Yapay Zeka

Yapay zekâ, bir bilgisayarın veya bilgisayar kontrolündeki bir robotun çeşitli
faaliyetleri zeki canlılara benzer şekilde yerine getirme kabiliyeti.
 Yapay Zeka
İngilizce Artificial Intelligence kavramının kısaltması AI da
bilişimde sıklıkla kullanılır. Yapay zekâ çalışmaları genellikle
insanın düşünme yöntemlerini analiz ederek bunların benzeri
yapay yönergeleri geliştirmeye yöneliktir.
 Yapay Zeka
Bir bakış açısına göre, programlanmış bir bilgisayarın düşünme
girişimi gibi görünse de bu tanımlar günümüzde hızla
değişmekte, öğrenebilen ve gelecekte insan zekâsından bağımsız
gelişebilecek bir yapay zekâ kavramına doğru yeni yönelimler
oluşmaktadır. Bu yönelim, insanın evreni ve doğayı anlama
çabasında kendisine yardımcı olabilecek belki de kendisinden
daha zeki, insan ötesi varlıklar meydana getirme düşünün bir
ürünüdür.
 Yapay Zeka
Yapay zekâ, insan zekâsına özgü olan,
•algılama,
•öğrenme,
•çoğul kavramları bağlama,
•düşünme,
•fikir yürütme,
•sorun çözme,
•iletişim kurma,
•çıkarımda bulunma ve
karar verme gibi yüksek bilişsel fonksiyonları veya otonom
davranışları sergilemesi beklenen yapay bir işletim sistemidir.
 Yapay Zeka
Fikir babası, "Makineler düşünebilir mi?" sorunsalını ortaya atarak makine
zekâsını tartışmaya açan Alan Mathison Turing'dir.
1943'te II. Dünya Savaşı sırasında Kripto analizi gereksinimleri ile üretilen
elektromekanik cihazlar sayesinde bilgisayar bilimi ve yapay zekâ kavramları
doğmuştur.
 Yapay Zeka
Turing'in prensiplerini oluşturduğu bilgisayar prototipleri olan Heath
Robinson, Bombe Bilgisayarı ve Colossus Bilgisayarları, Boole cebirine
dayanan veri işleme mantığı ile Makine Zekâsı kavramının oluşmasına sebep
olmuştu.
 Yapay Zeka
Turing Testinin içeriği kısaca şöyledir: birbirini tanımayan birkaç insandan
oluşan bir denek grubu birbirleri ile ve bir yapay zekâ diyalog sistemi ile
geçerli bir süre sohbet etmektedirler. Birbirlerini yüz yüze görmeden yazışma
yolu ile yapılan bu sohbet sonunda deneklere sorulan sorular ile hangi
deneğin insan hangisinin makine zekâsı olduğunu saptamaları istenir.
Denekler anlamlı bir şekilde cevap verenin insan mı yoksa bir bilgisayar mı
olduğunu anlamıyorlarsa, yapay zeka uygulaması testte başarılı olmuş
anlamına gelmektedir.
 Yapay Zeka
Yapay zeka hakkında dişe değer ilk çalışmalar McCulloch ve Pits tarafından
yapılmıştır. Bu bilim insanlarının yapay sinir hücreleri hakkındaki tanımları
Turing’in hesaplamalarına ve kuramlarına dayanıyordu.
Bir fonksiyonun bu sinir hücrelerinden oluşan ağlarla mantıksal işleme
alınabileceğine ve buna dayanarak yapay zekanın öğrenme becerisi de
kazanabileceğini öne sürdüler. İlk yapay sinir ağı temelli bilgisayar
SNARC,Minsky ve Edmonds tarafından yapıldı.
 Yapay Zeka
Daha sonra yapay zeka “sembolik” ve “sibernetik” olarak ayrılmıştır. Yapay
zekada sembolik, başarısızlıklara uğramıştır. Sembolikteki bilim insanları
yapay zekanın, yapay dünya ve yapay sorunlar kullanarak başarı göstermesini
istemiştir ancak yapay sorunlar ve dünyalar gerçeklik göstermediği için yapay
zekanın gerçek sorunlar karşısında başarısız olacağı öne sürülmüştür.
 Yapay Zeka
Informatik, veri tüketen, anlamsal anlamıyla manipüle eden ve anlamlı
sonuçlar üreten sistemlerin amacına atıfta bulunurken, sibernetik, yeni ve
belirsiz ortamlarda gereksinimleri anlamlı ve uyarlanabilir şekilde karşılayan
sistemlerin amacına atıfta bulunur.
 Yapay Zeka
Yapay zekanın oluşmasında etkili olan prensip ise “bulanık mantık”dır. Normal
bir program klasik girdilerden sabit sonuçlar çıkarırken yapay zeka belli
olmayan veri yığınlarından bir veya birden fazla sonuç çıkarmaya yöneliktir.
Yapay zekanın problem çözme yeteneğine ise “genetik algoritma” denir.
Genetik algoritmalar evrimsel fonksiyonların bir bölümüdür. Çok boyutlu
arama uzayında en iyinin hayatta kalması ilkesine göre bütünsel en iyi çözümü
arar. Yapay zekaların algoritması bu sisteme bağlıdır.
 Yapay Zeka
İkili mantık sistemine karşı geliştirilen ve günlük hayatta kullandığımız
değişkenlere üyelik dereceleri atayarak, olayların hangi oranlarda
gerçekleştiğini belirleyen çoklu mantık sistemidir.
Bulanık mantık, bulanık eseme ya da puslu mantık, 1961 yılında Lütfü
Aliaskerzade'nin yayınladığı bir makalenin sonucu oluşmuş bir mantık
yapısıdır.
 Sembolik Yapay Zeka
Programların başarımlarını göstermek için bir takım yapay sorunlar ve
dünyalar kullanılmıştır. Daha sonraları bu sorunlar gerçek yaşamı hiçbir
şekilde temsil etmeyen oyuncak dünyalar olmakla suçlanmış ve yapay zekânın
yalnızca bu alanlarda başarılı olabileceği ve gerçek yaşamdaki sorunların
çözümüne ölçeklenemeyeceği ileri sürülmüştür.
 Sibernetik Yapay Zeka
Yapay sinir ağları çalışmalarının dahil olduğu sibernetik cephede de durum
aynıydı. Zeki davranışı ortaya koymak için bu çalışmalarda kullanılan temel
yapılardaki bazı önemli yetersizliklerin ortaya konmasıyla birçok
araştırmacılar çalışmalarını durdurdular.
 Gelecekte Yapay Zeka
Gelecekte yapay zekâ araştırmalarındaki tüm alanların birleşeceğini öngörmek
zor değildir. Sibernetik bir yaklaşımla modellenmiş bir Yapay Beyin,
Sembolik bir yaklaşımla insan aklına benzetilmiş bilişsel süreçler ve Yapay
Bilinç sistemi, insan aklı kadar esnek ve duyguları olan bir İrade ( Karar alma
yetisi ), Uzman sistemler kadar yetkin bir bilgi birikimi ve rasyonel
yaklaşımın dengeli bir karışımı sayesinde Yapay Zekâ, gelecekte insan
zekâsına bir alternatif oluşturabilir.
 Gelecekte Yapay Zeka
Bilginin hesaplanması matematiksel gelişme ile mümkün olabilir. Çok yüksek
döngü gerektiren NP problemlerin çözümü, satranç oyununda en iyi hamleyi
hesaplamak veya görüntü çözümleme işlemlerinde bilgiyi saymak yerine
hesaplamak sureti ile sonuca ulaşılabilir.
 Uygulama alanları
Önerici sistemler
Makine çevirisi
Sinyal işleme
Prosedürel içerik üretimi
Regresyon analizi
 Önerici sistemler
Kullanıcıların geçmiş davranışlarına dayanarak yeni içerik önerilmesi.
Örneğin, sosyal medya sitelerinde yeni arkadaş, mağazalarda başka bir ürün,
gazetede başka bir haber önerileri. Turizm açısından ise arama motoru
geçmişine dayanarak ürün önerme, önceki seyahatlerden hareketle tur
programı önerme örnek verilebilir.
Önerici sistemler
 Makine çevirisi
Kullanılabileceği ana alanlardan biri, konaklama hizmetleri veya farklı tatiller
sunan web sitelerine gönderilen müşteri geri bildirimlerinin çevrilmesidir.

Seyahat ve turizm endüstrisi, “Okunamayan satın alınamaz” ilkesinin

hizmetine tam bir güçle uygulandığını ve böylece müşterilerinin anadillerinde
olabildiğince fazla bilgi sağlamaya çalıştıklarının farkındadır.
Sinyal işleme
 Prosedürel içerik üretimi
Prosedürel içerik üretimi veriyi elle oluşturmanın aksine algoritmik olarak
oluşturma yöntemidir. Bilgisayar grafikleri alanında rassal üretim olarak da
bilinir ve genellikle kaplama ve üç boyutlu model üretmek için kullanılır.
Bilgisayar oyunlarında büyük miktarlarda oyun içeriğini otomatik olarak
üretmek için kullanılır. Prosedürel üretimin avantajları daha küçük dosya
boyutu, daha fazla içerik ve daha şaşırtıcı oyun deneyimi sağlamasıdır.
Prosedürel içerik üretimi
 Regresyon analizi
Regresyon analizi, iki ya da daha çok değişken arasındaki ilişkiyi ölçmek için
kullanılan analiz metodudur. Eğer tek bir değişken kullanılarak analiz
yapılıyorsa buna tek değişkenli regresyon, birden çok değişken kullanılıyorsa
çok değişkenli regresyon analizi olarak isimlendirilir. Regresyon analizi ile
değişkenler arasındaki ilişkinin varlığı, eğer ilişki var ise bunun gücü hakkında
bilgi edinilebilinir.
Regresyon analizi
 Yapay Zeka Kullanan Markaların 5 Ortak Yönü

•Büyük miktarlarda yüksek kaliteli verilere erişimleri vardır.

•Algoritmaları mükemmel ve topluluk geliştiricidir.

•Yapabilecekleri her şeyi otomasyon sürecine sokmuşlardır.

•Teknoloji ve iş bilgilerinin doğru karışımını bulmuşlardır.

•Bugünün dijital çağında nasıl yenilik yapılacağını bilmektedirler.

 Makine Öğrenmesi
Makine öğrenimi (ML), deneyim ve veri kullanımıyla otomatik olarak gelişen
bilgisayar algoritmaları üzerine yapılan çalışmadır. Yapay zekanın bir parçası
olarak görülüyor. Makine öğrenimi algoritmaları, açıkça programlanmadan
tahminler veya kararlar almak için "eğitim verileri" olarak bilinen örnek
verilere dayalı bir model oluşturur. Makine öğrenimi algoritmaları, gerekli
görevleri gerçekleştirmek için geleneksel algoritmalar geliştirmenin zor veya
olanaksız olduğu e-posta filtreleme gibi çeşitli uygulamalarda kullanılır.
 Makine Öğrenmesi
Makine öğrenimi yaklaşımları, öğrenme sistemi için mevcut olan "sinyalin"
veya "geri bildirimin" doğasına bağlı olarak geleneksel olarak üç geniş
kategoriye ayrılır:

Denetimli öğrenme: Bilgisayara bir "öğretmen" tarafından verilen örnek

girdiler ve bunların istenen çıktıları sunulur ve amaç girdileri çıktılarla
eşleştiren genel bir kuralı öğrenmektir.
 Makine Öğrenmesi
Denetimli öğrenme algoritması türleri arasında aktif öğrenme, sınıflandırma
ve regresyon yer alır. Sınıflandırma algoritmaları, çıktılar sınırlı bir değerler
kümesiyle sınırlandırıldığında kullanılır ve çıktılar bir aralık içinde herhangi bir
sayısal değere sahip olduğunda regresyon algoritmaları kullanılır. Örnek
olarak, e-postaları filtreleyen bir sınıflandırma algoritması için, giriş gelen bir
e-posta olacaktır ve çıktı, e-postanın dosyalanacağı klasörün adı olacaktır.

Benzerlik öğrenimi, regresyon ve sınıflandırmayla yakından ilgili denetimli

makine öğreniminin bir alanıdır, ancak amaç, iki nesnenin ne kadar benzer
veya ilişkili olduğunu ölçen bir benzerlik işlevi kullanarak örneklerden
öğrenmektir. Sıralama, öneri sistemleri, görsel kimlik izleme, yüz doğrulama
ve konuşmacı doğrulamada uygulamaları vardır.
 Makine Öğrenmesi
Denetimsiz öğrenme: Öğrenme algoritmasına hiçbir etiket verilmez, bu da
girdisinde yapıyı bulması için kendi başına kalır. Denetimsiz öğrenme kendi
içinde bir hedef (verilerdeki gizli kalıpları keşfetmek) veya bir amaca yönelik
bir araç (özellik öğrenimi) olabilir. Denetimsiz öğrenme algoritmaları, yalnızca
girdileri içeren bir veri kümesini alır ve veri noktalarının gruplanması veya
kümelenmesi gibi verilerdeki yapıyı bulur.
 Makine Öğrenmesi
Bu nedenle algoritmalar, etiketlenmemiş, sınıflandırılmamış veya kategorize
edilmemiş test verilerinden öğrenir. Geri bildirime yanıt vermek yerine,
denetimsiz öğrenme algoritmaları verilerdeki ortak noktaları belirler ve her
yeni veri parçasındaki bu tür ortak özelliklerin varlığına veya yokluğuna dayalı
olarak tepki verir. Denetimsiz öğrenmenin merkezi bir uygulaması, olasılık
yoğunluk fonksiyonunu bulma gibi istatistikteki yoğunluk tahmini alanındadır.
Denetimsiz öğrenme, veri özelliklerini özetlemeyi ve açıklamayı içeren diğer
alanları kapsasa da.
 Makine Öğrenmesi
Güçlendirilmiş öğrenme: Bir bilgisayar programı, belirli bir hedefi
gerçekleştirmesi gereken dinamik bir ortamla etkileşime girer (örneğin, bir
araç sürmek veya bir rakibe karşı oyun oynamak). Program, problem alanında
dolaşırken, ödüllere benzer bir geri bildirim alır ve bunu en üst düzeye
çıkarmaya çalışır.
 Makine Öğrenmesi
Takviye öğrenimi, yazılım temsilcilerinin bir ortamda kümülatif ödül kavramını
en üst düzeye çıkarmak için nasıl harekete geçmeleri gerektiğiyle ilgili bir
makine öğrenimi alanıdır. Alan, genelliği nedeniyle oyun teorisi, kontrol
teorisi, işlem araştırması, bilgi teorisi, simülasyon tabanlı optimizasyon, çok
ajanlı sistemler, sürü zekası, istatistik ve genetik algoritmalar gibi diğer birçok
disiplinde incelenmektedir.
 Makine Öğrenmesi
Makine öğreniminde ortam tipik olarak bir Markov karar süreci (MDP) olarak
temsil edilir. Pek çok pekiştirmeli öğrenme algoritması dinamik programlama
tekniklerini kullanır.Takviye öğrenme algoritmaları, MDP'nin tam bir
matematiksel modelinin bilgisini üstlenmez ve kesin modeller mümkün
olmadığında kullanılır. Takviye öğrenme algoritmaları, otonom araçlarda veya
bir insan rakibe karşı oyun oynamayı öğrenmede kullanılır.
 Makine Öğrenmesi
Matematikte, bir Markov karar süreci (MDP), ayrık zamanlı bir stokastik
kontrol sürecidir. Sonuçların kısmen rastgele ve kısmen bir karar vericinin
kontrolü altında olduğu durumlarda karar vermeyi modellemek için
matematiksel bir çerçeve sağlar.
 Makine Öğrenmesi

https://upload.wikimedia.org/wikipedia/commons/thumb/a/ad/Markov_Decision_Process.svg/800px-Markov_Decision_Process
.svg.png by
Waldo Alvarez
 Anomali Belirleme
Veri madenciliğinde, aykırı değer tespiti olarak da bilinen anormallik tespiti,
verilerin çoğunluğundan önemli ölçüde farklılık göstererek şüphe uyandıran
nadir öğelerin, olayların veya gözlemlerin belirlenmesidir. Tipik olarak,
anormal öğeler, banka dolandırıcılığı, yapısal bir kusur, tıbbi sorunlar veya bir
metindeki hatalar gibi bir sorunu temsil eder. Anormallikler, aykırı değerler,
yenilikler, gürültü, sapmalar ve istisnalar olarak adlandırılır.

Özellikle, kötüye kullanım ve ağ saldırı tespiti bağlamında, ilginç nesneler

genellikle nadir nesneler değil, beklenmedik hareketsizlik patlamalarıdır. Bu
model, nadir bir nesne olarak aykırı değerin ortak istatistiksel tanımına uymaz
ve birçok aykırı değer algılama yöntemi (özellikle, denetlenmeyen
algoritmalar), uygun şekilde toplanmadıkça bu tür verilerde başarısız olur.
Bunun yerine, bir küme analizi algoritması, bu modellerin oluşturduğu mikro
kümeleri tespit edebilir.
 İlişkilendirme
İlişkilendirme kuralı öğrenimi, büyük veritabanlarındaki değişkenler arasındaki
ilişkileri keşfetmek için kural tabanlı bir makine öğrenimi yöntemidir. Bazı
"ilginçlik" ölçütlerini kullanarak veritabanlarında keşfedilen güçlü kuralları
belirlemeyi amaçlamaktadır.
 İlişkilendirme
Kural tabanlı makine öğrenimi, bilgiyi depolamak, işlemek veya uygulamak
için "kuralları" tanımlayan, öğrenen veya geliştiren herhangi bir makine
öğrenimi yöntemi için kullanılan genel bir terimdir. Kural tabanlı bir makine
öğrenimi algoritmasının tanımlayıcı özelliği, sistem tarafından yakalanan
bilgiyi topluca temsil eden bir dizi ilişkisel kuralın tanımlanması ve
kullanılmasıdır. Bu, bir tahmin yapmak için evrensel olarak herhangi bir
örneğe uygulanabilen tekil bir modeli yaygın olarak tanımlayan diğer makine
öğrenme algoritmalarının tersidir. Kural tabanlı makine öğrenimi yaklaşımları,
öğrenme sınıflandırıcı sistemleri, ilişkilendirme kuralı öğrenimi ve yapay
bağışıklık sistemlerini içerir.
 İlişkilendirme
Güçlü kurallar kavramına dayanan Rakesh Agrawal, Tomasz Imieliński ve Arun
Swami, süpermarketlerdeki satış noktası (POS) sistemleri tarafından
kaydedilen büyük ölçekli işlem verilerindeki ürünler arasındaki düzenlilikleri
keşfetmek için ilişkilendirme kuralları getirdi.

Örneğin, {soğan, patates} {burger} kuralı Bir süpermarketin satış verilerinde

bulunan bir müşterinin soğan ve patatesleri birlikte satın alması durumunda
büyük olasılıkla hamburger eti de alacağını gösterir. Bu tür bilgiler,
promosyon fiyatlandırması veya ürün yerleştirmeleri gibi pazarlama
faaliyetleriyle ilgili kararlarda temel olarak kullanılabilir.
 Derin Öğrenme
Derin öğrenme (derin yapılandırılmış öğrenme olarak da bilinir), temsil
öğrenmeli yapay sinir ağlarına dayalı daha geniş bir makine öğrenimi
yöntemleri ailesinin bir parçasıdır. Öğrenme denetimli, yarı denetimli veya
denetimsiz olabilir.
 Derin Öğrenme
Otomatik konuşma tanıma
Görüntü tanıma
Görsel sanat işleme
Doğal dil işleme
İlaç keşfi ve toksikoloji
Müşteri ilişkileri yönetimi
Öneri sistemleri
 Derin Öğrenme
Biyoinformatik
Tıbbi Görüntü Analizi
Mobil reklamcılık
Görüntü onarımı
Mali dolandırıcılık tespiti
Askeri