Makine öğrenmesi nedir?
Makine öğrenmesi tarihi
Makine öğrenmesi, bilgisayarların deneyimlerden öğrenmesine ve bunları açıkça programlanmadan sonuçları tahmin etmek için kullanmasına yardımcı olan Yapay Zekanın ayrılmaz bir parçasıdır. Makine öğrenmesi, bilgisayar sistemlerine açıkça programlanmadan verilerle “öğrenme” (örneğin, belirli bir görevdeki performansı aşamalı olarak iyileştirme) yeteneği vermek için istatistiksel teknikleri kullanan bir bilgisayar bilimi alanıdır. Makine öğrenmesi adı 1959’da, onu “bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren bir çalışma alanı” olarak tanımlayan Arthur Samuel tarafından icat edildi. Yapay zekada örüntü tanıma ve hesaplamalı öğrenme teorisi çalışmasından geliştirilmiştir.
Makine öğrenmesi, bilgisayar sistemlerine açıkça programlanmadan verilerle "öğrenme" (örneğin, belirli bir görevdeki performansı aşamalı olarak iyileştirme) yeteneği vermek için istatistiksel teknikleri kullanan bir bilgisayar bilimi alanıdır.
Makine öğrenmesi, bilgisayar sistemlerine açıkça programlanmadan verilerle “öğrenme” (örneğin, belirli bir görevdeki performansı aşamalı olarak iyileştirme) yeteneği vermek için istatistiksel teknikleri kullanan bir bilgisayar bilimi alanıdır. Makine öğrenmesi, bilgisayar kullanımı yoluyla tahmin yapmaya da odaklanan hesaplama istatistikleriyle yakından ilgilidir. Alana yöntemler, teori ve uygulama alanları sağlayan matematiksel optimizasyon ile güçlü bağları vardır. Makine öğrenmesi, tıbbi teşhis, istenmeyen posta filtreleme, makine vizyonu, biyolojik sınıflandırma (yüz tanıma gibi), arama motorları ve doğal dil işleme dahil olmak üzere çok çeşitli uygulamalarda kullanılmaktadır.
Makine öğrenmesi adı 1959'da Arthur Samuel tarafından icat edildi.
Makine öğrenmesi, bilgisayarların açıkça programlanmadan verilerden öğrenmesini sağlayan algoritmalar oluşturan bilgisayar biliminin bir alt alanıdır. Makine öğrenmesi adı 1959’da Arthur Samuel tarafından icat edildi.
“Makine öğrenmesi” teriminin yapay zeka bağlamında birkaç farklı anlamı vardır. Böyle bir anlam, bir insan tarafından açıkça programlanmak yerine, büyük veri kümelerinde (tahmin modelleri dahil) otomatik olarak kalıpları keşfetme yeteneğine sahip bilgisayar programlarının geliştirilmesinde uzmanlaşmış, bilgi temsili ve akıl yürütmenin bir dalıdır.
Yapay zekada örüntü tanıma ve hesaplamalı öğrenme teorisi çalışmasından geliştirildi.
Yapay zekada örüntü tanıma ve hesaplamalı öğrenme teorisi çalışmasından gelişmiştir.
Örüntü tanıma, verilerdeki tekrarlanan desenleri tanımlama sürecidir. Hesaplamalı öğrenme teorisi, deneyimlerden nasıl öğrenileceği ve genelleştirileceği üzerine yapılan çalışmadır. Örüntü tanıma ve hesaplamalı öğrenme teorisi, normalde insan zekası gerektiren görevleri yerine getirebilecek cihazlar geliştirmeyi amaçlayan yapay zekanın bir parçasıdır.
Bir dizi algoritmanın keşfi, son birkaç on yılda katlanarak büyüdü.
Makine öğrenmesi 1950’lerden beri var olsa da, son yıllarda bir rönesans yaşadı. Bu kısmen, araştırmaları daha doğru algoritmalar ve modeller için teşvik eden artan kullanılabilirlik ve veri kalitesinden kaynaklanmaktadır. Ancak bu aynı zamanda, karmaşık sistemlerden elde edilen sonuçları tahmin etmek için olasılıksal yöntemler veya Bayes istatistikleri kullanmak gibi, verileri nasıl anladığımızdaki temel gelişmeleri de yansıtır. Bir dizi algoritmanın keşfi, son birkaç on yılda katlanarak büyüdü.
Makine öğrenmesi algoritmalarının evrimi, kullanım durumları aracılığıyla görülebilir: artık ürün tavsiye sistemlerini geliştirmek için Amazon ve Netflix gibi şirketler tarafından kullanılıyorlar; AlphaGo Zero’yu (orijinal versiyonu Go’da profesyonel insan oyuncuları yenen bir sinir ağı) geliştiren Google Brain araştırmacıları tarafından; ABD ordusunun sürücüsüz arabalar veya insansız hava araçları gibi otonom araçlara yönelik DARPA programı tarafından bile; ve hatta Siri veya Alexa ile akıllı telefonunuzda!
Makine öğrenmesi, iyi performansa sahip açık algoritmalar tasarlamanın ve programlamanın zor veya mümkün olmadığı bir dizi hesaplama görevinde kullanılır; örnek uygulamalar arasında e-posta filtreleme, ağa izinsiz giriş yapanların veya veri ihlaline yönelik çalışan kötü niyetli kişilerin tespiti, optik karakter tanıma (OCR), sıralamayı öğrenme ve bilgisayar görüşü sayılabilir.
Makine öğrenmesi, sistemlere açıkça programlanmadan deneyimlerden otomatik olarak öğrenme ve iyileştirme yeteneği sağlayan bir tür yapay zekadır (YZ). Makine öğrenmesi, verilere erişebilen, bunları öğrenmek için kullanabilen, daha sonra bu bilgilere dayanarak tahminler veya kararlar alabilen bilgisayar programlarının geliştirilmesine odaklanır.
Makine öğrenmesi algoritmaları, verilerdeki kalıpları inceleyen bir tümevarım süreci aracılığıyla örnek girdilerden bir model oluşturur. Yeni veriler sağlandığında, model onunla ilgili özellikleri tahmin edebilir. Bu algoritmalar manuel yaklaşımlardan daha hızlı çalışır ve daha az girdi hazırlama süresi gerektirir.
Makine öğrenmesi, bilgisayarların deneyimlerden öğrenmesine ve bunları açıkça programlanmadan sonuçları tahmin etmek için kullanmasına yardımcı olan Yapay Zekanın ayrılmaz bir parçasıdır.
Makine öğrenmesi, bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren bir yapay zeka dalıdır. Makine öğrenmesi algoritmaları, mevcut verilerden bir model oluşturur ve ardından bu modele dayalı tahminler yapar. Tahminler daha sonra herhangi bir hatayı düzelten ve tahminlerinin doğruluğunu onaylayan ve bir sonraki yinelemeye daha fazla veri besleyen insanlar tarafından gözden geçirilir. Bu ileri geri işlem, bir makine kabul edilebilir bir doğruluk düzeyine ulaşana kadar devam eder – bu noktada, otonom araçlar için kullanılan makine görme sistemlerinde veya kullanılan yüz tanıma yazılımlarında olduğu gibi otomatik bir sistemin veya işlemin parçası olarak konuşlandırılabilir. kolluk kuvvetleri tarafından.
Sonuç
Makine öğrenmesi, yapay zekanın önemli bir parçasıdır ve bilgisayarların deneyimlerden öğrenmesini sağlar. Birçok şirket tarafından ürünlerini daha akıllı, daha verimli ve kullanımı daha kolay hale getirmek için kullanılır.