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 maksadına ulaşamadığına dikkat çekiyor. Uzmanlar, belli bir vazifesi 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: Varsayım etmek için makine tahsili.

– Bilgisayarlı görü: Objeleri algılama maksadıyla.

– 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, dataları ayrıştırmak, işlenmiş datalardan genelleştirilebilen bilgiler çıkartmak ve akabinde dünyadaki bir olgu hakkında belirlenim ve varsayımda bulunmak için çeşitli istatistik, lineer cebir, diferansiyel denklem tabanlı algoritmaların geliştirilmesine dayalı bir alandır. Bu nedenle, makul bir vazifesi gerçekleştirmek için belli bir dizi talimat içeren yazılım rutinlerini elle kodlamak yerine, makine, kendisine misyonun nasıl gerçekleştirileceğini öğrenme yeteneği veren büyük ölçüde bilgi ve algoritmalar kullanılarak eğitilir.” dedi.

Makine tahsili, iddia bilimidir

Doç. Dr. Türker Tekin Ergüzel, makine tahsili yaklaşımları ortasında, karar dayanak 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. Makul bilinenler (özellikler) verildiğinde, kimi bilinmeyenleri (hedefleri) kestirim 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 imajlar pikseller kullanılarak tanımlanır. Bunlar, yüzler, lastikler, yapraklar vb. üzere çeşitli biçimlerin oluşumuna yol açan motiflere/kenarlara yol açar. Müzik de emsal biçimde 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 deveran 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 bilgi (binlerce görüntü) ve datalarınızı süratli bir biçimde 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 çoklukla daha karmaşıktır, bu nedenle muteber sonuçlar elde etmek için en az birkaç bin imaja gereksiniminiz olacaktır. Yüksek performanslı bir GPU’ya sahip olmak, modelin tüm bu imajları 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 datalara dayalı olarak öğretim metotlarını ve müfredatı değiştirir. Şahsileştirilmiş bir iştirak sağlamaya yardımcı olur ve daha güzel bir eğitim için bireye ahenk sağlamaya çalışır. Yazılım, öğrencinin izlemesi gereken öğrenme yollarını önermede yardımcı olur. Öğrenciler, gereçlerden teklifler ve yazılımdan öteki öğrenme metodolojileri alırlar.

Verimliliği Artırma: Daha âlâ 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 birebir vakitte iştiraki ve iştirake ve öğrenmeye olan isteği/motivasyonu arttırır. Böylelikle eğitimin verimliliği artırılır. Ayrıyeten sınıf idaresi, zamanlama vb. misyonları tamamlayarak eğitimcileri daha verimli hale getirme potansiyeline sahiptir. Böylelikle eğitimciler, yapay zeka ile elde edilemeyen ve insan dokunuşu gerektiren misyonlara odaklanmakta özgürdür.

Öğrenme Analitiği: Birçok vakit öğretmen de öğretirken takılabilir. Bu nedenle, içgörüler ve öz, öğrenciler tarafından tam olarak anlaşılmamaktadır. Öğretmen, öğrenme analitiği ile datalara ait içgörü kazanabilir. Milyonlarca içerik ortasında geçiş yapabilir, onu yorumlayabilir ve akabinde ilişkiler 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 başka öğrenme metodolojileri ile ilgili teklifler alarak yarar sağlayabilirler.

Kestirime Dayalı Analitik: Eğitimde kestirime 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 hususlar üzerinde çalışabilir.

Şahsileştirilmiş Öğrenme: Özelleştirilebilir ve kişisel 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 bahisleri, 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 hakikat bir halde derecelendirmek için kullanılır. Yeniden de insanlardan birtakım girdiler gerekir. Lakin, daha yüksek güvenilirlik ve düşük yanılgı 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.