Yapay Zeka Algoritmaları

Yapay zeka algoritmaları nedir?

Yapay zeka (YZ), insanlar gibi çalışan ve tepki veren akıllı makinelerin yaratılmasını vurgulayan bir bilgisayar bilimi alanıdır. Yapay zeka genellikle üç farklı kategoriye ayrılır:

Çıkarımların yapılabileceği bir model oluşturmak için bir dizi eğitim verisini kullanan denetimli öğrenme

Etiketlenmemiş verileri kümelemek veya bölümlere ayırmak için kullanılan denetimsiz öğrenme; ve

Bir aracının ödülleri en üst düzeye çıkarmak için bir görevi yerine getirmek için elinden gelenin en iyisini yapmaya çalıştığı pekiştirmeli öğrenme (RL)

A* Arama Algoritması

A* arama algoritması, arama algoritmasının bir genellemesidir. Bir grafikteki en kısa yolu bulmak için kullanılır ve bilgisayar bilimlerindeki problemleri çözmek için kullanılabilir.

A* arama algoritması, olası tüm yollardan geçerek iki düğüm arasındaki en kısa yolu bularak çalışır ve her adım, yolun kaç adım atacağına (bir maliyet) dayalı olarak seçilir. Minimum maliyetle böyle bir yol bulduktan sonra, başka çözümler ararken tekrar kullanabilmek için takip edersiniz.

Alfa-beta budama

Alfa-beta budama, bir ağaç arama algoritmasının arama alanını azaltmak için yapay zekada kullanılan bir tekniktir. Arama ağacının düğümlerine alfa adı verilen bir değer atayarak çalışır. Alfa değerleri, her bir düğümün seçileceği tahmini olasılığı karşılaştırılarak ve değerlendirme için daha iyi seçenekler olarak daha yüksek tahminlere sahip olanlar seçilerek atanır.

Algoritma şu şekilde çalışır:

Uzun yollar aranırken ve/veya çok sayıda oyun oynanırken, ara düğümlerin çok fazla değerlendirilmemesi önemlidir, çünkü bu değerlendirmeler ilginç bir yere götürmese bile çok fazla zaman veya hafıza alabilir. Bunun nedeni, tüm olası hareketlerin farklı yollarda ilerlediği birçok düğüm olabileceğidir; bu, bazılarına mevcut konumdan herhangi bir hareketle asla ulaşılamayacağı (ve bu nedenle herhangi bir yararlı bilgi sağlayamayacağı) anlamına gelir. Algoritmamızın bu “ölü” düğümlerde kaynak israfından kaçınmasını istiyorsak, geçmiş deneyimlere veya oyun teorisi stratejileri vb. bu tür bilgiler mevcutsa, bundan sonra ne olmalı?

Otomatik planlama ve zamanlama

Otomatik planlama ve çizelgeleme yazılımı, kaynakların en verimli kullanımını belirlemek için kullanılabilecek, veriye dayalı bir karar verme aracıdır. Maksimum verim elde etmek için öğelerin, insanların veya ekipmanın tahsisini optimize etmeye odaklanır. Otomatik planlama ve çizelgeleme, görevleri veya ürünleri tamamlamak için birden fazla kaynağa ihtiyaç duyulan sektörlerde faydalıdır:

İşletmenizde otomatik planlama ve çizelgeleme kullanıyorsanız, aklınızda bulundurmanız gereken bazı şeyler şunlardır:

Çalışanların kullanmasının kolay olduğundan emin olun. Kullanmaları ne kadar karmaşıksa, onu etkili bir şekilde kullanma olasılıkları o kadar az olur.
Üretimin her aşamasında tam olarak ne olduğunu bilmek için hangi değişikliklerin yapıldığını takip edin.

Bayes teoremi

Bayes teoremi, birçok alanda çıkarım yapmak için kullanılan bir araçtır. Diğer şeylerin yanı sıra makine öğrenimi, yapay zeka ve doğal dil işlemede kullanılır.

Genel fikir, bir olayla ilgili olabilecek koşullar hakkında önceden bilgi sahibi olmanız ve ardından bu bilgi verildiğinde olayın olma olasılığını hesaplamak için Bayes teoremini kullanmanızdır. Örneğin:

Pazartesi öğleden sonra saat 2’de yağmur yağıp yağmayacağı konusunda önceden bilginiz var. Bu, önceki koşul(lar)ınız olacaktır.
Ayrıca geçmiş deneyimlerden (yeni verileriniz) son 5 yılda bir noktada Pazartesi günleri saat 14:00’te yağmur yağdığını da biliyorsunuz (olasılık).

Bu yeni veri (olasılık) göz önüne alındığında Pazartesi öğleden sonra saat 2’de yağmur yağması için normalden daha yüksek bir olasılık olup olmadığını öğrenmek için artık Bayes teoremini kullanabilirsiniz.

Bayes ağı

Bayes ağları, değişkenler arasındaki ilişkiyi temsil eden bir olasılıksal grafik modeller sınıfıdır. Bayes ağları, finans ve karar verme gibi çeşitli alanlardaki değişken ilişkileri temsil etmek için kullanılabilir.

Örneğin, arkadaşınızın mutlu veya üzgün olmasına neyin sebep olduğuna dYZr anlayışınızı modellemek için bir Bayes ağı kullanabilirsiniz. Bu sebep-sonuç ilişkileri, “arkadaşım ona para verdiğimde mutlu oluyor” ve “arkadaşım bir sınavda başarısız olduğunda üzülüyor” içerebilir. Bu durumda, her bir düğüm bir değişkeni (örneğin arkadaşım) temsil ederken, düğümler arasındaki kenarlar değişkenler arasındaki ilişkileri temsil eder (örneğin, para vermek mutluluğa neden olur).

Boltzmann makinesi

Boltzmann makinesi, az sayıda gizli katman kullanarak olasılıklı çıkarım yapmayı öğrenen bir tür yapay sinir ağıdır.

Boltzmann makinesi kümeleme, görüntü bölütleme ve doku tanıma için denetimsiz öğrenmede kullanılmıştır.

C4.5 algoritması

C4.5, bir makine öğrenimi algoritması ve bir karar ağacı sınıflandırıcısıdır. Sınıflandırma problemleri, regresyon problemleri ve zaman serisi analizi için kullanılır. Özellikle C4.5, çoğu durumda tek ağaçlardan daha iyi sonuçlar üreten ID3 ve C4 ağaçlarına dayalı bir topluluk öğrenme yöntemidir.

C4.5 algoritması, eğitim verilerini birkaç gruba ayırır (her grup bir veya daha fazla kayıt içerir). Her grubun ilk düğümü, budanmamış bir ağaçtaki tüm düğümler arasından en iyi ilk arama stratejisi kullanılarak seçilir; bu düğümü her seviyede budadıktan sonra herhangi bir kayıt kalmamışsa, inşa aşamasında ağacın bir parçası olur

Kesinlik faktörü

Kesinlik faktörü, o noktaya kadar tüm kanıtlar göz önüne alındığında, belirli bir olayın meydana gelme olasılığıdır. Bayes teoreminde P(A|B) ve koşullu rastgele alanlarda P(A|D) olarak da bilinir.

Kesinlik faktörü, gelecekteki bir olayın beklenen değerini hesaplamak için kullanılabilir (yinelenen beklentiler yoluyla) veya daha karmaşık olasılık kümeleriyle kullanım için Bayes teoreminin genellemeleriyle birlikte kullanılabilir.

Karakter tanıma sistemi

Karakter tanıma, bir bilgisayara bilgi girmek için basılı veya yazılı sembolleri tanımlayan, çıkaran ve okuyan bir bilgisayar görme görevidir. Makine öğrenimi, örüntü tanıma ve bilgisayarla görme gibi birçok farklı uygulamada kullanılmaktadır.

Karakter tanıma sistemleri, ihtiyaç duydukları girdi türüne göre ayırt edilebilir:

El yazısı karakterler (basılı olanın aksine) genellikle Tablet PC veya optik sensörle donatılmış bir klavye gibi kalem tabanlı bir sistemden gelir. Birçok cihaz, kullanıcıların parmaklarını veya stylus kalem gibi başka bir aleti kullanarak doğrudan üzerlerine yazmalarına olanak tanır.
Basılı karakterler, bakkallardaki veya belirli bir yerde müdavim olacak kadar sık satın alınan ürünlerde indirim isteyen alışveriş yapanlar tarafından barkodların tarandığı diğer işletmelerdeki check-out kontuarlarında bulunan tarayıcılardan geçerken yazdırılan metin belgelerinin taranmasından gelir ( örneğin, sık uçan yolcu milleri).

Dama sistemleri ve programları

Dama iki oyuncu için bir strateji oyunudur. Her oyuncunun kendi renginde on iki pulu vardır ve altısı her oyuncuya en yakın ilk sıradan başlar. Dama oyununun amacı, 24 taşın hepsini tahta boyunca hareket ettirerek ve karşıt taşların üzerinden atlayarak kendi ev tahtasında bulundurmaktır. Dama, http://www.chessvariants.com/doubling-checker-8×10-diamond-or-backgammon/ gibi web siteleri aracılığıyla çevrimiçi olarak oynanabilir.

Satranç algoritması

Satranç, bir YZ sorununa iyi bir örnektir. Stratejik düşünme, örüntü tanıma, örüntü eşleştirme ve hatta kurallar hakkında bilgi gerektirir.

Bir algoritma sınıfı, kaba kuvvet yaklaşımı kullanarak satranç oynamada başarılı olmuştur: mevcut konumdan tüm olası hamleleri aramak. Bu yaklaşımda iki önemli kavram vardır: oyun ağaçları ve değerlendirme işlevleri.

Sınırlandırma (yapay zeka)

Sınırlama algoritması, sorunu daha kolay çözülebilecek daha küçük bir soruna indirgeyerek bir soruna çözüm bulmaya çalışan bir YZ algoritmasıdır.

Sınırlılık (yapay zeka), sonlu verilerden verimli bir şekilde öğrenmeyi sağladığı için yapay zeka ve algoritmik öğrenme teorisinde önemli bir kavramdır. Sınırlama algoritması, sorunu daha kolay çözülebilecek daha küçük bir soruna indirgeyerek bir soruna çözüm bulmaya çalışan bir YZ algoritmasıdır. Sınırlandırma algoritmaları, bazı çözümlerin diğerlerinden daha iyi olduğu birçok olası çözümü olan problemler için kullanışlıdır.

Bilgisayarlı görüş sistemi yazılımı

Bilgisayarla görme, dijital görüntülerden veya videolardan üst düzey anlayış elde etmek için bilgisayarların nasıl yapılabileceğiyle ilgilenen bilgisayar biliminin bir alt alanıdır. Bilgisayarla görme, nesne algılama ve analizi, video gözetimi, yüz tanıma ve biyometri gibi uygulamalarda kullanılır. Ayrıca, sürücüsüz otomobillerdeki özellikleri tespit etmek ve izlemek için yaygın olarak kullanılır. Alan, görüntü işleme, makine öğrenimi, bilişsel psikoloji, sinirbilim ve dilbilim gibi alanlarla örtüşmektedir.

Bilgisayarlı görü sistemi yazılımı iki ana kategoriye ayrılabilir:

Nesne tanıma (sınıflandırma) algoritmaları – nesneleri özelliklerine göre sınıflandıran sistemler (örneğin çiçek türleri)
Nesne algılama algoritmaları – bir görüntü içindeki bir nesnenin varlığını tanımlayan sistemler

Koşullu rastgele alan

Koşullu rastgele alanlar (CRF’ler), yapılandırılmamış verilerdeki bağımlılıkları bulmak için kullanılabilecek bir model türüdür. Genellikle, bir müşterinin bir sonraki hangi ürünü satın alacağı gibi dizi etiketleme sorunları için kullanılırlar. Bu, müşterilerinin satın alma geçmişine ve tercihlerine göre hangi ürünleri satın alacağını belirlemeye çalışan perakende mağazaları için faydalı olabilir.

CRF’ler, Markov modellerinin ve Bayes ağlarının bir uzantısıdır, ancak bu modellerden daha basittirler çünkü gizli değişkenlerin veya belirsiz durumların kullanılmasını gerektirmezler. Örnek bir kullanım şöyle olacaktır:

1 yakın zamanda yiyecek veya ilaç aldılarsa
1 yakın zamanda teknoloji satın aldılarsa
0 aksi halde

Kısıtlama memnuniyeti problem çözme sistemi yazılımı

Kısıt tatmin problemi, önceden tanımlanmış bir dizi kurala dayalı olarak, birden çok seçenek arasından en iyi seçeneği seçmeyi veya belirlemeyi içeren bir tür karar verme problemidir. YZ’da bu tür programlama, farklı bağlamlarda sonuçlar üretmek için kullanılır. Örneğin:

Yapay Zekada Kısıt Memnuniyet Sorunları

Kısıtlama Memnuniyeti Probleminin (CSP) arkasındaki temel kavram, birden fazla değişkeniniz olması ve her değişkenin üstlenebileceği bir dizi değere sahip olmasıdır; ancak bu aralık içinde, her bir değişken için değerlere uygulanan belirli koşullar vardır – bunlar kısıtlamalar olarak bilinir. Daha sonra amaç, bu kısıtlamaları karşılayan tüm olası kombinasyonları bularak ve en çok isteneni/birleşimleri seçerek optimal bir çözüm bulmak olur.

Yapay zeka sistemleri yazılımında kontrol teorisi uygulaması

Kontrol teorisi, sistemlerin kontrolü ile ilgilenen bir mühendislik dalıdır. Kontrol teorisi, istenen sonuçların elde edilmesine yardımcı olmak için yapay zeka sistemlerinde kullanılabilir.

Kontrol teorisi, takviye öğrenimi, evrimsel hesaplama ve makine öğrenimi gibi bu tür yazılımlarla ilişkili sorunların çözülmesine yardımcı olarak yapay zeka sistemlerine uygulanabilir. Bu tür problemler genellikle büyük miktarda veri ve girdiler ile çıktılar arasındaki karmaşık ilişkiler ile karakterize edilir. Kontrol teorisi, çıktıları sizin istediğiniz şeye daha yakın bir şekilde karşılık gelecek şekilde düzenlemek için geri besleme döngülerini kullanır – örneğin, arabanızı düz bir yolda sabit bir hızda sürerken engellerden kaçınırken veya trafikte en uygun hızda sürerken diğerlerini korurken. arabalar görünürde.

Karar ağacı öğrenme algoritması

Karar ağacı öğrenimi, yukarıdan aşağıya bir yaklaşım kullanan bir makine öğrenimi algoritmasıdır. Örnek veri kümesini yinelemeli olarak alt kümelere bölerek ve ardından bunlara sınıf etiketleri atayarak bir karar ağacı oluşturur.

Karar ağaçları, sınıflandırma ve regresyon problemleri için kullanılır. Yeni bir gözlemin bilinen gözlemler kümesine ait olup olmadığını, veri kümesindeki mevcut durumlarla (örneğin eğitim örnekleri) karşılaştırarak belirlemenin etkili bir yolunu sağladıklarından, tahmin ve karar verme amaçları için de kullanılabilirler.

Derin takviyeli öğrenme algoritması (DQN)

Derin pekiştirmeli öğrenme algoritması nedir?

Derin pekiştirmeli öğrenme algoritmaları, bilgisayarların deneyim yoluyla görevleri nasıl gerçekleştireceklerini öğrenmelerine olanak tanıyan bir makine öğrenimi yöntemleri sınıfıdır. Buradaki “derin”, bu yöntemlerin, nöronlar adı verilen birçok işlem birimi katmanından bilgi geçirerek beynin çalışma şeklini simüle eden sinir ağlarını kullandığı gerçeğine atıfta bulunur. Bu ağlar, bir deney veya simülasyon sırasında gerçekleştirilen eylemler için ödüllere veya cezalara dayalı olarak deneme yanılma yoluyla öğrenmeyi kullanan pekiştirmeli öğrenme (RL) kullanılarak eğitilebilir. RL’de, etmen, çevresinde hareket ederek ve yaptığı her işlemden sonra çevresinin durumu hakkında geri bildirim alarak eylemleri seçmelidir.

Derin pekiştirmeli öğrenme nasıl çalışır?

RL aracıları, zaman içinde beklenen ödüllerini en üst düzeye çıkarmak için harekete geçerler; bu, iyi bir şey yaptıklarında (örneğin, madeni para toplamak) ödül alacakları ve aynı zamanda kötü performans gösterdiklerinde (örneğin, lav dolu bir alana taşınmak) ceza alacakları anlamına gelir. Örnek bir senaryo olarak: bir robotun birden çok seviyeli bir labirent oyununu tamamlamaya çalıştığını hayal edin; 10 saniye içinde çıkmazsa, sonraki denemelerde daha az süre ile cezalandırılır – ancak bu 10 saniye içinde başarılı bir şekilde kaçarsa, gelecekteki tüm denemelere daha uzun süreler izin verilir.

YZ'nın başarısına katkıda bulunan birçok farklı algoritma var.

Yapay zekanın başarısı, birçok farklı algoritmanın birleşiminden kaynaklanmaktadır. İşte bazı örnekler:

A* arama algoritması—Grafik kullanarak bir alanda arama yapmak için yaygın bir yöntem olan A* arama algoritması, bilgisayarların aynı anda birden çok yolu keşfetmesine olanak tanır.
Alfa-beta budama—Bu teknik, ağaç araması yapılırken bir bilgisayar tarafından keşfedilen düğüm sayısını sınırlar.
Otomatik planlama ve zamanlama—Bilgisayarlar, insan müdahalesi olmadan görevleri otomatik olarak zamanlamak için bu algoritmayı kullanabilir.
Bayes teoremi—Diğer olaylar hakkındaki ön bilgilere dayalı olarak meydana gelen bir olayın olasılığını veya güven düzeyini belirlemek için olasılık ve koşullu olasılığı kullanan bir denklem. En ünlü örnek, Sherlock Holmes’un suçluları ayakkabı bedenlerine göre belirleme yöntemidir (Bayes teoremini kullanarak).

Sonuç

Pek çok farklı yapay zeka algoritması ile hepsini takip etmek zor olabilir. Ama endişelenme! Burada en önemlilerini özetledik ve nasıl çalıştıklarını açıkladık. Umarım bu makale, YZ’nın zaman içinde nasıl ilerlediğini ve günümüz sistemlerinde şu anda ne tür yöntemlerin kullanıldığını anlamanıza yardımcı olmuştur.