Makine öğrenimi (ML), kullandığımız en önemli teknolojilerden bazılarını destekliyor. çeviri uygulamalarından otonom araçlara kadar pek çok farklı işlevi bulunuyor. Bu kursta temel bilgileri, makine öğreniminin arkasındaki kavramlara değineceğiz.
Makine öğrenimi; sorunları çözmek, karmaşık soruları yanıtlamak ve yeni içerik. Makine öğrenimi hava durumunu tahmin edebilir, seyahat sürelerini tahmin edebilir ve cümleleri otomatik tamamlayabilir, makaleleri özetleyebilir ve daha önce hiç görülmemiş resimler.
Temel olarak makine öğrenimi, bir yazılımı eğitim olarak adlandırıyoruz. model olarak değiştirirseniz tahminleri başlatan veya dışı verilerdir.
Örneğin, yağış miktarını tahmin etmek için bir uygulama oluşturmak istediğimizi varsayalım. Şunları yapabiliriz: ya geleneksel ya da makine öğrenimi yaklaşımını kullanır. Geleneksel bir dünyanın atmosferinin fiziğe dayalı bir temsilini oluşturacağız akışkan dinamikleri denklemi hesaplayabilir. Bu gerçekten çok zor.
Bir makine öğrenimi yaklaşımı kullanırsak makine öğrenimi modeline çok büyük miktarda hava durumu verisi verirdik makine öğrenimi modeli arasındaki matematiksel ilişkiyi öğreninceye kadar farklı miktarlarda yağmura neden olan hava durumu kalıpları Daha sonra hava durumu verilerini modellemek ve yağmur miktarını tahmin etmek.
Öğrendiklerinizi kontrol edin
Makine Öğrenimi Sistemi Türleri
Makine öğrenimi sistemleri, makine öğreniminin verimli bir şekilde tahminde bulunmayı veya içerik üretmeyi öğrenme:
- Gözetimli öğrenme
- Gözetimsiz öğrenme
- Pekiştirmeli öğrenme
- Üretken yapay zeka
Gözetimli öğrenme
Gözetimli öğrenme modeller, doğru yanıtlara sahip çok fazla veri gördükten sonra tahminde bulunabilir ve verilerdeki öğeler arasındaki bağlantıları keşfederek, ve doğru yanıtları vermelidir. Bu, yeni bir materyal öğrenen bir öğrenci gibi içeren eski sınavlara hazırlanmaktır. Öğrenci, yeni bir sınava girmeye hazır olduğunu göreceksiniz. Bu makine öğrenimi sistemleri "gözetimli" makine öğrenimi sistemine insan tarafından ve verileri bilinen doğru sonuçlarla tutarlı hale getirmektir.
Gözetimli öğrenmenin en yaygın iki kullanım alanı regresyon ve en iyi uygulamaları görelim.
Regresyon
regresyon modeli, sayısal değer. Örneğin, hava durumu tahmininde yağmur miktarını inç veya milimetre cinsinden bir regresyon modelidir.
Regresyon modeliyle ilgili daha fazla örnek için aşağıdaki tabloya bakın:
| Senaryo | Olası giriş verileri | Sayısal tahmin |
|---|---|---|
| Gelecekteki konut fiyatı | Alan büyüklüğü, posta kodu, yatak odası ve banyo sayısı, alan büyüklüğü, ipotek faiz oranı, gayrimenkul vergisi oranı, inşaat maliyetleri ve Bölgedeki satılık ev sayısını göstermelidir. | Evin fiyatı. |
| Gelecekteki yolculuk süresi | Geçmiş trafik koşulları (akıllı telefonlardan, trafikten ve sensörler, araç paylaşma ve diğer navigasyon uygulamaları), ve hava koşullarıyla ilgilidir. | Bir hedefe varmak için geçen dakika ve saniye cinsinden süre. |
Sınıflandırma
Sınıflandırma modelleri tahmin o kategoriden birine ait olma ihtimalini ifade eder. Regresyon modellerinden farklı olarak, sınıflandırma modelleri, çıktısı sayı olan belirli bir kategoride olup olmadığını belirlemeyi amaçlar. Örneğin, sınıflandırma modelleri bir e-postanın spam olup olmadığını veya bir fotoğrafın bir kedi içerir.
Sınıflandırma modelleri iki gruba ayrılır: ikili sınıflandırma ve
çok sınıflı sınıflandırma. İkili sınıflandırma modelleri
yalnızca iki değer içeren sınıf (örneğin,
rain veya no rain. Çok sınıflı sınıflandırma modelleri
ikiden fazla değer içeren sınıf (örneğin,
rain, hail, snow veya sleet.
Öğrendiklerinizi kontrol edin
Gözetimsiz öğrenme
Gözetimsiz öğrenme model, herhangi bir doğru içermeyen verilere dayanarak tahminde bulunur. cevaplar. Gözetimsiz öğrenme modellerinin hedefi, modeller. Başka bir deyişle, modelde her veri parçasını kategorilere ayırmak yerine kendi kurallarını belirlemesi gerekir.
Yaygın olarak kullanılan gözetimsiz öğrenme modellerinde, clustering (kümeleme) gibi. Model, veri noktaları bulur doğal grupları ortaya çıkarır.
Şekil 1. Benzer veri noktalarını kümeleyen bir ML modeli.
2. Şekil. Doğal sınırları olan küme gruplarıdır.
Kümeleme, sınıflandırmaya göre tanımlanmadığı için sınıflandırmadan farklıdır. siz. Örneğin, denetlenmeyen bir model, hava durumu veri kümesini temel mevsimleri tanımlayan segmentasyonları ortaya çıkarıyor. Bu sayede, veri kümesiyle ilgili bilginize göre bu kümeleri adlandırmayı deneyin.
3. Şekil. Benzer hava durumu kalıplarını kümeleyen bir ML modeli.
4. Şekil. Kar, sulu kar ve hatta akış şeklinde etiketlenmiş hava durumu yağmur yok.
Öğrendiklerinizi kontrol edin
Pekiştirmeli öğrenme
Pekiştirmeli öğrenme modeller, ödüller alarak tahminde bulunur bir ortamda gerçekleştirilen işlemlere göre belirlenen cezalar ya da cezalar. Pekiştirme öğrenme sistemi, politikayı en fazla ödülü almak için en iyi stratejiyi belirler.
Pekiştirmeli öğrenme, robotları yürüme gibi görevleri yerine getirecek şekilde eğitmek için kullanılır Yeşil Ofis gibi yazılım programları, AlphaGo Go oyununu oynayın.
Üretken yapay zeka
Üretken yapay zeka bir model sınıfıdır. temel işlemlerdir. Örneğin, üretken yapay zeka, benzersiz resimler, müzik besteleri ve espriler; makaleleri özetleyebilir, bir görevin nasıl yerine getirileceğini açıklayabilir veya bir fotoğrafı düzenleyebilirsiniz.
Üretken yapay zeka farklı girdiler alıp çeşitli çıktılar oluşturabilir. Örneğin: metin, resim, ses ve video. Ayrıca, farklı türde bu araçlar yer alır. Örneğin, bir model girdi olarak bir resmi alıp resim oluşturabilir ve veya girdi olarak resim ve metin alıp çıkış olarak video oluşturabilirsiniz.
Üretken modelleri, genellikle kullanılan giriş ve çıkışlara göre ele alabiliriz. "giriş türü"-"çıkış türü" olarak ayarlanır. Örneğin, aşağıdaki örnek üretken modeller için bazı giriş ve çıkışların listesi:
- Metin-metin
- Metinden görsele
- Metin-video
- Metin-kod
- Metin-konuşma
- Resim ve metinden görsele
Aşağıdaki tabloda üretken model örnekleri, bunların girdileri ve bir örnek verelim:
| Model | Giriş | Örnek çıkış |
|---|---|---|
| Metin-metin | Le Mans ırkını kim keşfetti? |
The 24 Hours of Le Mans, Automobile Club de l'Ouest tarafından kuruldu
(ACO), 1906'da kurulan araba kullanma kuruluşu. İlk seçim gerçekleştirildi
26-27 Mayıs 1923'te Sarthe Pisti'nde 13, 426 kilometre
Fransa'nın Le Mans kasabası yakınlarında bulunan (13,345 km) kara yolu.
Bu yarış ilk başta ACO'yu ve
Sarthe bölgesi. . Kaynak: Bard |
| Metinden görsele | Portalda süzülen uzaylı ahtapot, gazete okuyor. |
Kaynak: Imagen
|
| Metin-video | San Francisco'da okyanusta yüzen bir fotogerçekçi oyuncak ayı. Oyuncak ayı suyun altına girer. Oyuncak ayı altında yüzmeye devam ediyor suda yüz alıyor. Suyun altında yüzen bir panda ayı. |
Kaynak: Phenaki
|
| Metin-kod | Sayılar listesinde döngü yapan ve asal sayıları yazdıran bir Python döngüsü yazın. |
for number in numbers:
# Check if the number is prime.
is_prime = True
for i in range(2, number):
if number % i == 0:
is_prime = False
break
# If the number is prime, print it.
if is_prime:
print(number)
Kaynak: Bard
|
| Resimden metne |  |
Bu bir flamingo. Bunlar Karayipler'de bulunur. . Kaynak: Google DeepMind |
Üretken yapay zeka nasıl çalışır? Üretken modeller üst düzey bir proje yöneticiliğinde yeni ama benzer veriler oluşturmak amacıyla verilerde kalıplar kullanır. Üretici modellerin bazıları şunlardır:
- İnsanların davranışlarını gözlemleyerek ve onları taklit ederek başkalarını taklit etmeyi öğrenen komedyenler konuşma tarzı
- Çok sayıda araştırma yaparak belirli bir tarzda resim yapmayı öğrenen sanatçılar tabloların bu tarzında
- Cover grupları, dinlerken belirli bir müzik grubu gibi konuşmayı öğrenenler bu gruba ait bir sürü müzik
Üretken modeller, benzersiz ve yaratıcı sonuçlar elde etmek için başta eğitilir. Bu yöntemde model, sahip olduğu verileri taklit etmeyi öğrenir. üzerine konuşalım. Model bazen gözetimli veya yapılandırmalı modelin yapabileceği görevlerle ilgili belirli verilere yönelik pekiştirmeli öğrenme bir makaleyi özetlemek veya bir fotoğrafı düzenlemek gibi istenenleriniz olabilir.
Üretken yapay zeka hızla gelişen bir teknolojidir ve sürekli yeni kullanım alanları vardır. teşekkür etmenin de önemli bir yoludur. Örneğin üretken modeller, işletmelerin Dikkat dağıtan arka planları otomatik olarak kaldırarak e-ticaret ürün resimlerini veya düşük çözünürlüklü resimlerin kalitesini artırmak için kullanılabilir.