Makine öğrenimi algoritmaları, duyduğunuz yapay zeka gelişmelerinin ve uygulamalarının büyük çoğunluğundan sorumludur.
Makine öğreniminin tanımı nedir?
Makine öğrenimi algoritmaları, büyük miktarlarda verilerdeki kalıpları bulmak için istatistikleri kullanır. Buradaki veriler bir çok şeyi kapsamaktadır- sayılar, kelimeler, resimler, tıklamalar vb.
Makine öğrenimi, bugün kullandığımız hizmetlerin çoğuna güç veren süreçtir – Netflix, YouTube ve Spotify gibi öneri sistemleri; Google ve Baidu gibi arama motorları; Facebook ve Twitter gibi sosyal medya yayınları; Siri ve Alexa gibi ses yardımcıları.
Tüm bu durumlarda, her platform hakkınızda olabildiğince fazla veri topluyor – hangi türleri izlemeyi seviyorsunuz, hangi bağlantıları tıkladığınız, hangi durumlara tepki verdiğiniz – ve ne öğrendiğiniz konusunda son derece eğitimli bir tahmin yapmak için makine öğrenimini kullanmayı isteyebilirsiniz.
Açıkçası, bu süreç oldukça basit: deseni bulun, deseni uygulayın. Bu, büyük ölçüde 1986’da, bugün derin öğrenmenin babası olarak bilinen Geoffrey Hinton tarafından gerçekleştirilmiştir.
Derin öğrenme nedir?
Derin öğrenme, steroidler üzerinde makine öğrenmesidir: makinelere en küçük desenleri bile bulma ve yükseltme becerisi kazandıran bir teknik kullanır. Bu tekniğe derin bir sinir ağı denir – derindir, çünkü verileri karıştırmak ve tahmin şeklinde nihai bir sonuç sunmak için birlikte çalışan birçok, çok sayıda basit hesaplama düğümü katmanı vardır.
Sinir ağları nedir?
Sinir ağları, insan beyninin iç işleyişlerinden belirsiz bir şekilde ilham aldı. Düğümler bir nevi nöron gibidir ve ağ da beynin kendisi gibidir. Ancak Hinton, sinir ağlarının modası geçmiş olduğu bir zamanda atılım makalesini yayınladı. Kimse onları nasıl eğiteceğini bilmiyordu, bu yüzden iyi sonuçlar vermiyorlardı. Tekniğin geri dönüşü yaklaşık 30 yıl sürdü.
Denetimli öğrenme nedir?
Bilmeniz gereken son bir şey: makine (ve derin) öğrenme üç şekilde gelir: denetimli, denetimsiz ve takviye. En yaygın olan denetimli öğrenmede veriler, makineye tam olarak hangi kalıplara bakması gerektiğini bildirmek için etiketlenir. Bunu öğrendikten sonra hedefleri avlayacak bir dinlendirici köpek gibi düşünün. Bir Netflix şovunda oynat düğmesine bastığınızda yaptığınız şey budur – algoritmaya benzer şovlar bulmasını söylüyorsunuz.
Gözetimsiz öğrenme nedir?
Denetimsiz öğrenmede, verilerin etiketi yoktur. Makine sadece bulabileceği desenleri arar. Bu, bir köpeğin tonlarca farklı nesneyi koklamasına izin vermek ve onları benzer kokuları olan gruplara ayırmak gibidir. Gözetimsiz teknikler daha az belirgin uygulamalara sahip oldukları için popüler değildir. İlginç bir şekilde, siber güvenlik konusunda çekişme elde ettiler.
Takviye öğrenme nedir?
Son olarak, makine öğreniminin son sınırı olan takviye öğrenimimiz var. Bir takviye algoritması açık bir hedefe ulaşmak için deneme yanılma yoluyla öğrenilir. Birçok farklı şey dener ve davranışlarının amacına ulaşmasına yardımcı olup olmadığına bağlı olarak ödüllendirilir veya cezalandırılır. Bu, bir köpeğe yeni bir numara öğretirken davranmak ve stopaj yapmak gibidir. Takviye öğrenimi, Go’nun karmaşık oyununda en iyi insan oyuncularını ünlü bir şekilde yenen programı olan Google’ın AlphaGo’nun temelidir.