Makine öğrenimi nedir?

Bir beceri öğrenmek için bilgi toplamalı, dikkatli bir şekilde çalışmalı ve performansımızı izlemeliyiz. Sonunda, bu aktivitede daha iyi oluyoruz. Makine öğrenimi, bilgisayarların tam da bunu yapmasına izin veren bir tekniktir.

Bilgisayarlar öğrenebilir mi?

Zekayı belirlemek zordur. Zeka derken ne demek istediğimizi hepimiz biliyoruz ama onu tarif etmek bir problem. Duygu ve öz farkındalıktan bağımsız olarak, işe yarayan bir tanım, yeni beceriler öğrenme, bilgiyi özümseme ve istenen sonucu elde etmek için yeni durumlara uygulama yeteneği olabilir.

Zekayı tanımlamanın zorluğu göz önüne alındığında, yapay zekayı tanımlamak daha kolay olmayacaktır. O halde biraz kendimizi kandıralım. Bir bilgisayar normalde insan düşünmesi ve zekası gerektiren bir şeyi yapabiliyorsa, yapay zeka kullandığını söyleyebiliriz.

Örneğin, akıllı konuşma cihazları gibi Amazon Echo Ve Google Nest sözlü talimatlarımızı duyar, sesleri kelime olarak yorumlar, kelimelerin anlamlarını çıkarır ve ardından isteğimizi yerine getirmeye çalışır. ona sorabiliriz Müzik çal Veya bir soruyu yanıtlayın veya ışıkları kısın.

En basit etkileşimler dışında, sözlü komutlarınız, yapay zekanın uygulandığı üreticilerin bulutlarındaki güçlü bilgisayarlara iletilir. Komut analiz edilir, anlamı çıkarılır, yanıt hazırlanır ve akıllı konuşmacıya geri gönderilir.

Makine öğrenimi, etkileşimde bulunduğumuz yapay zeka sistemlerinin çoğunun temelini oluşturur. Bu öğelerden bazıları akıllı cihazlar gibi evinizde bulunur ve diğerleri çevrimiçi kullandığımız hizmetlerin bir parçasıdır. Kullanılmış Öneriler YouTube'da video, Netflix, Spotify'da otomatik çalma listeleri, makine öğrenimi. Arama motorları makine öğrenimine güvenir ve çevrimiçi alışveriş, göz atma geçmişinize ve satın alma geçmişinize dayalı olarak size satın alma önerileri vermek için makine öğrenimini kullanır.

Bilgisayarlar büyük veri kümelerine erişebilir. Bir insanın tek bir iterasyonu gerçekleştirmesi için gereken alan içinde yorulmadan binlerce kez işlemleri tekrarlayabilir - eğer bir insan bunu bir kez yapabilseydi. Bu nedenle, öğrenme bilgi, uygulama ve performans geri bildirimi gerektiriyorsa, bilgisayar ideal aday olmalıdır.

Bu, bir bilgisayarın gerçekten insani anlamda düşünebileceği veya bizim yaptığımız gibi anlayıp algılayabileceği anlamına gelmez. Ancak pratik yaparak öğrenecek ve gelişecektir. Ustalıkla programlanmış bir makine öğrenimi sistemi, bilinçli bir varlık hakkında iyi bir izlenim bırakabilir.

Eskiden "Bilgisayarlar öğrenebilir mi?" diye sorardık. Bu sonunda daha pratik bir soruya dönüştü. Bilgisayarların öğrenmesine izin vermek için hangi mühendislik zorluklarının üstesinden gelinmelidir?

Sinir ağları ve derin sinir ağları

Hayvan beyinleri nöron ağları içerir. Nöronlar, sinaps üzerinden diğer nöronlara sinyal gönderebilirler. Milyonlarca kez tekrarlanan bu küçük eylem, düşünce süreçlerimize ve anılarımıza yol açar. Doğa, birçok yapı taşı arasında bilinçli zihinler ve düşünme ve hatırlama yeteneği yaratmıştır.

Biyolojik sinir ağlarından esinlenerek, organik muadillerinin bazı özelliklerini taklit etmek için yapay sinir ağları oluşturuldu. XNUMX'lardan beri binlerce veya milyonlarca düğüm içeren donanım ve yazılım geliştirildi. Ganglionlar, nöronlar gibi, diğer gangliyonlardan sinyaller alır. Ayrıca diğer düğümleri beslemek için sinyaller üretebilir. Düğümler, birçok düğümden gelen girdileri kabul edebilir ve onlara aynı anda sinyal gönderebilir.

Bir hayvan, sarı ve siyah uçan böceklerin onu her zaman kötü ısırdığı sonucuna varırsa, tüm sarı ve siyah uçan böceklerden kaçınacaktır. Hovercraft bundan yararlanır. Yaban arısı gibi sarı ve siyahtır ama iğnesi yoktur. Eşekarısı ile dolaşmış ve acı bir ders almış hayvanlar, hoverkrafta da geniş bir rıhtım sağlar. Harika bir renk düzenine sahip uçan bir böcek görür ve geri çekilme zamanının geldiğine karar verir. Bir böceğin havada durabileceği - ve bir yaban arısının yapamayacağı - dikkate alınmaz.

Hava yollarının, vızıltıların, sarı ve siyah renklerin önemi her şeyin ötesindedir. Bu sinyallerin önemine, bu bilgilerin ağırlıklandırılması denir. Yapay sinir ağları da ağırlık kullanabilir. Bir düğümün tüm girdilerini eşit sayması gerekmez. Bazı işaretleri diğerlerine tercih edebilir.

Makine öğrenimi, eğitilmiş veri kümelerindeki kalıpları bulmak için istatistikleri kullanır. Veri seti, kelimeler, sayılar, resimler, bir web sitesindeki tıklamalar gibi kullanıcı etkileşimleri veya dijital olarak yakalanabilen ve saklanabilen başka herhangi bir şey içerebilir. Sistemin, sorgunun temel unsurlarını karakterize etmesi ve ardından bunları veri setinde tespit ettiği kalıplarla eşleştirmesi gerekir.

Bir çiçeği tanımlamaya çalışıyorsa, gövde uzunluğunu, yaprak boyutunu ve desenini, rengini ve yaprak sayısını vb. bilmesi gerekir. Aslında, bunlardan çok daha fazla gerçeğe ihtiyacınız olacak, ancak basit örneğimizde bunları kullanacağız. Sistem, test örneğiyle ilgili bu ayrıntıları öğrendiğinde, veri setinden bir eşleşme üreten bir karar verme sürecini başlatır. Etkileyici bir şekilde, makine öğrenimi sistemleri karar ağacını kendileri oluşturur.

Makine öğrenimi sistemi, mantığındaki kusurları düzeltmek için algoritmalarını güncelleyerek hatalarından öğrenir. En karmaşık sinir ağları derin sinir ağlarıdır. Kavramsal olarak, bu sinir ağları, üst üste katmanlarda bulunan çok sayıda sinir ağından oluşur. Bu sistem, karar verme süreçlerinde küçük kalıpları bile algılama ve kullanma yeteneği verir.

Katmanlar, ağırlıklandırma sağlamak için yaygın olarak kullanılır. Gizli katmanlar olarak adlandırılan katmanlar, "özelleştirilmiş" katmanlar olarak işlev görebilir. Test konusunun tek bir özelliği hakkında ağırlıklı sinyaller sağlarlar. Çiçek tanımlama örneğimiz, yaprakların şekline, tomurcukların boyutuna veya organlarındaki uzunluklara ayrılmış gizli katmanlar kullanabilir.

Farklı makine öğrenimi türleri

Makine öğrenimi sistemlerini eğitmek için kullanılan üç geniş teknik vardır: denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme.

Denetimli Öğrenme

Denetimli öğrenme, en yaygın kullanılan öğrenme şeklidir. Bunun nedeni, doğası gereği diğer teknolojilerden üstün olması değildir. Bu tür öğrenmenin, günümüzde yazılan makine öğrenimi sistemlerinde kullanılan veri kümelerine uygunluğu ile daha fazla ilgisi vardır.

Denetimli öğrenmede veriler, makine öğrenimi sisteminin karar verme sürecinde kullanılan kriterlerin tanımlanması için kategorilere ayrılır ve düzenlenir. Bu, YouTube oynatma listesi önerilerinin arkasındaki makine öğrenimi sistemlerinde kullanılan öğrenme türüdür.

denetimsiz eğitim

Denetimsiz öğrenme, veri hazırlığı gerektirmez. Veriler sınıflandırılmamıştır. Sistem verileri tarar, kalıplarını tespit eder ve çalışma parametrelerini türetir.

Denetimsiz öğrenme teknikleri siber güvenliğe yüksek başarı oranlarıyla uygulanmaktadır. Makine öğrenimi yoluyla optimize edilen izinsiz giriş algılama sistemleri, izinsiz giren bir kişinin yetkisiz ağ etkinliğini algılayabilir çünkü yetkili kullanıcıların daha önce gözlemlenen davranış kalıplarıyla eşleşmez.

öğrenmeyi geliştirmek

Takviyeli öğrenme, üç teknoloji arasında en yenisidir. Basitçe söylemek gerekirse, bir takviye öğrenme algoritması, belirli bir hedefe ulaşmak için en uygun davranış modeline ulaşmak için deneme yanılma ve geri bildirim kullanır.

Bu, sistemin davranışının amacına ulaşmada olumlu veya olumsuz bir etkisi olup olmadığına göre sistemin çabalarını "kaydeden" insanlardan geri bildirim gerektirir.

Yapay zekanın pratik yönü

Çok yaygın olduğu ve gerçek dünyada - ticari başarılar da dahil olmak üzere - kanıtlanabilir başarılara sahip olduğu için, makine öğrenimi "AI'nın pratik tarafı" olarak adlandırıldı. Bu çok büyük bir iş ve makine öğrenimini geliştirme süreçlerinize veya ürünlerinize entegre etmenize olanak tanıyan birçok ölçeklenebilir iş çerçevesi var.

Bu tür bir ateş gücüne hemen ihtiyacınız yoksa ancak Python gibi kolay bir programlama dilinde bir makine öğrenimi sistemi araştırmakla ilgileniyorsanız, bunun için de mükemmel ücretsiz kaynaklar var. Aslında, ek bir ilgi veya iş ihtiyacı geliştirirse sizinle birlikte genişleyecektir.

• Meşale Hızıyla bilinen açık kaynaklı bir makine öğrenimi çerçevesidir.
• Scikit-Öğren Özellikle Python ile kullanım için bir dizi makine öğrenme aracıdır.
• Caffe Özellikle görüntü işlemede uzmanlaşmış bir derin öğrenme çerçevesidir.
• keras Python arayüzüne sahip bir derin öğrenme çerçevesidir.