Yapay zeka teknolojisi çeşitli alt disiplinlere sahiptir ve farklı disiplinler ile entegre olarak çalışmaktadır. Veri analizi yaparak sorulan sorulara yanıt veren, çeşitli tahminlerde bulunabilen, görsel ya da metin temelli sonuçlar sunabilen yapay zeka teknolojileri günden güne yaygınlaşmakta ve tercih edilmektedir. Farklı disiplinler ile birlikte çalışan ve kendi alt disiplinleri de bulunan yapay zeka sistemlerinde yapay zeka eğitimi de bu disiplinlerden biri olarak kabul edilir.
Veriden öğrenebilen, görünmeyen verilere genelleştirilebilen, dolayısı ile açık talimatlar olmadan görevleri gerçekleştirilebilen istatistiksel algoritmaların geliştirilmesiyle ve incelenmesi ile ilgilenen makine öğrenimi, yapay zeka teknolojisinde akademik bir disiplindir. Makine öğrenimi ya da machine learning bilgisayarların denetimlerinden öğrenerek karışık olan görevleri otomatik hale getirmeyi sağlayan bir yapay zeka alanı olarak da tanımlanmaktadır. Bu durum da veri analizi yapılarak örüntüler tespit edebilme ve tahminlerde bulunma yetisine dayanmaktadır.
Son dönemde yapay sinir ağları, performans bakımından kendinden önceki birçok yaklaşımı geride bırakmayı başarmıştır. Makine öğrenimi yaklaşımları bilgisayar görüşü, doğal dil işleme, konuma tanıma, e-mail filtreleme, tıp ve tarım da dahil olmak üzere birçok alana uygulanmış yaklaşımlardır. Bu yaklaşımın matematiksel açıdan temelleri matematiksel programlama yöntemleri ile sağlanmaktadır.
Verilerin incelenip içlerinden en faydalı olacağı belirlenen bilginin çıkartılması veri madenciliği olarak tanımlanır. Veri madenciliği, gözetimsiz öğrenme modeli yoluyla keşifsel veri analizine odaklı bir bilim dalı olarak da ifade edilebilir. Makine öğrenmesi teknikleri geçmişteki verileri kullanılıp yeni veriler için en uygun modeli seçip sunmayı hedefler.
Alan Turing’in uzun süre önce ortaya attığı "makineler düşünebilir mi?" sorusunun temellerini attığı makine öğrenimi, bilimsel bir çaba olarak değerlendirilir ve yapay zeka arayışından doğmuştur. Yapay zekanın akademik disiplini olarak ilk ortaya çıktığı zaman öncelikle bazı araştırmacıların makinelerin verilerden öğrenmesini sağlamak ile ilgilenmiştir.
Gelişim sürecinde ayrı bir alan olarak yeniden düzenlenen makine öğrenimi ilk kez doksanlı yıllarda gelişmeye başlamıştır. Turing, bu süreçte amacı yapay zeka elde etmekten ziyade pratik özellikteki çözülebilir problemler ile mücadele edebilmek olarak değiştirmiştir. Günümüzde gelişimi devam eden makine öğrenimi veri sıkıştırma işlemi ile de yakın bir ilişki içindedir.
Makine öğrenimi, eğitim verilerinden öğrenilen ve bilinen özelliklere dayalı olarak tahminler üretmeye odaklanırken veri madenciliği önceden bilinmeyen özelliklerin keşfedilmesine de odaklanmaktadır. Bu da veri tabanlarında bilgi keşfinin analiz adımlarından biridir.
Belli bir çalışma prensibi ile hareket eden makine öğrenimi özet tanımı ile bilgisayarların açık bir şekilde programlama yapılmadan en karışık görevleri dahi otomatik bir hale getirmeyi başarmaları ve öğrenmelerini sağlamaktadır. Belirlenmiş olan görevleri ifa edebilmeleri için sağlanan verişlerdeki ilişkileri keşfederek bu örüntüleri yeni durumlara uygulama uyarlama yeteneği de makine öğrenimi sistemi sayesinde mümkün olabilmektedir.
Makine öğrenimi sistemi açık bir talimat olmadan veri analizi işlevlerini yapan bir yapay zeka türü olduğu için çalışma prensibi de buna dayanır. Bilgisayarlar açık bir şekilde programlanmaz. Karışık olan görevler otomatik olarak öğrenilir. Belli başlı bir veri kümesi için tahminler yapmak üzere kullanılan makine öğrenimi modeli, direkt verilerden bilgi alabilmek için çeşitli hesaplama yöntemleri kullanır.
markasıdır.
Haber Gönder
