Bilgisayarlar devralmıyor ama her gün daha akıllı oluyorlar
En basit terimlerle, makine öğrenimi (ML), makinelerin (bilgisayarların) programlanmasıdır; böylece, bir insan geliştiriciden ek bir spesifik girdi olmaksızın , bu görevi bağımsız olarak gerçekleştirmek için verileri (bilgileri) kullanarak ve analiz ederek istenen bir görevi gerçekleştirebilir.
Makine Öğrenimi 101
“Makine öğrenimi” terimi, 1959 yılında yapay zekanın (AI) ve bilgisayar oyunlarının öncülerinden Arthur Samuel tarafından IBM laboratuarlarında ele alınmıştır. Sonuç olarak, makine öğrenimi Yapay Zekanın bir dalıdır. Samuel'in öncülü, zamanın bilgisayar modelini ters çevirip bilgisayar şeylerini öğrenmeye bırakmaktı.
Bunun yerine, bilgisayarların en ufak bir bilgiyi bile girmek zorunda kalmadan, kendi başlarına bir şeyler bulmaya başlamasını istedi. Ardından, bilgisayarların sadece görevleri yerine getirmeyeceğini, sonuçta hangi görevlerin ne zaman ve ne zaman yerine getirileceğine karar verebileceğini düşündü. Niye ya? Böylece bilgisayarlar, herhangi bir alanda gerçekleştirmek için gereken insan sayısını azaltabilir.
Makine Öğrenimi Nasıl Çalışır?
Makine öğrenimi, algoritma ve veri kullanımıyla çalışır. Bir algoritma, bir bilgisayara veya programa bir görevi nasıl gerçekleştireceğini söyleyen bir dizi talimat veya yönergedir. ML'de kullanılan algoritmalar verileri toplar, kalıpları tanır ve görevleri tamamlamak için kendi programlarını ve işlevlerini uyarlamak için bu verilerin analizini kullanır.
ML algoritmaları karar vermek ve görevleri gerçekleştirmek için işlem verilerini otomatikleştirmek için kural kümelerini, karar ağaçlarını, grafiksel modelleri, doğal dil işlemeyi ve sinir ağlarını (birkaçına isim vermek) kullanır. ML karmaşık bir konu olsa da, Google'ın Teachable Makinesi, ML'nin nasıl çalıştığına dair basitleştirilmiş bir uygulamalı gösteri sunuyor.
Günümüzde kullanılan en güçlü makine öğrenimi formu, derin öğrenme olarak adlandırılan, çok büyük miktardaki verilere dayanan bir sinir ağı olarak adlandırılan karmaşık bir matematiksel yapı oluşturur. Sinir ağları, insan beynindeki sinir hücrelerinin ve sinir sistemi işlem bilgilerinin yollanmasından sonra ML ve AI algoritmalarıdır.
Yapay Zeka ve Makine Öğrenmeye Karşı Veri Madenciliği
AI, ML ve veri madenciliği arasındaki ilişkiyi en iyi şekilde anlamak için, bir dizi farklı büyüklükteki şemsiyeleri düşünmek faydalı olacaktır. AI en büyük şemsiye. ML şemsiyesi, daha küçük boyutlu ve AI şemsiyesinin altına sığmaktadır. Veri madenciliği şemsiyesi en küçüktür ve ML şemsiyesinin altına sığar.
- AI, bilgisayarları insan zekasından sonra modellenen muhakeme ve karar verme tekniklerini kullanarak daha “akıllı” ve “insan benzeri” yollarla gerçekleştirmek için programlamayı amaçlayan bir bilgisayar bilimi dalıdır.
- ML, veriye dayalı, akıllı kararları daha otomatik bir şekilde yapmak için programlama makinelerine (bilgisayarlar) (gerekli verileri veya örnekleri toplayarak) öğrenmeye odaklanan AI içinde bir hesaplama kategorisidir.
- Veri madenciliği , kalıpları bulmak, içgörüler sağlamak, sınıflandırmalar oluşturmak, problemleri tanımlamak ve ayrıntılı veri analizi sunmak için istatistik, ML, AI ve büyük veri tabanlarını kullanır.
Makine Öğreniminin Yapabileceği (ve Zaten Yaptığı)
Bilgisayarların bir kaç saniyede çok miktarda bilgiyi analiz edebilme kapasitesi, ML'nin zaman ve doğruluğun gerekli olduğu bazı sektörlerde faydalı olmasını sağlar.
- Tıp: Olağanüstü semptomları olan hastaların daha hızlı tanı konması ile acil servis doktorlarına yardım etmek de dahil olmak üzere, tıp alanında bir dizi çözümde ML teknolojisi uygulanmaktadır. Doktorlar hastanın semptomlarının listesini programa girebilir ve ML kullanarak, program tıbbi literatürden trilyonlarca terabyte bilgi toplayabilir ve internette olası tanıların listesini ve rekor sürede önerilen test veya tedaviyi geri döndürür.
- Eğitim: ML, öğrencinin öğrenme ihtiyaçlarına, örneğin sanal öğrenim asistanları ve daha etkileşimli elektronik ders kitapları gibi kendilerini uyarlayan eğitim araçları oluşturmak için kullanılır. Bu araçlar, öğrencinin kısa sınavlar ve alıştırma alıştırmaları kullanarak hangi kavram ve yetenekleri anladığını keşfetmek için ML kullanır. Daha sonra araçlar, öğrencinin gerekli becerileri veya kavramları öğrenmesine yardımcı olacak kısa videolar, ek örnekler ve arka plan materyalleri sağlar.
- Otomotiv: ML de kendini süren araçların (sürücü olmayan otomobiller veya otonom otomobiller olarak da adlandırılan) alanında önemli bir bileşen. Kendi kendini süren araçları çalıştıran yazılım, yol koşullarını (buzlu yollar gibi) algılamak veya yoldaki engelleri tespit etmek ve bu tür durumları güvenli bir şekilde seyretmek için uygun sürüş görevlerini öğrenmek için gerçek hayattaki yol testleri ve simülasyonları sırasında ML'yi kullanır.
Muhtemelen ML ile karşılaşmadan çok kez karşılaşmışsınızdır. ML teknolojisinin daha yaygın kullanımlarından bazıları pratik konuşma tanıma ( Samsung'un Bixby , Apple'ın Siri'si ve artık PC'lerde standart olan pek çok metinden konuşmaya yönelik programlar), e-postanız için spam filtreleme, haber akışları oluşturma, sahtekarlığı algılama, kişiselleştirme Alışveriş önerileri ve daha etkili web arama sonuçları sağlar.
ML, Facebook beslemenizde bile yer alıyor. Bir arkadaşınızın yayınlarını sık sık beğendiğinizde veya tıkladıysanız, haber arkasındaki bazı arkadaşlarınıza veya sayfalarınıza öncelik vermek için sahnelerin arkasındaki algoritmalar ve ML, eylemlerinizi “öğrenir”.
Makine Öğrenmesi Ne Yapamaz?
Bununla birlikte, ML'nin yapabileceği sınırlar vardır. Örneğin, ML endüstrisinin farklı endüstrilerde kullanımı, insanlar tarafından bir endüstrinin ihtiyaç duyduğu görev türlerine yönelik bir program ya da sistem uzmanlığı için önemli miktarda geliştirme ve programlama gerektirmektedir. Örneğin, yukarıdaki tıbbi örneğimizde, acil serviste kullanılan ML programı, özellikle insan tıbbı için geliştirilmiştir. Şu anda bu programı almak ve doğrudan bir veterinerlik acil merkezine uygulamak mümkün değildir. Böyle bir geçiş, insan programcıları tarafından veterinerlik veya hayvan tıbbı için bu görevi yapabilecek bir versiyon oluşturmak için kapsamlı uzmanlaşma ve geliştirme gerektirir.
Ayrıca, karar vermek ve görevleri yerine getirmek için ihtiyaç duyduğu bilgileri “öğrenmek” için inanılmaz derecede büyük miktarda veri ve örnek gerektirir. ML programları, verilerin yorumlanmasında ve sembolizmle mücadelede ve aynı zamanda sebep ve sonuç gibi veri sonuçları içindeki bazı ilişki türlerinde de oldukça belirleyicidir.
Bununla birlikte, devam eden ilerlemeler, ML'yi her gün daha akıllı bilgisayarlar yaratan bir çekirdek teknolojiden daha çok yapıyor.