www.aliosmangokcan.com

Yapay sinir ağları(YSA), derin öğrenme, makine öğrenmesi derken bir çok yeni kavramla tanıştık. Birbirine çok yakın bu kavramları araştırma/öğrenme esnasında bolbol okuma yapmaya çalışıyorum ve bulduklarımı sizlerle de paylaşmaya çalışıyorum. Geeksforgeeks sitesinden bulduğum bu yazı da o paylaşımlardan biri... 

İlk olarak Makine öğrenmesi (Machine learning) ile başlayalım....

Makine Öğrenmesi terimi, bilgisayar oyunları ve yapay zeka alanında Amerikalı bir öncü olan Arthur Samuel tarafından 1959'da üretildi. Arthur “bilgisayarlara açıkça programlanmadan öğrenme yeteneği verdiğini” belirtti.

Makine Öğrenmesini sıradan terimlerle anlamaya çalışalım. Bir kağıdı çöp kutusuna atmaya çalıştığınızı düşünün. İlk denemeden sonra, ona çok fazla güç kattığınızı anlıyorsunuz. İkinci denemeden sonra, hedefe daha yakın olduğunuzu fark edersiniz, ancak atış açısınızı artırmanız gerekir. Burada olan, temelde her atıştan sonra bir şeyler öğreniyor ve sonucu iyileştiriyor olmamızdır. Çünkü deneyimlerimizden bir şeyler öğrenmek için programlandık.

Bu, makine öğreniminin söz konusu olduğu görevlerin, alanı bilişsel terimlerle tanımlamaktan ziyade temelde operasyonel bir tanım sunduğu anlamına gelir. Alan Turing'in “Bilişim Makineleri ve İstihbarat” adlı makalesinde, “Makineler düşünebilir mi?” “Makineler bizim (düşünen varlıklar olarak) yapabileceğimizi yapabilir mi?” sorusuyla değiştirilir. Veri analizi alanında, makine öğrenimi, kendilerini tahmine dayalı karmaşık modeller ve algoritmalar tasarlamak için kullanılır; ticari kullanım da bu tahmine dayalı analitik olarak bilinir. Bu analitik modeller araştırmacıların, veri bilimcilerinin, mühendislerin ve analistlerin “güvenilir, tekrarlanabilir kararlar ve sonuçlar üretmesine” ve veri kümesindeki (girdilerdeki) tarihsel ilişkilerden ve eğilimlerden öğrenerek “gizli bilgileri” ortaya çıkarmasına olanak tanır.

Bir tatil için karşınıza çıkan teklifi kontrol etmeye karar verdiğinizi varsayalım. Öncelikle seyahat acentesi web sitesine göz atıp bir otel arıyorsunuz. Belirli bir otele baktığınızda, otel açıklamasının hemen altında “Bu otelleri de beğenebilirsiniz” başlıklı bir bölüm vardır. Bu, Machine Learning'in “Advice Engine” olarak adlandırılan yaygın bir kullanım durumudur. Yapılan şey sizin hakkınızda zaten bildikleri birçok bilgiye dayanarak, bu bölüm altında size gösterilecek en iyi otellerin ne olacağını tahmin etmek ve bu bunun için bir model eğitmek amacıyla birçok veri noktası kullanmak.

Makine öğrenimi sorunlarına örnek olarak “Bu kanser mi?”, “Bu insanlardan hangileri birbiriyle iyi arkadaştır?”, “Bu kişi bu filmi sevecek mi?” bu tür problemler Makine Öğrenmesi için mükemmel hedeflerdir ve aslında makine öğrenmesi büyük bir başarı ile bu tür problemlere uygulanmıştır.

 

Makine Öğrenmesinin Sınıflandırılması

Makine öğrenimi uygulamaları, bir öğrenme sistemi için mevcut olan öğrenme “sinyali” veya “cevabının” niteliğine bağlı olarak aşağıdaki gibi üç ana kategoride sınıflandırılır: 

  1. Denetimli öğrenme:  Bir algoritma örnek verilerden, sınıflar veya etiketler gibi sayısal değerlerden veya dize etiketlerinden oluşabilen ilişkili hedef yanıtlardan öğrenirse, daha sonra yeni örneklerle ortaya çıktığında doğru yanıtı tahmin etmek için Denetimli öğrenme kategorisine girer. . Bu yaklaşım aslında bir öğretmenin gözetiminde insan öğrenmesine benzer. Öğretmen öğrencinin ezberlemesi için iyi örnekler verir ve öğrenci bu özel örneklerden genel kurallar çıkarır.
  2. Denetimsiz öğrenme: Bir algoritma, herhangi bir ilişkili yanıt olmaksızın düz örneklerden öğrenirken, veri modellerini kendi başına belirlemek algoritmaya bırakılır. Bu tür bir algoritma, verileri bir sınıfı temsil edebilecek yeni özellikler veya ilişkisiz yeni bir dizi ürün gibi başka bir şeye yeniden yapılandırma eğilimindedir. İnsanlara, verilerin anlamı ve denetlenen makine öğrenme algoritmalarına yeni yararlı girdiler hakkında bilgi sağlamada oldukça faydalıdırlar.
    Bir tür öğrenme olarak, insanların belirli nesnelerin veya olayların aynı sınıftan olduğunu, örneğin nesneler arasındaki benzerlik derecesini gözlemleyerek anlamak için kullandıkları yöntemlere benzer. Web'de pazarlama otomasyonu şeklinde bulduğunuz bazı öneri sistemleri bu tür öğrenmeye dayanmaktadır.
  3. Takviye öğrenimi:  İnsan dünyasında, tıpkı deneme yanılma yoluyla öğrenme gibidir. Hatalar öğrenmenize yardımcı olur çünkü ceza eklenirler (maliyet, zaman kaybı, pişmanlık, acı, vb.), Size belirli bir hareket tarzının başarılı olma olasılığının diğerlerinden daha az olduğunu öğretir. Takviye öğrenmenin ilginç bir örneği, bilgisayarlar kendi başlarına video oyunları oynamayı öğrendiğinde ortaya çıkar. Bu durumda, bir uygulama algoritmayı, oyuncunun bir düşmandan kaçarken bir labirente takılması gibi belirli durumlara örnekler sunar. Uygulama, algoritmanın aldığı eylemlerin sonucunu bilmesine izin verir ve öğrenme, tehlikeli olmayı keşfettiğinden ve hayatta kalmaya çalıştığından kaçınmaya çalışırken gerçekleşir. Google DeepMind şirketinin eski Atari'nin video oyunlarını oynatan bir takviye öğrenme programı nasıl oluşturduğuna bir göz atabilirsiniz. Videoyu izlerken, programın başlangıçta nasıl beceriksiz ve vasıfsız olduğunu, ancak bir şampiyon olana kadar eğitim ile sürekli geliştiğini fark edin.
  4. Yarı denetimli öğrenme: eksik bir eğitim sinyali verildiğinde, hedef çıktıların bazılarının (çoğu zaman) eksik olduğu bir eğitim seti. Transdüksiyon olarak bilinen bu ilkenin, hedeflerin bir kısmının eksik olması dışında, öğrenme zamanında tüm sorun örnekleri kümesinin bilindiği özel bir durumu vardır.

Gerekli Çıktıya Göre Sınıflandırma

Makine öğrenimi görevlerinin başka bir sınıflandırması, makine tarafından öğrenilen bir sistemin istenen çıktısını dikkate aldığında ortaya çıkar:

  1. Sınıflandırma: Girdiler iki veya daha fazla sınıfa ayrıldığında ve öğrenci bu sınıfların bir veya daha fazlasına (çoklu etiket sınıflandırması) görünmeyen girdileri atayan bir model üretmelidir. Bu genellikle denetimli bir şekilde ele alınır. Spam filtreleme, girdilerin e-posta (veya diğer) iletiler olduğu ve sınıfların “spam” ve “spam değil” olduğu bir sınıflandırma örneğidir.
  2. Regresyon: Aynı zamanda denetlenen bir problemdir, Çıktıların ayrık olmak yerine sürekli olduğu bir durum.
  3. Kümeleme: Bir grup girdi gruplara ayrılacaksa. Sınıflandırmanın aksine, gruplar önceden bilinmemektedir, bu da bunu genellikle denetimsiz bir görev haline getirmektedir.

 

Bana yapay sinir ağları örnekleri, makine öğrenmesi uygulaması, matlab genetik algoritma örnekleri, bulanık mantık uygulaması, yapay sinir ağları ile denklem çözümü lazım diyen ziyaretçiler aşağıdaki linklere başvurabilir:

 --->>>Matlab Fuzzy Logic Toolbox ile Tahmin Örneği için TIKLAYINIZ <<<---

 --->>>Matlab Nntool Toolbox ile Regresyon Örneği için TIKLAYINIZ <<<---

 --->>>C++ ile Geri Yayılım Algoritması Örneği için TIKLAYINIZ <<<---

 --->>>C++ ile Makine Öğrenmesi KNN algoritması Örneği için TIKLAYINIZ <<<---

 --->>>Matlab Optimtool Toolbox ile Genetik Algoritma Örneği için TIKLAYINIZ <<<---

--->>> YSA ile XOR Kapısı Problem Çözümü için TIKLAYINIZ <<<---

--->>> Matlab'da Analitik Yöntem & Euler Metodu karşılaştırması için TIKLAYINIZ <<<---  

--->>> YSA ile 2 Bilinmeyenli Denklem Çözümü için TIKLAYINIZ <<<---

--->>> YSA ile 1.Dereceden 3 Bilinmeyenli Denklem Çözümü için TIKLAYINIZ <<<---

 

'ysa','yapay sinir ağları', 'makine öğrenmesi', 'makine öğrenmesi nedir', 'machine learning', 'derin öğrenme', 'makine öğrenimi', 'denetimli öğrenme', 'denetimsiz öğrenme', regresyon, kümeleme, sınıflandırma, 'advice engine', 'makine öğrenmesi uygulaması', 'matlab genetik algoritma örnekleri', 'yapay sinir ağları ile denklem çözümü', 'bulanık mantık uygulaması'