Yapay Zeka Algoritmaları Nedir
Yapay Zeka; insanların yaptığı gibi düşünmeleri ve kararlar almalarını sağlayan makineler bilimidir.
Bir algoritma bazı girdileri alır ve çıktıyı üretmek için matematik ve mantığı kullanır. Tam tersine, Yapay Zeka Algoritması, verileri “öğrenmek” ve yeni girdiler verildiğinde çıktılar üretmek için hem giriş hem de çıktıların bir kombinasyonunu aynı anda alır.
TEMEL VE GÜÇLÜ MAKİNE ÖĞRENME ALGORİTMALARI;
Dikkat Mekanizmaları ve Bellek Ağları
Bayes Teoremi ve Naif Bayes Sınıflandırıcılar
Karar ağaçları
Özvektörler, Özdeğerler ve Makine Öğrenimi
Evrimsel ve Genetik Algoritmalar
Uzman Sistemler / Kural Motorları / Sembolik Akıl Yürütme
Generatif Düşman Ağları (GAN’lar)
Grafik Analizi ve ML
Doğrusal Regresyon
Lojistik regresyon
LSTM’ler ve Tekrarlayan Sinir Ağları
Markov Zinciri Monte Carlo Yöntemleri (MCMC)
Nöral ağlar
Rasgele Ormanlar
Takviye Öğrenme
Makine öğrenimi algoritmaları, daha fazla veriye maruz kaldıkça kendilerini daha iyi performans gösterecek şekilde ayarlayan programlardır. (Matematik ve Mantık)
Makine öğrenmesinin “öğrenme” kısmı, bu programların insanlar veriyi öğrenme yoluyla nasıl işlediklerini değiştirdiği gibi, zaman içinde verileri nasıl işlediklerini değiştirdiği anlamına gelir. Dolayısıyla, bir makine öğrenme algoritması, bir veri kümesi hakkında tahminler yapan önceki performansı hakkında geri bildirim verilen, kendi parametrelerini ayarlamak için özel bir yol olan bir programdır.
Makinelerin verilerden öğrenmesini sağlama süreci, Makine Öğrenimi olarak adlandırılır.
Makine Öğrenimi aşağıdaki şekillerde yapılabilir:
- Denetimli Öğrenme
- Denetimsiz Öğrenme
- Takviye Öğrenme
- Topluluk Öğrenimi
Her kategorideki algoritmalar, özünde, bilinmeyen girdiler verilen çıktıları tahmin etme ile aynı görevi yerine getirir, ancak burada doğru algoritmayı seçmek söz konusu olduğunda veriler anahtar faktördür.
Yapay Zeka Algoritmaları
Bir kategorideki problemleri çözmek için farklı Yapay Zeka algoritmaları kullanılabilir.
Sınıflandırma Algoritmaları
Sınıflandırma, adından da anlaşılacağı gibi, bağımlı değişkeni (tahmin edilmeye çalışılan değişken) sınıflara bölme ve sonra belirli bir girdi için bir sınıfı tahmin etme eylemidir. Başlangıç olarak, veri kümesinin sınıflara sahip olması gereken Denetimli Makine Öğrenimi kategorisine girer.
Böylece, sınıflandırma, bir dizi sabit, önceden tanımlanmış sonuçtan bir sonucu tahmin etmemiz gereken herhangi bir yerde devreye girer.
Regresyon Algoritmaları
Regresyon problemleri durumunda, çıktı sürekli bir niceliktir. Yani hedef değişkenin sürekli bir değişken olduğu durumlarda regresyon algoritmalarını kullanılabilir. Başlamak için, veri kümesinin etiketlere sahip olması gereken Denetimli Makine Öğrenimi kategorisine girer.
- Doğrusal Regresyon
Doğrusal Regresyon en basit ve etkili regresyon algoritmasıdır. Tutarlı değişken (değişkenler) göz önünde bulundurularak gerçek niteliklerin ölçülmesinde kullanılır. Burada, en iyi çizgiyi yerleştirerek serbest ve koğuş faktörleri arasında bir bağlantı kurulur. Bu en iyi uyum çizgisi regresyon çizgisi olarak bilinir ve doğrudan bir koşul Y = a * X + b ile ifade edilir.
y-hat, bağımlı değişkenin çıktısı veya algoritma tarafından yapılan tahminidir.
a katsayısıdır. Aynı zamanda x ve y-hat arasındaki ilişkiyi ifade eden çizginin eğimi.
x girdi, verilen veya bağımsız değişkendir.
b, çizginin y eksenini geçtiği kesişme noktasıdır.
Doğrusal regresyon, x girişi ve y çıkışı arasındaki doğrusal bir ilişkiyi ifade eder; yani, x’teki her değişiklik için, y-hat, çizgide ne kadar uzakta olursanız olun aynı miktarda değişecektir. X her noktada aynı a ve b ile dönüştürülür.
Yalnızca bir giriş değişkenli doğrusal regresyona Basit Doğrusal Regresyon denir. Birden fazla giriş değişkeni ile buna Çoklu Doğrusal Regresyon denir.
Kümeleme Algoritmaları
Kümelemenin arkasındaki temel fikir, girdiyi özellik benzerliğine dayalı olarak iki veya daha fazla kümeye atamaktır. Denetimsiz Makine Öğrenimi kategorisine girer, burada algoritma herhangi bir rehberlik vermeden (etiketli veri seti) verilerden kalıpları ve yararlı bilgileri öğrenir.
Topluluk Öğrenme Algoritmaları
Verilerin bol olduğu ve tahmin hassasiyetinin yüksek değerli olduğu durumlarda, artırıcı algoritmalar kullanılır.
Gradyan Arttırma
Gradient Boosting, yüksek tahmin gücüyle bir tahmin yapmak için bol miktarda veriyle uğraştığımızda kullanılan bir yükseltme algoritmasıdır. Güçlü öngörücü oluşturmak için birden çok zayıf veya ortalama öngörücüyü birleştirir. Bu güçlendirici algoritmalar, veri bilimi yarışmalarındaki modelleri geliştirmek için yoğun bir şekilde kullanılmaktadır.
XGBoost
Son derece yüksek tahmin gücü ile ilgili olarak, XGBoost, hem doğrusal hem de ağaç öğrenme algoritmalarını içerdiğinden, çoğu artırıcı teknikten 10 kat daha hızlı hale getirdiği için, artan doğruluk söz konusu olduğunda, kullanılacak algoritmalardan biridir.
CERN’in Büyük Hadron Çarpıştırıcısından gelen sinyallerin sınıflandırılması için modelde kullanması şaşırtıcı değildir.