Logo Logo
  • Ana Sayfa
  • Hakkında
  • Kategoriler
    • Genel
    • İstatistik
    • Makine Öğrenme
    • Model Geliştirme
    • Sağlık
    • Teknoloji
  • Tüm Yazılarım
  • İletişim

İletişim

  • Email buluttevfik@gmail.com

Site Haritası

  • Ana Sayfa
  • Hakkında
  • İletişim

Sosyal Medya Adresleri

YAPAY ZEKÂ

  • ANA SAYFA
  • Blog Details
Kasım 3 2019
  • Makine Öğrenme
  • Teknoloji

Günümüzde yapay zekâ alanındaki gelişmeler baş döndürücü hızda artış göstermektedir. Otonom otomobillerden video oyunlarına, sağlıktan savunma sanayine yaşamın pek çok alanında önemli bir rol oynamaya başlamıştır.

YAPAY

Yapay, simüle edilen gerçek olmayan bir şeydir. Örneğin yapay olarak düşünebilecek şeylerden biri yapay organdır. Çeşitli nedenlerden dolayı gerçek organın yerine ikame edilerek kullanılır. Yeterli organ donörü bulunamamasından kaynaklı olarak yapay organ, kalp, karaciğer gibi organ yetmezliği durumunda sıklıkla kullanılabilmektedir. Burada vurgulanmak istenen nokta, bir şeyin gerçeği yokken neden yapay bir şeyle ikame edilmek istenmesidir.

ZEKÂ

Zekâ, kompleks bir kavramdır. Pek çok farklı açıdan ele alınabilen zekâ, bazılarına göre mantık, anlama, farkına varma, sınıflama, tümevarım, tümdengelim, öğrenme, planlama, yaratıcılık olarak tanımlansa da bazılarına göre ise problem çözme olarak tanımlanabilmektedir. İnsana özgü zekâ, Türk Dil Kurumu (TDK)’na göre insanın düşünme, akıl yürütme, objektif gerçekleri algılama, yargılama ve sonuç çıkarma yeteneklerinin tamamıdır. Bir diğer tanımda Gardner’a göre insan zekâsı, problem çözme kapasitesi olarak tanımlanmıştır.

YAPAY ZEKÂ

Yapay zekâ, insan beyninin işleyişini akıllı bilgisayar programlarıyla modelleme ve modellenen bu programların akıllı makinelere aktarma bilimi ve mühendisliğidir. Bu kavram, geliştirilmiş bilgisayar zekâsı olarak da tanımlanabilir. 1950’de ortaya konmuş bir kavramdır.

YAPAY ZEKÂ VE İNSAN ZEKÂSI ARASINDAKİ FARKLAR

İnsan zekâsı ile bugün gelinen noktadaki yapay zekâ arasında belirgin farklılıklar öne çıktığı görülmektedir. Öne çıkan bu farklılıklar Tablo 1’de özetlenmiştir.

Tablo 1. Yapay Zekâ ve İnsan Zekâsı Arasındaki Farklar

Yetenekler İnsan Zekâsı Yapay Zekâ
Sensörleri kullanma (Koku, dokunma, işitme, görme) Yüksek Düşük
Yaratıcı düşünme Yüksek Düşük
Deneyimlerden öğrenme Yüksek Düşük
Adapte olma Yüksek Düşük
Bilgi kaynaklarını kullanma Yüksek Düşük
Büyük çapta bilgi edinebilme Yüksek Düşük
Kompleks hesaplamaları yapabilme Düşük Yüksek
Bilgiyi transfer edebilme Düşük Yüksek
Doğru ve hızlı bir şekilde bir dizi hesaplamaları yapabilme Düşük Yüksek

YAPAY ZEKÂ DİSİPLİNLERİ

Bilgisayar bilimi, biyoloji, dil bilimi, psikoloji, matematik ve mühendislik disiplinleri üzerine inşa edilmiş yapay zekâ, içinde makine öğrenme ve derin öğrenme branşlarını da barındıran şemsiye kavram niteliğindedir.

YAPAY ZEKÂ ÖĞRENME TİPLERİ

Yapay zekâ algoritmaları genel olarak üç farklı tipte öğrenme gerçekleştirmektedir.

  • Denetimli Öğrenme (Supervised Learning) : Girdi verisinden öngörülebilen çıktı verisinin elde edildiği öğrenme tipidir. Günümüzde en yaygın kullanılan öğrenme tipidir. Yüz tanıma, ve veri analizleri alanında sıklıkla kullanılmaktadır.
  • Denetimsiz Öğrenme (Unsupervised Learning) : Veri hakkında keşfin yapıldığı öğrenme tipidir.Denetim öğrenme algoritmalarına örnek olarak kümeleme (clustering) algoritmaları örnek verilebilir.
  • Zorlamalı Öğrenme (Reinforcement Learning): Ödüllere, cezalara ve yanlışlara dayalı olan davranış odaklı öğrenme tipidir. Kaynak yönetimi, video oyunları ve endüstriyel simülasyon alanları kullanım alanlarına örnek gösterilebilir.

YAPAY ZEKÂNIN BRANŞLARI

Makine öğrenme (machine learning), istatistiksel teknikleri kullanarak deneyimlerle makinelere kendini geliştirme özelliği kazandıran yapay zekânın bir dalıdır.  Makine öğrenmenin veri madenciliği ve analizlerinde kullanılmasıyla birlikte 1980’lerde yaygınlık kazanmaya başlayan öğrenen sistemler bütünüdür.

Yapay zekâ içinde yer alan ve makine öğrenmenin yeni bir alanı olan derin öğrenme (deep learning) ise,çok tabakalı yapay sinir ağları (multi-layer artificial neural networks) ile öğrenmeye imkan tanıyan bir tekniktir. Derin öğrenme, büyük veri (big data) kavramının ve büyük ölçekli veri setlerinin ortaya çıkmasıyla birlikte 2010’dan sonra gelişmeye başlayan bir alandır. Yapay sinir ağları biyolojik sinir hücresinin fizyolojisinden ilham almakta ve onu modellemektedir. Şekil 1’de bir biyolojik sinir hücresinin yapısı, Şekil 2’de ise yapay bir sinir hücresinin yapısına yer verilmiştir.

Şekil 1. Biyolojik Sinir Hücresinin Yapısı

Kaynak: IBM

Şekil 1’de matematiksel ifadeyle, dentritler Şekil 2’de girdi verisi (input data ya da sinir girdileri)’ni, hücre gövdesi (cell body) ve sinapslar (synapses) Şekil 2’de toplam fonksiyonu (summing function)’nu ve aktivasyon fonksiyonu (activation function)’nu, akson (axon) ise Şekil 2’de çıktı verisi (output data)’ni belirtmektedir.

Şekil 2. Yapay Sinir Hücresinin Yapısı

Çok katmanlı sinir ağları, görüntü tanıma, ses tanıma ve doğal dil işleme gibi problemleri gibi birçok problemi çözen bir dizi algoritmalardır. Örneğin, derin öğrenme, strateji oyunu olan Go oyunu eski dünya şampiyonu Lee Sedol’u 2016 yılının başlarında yenen DeepMind’ın iyi bilinen AlphaGo algoritmasıdır. Derin öğrenme algoritması 2017 yılı başlarında da Go oyununda dünya şampiyonu olan Ke Jie’yi de yenmiştir. Burada, “Derin” terimi teknik bir terim olup, bir sinir ağında tabakaların sayısını ifade etmektedir. Basit bir yapay ağ bir gizli katmanı (hidden layer) içerisinde barındırırken, derin bir ağ birden fazla gizli katmanı içerisinde barındırmaktadır. Şekil 3’te çok katmanlı bir sinir ağının mimarisi gösterilmiştir. Şekil 3’te soldaki resimde tek katmanlı yapay bir sinir ağına, sağda ise çok katmanlı sinir ağına yer verilmiştir.

Şekil 3. Çok Katmanlı Bir Sinir Ağının Mimarisi

Kaynak: M. Mitchell Waldrop PNAS 2019;116:4:1074-1077

Çok katmanlı ağlar, veriyi daha az katmanlı ağlara göre daha çok matematiksel işlemden geçirir. Bu yüzden, çok katmanlı ağlarda kullanılan verinin eğitilmesi (training) hem daha uzun süre hem de daha çok matematiksel işlem gerektirmektedir. Hesaplama yoğunluğu derin öğrenmenin en önemli özelliklerinden biridir. Bundan dolayı derin öğrenme modellerini eğitmek için yeni nesil işlemcilere ihtiyaç duyulmaktadır.

YAPAY ZEKÂNIN EVRİMLERİ

Yapay zekâ ilk evriminden son evrimine kadar dört evrim geçirmiştir. Son aşama olan rasyonel hareket etmek günümüzde geçerli olan evrimin son aşamasını oluşturmaktadır. Genel hatlarıyla yapay zekâ evrimi dört aşamada özetlenebilir:

1. Aşama : İnsan gibi düşünmek

2. Aşama: Rasyonel düşünmek

3. Aşama: İnsan gibi hareket etmek

4. Aşama: Rasyonel hareket etmek

YAPAY ZEKÂNIN TEMEL AMAÇLARI

Yapay zekâ inşa edilirken gerçekleştirilmesi gereken iki amaç bulunmaktadır:

  • Uzman sistemler yaratmak: Akıllı davranış sergilemek, öğrenmek, göstermek, açıklamak ve tavsiyede bulunmak.
  •  Makinelere insan zekâsını adapte etmek: İnsanlar gibi anlayan, düşünen, öğrenen ve onların gibi davranabilen sistemler yaratmak.

YAPAY ZEKÂNIN TEMEL YETENEKLERİ

Yapay zekâdan bahsedilebilmesi için, diğer bir deyişle, yapay zekâyı yapay zekâ yapan temel yetenekler vardır. Bu temel yetenekler şöyle özetlenebilir:

  • Sorgulama
  • Öğrenme
  • Problem çözme
  • Algılama
  • Dilbilimsel zekâ

Görüleceği üzere bu yetenekler birebir insan zekâsı ile benzerlik göstermektedir. Alan Turing’in 1950 yılında yayınlanan  “Bilgisayar Mekanizması ve Zekâ” (Computing machinery and intelligence) adlı makalesinde, öğrenen makinelerden bahseden Turing bir makinenin zeki olup olmadığını saptamak için kendi adıyla literatüre geçen Turing Testi geliştirmiştir. Yapay düşünme üzerinde düşünmeye devam ettiği bu süre sonunda 1950 yılında “Bilgisayar Mekanizması ve Zekâ” (Computing machinery and intelligence) adındaki makalesini yayınlayan Turing, tekrar “Yapay Zekâ”ya ve düşünmeye işaret etmiş ve popüler olarak Turing testi olarak bilinen, bir makinenin “zeki” olup olmadığını saptayacak olan bir deney prensibi ortaya atmıştır. Ancak, Turing test, tekrarlanabilir ve matematiksel analize uygun değildir.

YAPAY ZEKÂNIN ARAŞTIRMA ALANLARI

Yapay zekânın araştırma alanları ise 5 başlık altında ele alınabilir:

  • Uzman Sistemler: Bu araştırma alanına uçuş izleme ve takip sistemleri ile klinik sistemler örnek olarak verilebilir.
  • Doğal Dil İşleme: Konuşma tanıma ve anlık ses çıktısı alabilme.
  • Sinir Ağları: Yüz tanıma, karakter tanıma ve el yazısı tanıma sistemleri içeren yetenekler.
  • Bulanık Mantık: Tüketici elektronikleri ve otomobiller.
  • Robotlar: Temizleyen, boyayan, hareket eden, onay kontrolleri yapan endüstriyel robotlar.

YAPAY ZEKÂNIN GÖREVLERİ

Yapay zekâ görev tipleri resmi görevler, zorunlu görevler ve uzman görevler olmak üzere üç grupta sınıflandırılabilir. Sınıflandırılmış bu görevler tipleri altındaki görevler Şekil 4’te verilmiştir.

Şekil 4. Yapay Zekâ Görev Tipleri

YAPAY ZEKÂ PROGRAMLAMA DİLLERİ

Yapay zekâ geliştirmek için genel kabul görmüş programlama dilleri mevcuttur. Bu programlama dillerinden bazıları şöyledir:

  • Lisp
  • Python
  • Prolog
  • Java
  • C++
  • R

YAPAY ZEKÂ SİSTEMİNİN BİLEŞENLERİ

Yapay zekâ sistemi bir ajan ve onun çevresinden oluşur. Ajanlar onların çevresi dahilinde hareket ederler. Bir ajan sensörleriyle çevresini algılayabilen ve effektörleriyle bu çevrede hareket eden her şeydir. Yapay zekâ ajanları kendi içerisinde 3 grupta incelenebilir:

  • İnsan Ajanı: Effektörler için eller, bacaklar ve ağız gibi diğer organlarla sensörlerin yerini alan gözler, kulaklar, burun, dil ve deri gibi duyu organları vardır.
  • Robotik Ajan: Sensörlerin yerine kızıl ötesi bulucuların ve kameraların olduğu ve effektörlerin yerine ise motorların ve aktüatörlerin olduğu bir yapıya sahiptir.
  • Yazılım Ajanı: Programlar ve eylemler olarak bit dizelerine kodlanır.

YAPAY ZEKÂ UYGULAMA ALANLARI

Yapay zekânın ilk ortaya çıkışından bugüne gelinceye kadar pek çok farklı alanda kullanıldığı görülmektedir. Bu kullanım alanları şöyle özetlenebilir:

  • Oyunlar: Sezgisel bilgiye dayalı olarak yapay zekâ satranç, poker gibi strateji oyunlarında çok yaygın bir şekilde kullanılmaktadır.
  • Doğal Dil İşleme Süreci (Natural Language Processing) : İnsanlar tarafından konuşulan doğal dili anlayan bilgisayarlarla etkileşime geçmek mümkündür.
  • Uzman Sistemler (Expert Systems): Sorgulayan ve önerilerde bulunabilen makineler ve yazılımlar vardır.
  • Görsel Sistemler (Vision Systems): Bu sistemler bilgisayardaki görsel girdileri anlamaya, yorumlamaya olanak tanır. Örneğin; polisler işlenen suçların izlerini bulmada ve doktorlar ise hastaya teşhis koyarken bu sistemleri kullanabilir.
  • Konuşma Tanıma Sistemleri (Speech Recognition): Bazı akıllı sistemler farklı aksanlara sahip dilleri ve arka plandaki sesleri, seslerdeki değişimleri algılayabilir.
  • El Yazısı Tanıma Sistemleri (Handwriting Recognition): El yazısı tanıma yazılımları bir kalemle ya da bilgisayarla kağıt üzerinde yazılı metni okuyabilir, yazılı metinleri daha okunabilir bir seviyeye çıkarabilir.
  • Akıllı Robotlar (Intelligent Robots): Robotlar insanlar tarafından verilen görevleri yapabilirler. Onlar ışık, ısı, sıcaklık, hareket, ses, basınç gibi gerçek dünyadan alınan fiziksel verileri belirlemek için sensörleri vardır. Akıllı bir hareket sergileyebilmeleri için etkili işlemcileri, çoklu sensörleri ve devasa hafızaları vardır. Diğer bir özelliği ise hatalardan öğrenebilmeleri ve yeni çevrelere adapte olabilmeleridir.

Günümüzün ve geleceğin teknolojisi yapay zekânın yukarıdaki uygulama alanlarının bir sonucu olarak gerçek yaşam uygulamaları arasında otonom otomobiller,  dronlar, navigasyon sistemleri, Boston Dynamics tarafından geliştirilmiş robot, chatbotlar, robot ASIMO, bilgisayar oyunları yapay zekâ uygulamalarına gösterilecek örneklerden sadece birkaçıdır. Yakın gelecekte ise yapay zekâ askeri bir robot, iyi bir avukat, besteci ve sağlık bakım çalışanı olarak öne çıkması öngörülmektedir.

Faydalı olması dileğiyle.

Bilimle ve teknolojiyle kalınız.

Saygılarımla.

YARARLANILAN KAYNAKLAR

  • http://www formal.stanford.edu/jmc/whatisai/node1.html
  • http://www.hutter1.net/ai/sintro2ai.pdf
  • http://deeplearning.net/
  • https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_overview.htm
  • https://medium.com/towards-data-science/what-is-the-best-programming-language-for-machine-learning-a745c156d6b7
  • https://www.slashdata.co
  • http://ai-initiative.org/
  • https://www.turing.org.uk/scrapbook/test.html
  • M. Turing, I.—Computıng Machinery And Intelligence, Mind, Volume LIX, Issue 236, October 1950, Pages 433–460, https://doi.org/10.1093/mind/LIX.236.433
  • https://www.abelard.org/turpap/turpap.php
  • https://cisse.info/pdf/2019/rr_01_artificial_intelligence.pdf
  • Gardner, H and Hatch, T. “Multiple Intelligences Go To School: Educational Implications of the Theory of Multiple Intelligences”. CTE Technical Report Issue NoA http://www.edc.org/CCT/ccthome/ reports/tr4.html(1990)
  • https://dev.to/lschultebraucks/a-short-history-of-artificial-intelligence-7hm
  • http://tdk.gov.tr/index.php?option=com_gts&arama=gts&kelime=zek%C3%A2&uid=58140&guid=TDK.GTS.5901a6b63382e6.22318161
  • http://sitn.hms.harvard.edu/special-edition-artificial-intelligence/
  • https://www.coe.int/en/web/artificial-intelligence/history-of-ai
  • https://skymind.ai/wiki/ai-vs-machine-learning-vs-deep-learning
  • M. Mitchell Waldrop. News Feature: What are the limits of deep learning? Proceedings of the National Academy of Sciences Jan 2019, 116 (4) 1074-1077; DOI: 10.1073/pnas.1821594116
  • https://developer.ibm.com/tutorials/iot-deep-learning-anomaly-detection-1/
  • http://www.cs.kumamoto-u.ac.jp/epslab/ICinPS/Lecture-2.pdf
  • https://www.ee.co.za/article/application-of-machine-learning-algorithms-in-boiler-plant-root-cause-analysis.html
  • https://towardsdatascience.com/what-are-the-types-of-machine-learning-e2b9e5d1756f
Önceki yazı Sonraki Yazı
AIArtificial IntelligenceArtificial Neural NetworkDeep LearningDerin ÖğrenmeYapay Sinir AğlarıYapay Zeka

Yorum Yaz Cevabı iptal et

Son Yazılar

  • Kanada Sağlık Sisteminde Bekleme Süreleri
  • Araştırma Metodolojisi Notları-II
  • Araştırma Metodolojisi Notları-I
  • Microsoft Excel’de Bulut Endeks-Beta [BE-β] Simülasyonu
  • R’da Statik ve Dinamik Haritalama Vaka Çalışmaları: Türkiye Örneği

Son Yorumlar

  1. Küresel İnovasyon Endeksi 2021 Yılı Raporu ve Türkiye - winally.com - Küresel İnovasyon Endeksi’nde Türkiye Ne Durumda?
  2. R’da Birliktelik Kuralları | canözkan - Apriori Algoritması Üzerine Bir Vaka Çalışması: A Case Study on Apriori Algorithm
  3. Tevfik BULUT - Python’da Şans Oyunları Perspektifinden Olasılık : Probability from Perspective of the Chance Games in Python
  4. Ahmet Aksoy - Python’da Şans Oyunları Perspektifinden Olasılık : Probability from Perspective of the Chance Games in Python
  5. Tevfik BULUT - Z Tablosuna Göre Güven Aralığının Hesaplanmasına Yönelik Bir Simülasyon Çalışması: A Simulation Study for Calculating Confidence Interval by Z Table

Arşivler

  • Ocak 2023
  • Ekim 2022
  • Eylül 2022
  • Nisan 2022
  • Mart 2022
  • Ekim 2021
  • Eylül 2021
  • Ağustos 2021
  • Temmuz 2021
  • Haziran 2021
  • Mayıs 2021
  • Nisan 2021
  • Şubat 2021
  • Ocak 2021
  • Aralık 2020
  • Kasım 2020
  • Ekim 2020
  • Eylül 2020
  • Ağustos 2020
  • Temmuz 2020
  • Haziran 2020
  • Mayıs 2020
  • Nisan 2020
  • Mart 2020
  • Şubat 2020
  • Ocak 2020
  • Aralık 2019
  • Kasım 2019
  • Ekim 2019
  • Eylül 2019
  • Ağustos 2019
  • Mayıs 2019
  • Şubat 2019
  • Aralık 2018
  • Eylül 2018
  • Ağustos 2018
  • Temmuz 2018
  • Mayıs 2018
  • Nisan 2018
  • Ekim 2017
  • Temmuz 2017
  • Haziran 2017
  • Mayıs 2017
  • Ocak 2017

Kategoriler

  • Genel
  • İstatistik
  • Makine Öğrenme
  • Model Geliştirme
  • Sağlık
  • Teknoloji

Kategoriler

  • Genel
  • İstatistik
  • Makine Öğrenme
  • Model Geliştirme
  • Sağlık
  • Teknoloji

Etiketler

Accuracy Basit Tesadüfi Örnekleme Bernoulli Olasılık Dağılımı Confusion Matrix Coronavirus Doğruluk Doğruluk Oranı Dünya Sağlık Örgütü EDA Epidemi Epidemiyology Epidemiyoloji Exploratory Data Analysis Exploratory Data Analysis (EDA) F1 Forecast Keşifsel Veri Analizi Kitle Olasılık Fonksiyonu Koronavirüs Koronavirüs Salgını Olasılık Olasılıklı Örneklem OSB Pandemi Point Estimation Point Forecast Prevalance Prevalans Probability Sampling R Recall Salgın Sağlık Bakanlığı Simple Random Sampling Tahmin TBATS TURKEY TÜRKİYE Veri Madenciliği WHO World Health Organization Yapay Zeka ÇKKV Örneklem Örneklem Büyüklüğü
Logo

Burada, gazete ve dergilerde yayınlanan çalışmalarımın tamamı çalışmakta olduğum kurumdan bağımsız olarak özel hayatımda yaptığım çalışmalardır. Dolayısıyla, burada yer alan çalışmalardan emeğe saygı adına kaynak gösterilmesi suretiyle azami ölçüde herkes yararlanabilir.

Site Haritası

  • Ana Sayfa
  • Hakkında
  • Blog
  • İletişim

Linkler

  • winally.com

Bana Ulaşın

Bu sayfa, bazı temel bilgilerin ve bir iletişim formunun yer aldığı bir iletişim sayfasıdır. Suç teşkil edecek, yasadışı, tehditkar, rahatsız edici, hakaret ve küfür içeren, aşağılayıcı, küçük düşürücü, kaba, müstehcen, ahlaka aykırı, kişilik haklarına zarar verici ya da benzeri niteliklerde içeriklerden doğan her türlü mali, hukuki, cezai, idari sorumluluk içeriği gönderen Kişilere aittir.

  • Email: buluttevfik@gmail.com

© Copyright 2022 Tevfik Bulut