Yapay zeka öğrenmeye nereden başlanır?

YZ’yı öğrenmenin önündeki en büyük engellerden biri nereden başlayacağını bilmemektir. Birçok bileşenden oluşan geniş bir alandır. Yapay zekayla ilgili kavramların çoğu ileri matematik ve biçimsel mantığa dayanıyor ve bu da sektöre katılmanın önünde engel teşkil edebiliyor. Bu engellerin üstesinden gelmenize yardımcı olmak için yapay zeka alanını ustalığa yönelik yönetilebilir, adım adım bir kılavuza ayırdık.

Önkoşulları Anlayın

YZ’yı öğrenmeye başlamadan önce aşağıdaki alanlarda sağlam bir temele sahip olmalısınız.

Bilgisayar Biliminin Temelleri

YZ  programlamaya başlamadan önce bilgisayar biliminin temel ilkelerini anlamanız gerekir. Bu içerir: 

• Boole cebiri, ikili matematik ve hesaplama teorisi gibi teori ve algoritmalar
• Bilgisayarların fiziksel bileşenleri, dijital mantık, bilgisayar mimarisi ve ağ mimarisi dahil olmak üzere bilgisayar donanım sistemleri 
• Programlama dilleri, derleyiciler, bilgisayar grafikleri ve işletim sistemleri gibi yazılım sistemleri ve öğeleri

Olasılık ve İstatistik

Olasılık, bilgisayara belirsizlik karşısında “akıl yürütmeyi” öğretmenize olanak tanıdığı için YZ’da kullanılan temel ilkelerden biridir. Makineler istatistikler yoluyla anladıkları veriler aracılığıyla öğrenirler. Olasılık ve istatistik aşağıdaki gibi sorulara cevap verebilir: 

• En yaygın sonuç nedir? 
• Beklenen sonuç nedir? 
• Veriler neye benziyor? 

YZ’ya yönelik olasılık ve istatistikler aşağıdaki konulardan bazılarını içermelidir:

• Verilerin sayısal ve grafiksel açıklaması
• Olasılık unsurları
• Örnekleme dağılımları
• Olasılık dağılım fonksiyonları
• Nüfus parametrelerinin tahmini
• Hipotez testleri 

Matematik

Olasılık ve istatistiğe ek olarak, yapay zeka konusunda uzmanlaşmak için bazı matematik temellerini de bilmeniz gerekir:

• YZ ve makine öğrenimine yönelik yaklaşımları anlamak için gerekli olan doğrusal cebir
• Parametrelerdeki, işlevlerdeki, hatalardaki ve yaklaşımlardaki değişikliklerle ilgilenen temel diferansiyel ve bazı çok değişkenli hesaplamalar
• YZ’nın temel fikirleri olan koordinat ve doğrusal olmayan dönüşümler
• Veri kümelerine dayalı tahminler yapmak için doğrusal ve yüksek dereceli regresyonlar
• Verileri sınıflandırmak için lojistik regresyon 
• Matematik formüllerini etkili koda dönüştürmek için sayısal analiz

Programlama

Ayrıca YZ uygulamaları geliştirmeye uygun programlama dillerine de aşina olmak isteyeceksiniz. En yararlı olanlardan bazıları şunlardır:

• Öğrenmesi kolay ve yaygın olarak bulunabilen kaynaklara ve desteğe sahip Python
• Kullanıcı dostu ve platformdan bağımsız Java
• Büyük veri kümelerini işlemek için oluşturulan R
• 1966’da ilk chatbot terapisti Eliza’yı yaratmak için kullanılan Prolog
• En eski ikinci programlama dili olan Lisp, yalnızca Fortran’dan önce geldi
• Veritabanlarını yönetmek için kullanılan SQL 

Veri Yapıları

Öğrenmek için YZ’nın veri biçiminde girdiye ihtiyacı vardır. Veri yapıları, etkili bir şekilde kullanılacak verileri organize etmenin farklı yöntemleridir. YZ alanında bir kariyere başlamak istiyorsanız programınız için en uygun veri yapısını nasıl kullanacağınızı ve uygulayacağınızı anlamanız gerekir. En yaygın veri yapısı türlerinden bazıları şunlardır: 

• Sıralamak
• Bağlantılı liste
• Yığın
• Sıra
• İkili ağaç
• İkili arama ağacı
• Yığın
• karma
• Grafik
• Matris

Algoritmalar

Algoritma, bir hesaplamanın gerçekleştirilmesi için adım adım yöntemler sunar. Makine öğrenmesi kolaylaştırmak için bilgisayarın kendi kendine öğrenmesine olanak tanıyan algoritmalar tasarlamanız gerekir. Algoritmalar önerilerde bulunmak için veri madenciliği ve örüntü tanımayı kullanabilir. Uygulamalar izlemeniz için programları bu şekilde önerir ve Facebook, akışınızda nelerin görüneceğine bu şekilde karar verir. 

Algoritmalar aynı zamanda ev kredilerini onaylamak ve hapis cezalarına karar vermek gibi daha önemli amaçlar için de kullanılıyor. Algoritmalar güçlü araçlardır ancak bazen göründükleri kadar objektif değildirler ve çok büyük miktarda veri bazı sahte korelasyonlara yol açabilir. Bu nedenle algoritmaların insan zihninin sağduyusu ile şekillendirilmesi gerekiyor.

As Yapay Zeka Teorisi 

Önkoşulları öğrendikten sonra YZ teorisine dalmaya hazırsınız. YZ’yı yüz yüze bir ders aracılığıyla mı, hızınızı kendinize göre ayarlayabileceğiniz çevrimiçi bir kursla mı, yoksa YouTube videolarıyla parça parça mı öğrendiğinize bakılmaksızın, aynı temel teorik kavramları ele almanız gerekir. Öğrenmeniz gereken en önemli ilkelerden bazıları şunlardır:

Problem çözme

YZ’nın amacı, algoritmalar ve buluşsal yöntemler de dahil olmak üzere bir dizi tekniği içeren bir sorunu çözmektir. Bir yapay zeka sistemi bir aracıyı ve onun ortamını içerir. Yapay zekada aracı, karar veren programdır. YZ’da problem çözen bir kişi, amacına ulaşmaya odaklanır. Hedef formüle edildikten sonra, problem formülasyonu yoluyla problemin çözümüne yönelik bir süreç yaratılır. Bu, aşağıdakiler de dahil olmak üzere çeşitli bileşenleri içerir: 

• Aracının başlangıç ​​durumu
• Temsilcinin gerçekleştirebileceği olası eylemler
• Her eylemi açıklayan bir işlem modeli
• Hedefe ulaşılıp ulaşılmadığını belirlemek için bir hedef testi
• Her eylem yolunun maliyeti

Muhakeme

Muhakeme, mevcut bilginize dayanarak sonuç çıkarma veya tahminlerde bulunma sürecidir. Makineler düşünme yeteneğine sahip olmadıkları için algoritmalarla bu tür akıl yürütmeleri yapacak şekilde programlanmaları gerekir. Yapay zekayı sonuçlara varacak şekilde programladığınızda, ona aşağıdakiler gibi çeşitli muhakeme yöntemlerinden birine dayanarak bir görevi nasıl tamamlayacağını öğretmeniz gerekir.

Tümdengelim. Bu tür akıl yürütme, bir argümanın öncülünün geçerli olup olmadığını belirlemek için mevcut verileri kullanır. Genel ilkeleri belirli bir duruma uygulayan bir tür akıl yürütmedir. Eğer mantığa giriş dersi aldıysanız muhtemelen temel tümdengelimli akıl yürütme örneğini hatırlarsınız: Eğer bütün insanlar ölümlüyse ve Sokrates de bir insansa, o zaman Sokrates ölümlüdür. 

Endüktif akıl yürütme. Tümdengelimli akıl yürütmenin aksine, tümevarımsal akıl yürütme belirli gözlemlerden genel bir sonuç üretir. Tümevarımsal akıl yürütmede, tüm gözlemler doğru olsa bile bir sonuç yanlış olabilir. Örneğin, mahallenizdeki tüm köpeklerin kahverengi olduğunu fark edebilir ve tüm köpeklerin kahverengi olduğu gibi hatalı bir sonuca varabilirsiniz. Yapay zekada denetimli öğrenme, belirli verilerden genelleme yapmak için tümevarımsal akıl yürütmeyi kullanır. Bir veritabanı ne kadar kapsamlı olursa genellemeleri de o kadar iyi olur. 

Kaçırıcı akıl yürütme. Kaçırıcı akıl yürütme, gözlemlere büyük olasılıkla uyan bir sonuca varma sürecidir. Bu tür akıl yürütme doktorlar tarafından tıbbi teşhis koymak için kullanılır. Kaçırıcı akıl yürütme, tümdengelimli akıl yürütmeye benzer, ancak öncül, sonucu garanti etmez. Yapay zekada bu tür akıl yürütme, bir teşhis asistanı programı tarafından hastanın sergilediği semptomlara dayanarak bir teşhis önermek için kullanılabilir.

Sağduyulu akıl yürütme. Sağduyulu akıl yürütme, deneyime dayanan gayri resmi bir akıl yürütme türüdür. Resmi kurallar yerine iyi muhakeme kullanarak, bir sorunu çözme olasılığını artırmayı amaçlayan sağduyu kuralları olan buluşsal bilgi ve buluşsal kurallarla uygulanır. Sağduyulu akıl yürütme, bilgisayarların insanlarla daha etkili bir şekilde iletişim kurmasına yardımcı olmak için en yaygın olarak yapay zeka doğal dil işleme alanında kullanılır. 

Monoton akıl yürütme. Monoton akıl yürütmede, bir sonuca varıldığında, başka gerçekler eklense bile bu sonuç asla değişmez. Bir örneği kanıtlayan herhangi bir teorem, monotonik akıl yürütmeyi kullanıyor. Örneğin, “Dünya Güneş’in etrafında dönüyor.”

Yapay zekada, içerik filtreleme gibi uygulamalar için monoton akıl yürütme kullanılabilir. Herhangi bir miktarda uygunsuz içerik barındıran bir web sitesi filtrelenecek ve web sitesinde çok sayıda uygun içerik olsa bile bu karar asla değişmeyecektir. 

Monoton olmayan akıl yürütme. Monotonik olmayan akıl yürütmede, yeni bilgilerin eklenmesi durumunda sonuç geçersiz kılınabilir. Eksik ve belirsiz modeller monotonik olmayan akıl yürütmeyi kullanır. Bu tür akıl yürütme, robotik navigasyon sistemleri gibi  yapay zeka uygulamalarında faydalıdır.

Veri Manipülasyonu

Yapay zeka, öğrenmek ve tahminlerde bulunmak için veri kümelerine güvenir; bu nedenle, verileri kullanışlı bir formatta yapılandırma konusunda beceri sahibi olmanız gerekir. Veri kümeleri arasındaki bağlantıları tanımlayan programlar oluşturmanız gerekecektir. SQL, veritabanlarını yönetmek için kullanılan programlama dilidir ve R, veri bilimi uygulamalarında sıklıkla kullanılır. 

Doğal Dil Anlama

Doğal dil anlama, insan konuşmasını anlamak için programlamayı kullanan doğal dil işlemenin bir alt kümesidir. Bilgisayarların, bilgisayar dillerinin resmi sözdizimi olmadan insan konuşmasını anlamasını sağlar. Doğal dil anlayışı aynı zamanda bilgisayarların insanlarla kendi dillerinde iletişim kurmasına da olanak tanır. 

Doğal dil anlayışı, insan konuşmasını analiz etmek ve onu duyguya, adlandırılmış varlıklara ve sayısal varlıklara dayalı yapılandırılmış bir veri modeli olarak biçimlendirmek için algoritmalar kullanır. Ses özellikli asistanlar ve sohbet robotları doğal dil işlemeyi kullanır. 

Bilgisayar görüşü

Bilgisayarlı görme, bilgisayarları görsel girdiyi gözlemleyecek ve anlayacak şekilde eğitme sürecidir. Bilgisayarların resimlerden, videolardan ve diğer görsel girdilerden bilgi çıkarmasına olanak tanır. Program daha sonra bu bilgileri harekete geçmek veya önerilerde bulunmak için kullanabilir. Bilgisayarlar, dakikada binlerce görüntüyü analiz ederek görsel bilgileri insanlardan çok daha hızlı analiz edebilir. 

Diğer YZ eğitim yöntemlerinde olduğu gibi, bilgisayarlı görme, küçük farklılıkları fark etmek ve belirli görüntüleri tanımak için büyük veri kümeleri gerektirir. Makine öğrenimindeki algoritmik modeller, bilgisayarın görsel verileri kendi kendine öğrenmesini sağlar. 

Otomatik Programlama

Otomatik programlama, bir dizi spesifikasyona dayalı olarak başka bir programın kodunu üreten bir tür bilgisayar programıdır. Bunun bir örneği DeepMind’ın AlphaCode’udur; bu yazılım, kodlama zorluklarında test edildiğinde insan programcılar arasında yüzde 54’lük dilimde yer alacak kadar iyi bilgisayar programları yazıyor. 

AlphaCode’a, sınırlı girdiler kullanarak rastgele bir harf dizisini aynı harflerden oluşan başka bir rastgele diziye dönüştürmek gibi kodlama yarışmalarında kullanılan bir dizi zorluk verildi. AlphaCode bu zorluğa çok sayıda olası yanıt üreterek yaklaştı. Daha sonra kodu çalıştırdı, çıktıyı test etti ve en iyi seçeneği seçmek için yanıtı test etti. 

Otomatik programlamanın tek örneği AlphaCode değildir: Microsoft ve OpenAI , kod dizilerini otomatik olarak tamamlayan GPT-3’e sahiptir. Otomatik programlamanın kapsamı hâlâ sınırlıdır, ancak sonunda programlamayı programcı olmayanlar için daha erişilebilir hale getirebilir.