Makine öğrenmesi ve derin öğrenme neyi hefliyor?

Yapay zeka kavramıyla bir arada hayatımıza giren makine tahsili, kabaca iddia bilimi olarak tanımlanıyor. Uzmanlar, günümüzde hiçbir makine öğrenmesi ya da derin öğrenme metodunun, genel yapay zekanın en son gayesine ulaşamadığına dikkat çekiyor. Uzmanlar, belli bir misyonu gerçekleştirmek için makul bir dizi talimat içeren yazılım rutinlerinin elle kodlanmak yerine, makinenin, kendisine misyonun nasıl gerçekleştirileceğini öğrenme yeteneği veren büyük ölçüde data ve algoritmalar kullanılarak eğitildiğini belirtiyor. Uzmanlar, eğitim alanındaki temel makine tahsili uygulamalarını da uyarlanabilir öğrenme, verimliliği artırma, öğrenme analitiği, iddiaya dayalı analitik, şahsileştirilmiş öğrenme ve kıymetlendirme olarak sıraladı.

Üsküdar Üniversitesi Mühendislik ve Tabiat Bilimleri Fakültesi Yazılım Mühendisliği Kısım Lideri Doç. Dr. Türker Tekin Ergüzel, makine tahsili kavramına ait değerlendirmede bulundu.

Yapay zeka, 6 disiplinden oluşuyor

Yapay zeka kavramının altı farklı disiplinden oluştuğunu belirten Doç. Dr. Türker Tekin Ergüzel, bunları şöyle sıraladı:

– Doğal lisan sürece

– Bilgi temsili

– Otomatik akıl yürütme: Soruları cevaplamak ve yeni sonuçlar çıkarmak için saklanan bilgileri kullanır.

– Yeni şartlara ahenk sağlamak ve örüntüleri tespit: İddia etmek için makine tahsili.

– Bilgisayarlı görü: Objeleri algılama hedefiyle.

– Robotik: Objeleri manipüle ve hareket ettirmek.

Makine tahsili nedir?

Genel bir yapay zeka oluşturmak için bunların hepsini birden yapabilecek bir algoritmaya gereksinim olduğunu kaydeden Doç. Dr. Türker Tekin Ergüzel, “En temel manasıyla makine tahsili, bilgileri ayrıştırmak, işlenmiş datalardan genelleştirilebilen bilgiler çıkartmak ve akabinde dünyadaki bir olgu hakkında belirlenim ve kestirimde bulunmak için çeşitli istatistik, lineer cebir, diferansiyel denklem tabanlı algoritmaların geliştirilmesine dayalı bir alandır. Bu nedenle, belli bir misyonu gerçekleştirmek için muhakkak bir dizi talimat içeren yazılım rutinlerini elle kodlamak yerine, makine, kendisine vazifenin nasıl gerçekleştirileceğini öğrenme yeteneği veren büyük ölçüde bilgi ve algoritmalar kullanılarak eğitilir.” dedi.

Makine tahsili, kestirim bilimidir

Doç. Dr. Türker Tekin Ergüzel, makine tahsili yaklaşımları ortasında, karar takviye makinası tahsili, rastgele ağaç, tümevarımsal mantık programlaması, kümeleme, bayes ağları üzere yaklaşımların yer aldığını söyledi.

Derin öğrenme, makine öğrenmesinin alt kümesidir

Makine tahsili ile derin öğrenme ortasındaki farklara değinen Doç. Dr. Türker Tekin Ergüzel, şunları söyledi:

“Bu bağlamda, günümüzde hiçbir makine öğrenmesi ya da derin öğrenme usulü, genel yapay zekanın kesin amacına ulaşamamıştır. Makine tahsili kabaca kestirim bilimidir. Muhakkak bilinenler (özellikler) verildiğinde, birtakım bilinmeyenleri (hedefleri) iddia etmek istersiniz. Derin öğrenme ise makine öğrenmesinin bir alt kümesi olmakla birlikte, daha özelleşmiş ve yüksek hesaplama gücü gerektiren yötemleri içerir. Kavramların hiyerarşik olarak öğrenildiği bir makine tahsili alt alanıdır. Evvel en kolay kavramlar ortaya çıkar, akabinde daha kolay kavramların üzerine inşa edilen daha karmaşık kavramlar gelir. Ekseriyetle bu, kolay bir katmanlı kavramlar hiyerarşisine yol açar. Örneğin manzaralar pikseller kullanılarak tanımlanır. Bunlar, yüzler, lastikler, yapraklar vb. üzere çeşitli hallerin oluşumuna yol açan motiflere/kenarlara yol açar. Müzik de benzeri halde hiyerarşik olarak vuruşlardan, ölçülerden ve kısımlardan oluşur. Lisan; karakterler, fonemler, heceler, sözler, tabirler, cümleler ve paragraflardan oluşur.

Sosyo-politik ağlar; bireylerden, ailelerden, topluluklardan, köylerden/kasabalardan/şehirlerden, illerden/eyaletlerden, milletlerden ve ulus bloklardan oluşur.

Derin öğrenme çok güçlü bir fikirdir

Fizyolojik sistemler; beslenme yahut dolanım üzere tüm fizyolojik fonksiyonları yerine getiren hücreler, dokular, organlar ve organ sistemlerinden oluşur. Gördüğünüz üzere, derin öğrenme, yani hiyerarşik kavramsal tabanlı öğrenme fikri, çok güçlü ve genel olarak uygulanabilir bir fikirdir. Derin öğrenmenin son muvaffakiyetinden, büyük ölçüde datayla öğrenilen derin hudut ağlarının aktifliği ile birlikte derin öğrenmenin genel uygulanabilirliği sorumludur.”

Derin öğrenme daha karışıktır

“Makine tahsili, uygulamanıza, işlediğiniz dataların boyutuna ve çözmek istediğiniz sorunun tipine nazaran seçebileceğiniz çeşitli teknikler ve modeller sunar.”diyen Doç. Dr. Türker Tekin Ergüzel, şunları söyledi:

“Başarılı bir derin öğrenme uygulaması, modeli eğitmek için çok büyük ölçüde data (binlerce görüntü) ve bilgilerinizi süratli bir halde işlemek için GPU’lar yahut grafik sürece üniteleri gerektirir. Makine tahsili ve derin öğrenme ortasında seçim yaparken, yüksek performanslı bir GPU’nuz ve çok sayıda etiketli verinizim olup olmadığını göz önünde bulundurulur. Bunlardan rastgele birine sahip değilseniz, derin öğrenme yerine makine tahsilini kullanmak daha mantıklı olabilir. Derin öğrenme ekseriyetle daha karmaşıktır, bu nedenle muteber sonuçlar elde etmek için en az birkaç bin imgeye gereksiniminiz olacaktır. Yüksek performanslı bir GPU’ya sahip olmak, modelin tüm bu manzaraları tahlil etmesi için daha az vakit alacağı manasına gelir.”

Eğitim alanında kullanılan makine tahsili uygulamaları

Doç. Dr. Türker Tekin Ergüzel, eğitim alanındaki temel makine tahsili uygulamaları hakkında da şu bilgileri verdi:

Uyarlanabilir Öğrenme: Bir öğrencinin performansını gerçek vakitli olarak tahlil eder ve bu bilgilere dayalı olarak öğretim metotlarını ve müfredatı değiştirir. Şahsileştirilmiş bir iştirak sağlamaya yardımcı olur ve daha uygun bir eğitim için bireye ahenk sağlamaya çalışır. Yazılım, öğrencinin izlemesi gereken öğrenme yollarını önermede yardımcı olur. Öğrenciler, malzemelerden teklifler ve yazılımdan başka öğrenme metodolojileri alırlar.

Verimliliği Artırma: Daha düzgün içerik ve müfredat tertibi ve idaresi yeteneğine sahiptir. İşi buna nazaran ayırmaya ve herkesin potansiyelini anlamaya yardımcı olur. Bu, hangi çalışmanın öğretmen için en uygun olduğunu ve öğrenci için neyin işe yaradığını tahlil etmeye yardımcı olur. Öğretmen ve öğrencilerin işlerini kolaylaştırır. Bu tıpkı vakitte iştiraki ve iştirake ve öğrenmeye olan isteği/motivasyonu arttırır. Böylelikle eğitimin verimliliği artırılır. Ayrıyeten sınıf idaresi, zamanlama vb. vazifeleri tamamlayarak eğitimcileri daha verimli hale getirme potansiyeline sahiptir. Böylelikle eğitimciler, yapay zeka ile elde edilemeyen ve insan dokunuşu gerektiren vazifelere odaklanmakta özgürdür.

Öğrenme Analitiği: Birçok vakit öğretmen de öğretirken takılabilir. Bu nedenle, içgörüler ve öz, öğrenciler tarafından tam olarak anlaşılmamaktadır. Öğretmen, öğrenme analitiği ile bilgilere ait içgörü kazanabilir. Milyonlarca içerik ortasında geçiş yapabilir, onu yorumlayabilir ve akabinde temaslar ve sonuçlar çıkarabilir. Bu, öğretme ve öğrenme sürecini olumlu tarafta etkileyebilir. Bunun dışında, öğrenme analitiği, öğrencinin izlemesi gereken yolları önerir. Öğrenciler, bu yazılımdan gereçler ve öteki öğrenme metodolojileri ile ilgili teklifler alarak yarar sağlayabilirler.

Varsayıma Dayalı Analitik: Eğitimde varsayıma dayalı analitik, büsbütün öğrencilerin zihniyetini ve gereksinimlerini bilmekle ilgilidir. Gelecekte olabilecek şeyler hakkında sonuçlar çıkarmaya yardımcı olur. Sınıf testleri ve yarıyıl sonuçları ile hangi öğrencilerin imtihanda başarılı olacağı ve hangi öğrencilerin zorlanacağı anlaşılabilir.Bu sayede öğrenciye daha güzel bir halde yardımcı olunabilir ve zayıf olduğu mevzular üzerinde çalışabilir.

Şahsileştirilmiş Öğrenme: Özelleştirilebilir ve ferdî ihtiyaçlar bu sayede halledilir. Bu eğitim modeli sayesinde öğrenciler kendi öğrenmelerine rehberlik edebilirler. Kendi suratlarına sahip olabilirler, ne öğrenecekleri ve nasıl öğrenecekleri konusunda kararlar alabilirler. İlgilendikleri hususları, öğrenmek istedikleri öğretmeni ve takip etmek istedikleri müfredatı, standartları ve modeli seçebilirler.

Kıymetlendirme: Makine tahsili sonucu geliştirilen şablon, öğrenci ödevlerini ve imtihanlarını bir beşerden daha gerçek bir biçimde derecelendirmek için kullanılır. Yeniden de insanlardan birtakım girdiler gerekir. Fakat, daha yüksek güvenilirlik ve düşük kusur mümkünlüğü olduğundan, bir makine işi yaptığında en gerçek ve hassas sonuçların geçerliliği ve güvenilirliği daha yüksek olacaktır.

Kaynak: (BHA) – Beyaz Haber Ajansı

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

  1. Makine öğrenmesi ve derin öğrenme neyi hefliyor? için yorumda bulun

    Makine öğrenmesi ve derin öğrenme neyi hefliyor? için henüz bir yorumda bulunulmamış! Hemen üst alanda bulunan formu kullanarak Makine öğrenmesi ve derin öğrenme neyi hefliyor? için ilk yorumu yapabilirsin.