Makine öğrenimi (ML), çeviri uygulamalarından otonom araçlara kadar kullandığımız en önemli teknolojilerden bazılarını destekler. Bu kursta, makine öğreniminin arkasındaki temel kavramlar açıklanmaktadır.
Makine öğrenimi sorunları çözmek, karmaşık soruları yanıtlamak ve yeni içerikler oluşturmak için yeni bir yol sunar. Makine öğrenimi hava durumunu tahmin edebilir, seyahat sürelerini tahmin edebilir, şarkı önerebilir, cümleleri otomatik olarak tamamlayabilir, makaleleri özetleyebilir ve daha önce hiç görülmemiş görüntüler oluşturabilir.
Temel anlamıyla makine öğrenimi, model adı verilen bir yazılım parçasını faydalı tahminler yapmak veya verilerden içerik üretmek için eğitim işlemidir.
Örneğin, yağış miktarını tahmin etmek için bir uygulama oluşturmak istediğimizi varsayalım. Geleneksel bir yaklaşım da ML yaklaşımı da kullanabiliriz. Geleneksel bir yaklaşım kullanarak, Dünya'nın atmosferinin ve yüzeyinin fiziğe dayalı bir temsilini oluşturur ve devasa akışlar dinamiği denklemlerini hesaplardık. Bu son derece zordur.
Bir ML yaklaşımı kullanarak makine öğrenimi modeli, farklı miktarlarda yağmur üreten hava durumu kalıpları arasındaki matematiksel ilişkiyi öğreninceye kadar bir ML modeline çok miktarda hava durumu verisi verirdik. Ardından, modele mevcut hava durumu verilerini verip yağmur miktarını tahmin ederiz.
Öğrendiklerinizi sınayın
ML Sistemi Türleri
ML sistemleri, tahminde bulunmayı veya içerik oluşturmayı nasıl öğrendiklerine bağlı olarak şu kategorilerden biri veya birkaçına ayrılır:
- Gözetimli öğrenme
- Gözetimsiz öğrenme
- Pekiştirmeli öğrenme
- Üretken yapay zeka
Gözetimli öğrenme
Gözetimli öğrenme modelleri, doğru yanıtları içeren çok fazla veri gördükten ve ardından verilerdeki doğru yanıtları üreten öğeler arasındaki bağlantıları keşfettikten sonra tahminde bulunabilir. Bu tıpkı bir öğrencinin hem soru hem de cevap içeren eski sınavlara çalışarak yeni bir materyal öğrenmesine benzer. Öğrenci yeterli sayıda eski sınav için eğitim aldıktan sonra, yeni bir sınava girmeye hazır hale gelir. Bu makine öğrenimi sistemleri, bir kişinin makine öğrenimi sistemine verilerini bilinen doğru sonuçlarla vermesi anlamında "denetlenir".
Gözetimli öğrenmenin en yaygın kullanım alanlarından ikisi regresyon ve sınıflandırmadır.
Regresyon
regresyon modeli, sayısal bir değeri tahmin eder. Örneğin, yağmur miktarını inç veya milimetre cinsinden tahmin eden bir hava durumu modeli, regresyon modelidir.
Regresyon modelleriyle ilgili daha fazla örnek için aşağıdaki tabloya bakın:
Senaryo | Olası giriş verileri | Sayısal tahmin |
---|---|---|
Gelecekteki konut fiyatı | Metrekare, posta kodu, yatak odası ve banyo sayısı, arsa büyüklüğü, konut kredisi faiz oranı, emlak vergisi oranı, inşaat maliyetleri ve bölgedeki satılık evlerin sayısı. | Evin fiyatı. |
Gelecekteki yolculuk süresi | Geçmiş trafik koşulları (akıllı telefonlardan, trafik sensörlerinden, araç arama ve diğer navigasyon uygulamalarından toplanan veriler), hedefe olan mesafe ve hava durumu. | Hedefe varmak için gereken süre (dakika ve saniye cinsinden). |
Sınıflandırma
Sınıflandırma modelleri bir öğenin bir kategoriye ait olma olasılığını tahmin eder. Çıktısı bir sayı olan regresyon modellerinin aksine, sınıflandırma modelleri bir şeyin belirli bir kategoriye ait olup olmadığını belirten bir değer üretir. Örneğin, sınıflandırma modelleri bir e-postanın spam olup olmadığını veya bir fotoğrafta kedi olup olmadığını tahmin etmek için kullanılır.
Sınıflandırma modelleri iki gruba ayrılır: ikili sınıflandırma ve çok sınıflı sınıflandırma. İkili sınıflandırma modelleri, yalnızca iki değer içeren bir sınıftan değer üretir (örneğin, rain
veya no rain
çıkışını veren bir model). Çok sınıflı sınıflandırma modelleri ikiden fazla değer içeren bir sınıftan değer çıktısı verir. Örneğin, rain
, hail
, snow
veya sleet
çıktılarını veren bir model.
Öğrendiklerinizi sınayın
Gözetimsiz öğrenme
Gözetimsiz öğrenme modelleri, herhangi bir doğru yanıt içermeyen veriler verildiğinde tahminlerde bulunur. Gözetimsiz bir öğrenme modelinin amacı, veriler arasındaki anlamlı kalıpları belirlemektir. Başka bir deyişle, modelde her bir veri parçasının nasıl sınıflandırılacağıyla ilgili ipucu verilmemiş, bunun yerine kendi kurallarını çıkarması gerekiyor.
Yaygın olarak kullanılan gözetimsiz bir öğrenme modeli, kümeleme adı verilen bir teknik kullanır. Bu model, doğal gruplamaları sınırlayan veri noktalarını bulur.
![Kümeler halinde renkli noktaları gösteren resim.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-02.png?authuser=7&hl=tr)
Şekil 1. Benzer veri noktalarını kümeleyen bir ML modeli.
![Bir şekil içine alınmış ve birbiriyle sınırlanmış kümeler halinde renkli noktaları gösteren resim.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-04.png?authuser=7&hl=tr)
2. Şekil. Doğal sınırlara sahip küme gruplarıdır.
Kategorileri siz tanımlamadığınız için kümeleme sınıflandırmadan farklıdır. Örneğin, gözetimsiz bir model sıcaklığa dayalı bir hava durumu veri kümesini kümeleyerek mevsimleri tanımlayan segmentasyonları ortaya çıkarabilir. Daha sonra bu kümeleri, veri kümesini ne kadar anladığınıza göre adlandırmayı deneyebilirsiniz.
![Kar, yağmur, dolu ve yağmursuz olarak etiketlenmiş kümeler üzerindeki renkli noktaların gösterildiği bir resim.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-01.png?authuser=7&hl=tr)
3. Şekil. Benzer hava durumu modellerini kümeleyen bir ML modeli.
![Birbiriyle sınırlanmış, kar, yağmur, dolu ve yağmursuz olarak etiketlenmiş kümeler içindeki renkli noktaların gösterildiği bir resim.](https://developers.google.cn/static/machine-learning/intro-to-ml/images/clustering-03.png?authuser=7&hl=tr)
4. Şekil. Kar, sulu kar, yağmur ve yağmur yok şeklinde etiketlenmiş hava durumu kalıpları.
Öğrendiklerinizi sınayın
Pekiştirmeli öğrenme
Pekiştirmeli öğrenme modelleri, bir ortamda gerçekleştirilen işlemlere bağlı olarak ödül veya cezalar alarak tahminde bulunur. Pekiştirmeli öğrenme sistemi, en fazla ödülü almak için en iyi stratejiyi tanımlayan bir politika oluşturur.
Pekiştirmeli öğrenme, robotları bir odanın etrafında yürümek gibi görevleri yerine getirmeleri için eğitmek ve Go oyununu oynamak üzere AlphaGo gibi yazılım programlarını eğitmek için kullanılır.
Üretken yapay zeka
Üretken Yapay Zeka, kullanıcı girişlerinden içerik oluşturan bir model sınıfıdır. Örneğin, üretken yapay zeka benzersiz resimler, müzik besteleri ve şakalar oluşturabilir, makaleleri özetleyebilir, bir görevin nasıl gerçekleştirileceğini açıklayabilir veya bir fotoğrafı düzenleyebilir.
Üretken yapay zeka farklı girişler alıp metin, resim, ses ve video gibi çeşitli sonuçlar oluşturabilir. Ayrıca, bunların kombinasyonlarını alıp oluşturabilir. Örneğin, bir model girdi olarak bir resim alıp çıktı olarak resim ve metin oluşturabilir veya girdi olarak resim ve metin alıp çıktı olarak video oluşturabilir.
Üretken modelleri, genellikle "giriş türü"nden "çıkış türü" şeklinde yazılan girdi ve çıkışlarına göre tartışabiliriz. Örneğin, aşağıda üretici modellerdeki bazı giriş ve çıkışların kısmi bir listesi verilmiştir:
- Metinden metne
- Metinden resme
- Metinden videoya
- Metinden koda
- Metin okuma
- Resim ve metinden resme dönüştürme
Aşağıdaki tabloda üretken modellere ilişkin örnekler, bunların girişleri ve olası çıkışlarına dair bir örnek listelenmiştir:
Model | Giriş | Örnek çıkış |
---|---|---|
Metinden metne | Le Mans ırkını kim keşfetti? |
24 Saat Le Mans, 1906 yılında kurulan otomobil kulübü de l'Ouest (ACO) tarafından kuruldu. İlk yarış 26 ve 27 Mayıs 1923'te, Fransa'nın Le Mans kasabası yakınlarında bulunan 13,426 kilometrelik (8,345 mil) yol Pisti olan Sarthe Circuit'te yapıldı.
Irk, başlangıçta ACO ve Sarthe bölgesini tanıtmanın bir yolu olarak tasarlandı. Kaynak: Bard |
Metinden resme | Bir portalda süzülen uzaylı ahtapot, gazete okuyor. |
![]() Kaynak: Imagen |
Metinden videoya | San Francisco'da okyanusta yüzen, fotogerçekçi bir oyuncak ayı. Oyuncak ayı suyun altına düşüyor. Oyuncak ayı, rengarenk balıklarla suyun altında yüzmeye devam ediyor. Su altında yüzen bir panda ayı. |
![]() Kaynak: Phenaki |
Metinden koda | Sayılar listesinin üzerinden geçen 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. Karayipler'de bulunurlar. Kaynak: Google DeepMind |
Üretken yapay zeka nasıl çalışır? Genel olarak, üretken modeller yeni ama benzer veriler üretme amacıyla verilerdeki kalıpları öğrenir. Üretken modeller aşağıdaki gibidir:
- İnsanların davranışlarını ve konuşma tarzını gözlemleyerek başkalarını taklit etmeyi öğrenen komedyenler
- Belirli bir tarzda birçok tabloyu inceleyerek belirli bir tarzda resim yapmayı öğrenen sanatçılar
- Bir grubun çok sayıda müziğini dinleyerek belirli bir müzik grubu gibi kulak yapmayı öğrenen cover grupları
Benzersiz ve yaratıcı çıktılar üretmek için üretken modeller başlangıçta gözetimsiz bir yaklaşım kullanılarak eğitilir. Bu yaklaşımda model, eğitildiği verileri taklit etmeyi öğrenir. Model, bazen, modelden gerçekleştirmek istenebileceği görevlerle ilgili belirli verilerde (ör. bir makaleyi özetleme veya bir fotoğrafı düzenleme) gözetimli veya pekiştirmeli öğrenme kullanılarak daha fazla eğitilir.
Üretken yapay zeka, hızla gelişen bir teknolojidir ve sürekli olarak yeni kullanım alanları keşfedilmektedir. Örneğin, üretken modeller, dikkat dağıtıcı arka planları otomatik olarak kaldırarak veya düşük çözünürlüklü resimlerin kalitesini iyileştirerek işletmelerin e-ticaret ürün resimlerini iyileştirmesine yardımcı olur.