Yapay Zekanın Öğrenme Yöntemleri
Matematiksel teknikler kullanarak, veri üzerinden öğrenebilen ve tahmin yapabilen Yapay Zeka algoritmalarının temel amacı; veriye dayalı otomatik öğrenme ile bilgisayarların akıllı kararlar üretmesini sağlamaktır.
Bu algoritmaların adı öğrenme şekline, kullanma alanına yada katman sayısına göre değişiklik göstermektedir. Yapay Zeka kavramı geniş bir çerçevedir ve alt başlıklarında çeşitli yöntemler ve algoritmalar barındırmaktadır.
Makine Öğrenmesi
Makine Öğrenmesi (Machine Learning — ML), matematiksel teknikler kullanarak, veri üzerinden öğrenebilen ve tahmin yapabilen yapay zeka yöntemidir. Bu algoritmalar öğrenimini kendisine gösterilen veriler üzerinden gerçekleştirmektedir. Fakat ML algoritmaları kendisine gösterilen ham verileri doğrudan kullanamamaktadır. Ham verilerden anlamlı verileri (veri özelliklerini) ortaya çıkarabilmek için belirli teknikler (Bu tekniklerden başka bir yazıda bahsedilecektir.) yardımıyla özellik çıkarımı yapılması gerekmektedir. Özellik çıkarım işlemi tamamlandıktan sonra veriler modele gösterilerek eğitiminin gerçekleştirilmesi sağlanmaktadır. Bu aşamada modelin öğrenme süreci seçilen ML algoritmasına göre değişiklik göstermektedir. Öğrenme sürecinde kullanılabilen öğrenme yöntemleri;
— Denetimli öğrenme
— Denetimsiz öğrenme
Not: Derin öğrenme algoritmalarının bazıları sınıflandırma bazıları regresyon tekniğine aittir. Ayrıca derin öğrenme algoritmaları burada yazılandan çok daha fazla algoritmaya sahiptir. Bu algoritmalar başka bir yazıda anlatılacaktır.
Denetimli Öğrenme
Belirli bir veri kümesi üzerinde, 𝑥 giriş değerlerine karşılık bilinen 𝑦 çıkış değerleri kullanılarak gerçekleştirilen eğitim yöntemidir. Bu tür yöntemler verilerden öğrenerek yeni veri kümesi için sınıflandırma ya da tahminleme yapar. Denetimli öğrenme için iki yöntem mevcuttur;
Sınıflandırma: Veri kümesinde bulunan etiketli verilerin dağılım şeklini öğrenerek ağa gelen yeni verileri n tane sınıftan hangisine ait olduğuna karar veren yöntemdir. Verileri ait olduğu sınıflar arasında dağıtmaktadır. Bu işlemi yaparken, her örneği var olan sınıflardan sadece bir tanesine atayabilmektedir. Naive Bayes , Random Forest, K-NN, Support Vector Machine — SVM bu tür algoritmalara örnek verilebilir.
Regresyon: Sayısal değerler arasındaki ilişkilere göre bir fonksiyon oluşturulmaktadır. Ağa yeni gelen veriler bu fonksiyona dayanarak tahmin edilmektedir . Doğrusal regresyon, çoklu doğrusal regresyon, lojistik regresyon, rasgele ormanlar regresyonu bu tür algoritmalara örnek verilebilmektedir.
Denetimsiz Öğrenme
Belirli bir veri kümesi üzerinde 𝑥 giriş verilerine karşılık hiçbir çıkış değerine sahip olmayan verilerin hata sinyali vermeden kendi kendine öğrenmesi denetimsiz öğrenme olarak tanımlanmaktadır. Öğrenme işlemini verilerin benzerliklerinden, ilişkilerinden ve dağılımından keşfederek gerçekleştirmektedir. Kümeleme, doku segmentasyonu, konuşma tanıma gibi uygulamalarda kullanılmaktadır. Denetimsiz öğrenme yöntemlerinde en sık kullanılan teknik, kümelemedir.
Kümeleme: Verileri benzerlik ya da farklılık metriklerini kullanarak gruplara ayrıştırma işlemini gerçekleştirir. Bu metrikler verilerin dağılımını etkileyeceği için algoritmanın yapısına uygun olarak seçilmelidir. Seçilen bağıntılara göre ayrılan veriler kendi içinde benzer diğer kümeler ile benzemeyen verileri bir araya getirerek kümeleri oluşturmaktadır.
𝑝 ve 𝑞 iki nesne olsun, eğer 𝑠(𝑝, 𝑞) = 1 ise nesneler arasında maksimum benzerlik, 𝑠(𝑝, 𝑞) = 0 ise maksimum farklılık oluşmaktadır.
KAYNAKÇA
Varol Malkoçoğlu, A. B. 2020. Akut Lenfoblastik Lösemi Hücrelerinin Derin Öğrenme Yöntemleri ile Sınıflandırılması, https://tez.yok.gov.tr/UlusalTezMerkezi/tezSorguSonucYeni.jsp
