Veri Bilimci Yol Haritası #2: Yapay Zekâ

Veri bilimi aslında bir çok farklı konsepti, veriden anlam çıkarmak ve veriyi analiz etmek üzere birlikte kullanır. Özellikle de yapay zekâ günümüzde veri biliminde aktif olarak kullanılır. Fakat yapay zekâ ile ilgili bazı kavramlar birbirlerine karıştırılmaktadır, gelin birlikte bu kavramların neler olduklarını inceleyelim.

Yapay zekâ, makine öğrenmesi ve derin öğrenme nedir?

Makine öğrenmesi, genellikle yapay zekâ ile karıştırılır. Yapay zekâ, içerisinde makine öğrenimi tekniklerinin de bulunduğu bir dizi teknik, metodoloji ve algoritmanın bulunduğu daha kapsamlı bir kavramdır.

Yapay zekâ alanı, dünyayı sensörler aracıyla algılayabilen, sahip olduğu "zekâ" ile çeşitli kararlar verebilen, verdiği kararları çeşitli mekanizmaları kullanarak hayata geçirebilen akıllı ajanlar oluşturmayı amaçlar. Eğer bu akıllı ajanı bir insan gibi düşünseydik, sensörler göz, kulak, burun gibi organlar olurken, zekânın karşılığı beyin olurdu. Eylemleri hayata geçiren mekanizmaların karşılıklarını ise, eller, ayaklar ya da genel olarak kaslar gibi düşünebiliriz.

Aslında insanla ilgili analoji kurmak, konuyu daha iyi anlamaya yardımcı olsa da biyolojik bazı sınırlar bizi yanlış yönlendirebilir. Akıllı bir ajanın sensörleri fiziksel bir dünyayı algılamak zorunda değildir. Verileri, bağlantıları veya insanda bulunan duyular dışındaki herhangi bir şeyi girdi olarak alabilir.

Makine öğrenmesi genellikle yapay zekâ alanının bir alt kümesi olarak kabul edilir. Makine öğrenmesinin amacı ise, bir makinayı programlayarak belli bir görevi yerine getirmek üzere verilerden anlam çıkarma ve öğrenmedir. Buradaki amaç, verilen görevin yerine getirilmesi için gereken fonksiyonların verilerden çıkarım yapılarak elde edilmesi, el ile oluşturulmasına gerek kalmamasıdır.

Derin öğrenme ise makine öğrenmesi alanının bir alt kümesidir. Derin öğrenme aslında makine öğrenmesi problemlerini yapay sinir ağlarını kullanarak çözmeyi amaçlar. Yapay sinir ağları özellikle bilgisayarlı görü ve doğal dil işleme alanlarında yoğun olarak kullanılır. Yapay sinir ağları katmanlı bir yapıya sahiptir ve derin öğrenme adı aslında bu katmanların sayısı ile birlikte derinliğinin artabilmesinden gelir.

Hiyerarşik olarak göstermek gerekirse:

Yapay Zekâ

Makine Öğrenmesi

Derin Öğrenme

Makine öğrenmesinin mühendislik anlamında daha teknik bir tanımı Tom Mitchell tarafından şöyle yapılmıştır:

Bir makinenin, P ölçümüne göre T üzerindeki performansı E deneyimi ile gelişiyorsa, T görevi üzerinde P ölçümüne göre E deneyiminden öğreniyor demektir.

Bu yazıda daha çok teorik tanımlamalara yer verdim, bir sonraki yazıda ise uygulamalı bir örnek ile devam edeceğim. Umarım bu yazı ile beraber birbirine çok karıştırılan bazı terimleri artık daha iyi anlamışsınızdır. Veri bilimi ile birlikte bu kavramlar çokça anılıyor, o yüzden farklarının iyi bir şekilde anlaşılması yararlı olur.