Yapay Zeka Konu Özeti (2).pdf

SEÇMELİ YAPAY ZEKÂ UYGULAMALARI KONU ÖZETİ 1.DÖNEM 1.YAZILI YAPAY ZEKÂ NEDİR? Öğrenme: Bir konu hakkında bilgi veya beceri kazanma işidir. Problem Çözme: Sorunun sebeplerinin belirlenmesi, sebeplerin alternatif çözümlerinin seçilmesi ve çöz...

SEÇMELİ YAPAY ZEKÂ UYGULAMALARI KONU ÖZETİ 1.DÖNEM 1.YAZILI YAPAY ZEKÂ NEDİR? Öğrenme: Bir konu hakkında bilgi veya beceri kazanma işidir. Problem Çözme: Sorunun sebeplerinin belirlenmesi, sebeplerin alternatif çözümlerinin seçilmesi ve çözümün uygulanmasıdır. Karar Verme: Probleme ilişkin alternatif çözümler ile ilgili bilgi edindikten sonra, çözüme uygun seçim yapma sürecidir. Doğal Zekâ: İnsanların; yaşadıkları dünyada karşılaştıkları karmaşık problemlere doğru ve verimli çözüm üretebilme yetisine doğal zekâ denir. Yapay Zekâ: İnsan zekâsının bilgisayarlar ve makineler gibi teknolojik cihazlar tarafından taklit edilmesi olarak tanımlanabilir. Yapay Zekâ Ve İnsan Zekâsı Kavramları Benzerlik Ve Farklılıkları YAPAY ZEKÂ KULLANIM ALANLARI Yapay zekâ teknolojileri son yıllarda hızla gelişerek hayatımızın birçok alanında önemli bir rol oynamaya başladı. Akıllı cihazların yaygınlaşması ve internetin her yerde kullanılabilir hale gelmesi, yapay zekâ araçlarının daha da yaygınlaşmasını sağladı. Birçoğumuz;  Yüz tanıma sistemi,  Ses analiz sistemi,  Çeviri servisi,  Sanal asistanları,  Öneri sistemi gibi yapay zekâ uygulamalarından en az bir tanesini günlük yaşantıda kullanmışızdır. Yapay zekâ farklı birçok alanda farklı amaçlarla kullanılmaktadır. Bu durum yapay zekâyı kullanım alanı çok geniş, uzmanlık gerektiren farklı alt çalışma alanlarına sahip uygulamalı bir bilim dalı haline getirmiştir. Yapay Zekâ Alt Alanları Yapay zekâ 7 tane alt alana ayrılır. Bunlar;  Makine Öğrenmesi  Bulanık Mantık  Yapay Sinir Ağları  Doğal Dil İşleme  Uzman Sistemler  Görüntü İşleme’dir.  Genetik Algoritma Makine Öğrenmesi: İnsan zekâsını taklit eden verilerle öğrenen ya da sergilediği performansı iyileştiren yapay zekâ teknolojisidir. Yapay Sinir Ağları: İnsan beyninin bilgiyi işleme tekniğinden esinlenilmiş, biyolojik sinir sistemini taklit eden bir yapay zekâ teknolojisidir.  SEÇMELİ YAPAY ZEKÂ UYGULAMALARI KONU ÖZETİ 1.DÖNEM 1.YAZILI Uzman Sistemler: Gerçek kişilerin uzmanlık alanlarında sahip oldukları deneyimlerden derlenen bilgiler ışığında makinelerin sebep sonuç veya sonuç sebep ilişkisi kurmasına yardımcı olan yapay zekâ teknolojisidir Genetik Algoritma: Problemlere çözüm üretebileceği düşünülen olası birçok çözüm yönteminin problem çözümünde denenerek en iyi çözüm yönteminin öne çıkartılmasına olanak tanıyan yapay zekâ teknolojisidir. Bulanık Mantık: Soğuk-sıcak, aydınlık- karanlık, hızlı-yavaş gibi ikili sonuçlardan ziyade az soğuk-orta soğuk-soğuk- çok soğuk- az sıcak- orta sıcak- sıcak- çok sıcak gibi sonsuz değerde yelpazelendiren yapay zekâ teknolojisidir. Doğal Dil İşleme: Türkçe, İngilizce gibi insan konuşma dillerinin kurallı yapısını çözümleyerek bu dillerin makine tarafından anlaşılması ve yeniden üretilmesine imkân sağlayan yapay zekâ teknolojisidir. Görüntü İşleme: Dijital görüntüyü bilgisayar ve yazılımlar yardımıyla amaca uygun olarak dönüştürmesine imkân sağlayan yapay zekâ teknolojisidir. MAKİNE ÖĞRENMESİ Bilgisayarların bir işi yapabilmeleri için programlamadan o işi yapma kabiliyeti kazanmalarına makine öğrenmesi denir. Makineler Nasıl Öğrenir? Makine öğrenmesi ile bilgisayarın karmaşık bir görevi gerçekleştirmesini sağlamak için o görevin yapılmış olan örneklerinden veriler toplanır. Bilgisayar verilen örneklerdeki verilerden o görevi nasıl yapacağını öğrenir. Makine Öğrenmesi İle İlgili Kavramlar: Veri: Nesneleri ve olayları temsil eden sembollerdir. Veriler ölçüm, sayım, gözlem, deney ya da araştırma yolu ile elde edilebilir. Bir nokta arasındaki mesafe, bir nesnenin ağırlığı, bir binanın yüksekliği, ortamda bulunan kişi sayısı, cinsiyet, yaş, sevdiğin müzikler, yaşamak istediğin şehir, bir sınavdan aldığın puan vb.. veriye örnektir. Enformasyon: İnsanlara anlamlı gelecek şekilde işlenmiş ya da yapılandırılmış veridir. Veriler, enformasyon formuna dönüştürülmek için sınıflandırılır, özetlenir, düzeltilir, hesaplanır veya amaca yönelik diğer gerekli işlemler uygulanır. 6A sınıfının not ortalaması, boy ve kilo ortalaması, satış temsilcilerinin yıllara göre satış miktarı vb... enformasyona örnektir. Bilgi: Bir insan tarafından yorumlanıp anlaşılmış enformasyondur. Bilgi, enformasyon haline dönüştürülmüş gerçeklerin analiz edilmesi ve sentezlenmesi sonucu karar vermeye yönelik olarak elde edilen daha üst seviyeli gerçekleri içerir. Bilgi, enformasyonun fikir, deney, tecrübe, yorum, analiz ve diğer şartlarla zenginleştirilmiş halidir. Aynı zamanda bilgi enformasyondan farklı olarak görüş ve kesin kararlar ve bir hareket bildirir. Verinin bilgi haline gelinceye kadar geçirdiği basamakları aşağıdaki gibi özetleyebiliriz. Büyük Veri: Veri kaynaklarından elde edilen, daha fazla çeşitlilik içeren ve hacmi hızlıca artan büyük ve karmaşık veri kümeleridir.  Sosyal medya uygulamalarındaki veri akışları (Fotoğraf ve video paylaşımları, sayfa beğenileri, reklamları izleme süreleri ve daha pek çok şey),  Bir web sayfasında tıklamalar,  İnsanların internetten aldığı ürünler,  SEÇMELİ YAPAY ZEKÂ UYGULAMALARI KONU ÖZETİ 1.DÖNEM 1.YAZILI  Dijital platformlarda seyrettikleri,  Geçirdikleri hastalıklar vb... birçok veri büyük verinin içinde saklanır. Büyük verilerden çıkarılan anlamlı bilgiler bankacılıktan ulaşıma, sosyal medyadan sağlığa, müşteri memnuniyetinden eğitime kadar birçok sektörde kullanılmaktadır. Büyük veriden tüm bu sektörlerin faydalanabilmesi için büyük verinin doğru analiz edilebilmesi gerekir. Bu da veri madenciliği sayesinde olur. Veri Madenciliği: Büyük veri kullanarak bu verilerden bilgileri ortaya çıkarma sürecidir. Algoritma ve Makine Öğrenmesi: Algoritma: Bir problemin çözümüne yönelik adım adım izlenmesi gereken işlem basamaklarıdır. Algoritmalar ; kesin , anlaşılır , açık ve adım adım olmalıdır. Makine Öğrenmesi İle Klasik Programlama Arasındaki Farklar: Klasik programlamada ; algoritmalar oluşturulur ve girdilere göre çıktılar elde edilir. Makine öğrenmesinde ; girdiler ve çıktılar veri setinde bulunur. Makine öğrenmesi algoritmaları, bu veri setindeki örüntüleri, ilişkileri ve gizli yapıları ortaya çıkararak kuralları ortaya koyar. Model: Makine öğrenmesi sürecinde veriler arasındaki ilişki, örüntü ve kuralları içeren öğelere model denir. Gözlem ve deneyimlerden faydalanılarak modeller belirlenir. Makine Öğrenmesinin Basamakları 1. Problem analiz edilir. 2. Girdi ve çıktı değişkenleri belirlenir. 3. Veri seti üzerinde makine öğrenmesi algoritmaları çalıştırılır. 4. Algoritmalardan elde edilen sonuçlar analiz edilir. 5. Makine analiz sonucunda doğruluk oranı en yüksek olan model belirlenir. 6. Model kullanarak yeni girdilere göre çıktı değerleri üretir. Elde edilen yeni verilerle veri seti değişir. Değişen bu veriler nedeniyle makine öğrenmesi algoritmalarının oluşturduğu modeller de sürekli değişir ve bu değişimle birlikte makineler daha doğru sonuçlar elde edebilirler. Makine Öğrenmesi Türleri : Farklı amaçlar için tasarlanmış makine öğrenmesi algoritmaları bulunmaktadır. Yapılacak işleme göre dört çeşit makine öğrenmesi yaklaşımı bulunmaktadır.  SEÇMELİ YAPAY ZEKÂ UYGULAMALARI KONU ÖZETİ 1.DÖNEM 1.YAZILI 1. Denetimli Öğrenme : Verileri sınıflandırmak veya veriye dayalı tahminde bulunmak amacıyla algoritmaları eğitmek için etiketli veri kümelerinin kullanılmasıdır. Diyelim ki giriş verileri içinde elma ,muz ve kivi karışık halde bulunuyor. Başlangıçta meyveler elma, muz ve kivi şeklinde etiketleniyor. Sonra giriş verilerinde karışık olan meyveler makine öğrenmesi algoritmasına göre etiket ve görsel karşılaştırılarak elma, muz ve kivi olarak çıkış verisinde gruplandırılır. Denetimli Öğrenmenin Özellikleri  Etiketli veriler kullanılır.  Sınıflandırma ve tahmin işlemleri yapılabilir. (Örneğin yaş, eğitim durumu, cinsiyet gibi verilerden yola çıkarak kullanıcının çevrim içi oyun tercihi tahmin edilebilir.) 2. Denetimsiz Öğrenme: Etiketlenmemiş veri kümelerini analiz etmek, verilerin arasındaki ilişkiyi bulmaya çalışmak ve kümelemek için makine öğrenmesi algoritmalarını kullanır. Denetimsiz öğrenme ; etiketlenmemiş giriş verilerini algoritma yardımıyla analiz eder ve verilerin arasındaki ilişkiyi bulmaya çalışarak kümelere ayırır. Verileri gruplandırır. Denetimsiz Öğrenmenin Özellikleri  Etiketlenmemiş veriler özelliklerine göre kümelenebilir.  Etiketlenmemiş veriler arasındaki ilişkiler ortaya çıkartılabilir. (Örneğin çevrimiçi oyun oynayan kullanıcılar oyun tercihlerine göre benzer özelliklerine göre gruplara ayrılabilir.) 3. Yarı Denetimli Öğrenme: Tahmine dayalı bir modeli eğitmek için çok az miktarda etiketlenmiş veri ile çok sayıda etiketlenmemiş veriyi kullanan bir makine öğrenmesi yöntemidir. Bazı durumlarda elimizdeki verilerin tamamını etiketlemek uzun zaman alabilir. Bu durumda kısmi etiketlenme yapılabilir. Diyelim ki elimizdeki meyvelerin bir kısmı muz ve kivi olarak etiketlenmiş olsun.. Giriş verileri içindeki elma görüntüsü önce muz ve kivi olarak sınıflandırılır. Daha sonra bir kullanıcı bu tahminleri gözlemleyerek ve elmaları “elma” olarak etiketleyecektir. Model bu etiketle yeniden eğitilerek elma görüntüleri bundan sonra “elma” olarak sınıflandırılacaktır. Yarı Denetimli Öğrenme Özellikleri  Tahmine dayalı bir modeli eğitmek için çok az miktarda etiketlenmiş veri ile çok sayıda etiketlenmemiş veriyi kullanan bir makine öğrenmesi yöntemidir.  Çoğu yarı denetimli algoritma, denetimli ve denetimsiz algoritmanın birleşiminden oluşmaktadır. Örneğin bazen gelen bir e-posta ile ilgili spam olabilir mi bildirimi alabiliriz. Bu e-postayı spam olarak etiketlersek bundan sonra aynı içerik veya aynı e-posta adresine sahip kişilerden gelen e-postalar spam olarak tahmin edilebilir. 4. Pekiştirmeli Öğrenme: Ajan olarak adlandırılan makine, eylemleri ve deneyimleri sonucunda aldığı dönütleri kullanarak hangi eylemi seçmesi gerektiğini tanımlar. Dönütler ödül veya ceza şeklinde olabilir. Zaman içinde en fazla ödülü almak için politika adı verilen en iyi stratejinin ne olduğunu kendi başına öğrendiği makine öğrenmesi yöntemidir. Pekiştirmeli öğrenme deneme-yanılma/ödül-ceza yöntemi kullanılarak öğrenmeler gerçekleşebilir. Diyelim ki önünüzde iki seçenek var. Bu seçeneklerden birini seçerseniz ödül diğerini seçerseniz ceza alacaksınız. Bu öğrenme yaklaşımda gözlem ve politika sonucunda harekete geçer ve bir seçim yaparsınız. Bu hareketinin sonucunda ödül veya ceza alır ve en iyi stratejinin ne olduğunu kendi başına öğrenmek için politikasını günceller. Politika güncelleme adımı öğrenmenin gerçekleştiği adımdır. Ödül-ceza veya deneme-yanılma ile en fazla ödüle ulaşmak için en iyi politikayı bulmaya çalışır. Pekiştirmeli Öğrenme Özellikleri  Ajan olarak adlandırılan makine, eylemleri ve deneyimleri sonucunda aldığı dönütleri kullanarak hangi eylemi seçmesi gerektiğini tanımlar.  Ajanın zaman içinde en fazla ödülü almak için politika adı verilen en iyi stratejinin ne olduğunu kendi başına öğrendiği makine öğrenmesi yöntemidir. Örneğin evlerimizde kullandığımız robot süpürgeler başka bir odaya geçip geçmemeye veya şarj istasyonuna gidip gitmemeye, kendini yeniden şarj etmek için gideceği yolu ve zamanı hesaplayarak karar verir. Bu durum bir pekiştirmeli öğrenme örneğidir. Yapay Zekâ Ve Etik Etik: Doğru ile yanlışı, haklı ile haksızı, iyi ile kötüyü, adil ile adil olmayanı ayırt etmek, bunun sonucunda doğru, haklı, iyi ve adil olduğuna inandığımız şeyleri yapmaktır. Kısacası iyi ve doğru olanı yapmaktır. Yapay zekâ, insan yapımı bir teknolojidir ve bu nedenle etik sorunlar da beraberinde gelir. Yapay zekânın, insanların hayatını kolaylaştırabilmesi ve hatta kurtarabilmesi mümkündür, ancak bu teknolojinin kullanımı da bazı endişeleri beraberinde getirir. Özellikle yapay zekâ teknolojilerinin temellerinde veri toplama/oluşturma yoğunlukla yer almaktadır.  SEÇMELİ YAPAY ZEKÂ UYGULAMALARI KONU ÖZETİ 1.DÖNEM 1.YAZILI Bu durum da beraberinde etik sorunların tartışılmasına sebep vermektedir. Yapay zekâ alanındaki etik sorunlar sadece veri toplama ile sınırlı değildir. Geçmişten günümüze birçok kişi, kurum yapay zekâ ve etik kavramı ile ilkeleri konularında çalışma yapmıştır. Isaac Asimov, bilim kurgu yazarı olarak, yapay zekâ ve etik konularında öncü çalışmalar yapmıştır. Asimov’un “Üç Yasası” olarak bilinen ilkeleri, yapay zekâ etiği açısından önemlidir. Bu ilkeler şu şekildedir: 1. Bir robot, insanlara zarar veremez veya zarar görmelerine izin veremez. 2. Bir robot, insanlara emir veremez ve insan emirlerine karşı gelmek zorundadır, ancak kendisine verilen emirleri yerine getirmek zorundadır. 3. Bir robot, kendini korumak için insanları tehlikeye atamaz, ancak kendi varlığı tehlike altındaysa, kendini korumak için harekete geçebilir. Asimov’un bu ilkeleri günümüzde de yapay zekâ etiği açısından önemlidir. Özellikle, yapay zekânın insanlara zarar vermemesi ve insan haklarına saygı göstermesi konuları, yapay zekâ etiği için önceliklidir. Ancak, Asimov’un ilkeleri tartışmaya açık konulardır ve yapay zekâ etiği için daha kapsamlı ve güncel bir yaklaşım gerekir. Bu nedenle, günümüzde yapay zekâ etiği konusunda birçok farklı ilke ve yönerge önerilmektedir. Avrupa Birliği Komisyonu Bağımsız Üst Düzey Yapay Zekâ Uzman Etik Grubu 2021 yılında yayımladığı “Güvenilir Yapay Zekâ için Etik Yönergeleri” belgesi ile yapay zekâ teknolojisinin etik ve insan odaklı bir şekilde geliştirilmesini ve kullanılmasını teşvik etmektedir. Güvenilir Yapay Zeka için Etik Yönergeleri İnsan Odaklı Olma : Yapay zekâ sistemleri, insanların refahı, özgürlüğü ve insan haklarına saygı gösterilerek tasarlanmalıdır. Güvenli Olma : Yapay zekâ sistemleri güvenli olmalıdır ve insanlar için olası zararların en aza indirgenmesi sağlanmalıdır. Veri Gizliliği Ve Şeffaflık: Yapay zekâ sistemleri, kullanıcılara ne amaçla kullanıldıklarına dair bilgi vererek şeffaf ve hesap verebilir bir şekilde tasarlanmalıdır. Veri gizliliği de göz önünde bulundu. Sürdürülebilirlik: Yapay zekâ sistemleri, çevreye zarar vermemeli ve sürdürülebilir bir şekilde tasarlanmalıdır. Dürüstlük Ve Şeffaflık: Yapay zekâ sistemleri, kullanıcılar için açık ve anlaşılır bir şekilde tasarlanmalıdır ve doğru ve dürüst bir şekilde tanıtılmalıdır. Çeşitlilik, Ayrımcılık Yapmama Ve Adalet: Yapay zekâ sistemleri, ayrımcılık yapmadan, farklı gruplara eşit ve adil bir şekilde davranacak şekilde tasarlanmalıdır. Sosyal Fayda: Yapay zekâ sistemleri, insanların yaşamlarını iyileştirmek ve toplumsal fayda sağlamak için kullanılmalıdır.