_on\_light ** Kural 2:** IF motion\_detected\_in\_room AND light\_off\_in\_room AND NOT time\_is\_night THEN do\_nothing ** Kural 3:** IF no\_motion\_in\_room AND light\_on\_in\_room THEN turn\_off\_light **Çıkarım Süreci:** **- Verilen gerçekler:** Sistem odada motion\_detected\_in\_room, time\_is\_night, and light\_off\_in\_room. **- Çıkarım:** \- Tüm koşullar karşılandığı için Kural 1 eşleşir. \- Sistem turn\_on\_light eylemini yürütür. \- Çıkarım motoru kuralları sürekli olarak aşağıdakilere göre uygular değişen çevre, buna göre eylemleri tetikler.  **Sembolik Yapay Zekanın Düşüşü ve Makine Öğreniminin Yükselişi** Kural tabanlı sistemler gözden düştü. **Temel Zorluklar:** **- Ölçeklenebilirlik:** Kural tabanlı sistemler, daha fazla kural eklendikçe giderek daha karmaşık hale gelir ve bakımı zorlaşır. **- Öğrenme Eksikliği:** Bu sistemler verilerden öğrenemez. Tüm bilgi manuel olarak programlanmalıdır. **- Belirsizliğin Ele Alınması:** Sembolik yapay zeka, gerçek dünya senaryolarında yaygın olan belirsizlik ve muğlaklıkla mücadele eder. **- Yapay Zeka Kışı:** 1980\'ler ve 1990\'larda sembolik YZ\'nin sınırlamalarının YZ araştırmalarına olan ilginin ve finansmanın azalmasına yol açtığı bir dönem. **- Makine Öğreniminin Yükselişi:** Sinir ağları gibi veri odaklı yöntemler, verilerden öğrenme, dinamik olarak uyum sağlama ve büyük veri kümelerini işleme yetenekleri nedeniyle popüler hale geldi. **- Karşılaştırma:** Makine öğrenimi sistemleri, sembolik sistemlerin aksine, açık kuralların yazılmasını gerektirmez - örneklerden genelleme yapabilir ve gürültülü veya eksik verilerle daha iyi başa çıkabilirler. **Modern YZ Sistemlerinde Sembolik YZ** \- Sembolik yapay zeka artık baskın yaklaşım değil. \- Ancak hala geçerliliğini korumaktadır. **- Hibrit Yapay Zeka Sistemleri:** Belirli görevler için sembolik yapay zekanın makine öğrenimi ile birleştirilmesi. Örneğin, nöro-sembolik YZ, hem açık muhakeme hem de örüntü tanıma işlemlerini gerçekleştirmek için sembolik muhakemeyi sinir ağlarıyla birleştirir. **Modern Uygulamalar:** **- Bilgi Grafikleri:** Sembolik YZ, yapılandırılmış bilgileri depolamak ve almak için arama motorlarında kullanılan birçok bilgi grafiği sisteminin temelini oluşturur. **- Yasal Muhakeme:** Açık, yorumlanabilir mantığa ihtiyaç duyan sistemler, yasal veya sözleşme muhakemesinde olduğu gibi kuralları uygulamak için genellikle sembolik YZ kullanır. **- Robotik:** Robotikte, sembolik akıl yürütme üst düzey karar verme için kullanılırken, makine öğrenimi düşük seviyeli duyusal girdileri ele alır. **Makine Öğrenimi (ML):** \- Birçok durumda bu kuralları belirlemek çok zordur. \- El yazısıyla yazılmış bir rakamı tanımak gibi problemleri çözen programlar yazmak çok zordur. \- 2\'yi 7\'den ayıran nedir? Beynimiz bunu nasıl yapıyor? \- Elle bir program yazmak yerine, belirli bir girdi için doğru çıktıyı belirten örnekler topluyoruz. \- Daha sonra bir makine öğrenimi algoritması bu örnekleri alır ve işi yapan bir program üretir. \- Öğrenme algoritması tarafından üretilen program, elle yazılmış tipik bir programdan çok farklı görünebilir. Milyonlarca numara içerebilir. Eğer bunu doğru yaparsak, program yeni vakalar için de eğittiğimiz vakalar gibi çalışır. **Tanım:** \- Makinelerin açıkça programlanmadan karar vermek veya tahminlerde bulunmak için verilerden öğrendiği bir yapay zeka (AI) alanı. **Makine Öğreniminin Temel Yönleri:** 1**. Verilerden Öğrenme:** Makine öğrenimi algoritmaları verilerdeki örüntüleri ve ilişkileri bulur. 1**. Örnek:** Birçok örnek gördükten sonra fotoğraflardaki yüzleri tanıma. 2**.Zaman İçinde İyileşme:** Makine öğrenimi sistemleri daha fazla veriyi işledikçe daha iyi hale gelir. **1. Örnek:** Bir öneri sistemi, ne kadar çok izlerseniz o kadar iyi filmler önerir. **3.Uyarlanabilirlik:** Makine öğrenimi modelleri veri modellerindeki değişikliklere uyum sağlayabilir. **1. Örnek:** Hava tahmin modellerinin yeni iklim verilerine uyum sağlaması. **Günlük Analoji:** \- Makine öğrenimi bir müzik aleti çalmayı öğrenmek gibidir. İlk başta hatalar yaparsınız, ancak pratik ve geri bildirim ile zamanla gelişirsiniz. **Yapay Zeka (YZ) nedir?** **- YZ:** Tipik olarak insan zekası gerektiren görevleri yerine getirebilen makineler yaratmanın daha geniş kavramı. **- YZ örnekleri:** Konuşma tanıma, görsel algılama, karar verme. **Makine Öğreniminin (ML) Yeri:** **- Makine Öğrenimi YZ\'nin Bir Alt Kümesidir:** Makine öğrenimi, YZ\'ye ulaşmak için kullanılan temel tekniklerden biridir. **- Makine Öğreniminin Odağı:** Makinelerin verilerden öğrenmesini ve açıkça programlanmadan zaman içinde gelişmesini sağlar. **- Diğer Yapay Zeka Teknikleri:** Uzman sistemler, kural tabanlı muhakeme ve robotik süreç otomasyonu (RPA), YZ altında öğrenmeyi içermeyen diğer yaklaşımlardır. **Uygulamada İlişki:** **- Yapay Zeka ve Makine Öğrenimi:** \- Yapay zeka, akıllı sistemler (örneğin sürücüsüz bir araba) oluşturmaya odaklanır. \- Makine öğrenimi, bu sistemlere verilerden öğrenme ve iyileştirme yeteneği sağlar (örneğin, kamera görüntülerinden yayaları tanımayı öğrenen sürücüsüz bir araba). **Gerçek Dünya Örneği:** **- Yapay Zeka Sistemi:** Sanal bir asistan (Siri veya Alexa gibi). **- Makine Öğrenimi Bileşeni:** Zaman içinde sesli komutlarınızı anlama becerisini geliştirmek için makine öğrenimini kullanır. **Makine Öğrenimi ve Geleneksel Programlama** **Geleneksel Programlama:** **- Nasıl Çalışır?** Programcı, bilgisayarın takip etmesi için açık talimatlar (kurallar) yazar. **- Örnek:** Kuralların sabit kodlandığı (örneğin, gelirin %20\'si vergiye gider) vergi hesaplama programı. **- Temel Karakteristik:** Bilgisayar sadece programcı tarafından verilen kuralları takip eder. **- Benzetme:** Bir aşçının doğaçlama yapmadan bir tarifi adım adım takip etmesi gibi. **Makine Öğrenimi (ML):** **- Nasıl Çalışır?** Makine verilerden kalıpları öğrenir ve sorunları çözmek için kendi kurallarını oluşturur. **- Örnek:** Bir makine öğrenimi modeli, önceden tanımlanmış kurallar olmaksızın gelire dayalı vergi tutarlarını tahmin etmek için geçmiş vergi verileriyle eğitilir. **- Temel Karakteristik:** Makine daha fazla veri işledikçe ve bunlardan öğrendikçe gelişir. **- Benzetme:** Bir aşçının farklı malzemelerle denemeler yapması ve zaman içinde öğrenerek daha iyi tarifler oluşturması gibi. **- Temel Farklılıklar:** **- Kurallar vs. Öğrenme:** **- Geleneksel programlama =** kurallar programcı tarafından manuel olarak belirlenir. **- ML=** Makine öğrenir ve verilerden kurallar oluşturur. **- Uyarlanabilirlik:** \- Geleneksel programlar statiktir ve yeniden programlanmadan yeni verilere adapte olamazlar. \- Makine öğrenimi modelleri yeni modellere uyum sağlayabilir ve yeni verilere göre kendilerini güncelleyebilir. **- Örnek:** **- Geleneksel Programlama:** Kodlanmış kurallara dayalı bir spam filtresi (örneğin, belirli anahtar kelimeleri engelleme). **- Makine Öğrenimi:** Binlerce e-postadaki kalıpları analiz ederek ve yeni spam tekniklerine uyum sağlayarak spam tespit etmeyi öğrenen bir spam filtresi. **Makine Öğreniminin temel unsurları** **1. Veri:** \- Makinenin öğrenmek için kullandığı hammadde. Veriler sayılar, metinler, görüntüler veya diğer bilgiler olabilir. **- Örnek:** Gelecekteki satın alımları tahmin etmek için müşteri verileri. \- Verilerin kalitesi ve miktarı modelin doğruluğunu doğrudan etkiler. **2. Özellikler:** **- Tanım:** Modelin tahminlerde bulunmak için kullandığı önemli veri parçaları. **- Örnek:** Ev fiyatlarını tahmin ederken, özellikler arasında evin büyüklüğü, konumu ve yatak odası sayısı yer alabilir. \- Özelliklerin dikkatlice seçilmesi ve hazırlanması modelin başarısı için çok önemlidir.  **3. Eğitim:** **- Tanım:** Makineyi verilerle besleyerek ve kalıpları öğrenmesine izin vererek öğretme süreci. **- Örnek:** Binlerce etiketli e-postanın (spam ve spam değil) bir modele beslenmesi. \- Eğitim, modelin verilerdeki ilişkileri anlamasına yardımcı olur. **4. Model:** **- Tanım:** Örüntüleri ortaya çıkaran ve tahminler ya da kararlar veren verilerin matematiksel temsili. **- Örnek:** El yazısı rakamları tanımak için eğitilmiş bir model. \- Model daha fazla veriye maruz kaldıkça gelişir. **5. Testler:** **- Tanım:** Eğitimden sonra model, performansını değerlendirmek için yeni, görünmeyen veriler üzerinde test edilir. **- Örnek:** Bir spam tespit modelinin ne kadar iyi çalıştığını görmek için yeni e-postalar üzerinde test edilmesi. **- Anahtar Fikir:** Test, modelin yeni durumlara genelleştirilebilmesini sağlar. **6. Doğruluk:** **- Tanım:** Modelin tahminlerinin gerçek sonuçlarla ne kadar iyi eşleştiğinin bir ölçüsü. **- Örnek:** Her 100 e-postadan 90\'ını doğru sınıflandıran bir model %90 doğruluğa sahiptir. **- Ana Fikir:** Doğruluk, bir modelin etkinliğini değerlendirmek için kullanılan yaygın bir ölçüttür. **Verilerin rolü** **- Veri Anahtardır:** Makineler öğrenmek ve karar vermek için veriye ihtiyaç duyar. **- Veri Türleri:** **- Etiketlenmiş Veri:** Denetimli öğrenme için kullanılır. **- Etiketsiz Veriler:** Denetimsiz öğrenme için kullanılır. **- Etkileşim Verileri:** Takviyeli öğrenme için kullanılır (geri bildirim verileri). **- Veri Kalitesi:** Zayıf veya önyargılı veriler yanlış sonuçlara yol açar. İyi bir makine öğrenimi performansı için yüksek kaliteli veriler gereklidir.  **Makine öğrenimi nasıl çalışır?** **1. Veri Toplama:** **- Tanım:** Modeli eğitmek için kullanılacak ilgili verilerin toplanması. **- Örnek:** Bir sınıflandırma görevi için kedi ve köpek görüntülerinin toplanması. \- Toplanan verilerin kalitesi ve çeşitliliği etkili öğrenme için çok önemlidir. **2. Veri Hazırlama:** **- Tanım:** Eğitim için uygun hale getirmek üzere verilerin temizlenmesi ve düzenlenmesi. **- Örnek:** Mükerrerlerin kaldırılması, eksik değerlerin doldurulması ve metnin sayısal formatlara dönüştürülmesi. \- Doğru veri hazırlama model performansını artırır.  **3. Model Seçimi:** **- Tanım:** Problem türüne göre (sınıflandırma, regresyon vb.) uygun algoritmanın seçilmesi. **- Örnek:** Satışları tahmin etmek için doğrusal regresyona karşı bir sınıflandırma problemi için bir karar ağacı seçmek. \- Doğru model seçimi, öğrenme sürecinin etkinliğini etkiler. **4. Modelin Eğitilmesi:** **- Tanım:** Modelin kalıpları ve ilişkileri öğrenebilmesi için hazırlanan verilerin modele beslenmesi. **- Örnek:** Yeni bir görüntünün kedi mi yoksa köpek mi içerdiğini belirlemek üzere bir modeli eğitmek için etiketli görüntüleri kullanma. \- Model, eğitim sırasında tahmin hatalarını en aza indirmek için parametrelerini ayarlar.  **5. Modelin Test Edilmesi:** **- Tanım:** Performansını ölçmek için ayrı bir görünmeyen veri kümesi kullanarak eğitilmiş modelin değerlendirilmesi. **- Örnek:** Kedi/köpek sınıflandırıcısının daha önce görmediği yeni görüntüler üzerinde test edilmesi. \- Test, modelin yeni verilere ne kadar iyi genelleme yaptığını değerlendirmeye yardımcı olur. **6. Modelin Geliştirilmesi:** **- Tanım:** Parametrelerin ayarlanmasını, farklı özelliklerin kullanılmasını veya farklı bir algoritmanın seçilmesini içerebilecek şekilde test sonuçlarına dayalı olarak modelin iyileştirilmesi. **- Örnek:** Önemli sayıda görüntüyü yanlış sınıflandırması durumunda modelin değiştirilmesi. \- Daha yüksek doğruluk ve daha iyi performans elde etmek için sürekli iyileştirme şarttır.  **Makine Öğreniminde Nelere Dikkat Edilmeli?** **- Önyargı:** Makineler verilerden önyargıları öğrenebilir. Önyargılı veriler adil olmayan sonuçlara yol açabilir. **- Örnek:** Bir model önyargılı işe alım verileri üzerinde eğitilirse, belirli grupları haksız yere kayırabilir. **- Veri Gizliliği:** Kişisel verilerin korunması ve sorumlu bir şekilde kullanılması. **- Örnek:** Şirketlerin makine öğrenimi için veri kullanırken kullanıcı onayı alması gerekir. **- Model Yorumlanabilirliği:** Bazı modeller anlaşılması zor "kara kutular" gibidir. İşletmeler genellikle yorumlanabilir modelleri tercih eder. **- Örnek:** Karar ağaçlarını açıklamak derin öğrenme modellerini açıklamaktan daha kolaydır. **Makine Öğrenimi Türleri** 1\. Supervised Learning (Gözetimli Öğrenme) 2\. Unsupervised Learning (Denetimsiz Öğrenme) 3\. Semi-Supervised Learning (Yarı Gözetimli Öğrenme) 4\. Reinforcement Learning (Pekiştirmeli Öğrenme) **1. Supervised Learning (Gözetimli Öğrenme)** **Tanım:** Modelin etiketli veriler üzerinde eğitildiği, yani her eğitim örneğinin bir çıktı etiketi ile eşleştirildiği bir makine öğrenimi türü. **- Nasıl Çalışır:** **1. Girdi Verileri:** Model girdi özelliklerini (bağımsız değişkenler) alır. **Örnek:** Kredi riskini tahmin etmede yaş, gelir ve eğitim seviyesi gibi özellikler. **2. Etiketlenmiş Çıktı:** Her girdi doğru bir çıktı (bağımlı değişken) ile ilişkilendirilir. **Örnek:** Bir kredinin geri ödenip ödenmediğini gösteren etiketler (evet/hayır). **3. Öğrenme Süreci:** Model, tahmin edilen ve gerçek etiketler arasındaki hatayı en aza indirerek girdileri çıktılarla eşleştirmeyi öğrenir. **Örnek:** Eğitim verilerine en iyi şekilde uyması için doğrusal regresyon modelindeki ağırlıkların ayarlanması. **Supervised learning (Denetimli öğrenme) nasıl çalışır?** \- Modellere istenen çıktıyı vermeyi öğretmek için bir eğitim seti kullanır. \- Bu eğitim veri seti, modelin zaman içinde öğrenmesini sağlayan girdileri ve doğru çıktıları içerir. \- Algoritma, kayıp fonksiyonu aracılığıyla doğruluğunu ölçer. \- Hata yeterince minimize edilene kadar ayarlama yapar. **Supervised learning (Gözetimli öğrenme) iki tür probleme ayrılabilir:** **1. Sınıflandırma:** \- Test verilerini kategorilere doğru bir şekilde atamak için bir algoritma kullanır. \- Veri kümesindeki belirli varlıkları tanır ve bu varlıkların nasıl etiketlenmesi veya tanımlanması gerektiği konusunda bazı sonuçlar çıkarmaya çalışır. \- Yaygın sınıflandırma algoritmaları linear classifiers (doğrusal sınıflandırıcılar), support vector machines (SVM) (destek vektör makineleri), decision trees (karar ağaçları), k-nearest neighbor (k-en yakın komşu) ve random forest (rastgele ormandır). **2. Regresyon:** \- Bağımlı ve bağımsız değişkenler arasındaki ilişkiyi anlamak için kullanılır. \- Genellikle belirli bir işletme için satış geliri gibi projeksiyonlar yapmak için kullanılır. \- Linear regression (Doğrusal regresyon), logistic regression (lojistik regresyon) ve polynomial regression (polinom regresyon) popüler regresyon algoritmalarıdır. **Doğrusal regresyon:** \- Bir bağımlı değişken ile bir veya daha fazla bağımsız değişken arasındaki ilişkiyi tanımlamak için kullanılır. \- Genellikle gelecekteki sonuçlar hakkında tahminlerde bulunmak için kullanılır. \- Sadece bir bağımsız değişken ve bir bağımlı değişken olduğunda, bu basit doğrusal regresyon olarak bilinir. Bağımsız değişkenlerin sayısı arttıkça, çoklu doğrusal regresyon olarak adlandırılır. \- Her bir doğrusal regresyon türü için, en küçük kareler yöntemiyle hesaplanan en iyi uyum çizgisini çizmeye çalışır. Ancak, diğer regresyon modellerinden farklı olarak, bu çizgi bir grafik üzerine çizildiğinde düzdür. **Doğrusal Regresyon:** Sürekli değerleri tahmin etmek için kullanılır. **- Örnek:** Pazarlama harcamalarına göre satışları tahmin etme.  **Lojistik regresyon:** \- Bağımlı değişkenler sürekli olduğunda doğrusal regresyondan yararlanılır. \- Lojistik regresyon, bağımlı değişken kategorik olduğunda, yani "doğru" ve "yanlış" veya "evet" ve "hayır" gibi ikili çıktılara sahip olduklarında seçilir. \- Her iki regresyon modeli de veri girdileri arasındaki ilişkileri anlamaya çalışsa da, lojistik regresyon esas olarak spam tanımlama gibi ikili sınıflandırma problemlerini çözmek için kullanılır. **- Lojistik Regresyon:** İkili sınıflandırma görevleri için kullanılır. **- Örnek:** Bir e-postanın spam olup olmadığını belirleme. **Karar ağacı:** \- Hem sınıflandırma hem de regresyon görevleri için kullanılır. \- Kök düğüm, dallar, iç düğümler ve yaprak düğümlerinden oluşan hiyerarşik bir ağaç yapısına sahiptir. \- Karar ağacı, gelen herhangi bir dalı olmayan bir kök düğümle başlar. \- Kök düğümden çıkan dallar daha sonra karar düğümleri olarak da bilinen iç düğümlere beslenir. \- Mevcut özelliklere dayanarak, her iki düğüm tipi de yaprak düğümleri veya terminal düğümleri ile gösterilen homojen alt kümeler oluşturmak için değerlendirmeler yapar. \- Yaprak düğümler, veri kümesindeki tüm olası sonuçları temsil eder. \- **Karar Ağaçları:** Karar verme için akış şeması benzeri bir yapı. **- Örnek:** Kredi başvurularının risk faktörlerine göre sınıflandırılması.  **Rastgele orman:** \- Hem sınıflandırma hem de regresyon amacıyla kullanılan bir başka denetimli makine öğrenimi algoritması. \- "Orman", birbiriyle ilişkili olmayan karar ağaçlarından oluşan bir koleksiyona atıfta bulunur. \- Varyansı azaltmak ve daha doğru veri tahminleri oluşturmak için bir araya getirilirler. metin, diyagram, çizgi, tasarım içeren bir resim Açıklama otomatik olarak oluşturuldu **Destek vektör makineleri (SVM):** \- Hem veri sınıflandırması hem de regresyon için kullanılır. \- Sınıflandırma problemleri için, iki veri noktası sınıfı arasındaki mesafenin maksimum olduğu bir hiper düzlem oluşturulur. \- Bu hiper düzlem karar sınırı olarak bilinir ve düzlemin her iki tarafındaki veri noktalarının sınıflarını (örneğin, portakallar ve elmalar) ayırır. **- Destek Vektör Makineleri (SVM):** Sınıfları ayırmak için en uygun hiper düzlemi bulur. **- Örnek:** Görüntü sınıflandırma (kediler ve köpekler).  **K-en yakın komşu (KNN algoritması):** \- Veri noktalarını yakınlıklarına ve mevcut diğer verilerle ilişkilerine göre sınıflandıran bir algoritma. \- Bu algoritma, benzer veri noktalarının birbirlerine yakın bulunabileceğini varsayar. \- Veri noktaları arasındaki mesafeyi, genellikle Öklid mesafesi aracılığıyla hesaplamaya çalışır ve ardından en sık kullanılan kategoriye veya ortalamaya göre bir kategori atar. \- Kullanım kolaylığı ve düşük hesaplama süresi, veri bilimcileri tarafından tercih edilen bir algoritma olmasını sağlar, ancak test veri kümesi büyüdükçe işlem süresi uzar ve sınıflandırma görevleri için daha az çekici hale gelir. \- KNN tipik olarak tavsiye motorları ve görüntü tanıma için kullanılır.  **Supervised learning (Denetimli öğrenme)nin zorlukları** \- Denetimli öğrenme modellerinin doğru bir şekilde yapılandırılması için belirli düzeylerde uzmanlık gerekebilir. \- Denetimli öğrenme modellerinin eğitimi çok yoğun zaman alabilir. \- Veri kümelerinde insan hatası olasılığı daha yüksek olabilir ve bu da algoritmaların yanlış öğrenmesine neden olabilir. \- unsupervised learning (Denetimsiz öğrenme) modellerinin aksine, supervised learning (denetimli öğrenme) verileri kendi başına kümeleyemez veya sınıflandıramaz. **supervised learning (Denetimli öğrenme)nin avantajları** \- Algoritmanın çıktısı başlangıçtan itibaren sabittir ve doğrudan belirlenebilir ve etkilenebilir. \- Kategoriler çok spesifik olabilir ve bunlardan kaç tane olduğu önceden bilinir. \- supervised learning (Denetimli öğrenme), diğer makine öğrenimi türleriyle karşılaştırıldığında, anlaşılması nispeten kolaydır. Model eğitildikten sonra, sonuç üretmek için başka bir eğitime ihtiyaç duymaz. Basitçe öğrenilen formüle göre çalışır. \- supervised learning (Denetimli öğrenme) genellikle sınıflandırma problemlerini çözmede çok iyidir. **supervised learning (Denetimli öğrenme)nin dezavantajları** \- İyi sonuçlar elde etmek için eğitim verilerinin hacmi çok büyük olmalıdır. Örneğin, bir sınıflandırma algoritması yalnızca "kuş" ve "fare" sınıflarıyla eğitilirse ve daha sonra kedili bir resmi sınıflandırması istenirse, kaçınılmaz olarak resmi yanlış sınıflandıracaktır. \- Veriler etiketlenmelidir, aksi takdirde algoritma bunları sınıflandıramaz. \- supervised learning (Denetimli öğrenme) oldukça basit çalıştığından, karmaşık makine öğrenimi görevleri için uygun değildir. **2. Unsupervised Learning (Denetimsiz Öğrenme)** **Tanım:** Modelin etiketsiz veriler üzerinde eğitildiği bir makine öğrenimi türüdür, yani girdi verileri için önceden tanımlanmış çıktı etiketleri yoktur. **Nasıl Çalışır:** **1. Girdi Verileri:** Model, karşılık gelen çıktı etiketleri olmadan giriş özelliklerini alır. **Örnek:** Yaş, satın alma geçmişi ve tarama davranışı gibi müşteri verileri. **2. Kalıpların Bulunması:** Model, veri içindeki doğal yapıları, kalıpları veya gruplamaları tanımlar. **Örnek:** Müşterilerin benzer satın alma davranışlarına göre segmentler halinde gruplandırılması. **3. Çıktı:** Sonuç, açık tahminlerden ziyade bir dizi küme veya ilişkidir. **Örnek:** Hedefli pazarlama için farklı müşteri segmentlerinin belirlenmesi. **Uygulamalar:** **- Müşteri Segmentasyonu:** Hedefli pazarlama stratejileri için farklı müşteri gruplarını belirleme. **- Anomali Tespiti:** Çoğunluktan önemli ölçüde farklı olan olağandışı veri noktalarını tespit etme. **- Örnek:** Finansal işlemlerde dolandırıcılık tespiti. **- Veri Sıkıştırma:** Önemli bilgileri korurken veri kümelerinin boyutunu küçültme. **- Öneri Sistemleri:** Kullanıcı davranış ve tercihlerine göre ürün önerme. **Müşteri Segmentasyonu:** **- Veri:** Müşteri satın alma geçmişi. **- Model:** Müşterileri satın alma davranışlarına göre segmentlere ayırır. **- Sonuç:** İşletmeler hedefli pazarlama için segmentleri kullanır.  Unsupervised Learning (Denetimsiz öğrenme) 3 görev olarak sınıflandırılabilir: Kümeleme, İlişkilendirme ve Boyut azaltma **1. Kümeleme:** \- Kümeleme, etiketlenmemiş verileri benzerliklerine veya farklılıklarına göre gruplar. \- Kümeleme algoritmaları, ham, sınıflandırılmamış veri nesnelerini, bilgilerdeki yapılar veya örüntülerle temsil edilen gruplar halinde işlemek için kullanılır. \- Kümeleme algoritmaları, özellikle özel, örtüşen, hiyerarşik ve olasılıksal olmak üzere birkaç türe ayrılabilir. **K-ortalamalar kümelemesi:** \- Veri noktalarının K gruplarına atandığı özel kümeleme yönteminin yaygın bir örneğidir; burada K, her grubun merkez noktasına olan uzaklığa dayalı küme sayısını temsil eder. \- Belirli bir merkeze en yakın veri noktaları aynı kategori altında kümelenecektir. Daha büyük bir K değeri, daha fazla ayrıntıya sahip daha küçük gruplamaların göstergesi olurken, daha küçük bir K değeri daha büyük gruplamalara ve daha az ayrıntıya sahip olacaktır. \- K-ortalamalar kümelemesi genellikle pazar segmentasyonu, belge kümelemesi, görüntü segmentasyonu ve görüntü sıkıştırmada kullanılır.  **Hiyerarşik kümeleme:** \- Benzer nesneleri küme adı verilen gruplar halinde gruplayan bir algoritma. \- İki şekilde kategorize edilebilir: kümeleyici veya bölücü. \- Aglomeratif kümeleme bir "aşağıdan yukarıya yaklaşım" olarak kabul edilir. \- Bölücü kümeleme, yığılmalı kümelemenin tam tersi olarak tanımlanabilir. Bunun yerine, "yukarıdan aşağıya" bir yaklaşım benimser. **2. Birliktelik kuralı öğrenimi:** \- Belirli bir veri setindeki değişkenler arasındaki ilişkileri bulmak için kullanılan kural tabanlı yöntem. \- Bu yöntemler, şirketlerin farklı ürünler arasındaki ilişkileri daha iyi anlamalarını sağlayan pazar sepeti analizi için sıklıkla kullanılır. \- Müşterilerin tüketim alışkanlıklarını anlamak, işletmelerin daha iyi çapraz satış stratejileri ve tavsiye motorları geliştirmelerini sağlar. \- Bunun örnekleri Amazon\'un "Bu Ürünü Satın Alan Müşteriler de Satın Aldı" veya Spotify\'ın "Haftalık Keşfet" çalma listesinde görülebilir. \- Birliktelik kuralları oluşturmak için kullanılan Apriori, Eclat ve FP-Growth gibi birkaç farklı algoritma olsa da en yaygın olarak Apriori algoritması kullanılmaktadır.  **3. Boyut azaltma:** \- Daha fazla veri genellikle daha doğru sonuçlar verir. \- Ayrıca makine öğrenimi algoritmalarının performansını da etkileyebilir (örn. aşırı uyum) \- Ayrıca veri kümelerinin görselleştirilmesini de zorlaştırabilir. \- Belirli bir veri kümesindeki özelliklerin veya boyutların sayısı çok yüksek olduğunda kullanılır. \- Veri girdilerinin sayısını yönetilebilir bir boyuta indirirken aynı zamanda veri kümesinin bütünlüğünü mümkün olduğunca korur. \- Genellikle ön işleme veri aşamasında kullanılır ve kullanılabilecek birkaç farklı boyutsallık azaltma yöntemi vardır. **Temel bileşen analizi (PCA):** \- Fazlalıkları azaltmak ve özellik çıkarma yoluyla veri kümelerini sıkıştırmak için kullanılır. \- Bu yöntem, yeni bir veri temsili oluşturmak için doğrusal bir dönüşüm kullanır ve bir dizi "temel bileşen" ortaya çıkarır. \- Birinci temel bileşen, veri kümesinin varyansını maksimize eden yöndür. İkinci temel bileşen de verilerdeki maksimum varyansı bulurken, birinci temel bileşenle tamamen ilişkisizdir ve birinci bileşene dik veya ortogonal bir yön verir. \- Bu süreç boyut sayısına bağlı olarak tekrarlanır ve bir sonraki temel bileşen, en fazla varyansa sahip önceki bileşenlere dik olan yöndür.  **Unsupervised Learning (Denetimsiz öğrenme)nin zorlukları** \- Yüksek hacimli eğitim verisi nedeniyle hesaplama karmaşıklığı \- Daha uzun eğitim süreleri \- Daha yüksek hatalı sonuç riski \- Çıktı değişkenlerini doğrulamak için insan müdahalesi \- Verilerin hangi temelde kümelendiğine dair şeffaflık eksikliği **Unsupervised Learning (Denetimsiz öğrenme)nin Avantajları** **- Etiketli veri gerekmez:** Denetimli öğrenmenin aksine, etiketlenmiş eğitim verisi gerekmez. Bu, etiketli veri elde etmenin zor veya pahalı olduğu durumlarda çok faydalı olabilir. **- Gizli örüntülerin tespiti:** Denetimsiz Öğrenme, verilerde ilk bakışta belli olmayan gizli kalıpları ve yapıları tespit edebilir. Bu, aksi takdirde keşfedilemeyecek yeni bilgi ve içgörülerin elde edilmesine yardımcı olabilir. **- Anomali tespiti:** Denetimsiz Öğrenme, verilerde sorunlara veya sapmalara işaret edebilecek anormallikleri veya aykırı değerleri tespit edebilir. Bu, dolandırıcılık tespiti, güvenlik veya sağlık izleme gibi birçok uygulamada faydalı olabilir. **- Esneklik:** Denetimsiz Öğrenme esnektir ve birçok farklı şekilde uygulanabilir. Bu da onu veri analizi ve makine öğrenimi için çok yönlü bir araç haline getirir. **- Ölçeklenebilirlik:** Denetimsiz öğrenme büyük veri setlerine uygulanabilir ve genellikle ölçeklenebilirdir, yani karmaşık problemler ve büyük veri setleri için kullanılabilir. **Denetimsiz ve denetimli öğrenme** **- Eğitim verisi:** Denetimli öğrenmede, etiketli cevaplar (örneğin sınıflandırmalar) içeren bir dizi eğitim verisi mevcutken, denetimsiz öğrenmede etiketli cevaplar verilmez ve sistemin kendisi verilerdeki kalıpları ve korelasyonları tanımak zorundadır. **- Amaç** Denetimli öğrenme, yeni etiketlenmemiş verileri doğru bir şekilde sınıflandırabilen veya tahmin edebilen bir model olmayı amaçlamaktadır. Buna karşılık, denetimsiz öğrenmenin amacı, verilerdeki gizli yapıları veya örüntüleri tanımak ve anlamaktır. **- Görevler:** Denetimli öğrenme, Görüntü tanıma gibi dar tanımlı ve uzmanlaşmış görevler için kullanılma eğilimindedir. Denetimsiz öğrenmenin kullanımı kümeleme, anomali tespiti ve boyut azaltma gibi görevler için daha yaygındır. \- Her iki teknik de verilerdeki örüntüleri ve ilişkileri tanımlamak ve tahminlerde bulunmak için makine öğrenimi algoritmalarını kullanır. \- Her iki teknik de içgörü ve fayda sağlamak için birçok farklı uygulama alanında kullanılabilir. \- Her iki teknik, daha da iyi sonuçlar elde etmek için Yarı Denetimli Öğrenme gibi hibrit yaklaşımlarda birlikte kullanılabilir. **Semi-Supervised Learning (Yarı Denetimli Öğrenme)** \- Tahmin görevleri için denetimli modellerin eğitimi genellikle etiketli veri gerektirir. \- Açıklamalı veri noktaları gerekli bağlamı sağlar ve her örnek girdi için doğru tahminleri (çıktı) gösterir. \- Eğitim sırasında bir kayıp fonksiyonu, modelin belirli bir girdi için tahminleri ile bu girdinin etiketi tarafından sağlanan "temel gerçek" arasındaki farkı (kayıp) ölçer. \- Modeller, kaybı en aza indirmek için model ağırlıklarını güncelleyen gradyan inişi gibi teknikler kullanarak bu etiketli örneklerden öğrenir. \- Bu makine öğrenimi süreci aktif olarak insanları içerir, buna "denetimli" öğrenme denir. Karmaşık yapay zeka görevleri için verilerin doğru şekilde etiketlenmesi giderek daha fazla emek gerektiriyor. Örneğin, **- Bilgisayarla görme görevi:** Otomobiller ve motosikletler arasında ayrım yapmak için bir görüntü sınıflandırma modeli eğitmek, \- Binlerce eğitim görüntüsünün "araba" veya "motosiklet" olarak etiketlenmesi gerekir; \- Nesne algılama gibi daha ayrıntılı bir görev için, insanlar yalnızca her görüntünün içerdiği nesneleri değil, aynı zamanda her nesnenin nerede bulunduğunu da açıklamalıdır; \- Görüntü segmentasyonu gibi daha da ayrıntılı görevler için, veri etiketleri her görüntü için farklı görüntü segmentlerinin belirli piksel piksel sınırlarını açıklamalıdır. \- Verileri etiketlemek, belirli kullanım durumları için özellikle sıkıcı olabilir. \- Yarı denetimli öğrenme, az miktarda etiketli veriden maksimum fayda elde etmenin yanı sıra nispeten bol miktarda etiketsiz veriden de yararlanmanın bir yolunu sunar. **Tanım:** Eğitim için hem etiketli hem de etiketsiz verileri birleştiren, hem denetimli hem de denetimsiz öğrenmenin güçlü yönlerinden yararlanan bir makine öğrenimi türü. **- Nasıl Çalışır:** **1. Etiketli Veri:** Eğitim veri setinin küçük bir kısmı etiketli örneklere (girdi çıktı çiftleri) sahiptir. **Örnek:** Birkaç kedi ve köpek görüntüsü "kedi" veya "köpek" olarak etiketlenir. **2. Etiketsiz Veriler:** Eğitim veri kümesinin daha büyük bir kısmı, önceden tanımlanmış çıktıları olmayan etiketsiz örneklerden oluşur. **Örnek:** Çok sayıda kedi ve köpek görüntüsü toplanır, ancak bunlar etiketlenmez. **3. Öğrenme Süreci:** Model, öğrenmeyi yönlendirmek için etiketli verileri ve kalıpları ve ilişkileri keşfetmek için etiketsiz verileri kullanarak hem etiketli hem de etiketsiz verilerden öğrenir. **Örnek:** Etiketli görüntüleri kullanarak hayvanları sınıflandırmak için eğitilen bir model, hem etiketli hem de etiketsiz görüntülerden kedi ve köpeklerin özelliklerini tanımlamayı öğrenir. **Temel Özellikler:** **- Azaltılmış Etiketleme Çabası:** Daha az sayıda etiketli örnek gerektirir, bu da etiketleme verilerinin zaman alıcı veya pahalı olduğu senaryolarda uygun maliyetli ve verimli olmasını sağlar. **- Geliştirilmiş Performans:** Etiketsiz verilerden elde edilen daha geniş bağlamı kullandığından, yalnızca etiketli veya etiketsiz verilerin kullanılmasına kıyasla genellikle daha iyi model performansı sağlar. **Transdüktif öğrenme yöntemleri:** \- Belirli bir etiketsiz veri noktası kümesi için etiket tahminlerini tanımak üzere mevcut etiketleri kullanır \- Denetimli bir temel öğrenici tarafından kullanılabilir. **Tümevarımsal yöntemler:** \- Tüm (etiketli ve etiketsiz) girdi uzayını modelleyebilen bir sınıflandırıcı eğitmeyi amaçlayın \- Transdüktif yöntemler yalnızca etiketsiz veriler için etiket tahminleri vermeyi amaçlar. **Yaygın Algoritmalar:** \- Kendi Kendine Eğitim \- Ortak Eğitim \- Grafik Tabanlı Yöntemler **Kendi Kendine Eğitim:** \- Model başlangıçta etiketli veriler üzerinde eğitilir. \- Daha sonra etiketsiz verileri yinelemeli olarak etiketlemek için kullanılır. **Ortak Eğitim:** \- İki veya daha fazla model farklı özellik kümeleri üzerinde aynı anda eğitilir. \- Birbirleri için etiketlenmemiş verilerin etiketlenmesine yardımcı olurlar.  **Grafik Tabanlı Yöntemler:** \- Veri noktalarını ve bunların ilişkilerini temsil etmek için grafik yapılarını kullanın. \- Etiketleri bağlı düğümler aracılığıyla yayar. **Yarı denetimli ve denetimli makine öğrenimi** **Yarı denetimli ve denetimli makine öğrenimi arasındaki ayrım:** \- İlki, eğitim sürecinde hem etiketli hem de etiketsiz veri örneklerini kullanır. \- İkincisi yalnızca tam etiketli veri kümeleri kullanılarak eğitilebilir. \- Yarı denetimli öğrenme teknikleri, etiketlenmemiş örneklerden gelen bilgileri dahil etmek için "temel öğrenici" olarak adlandırılan denetimli bir algoritmayı değiştirir veya tamamlar. \- Yarı denetimli (ve tam denetimli) öğrenmenin aksine, denetimsiz öğrenme algoritmaları ne etiketlenmiş veri ne de kayıp fonksiyonları kullanır. \- Denetimsiz öğrenme, model doğruluğunun ölçülebileceği ve optimize edilebileceği herhangi bir "temel gerçek" bağlamından yoksundur. **Uygulamalar:** **- Görüntü Sınıflandırma:** Sadece küçük bir görüntü kümesinin etiketlendiği görüntülerin sınıflandırılması (örneğin, tıbbi görüntüleme). **- Metin Sınıflandırma:** Sınırlı etiketli eğitim verisine sahip belgelerin sınıflandırılması (örn. duygu analizi). **- Konuşma Tanıma:** Hem etiketli hem de etiketsiz ses örneklerini kullanarak ses tanıma sistemlerini geliştirme. **- Web İçerik Sınıflandırması:** Sadece birkaç sayfanın etiketli olduğu web sayfalarının sınıflandırılması. **Reinforcement Learning (Takviyeli Öğrenme) (RL):** **Tanım:** Otonom bir aracın bir çevreyle etkileşime girerek ve ödüller veya cezalar şeklinde geri bildirim alarak karar vermeyi öğrendiği bir tür makine öğrenimi. \- Otonom bir araç, bir insan kullanıcının doğrudan talimatlarından bağımsız olarak karar verebilen ve çevresine yanıt olarak hareket edebilen herhangi bir sistemdir. **- Örneğin:** Robotlar ve sürücüsüz arabalar. \- Otonom bir araç, bir insan kullanıcıdan herhangi bir yönlendirme olmaksızın deneme yanılma yoluyla bir görevi yerine getirmeyi öğrenir. \- Özellikle belirsiz ortamlarda sıralı karar verme problemlerini ele alır ve yapay zeka gelişiminde umut vaat eder. **- Nasıl Çalışır:** **1. Aracı:** Öğrenen veya karar verici (örneğin, bir robot veya yazılım programı). **2. Ortam:** Temsilcinin içinde çalıştığı ve karar verdiği ortam. **Örnek:** Bir labirent ya da satranç gibi bir oyun. **3. Eylemler:** Temsilcinin ortamda yapabileceği seçimler kümesi. **Örnek:** Bir labirentte sola, sağa, yukarı veya aşağı hareket etmek. **4. Ödüller:** Bir eylemde bulunduktan sonra alınan geri bildirim. Pozitif ödüller eylemleri teşvik ederken, negatif ödüller (cezalar) cesaretlerini kırar. **Örnek:** Bir hedefe ulaşıldığında puan kazanılması veya bir duvara çarpıldığında puan kaybedilmesi. **5. Öğrenme Süreci:** Temsilci çevreyi keşfeder, farklı eylemler dener ve zaman içinde sonuçlardan öğrenir. **Örnek:** Deneme yanılma yoluyla bir labirentte gezinmeyi öğrenen bir oyuncu. **Markov karar süreci** \- Aracı, çevresiyle etkileşime girerek bir problem hakkında bilgi edinir. \- Ortam, mevcut durumu hakkında bilgi sağlar. \- Temsilci daha sonra bu bilgiyi hangi eylem(ler)i gerçekleştireceğini belirlemek için kullanır. \- Eğer bu eylem çevreden bir ödül sinyali alırsa, ajan gelecekte benzer bir durumda olduğunda bu eylemi tekrar yapmaya teşvik edilir.  **- Keşif-kullanma değiş tokuşu** \- Bir ajanın davranışını yönlendiren manuel olarak etiketlenmiş girdi verileri yoktur. \- Çevresini keşfetmeli, ödül alan eylemleri keşfetmek için yeni eylemler denemelidir. \- Bu ödül sinyallerinden, ajan kazancını maksimize etmek için ödüllendirildiği eylemleri tercih etmeyi öğrenir. \- Temsilci yeni durumları ve eylemleri de keşfetmeye devam etmelidir. \- Bunu yaparken, daha sonra bu deneyimi karar verme sürecini iyileştirmek için kullanabilir. \- Dolayısıyla RL algoritmaları, bir temsilcinin hem daha önce ödüllendirilmiş durum-eylemlerin bilgisinden faydalanmasını hem de diğer durum-eylemleri keşfetmesini gerektirir. \- Temsilci yalnızca keşif veya sömürü peşinde koşamaz. Sürekli olarak yeni eylemler denemeli ve aynı zamanda en büyük kümülatif ödülü üreten tek (ya da zincirleme) eylemleri tercih etmelidir. **Reinforcement Learning (Pekiştirmeli öğrenme)nin bileşenleri:** **1. Politika:** \- Bu, algılanan çevresel durumları, ajanın bu durumlarda yapması gereken belirli eylemlerle eşleştirerek RL ajanının davranışını tanımlar. \- Bu ilkel bir işlev veya daha kapsamlı bir hesaplama süreci şeklinde olabilir. **- Örneğin, otonom bir araca rehberlik eden bir politika, yaya tespitini bir durma eylemiyle eşleştirebilir.** **2. Ödül sinyali:** \- Bu, RL probleminin hedefini belirler. \- RL ajanının eylemlerinin her biri ya çevreden bir ödül alır ya da almaz. \- Temsilcinin amacı, çevreden elde ettiği kümülatif ödülleri maksimize etmektir. Örneğin: \- Kendi kendini süren araçlar, ödül sinyali azaltılmış seyahat süresi, azaltılmış çarpışmalar, yolda ve uygun şeritte kalma, aşırı de- veya hızlanmalardan kaçınma vb. olabilir. **3. Değer fonksiyonu:** \- Değer fonksiyonu uzun vadeli faydayı belirtir. \- Değer, bir durumun, onu takip etmesi muhtemel tüm durumlara göre arzu edilebilirliğini ifade eder. \- Örneğin, otonom bir araç şeridinden çıkarak, kaldırımdan giderek ve hızlı bir şekilde hızlanarak seyahat süresini kısaltabilir. \- Bu üç eylem genel değer fonksiyonunu azaltabilir. \- Dolayısıyla, bir RL ajanı olarak araç, son üç alandaki ödülünü artırmak için daha uzun seyahat süresini takas edebilir. **4. Model:** \- Bu, takviyeli öğrenme sistemlerinin isteğe bağlı bir alt unsurudur. \- Modeller, aracıların olası eylemler için çevre davranışını tahmin etmelerine izin verir. \- Ajanlar daha sonra potansiyel sonuçlara dayalı olarak olası hareket tarzlarını belirlemek için model tahminlerini kullanır. \- Bu, otonom araca rehberlik eden ve en iyi rotaları tahmin etmesine, konumları ve hızları göz önüne alındığında çevredeki araçlardan ne bekleyeceğine yardımcı olan model olabilir. **Uygulamalar:** **- Oyun Oynama:** Optimum stratejileri öğrenerek oyun oynamak için ajanları eğitmek (örn. AlphaGo). **- Robotik:** Robotlara gerçek dünya ortamlarında deneme yanılma yoluyla görevleri yerine getirmeyi öğretmek. **- Sürücüsüz Otomobiller:** Duyusal girdilere dayalı olarak yön bulmayı ve sürüş kararları vermeyi öğrenme. **- Kaynak Yönetimi:** Karmaşık ortamlarda kaynak tahsisini optimize etme (örn. ağ trafiği yönetimi). **- Sürücüsüz Araçlar:** **- Çevre:** Yol, yayalar, trafik ışıkları. **- Eylemler:** Hızlan, fren yap, dön. **- Geri bildirim:** Güvenli sürüş ödüllendirilir ve tehlikeli sürüş cezalandırılır.