Yapay Zekaya Genel Bakış

Değişen ve sürekli gelişen teknolojiyle birlikte insan yaşamının kolaylaşması adına yıllar içinde birçok farklı stratejiler geliştirilmiştir. Bu teknolojilerin en hızlı gelişeni ve insan yaşamına en büyük katkısı olan Yapay Zeka popülerliğini son yıllarda fazlasıyla artırmıştır.

Yapay zeka (YZ), insan zekasını taklit eden bilgisayar sistemlerinin ve algoritmaların geliştirilmesini amaçlayan bir bilim dalıdır. Temel amacı, insan benzeri düşünme, öğrenme, problem çözme ve karar verme yeteneklerine sahip sistemler oluşturmaktır. Yapay zeka, genellikle makine öğrenmesi (ML), derin öğrenme (DL), doğal dil işleme (NLP) ve bilgisayarla görme (CV) gibi alt alanlarla ilişkilidir.

Yapay zekanın temelleri 1950 lere dayanmaktadır. İngiliz matematikçi Alan Turing, “Makineler düşünebilir mi?” sorusunu ortaya attı ve Turing Testi‘ni geliştirdi. Bu test, bir makinenin insan gibi düşünüp düşünmediğini ölçmeye yönelik bir kriter olarak kabul edildi. 1950 lerden günümüze kadar birçok farklı çalışma ve araştırmalardan geçen yapay zeka teknikleri 2018 yılında GPT, BERT, DALL·E, ChatGPT gibi büyük dil modelleri ve görüntü oluşturma sistemleriyle devrim niteliğinde ilerlemeler kaydetti.

Makine Öğrenmesi (ML)

Makine öğrenmesi veri setlerini öğrenen bir yapay zeka alt modelidir. Temel mantıktaki işleyişi verileri kalıplardan öğrenir ve bu bilgileri çeşitli programlamalarda tahmin etmek için kullanır. Ana prensibi büyük miktardaki verileri işler ve aralarındaki ilişkileri öğrenir.  Bu sayede programcıların her ihtimale karşı kod yazmasına gerek kalmadan sistemler kendi kendine öğrenebilir.

Denetimli Öğrenme (Supervised Learning)
Bu yöntemde, model etiketli verilerle eğitilir. Yani her giriş verisine karşılık doğru çıktılar da sağlanır. Model, bu örneklerden öğrenerek yeni veriler için tahmin yapar.
Örnek olarak tahmin etme uygulamaları söylenebilir.

Bir veri seti oluşturulur ve bu veri seti çeşitli özelliklere sahip evlerin metrekare, fiyat gibi özelliklerini barındırır. Sonrasında program elindeki bu verileri karşılaştırarak kullanıcının girmiş olduğu özelliklere göre bir ev tahmin fiyatı ortaya koyabilir.

Ayrıca sağlık sektöründe hastalık tahminleri içinde kullanılabilir. Örnek olarak karaciğer hastalığı ile ilgili bir tahmin yapılabilir. Karaciğer hastalığına sahip kişilerin kan değerleri alınır ve makinaya bu değerler öğretilir. Bunun sonucunda kullanıcıdan gelen kan değerleriyle karşılaştırmalar yapılıp kişinin hastalığa sahip olup olmadığı tahmin edilebilir.

Logistic regression denetimli öğrenme için popüler bir algoritma türüdür.

Denetimsiz Öğrenme (Unsupervised Learning)
Bu yöntemde, model etiketsiz verilerle eğitilir. Model, veriler arasındaki benzerlikleri ve farklılıkları analiz ederek gruplama yapar veya örüntüleri ortaya çıkarır.
Örnek olarak kullandığınız dizi platformları müzik platformları söylenebilir. Bu platformlar sizin izlediğiniz filmler yada dinlediğiniz müziklere göre farklı öneriler sunabilir.

K-Means kümeleme algoritmaları denetimsiz öğrenmelerde en çok kullanılan algoritma türlerinden biridir.

Takviyeli Öğrenme (Reinforcement Learning – RL)
Bu yöntemde, bir ajan (agent), bir ortamda (environment) ödüller (rewards) ve cezalar alarak en iyi eylemleri öğrenir. Ajan, uzun vadede en yüksek ödülü alacak şekilde karar verir.
Örneğin otonom araçların kendi kendine sürüş sistemlerini öğrenmesi yada bir satranç oyunundaki stratejileri programın kendi uygulaması.

Kullanılan popüler algoritmalardan birisi Q-Learning’dir.

Makine Öğrenmesi Süreci
Veri Toplama: Modelin eğitilmesi için uygun veriler toplanır.
Veri Temizleme ve Ön İşleme: Eksik veriler doldurulur, gereksiz veriler atılır ve veriler normalleştirilir.
Özellik Seçimi (Feature Engineering): Modele en iyi performansı verecek özellikler belirlenir.
Model Seçimi: En uygun algoritma seçilir (Örneğin, Regresyon, Karar Ağaçları, Sinir Ağları vb.).
Model Eğitimi: Seçilen model verilere göre eğitilir.
Model Değerlendirme: Modelin doğruluğu test edilir ve ayarlamalar yapılır.
Model Kullanımı (Deployment): Model gerçek dünyada kullanılmak üzere sisteme entegre edilir.

Derin Öğrenme (DL)

Derin öğrenme, yapay sinir ağları kullanarak büyük veri setlerinden öğrenen bir makine öğrenmesi türüdür. Görüntü tanıma, doğal dil işleme ve otonom sistemlerde yaygın olarak kullanılır.

Temel Bileşenler

Yapay Sinir Ağları (ANNs): Giriş, gizli ve çıkış katmanlarından oluşur.

Aktivasyon Fonksiyonları: ReLU, Sigmoid ve Softmax gibi fonksiyonlar kullanılır.

Eğitim Süreci: İleri yayılım, hata hesaplama ve geri yayılım adımlarından oluşur.

Derin Öğrenme Modelleri

CNNs: Görüntü işleme için idealdir.

RNNs: Sıralı verilerde (metin, konuşma) kullanılır.

GANs: Gerçekçi veri üretimi yapar.

Transformers: Doğal dil işleme modellerinde etkilidir (GPT, BERT).

Kullanım Alanları

Görüntü İşleme: Yüz tanıma, tıbbi analiz.

Doğal Dil İşleme: Makine çevirisi, sohbet botları.

Otonom Sistemler: Kendi kendine giden araçlar.

Finans: Sahtekarlık tespiti, kredi skorlama.

Derin Öğrenme Süreci
Veri Toplama ve Hazırlama: Öncelikle model eğitiminde kullanabilmek için büyük ve kaliteli veri setleri toplanır. Veri setinin içindeki hatalı veya eksik bilgiler normalize edilir. Örneğin tüm görüntü verileri aynı formata aynı boyuta çevrilmesi gerekir.

Modelin Tasarımı: Derin öğrenme modelleri, yapay sinir ağlarından oluşur ve bu ağlar giriş, gizli ve çıkış katmanlarından meydana gelir. Modelin mimarisi, çözülmek istenen probleme göre belirlenir. Örneğin, görüntü tanıma için Konvolüsyonel Sinir Ağları (CNN), dil işlemleri için Tekrarlayan Sinir Ağları (RNN) tercih edilir.

Modelin Eğitimi: Hazırlanan veri seti üzerinde model eğitim sürecine başlar. Model verileri alır ve bu veriler üzerinden tahminler üretir. Üretilen tahminler sonucu, gerçek değerlerle karşılaştırılır ve aradaki farklar hesaplanır.

Modelin Değerlendirilmesi: Eğitim tamamlandıktan sonra, model daha önce görmediği test verileriyle değerlendirilir. Bu adım, modelin genelleme yeteneğini ve gerçek dünya verileri üzerindeki performansını ölçmek için kritiktir. Elde edilen sonuçlara göre modelin doğruluğu, hassasiyeti gibi metrikler hesaplanır.

Modelin Optimizasyonu ve İyileştirilmesi: Değerlendirme sonuçlarına göre, modelin performansını artırmak için çeşitli iyileştirmeler yapılabilir. Bu, modelin mimarisini değiştirmek, daha fazla veri eklemek veya farklı eğitim teknikleri kullanmak şeklinde olabilir.

Doğal Dil İşleme (NLP)

Temel çalışma prensibi bilgisayarların insan dilini anlama, yorumlama ve üretme yeteneklerini kazandırmayı hedefleyen yapay zeka alanıdır. Bu teknoloji sayesinde bilgisayarların metin ve konuşma verilerini analiz ederek anlamlı bilgiler elde etmesini sağlar.

NLP’nin Temel Amaçları:
Dil Anlama: Bilgisayarların metin veya konuşma dilini anlamasını sağlamak.
Dil Üretimi: Bilgisayarların insan benzeri metin veya konuşma üretmesini sağlamak.

NLP’nin Kullanım Alanları:
Makine Çevirisi: Metin veya konuşmanın bir dilden diğerine otomatik olarak çevrilmesi.
Konuşma Tanıma: Sesli konuşmaların metne dönüştürülmesi.
Duygu Analizi: Metinlerdeki duygusal tonun (ör. olumlu, olumsuz) belirlenmesi.
Sohbet Botları: Kullanıcılarla doğal dilde etkileşim kuran otomatik sistemler.
Metin Sınıflandırma: E-postaların spam olup olmadığını belirleme gibi metinleri kategorilere ayırma

NLP’nin Çalışma Prensipleri:
NLP, dilin yapısını ve anlamını analiz etmek için çeşitli teknikler kullanır:
Sözdizimsel Analiz (Syntax): Cümle yapısını ve kelimelerin dizilişini inceleyerek dilbilgisel kurallara göre analiz yapar.
Anlamsal Analiz (Semantics): Kelimelerin ve cümlelerin anlamını belirlemeye odaklanır.

Teknolojinin gelişmesi ile birlikte NLP uygulamaları günden güne dahada iyileştiriliyor.

Bilgisayarla Görme (CV)

Bilgisayarlarla görme (Computer Vision) tekniği bilgisayarların dijital görüntüler ve video analizleri sonucu anlamlı bilgiler elde etmesini sağlayan bir yapay zeka alanıdır. Makinaların görsel verileri tanıması, yorumlaması ve bu bilgilere dayanarak karar almasını mümkün kılar.

Kullanım Alanları:
Otonom Araçlar: Sürücüsüz araçlar, çevrelerindeki nesneleri ve yayaları tanımlamak için bilgisayarla görme tekniklerini kullanır.
Sağlık Hizmetleri: Tıbbi görüntülerin analiziyle hastalıkların erken teşhisi ve tedavi planlaması yapılır.
Güvenlik Sistemleri: Yüz tanıma ve hareket algılama gibi özelliklerle güvenlik düzeyini artırır.
Üretim ve Sanayi: Ürünlerin kalite kontrolü ve hataların tespiti için kullanılır.

Temel Teknikler:
Görüntü Sınıflandırma: Görüntüleri belirli kategorilere ayırma işlemi.
Nesne Algılama: Görüntü veya videolardaki nesnelerin tanımlanması ve konumlarının belirlenmesi.
Görüntü Segmentasyonu: Görüntüyü anlamlı parçalara veya bölgelere ayırma işlemi.
Hareket Takibi: Videolardaki nesnelerin hareketlerinin izlenmesi.