Beş dakikada makine öğreniminin ne olduğunu , nasıl çalıştığını ve önemini öğrenin…
Bu makaleyi kimler okumalı?
Makine öğreniminin ne olduğu, nasıl çalıştığı ve önemi hakkında basit ve doğru bir genel bakış isteyen herkes. Makine öğreniminin öncülerinden ve endüstri liderlerinden teknik tanımları dilimleyerek, fantastik, bilimsel makine öğrenimi alanına size temel, basit bir giriş sunmak için yukarıda belirtilen ilgili soruların her birini gözden geçiriyoruz.
Daha fazla öğrenme, referanslar ve açıklamalar için küçük bir kaynak seti ile birlikte makalenin altında bir terimler sözlüğü bulunabilir.
Makine öğrenimi nedir?
Makine öğreniminin (ML) bilimsel alanı, Computer Scientist ve makine öğrenimi öncüsü Tom M. Mitchell tarafından tanımlanan şekliyle yapay zekanın bir dalıdır : “ Makine öğrenimi, bilgisayar programlarının, deneyim .”
Algoritma, bir bilgisayar programcısının belirttiği, bir bilgisayarın işleyebileceği bir dizi kural/talimat olarak düşünülebilir. Basitçe söylemek gerekirse, makine öğrenimi algoritmaları, insanların yaptığına benzer şekilde deneyimleyerek öğrenir. Örneğin, bir nesnenin birden çok örneğini gördükten sonra, bilgi işlem kullanan bir makine öğrenimi algoritması, bu nesneyi daha önce görülmemiş yeni senaryolarda tanıyabilir.
Makine öğrenimi nasıl çalışır?
Yukarıdaki videoda , Facebook AI Araştırma Başkanı Yann LeCun, takip etmesi kolay örneklerle makine öğreniminin nasıl çalıştığını basitçe açıklıyor. Makine öğrenimi, kararlar ve/veya tahminler yapmak için büyük ve karmaşık miktarda bilgiyi akıllıca işlemek için çeşitli teknikler kullanır.
Pratikte, bir bilgisayarın (makine öğrenim sistemi) öğrendiği kalıplar çok karmaşık ve açıklanması zor olabilir. Google aramada köpek resimleri aramayı düşünün — aşağıdaki resimde görüldüğü gibi, Google alakalı sonuçlar getirme konusunda inanılmaz derecede iyidir, ancak Google arama bu görevi nasıl başarır? Basit bir ifadeyle, Google araması önce “köpek” olarak etiketlenmiş çok sayıda fotoğraf örneğini (görüntü veri kümesi) alır – ardından bilgisayar (makine öğrenimi sistemi), tahmin etmesine (tahmin etmesine) yardımcı olan piksel kalıplarını ve renk kalıplarını arar. görüntü sorgulandı, gerçekten bir köpek.
İlk başta, Google’ın bilgisayarı, bir köpeğin resmini tanımlamak için hangi modellerin makul olduğuna dair rastgele bir tahminde bulunur. Bir hata yaparsa, bilgisayarın doğru yapması için bir dizi ayarlama yapılır. Sonunda, insan beyninden (derin sinir ağı) sonra modellenen büyük bir bilgisayar sistemi tarafından öğrenilen ve bir zamanlar eğitilmiş olan bu tür kalıplar koleksiyonu, doğru bir şekilde tanımlayabilir ve Google aramasında köpek resimlerinin doğru sonuçlarını ve diğer her şeyi getirebilir. düşünebilir – böyle bir sürece bir makine öğrenimi sisteminin eğitim aşaması denir.
Köpekler ve kediler arasındaki görüntüleri denemek ve tanımlamak için bir makine öğrenimi tahmin sistemi oluşturmaktan sorumlu olduğunuzu hayal edin. Yukarıda açıkladığımız gibi, ilk adım, köpekler için “köpek” ve kediler için “kedi” ile çok sayıda etiketlenmiş resim toplamak olacaktır. İkinci olarak, bilgisayarı sırasıyla köpekleri ve kedileri tanımlamak için resimlerdeki desenleri araması için eğitirdik.
Makine öğrenimi modeli bir kez eğitildikten sonra , köpekleri ve kedileri doğru bir şekilde tanımlayıp tanımlayamayacağını görmek için ona farklı görüntüler gönderebiliriz (girebiliriz). Yukarıdaki resimde görüldüğü gibi, eğitilmiş bir makine öğrenimi modeli (çoğu zaman) bu tür sorguları doğru bir şekilde tanımlayabilir.
Makine öğrenimi neden önemlidir?
Makine öğrenimi günümüzde inanılmaz derecede önemlidir. Birincisi, karmaşık gerçek dünya sorunlarını ölçeklenebilir bir şekilde çözebildiği için, ikincisi, son on yılda çeşitli endüstrileri altüst ettiği için ve giderek daha fazla endüstri lideri ve Araştırmacılar, kendi alanlarını olumlu yönde etkilemek için araştırmalarına devam etmek ve/veya makine öğrenimi araçları geliştirmek için öğrendiklerini alarak makine öğreniminde uzmanlaşıyorlar. Üçüncüsü, yapay zekanın 2030 yılına kadar ABD ekonomisine kademeli olarak %16 veya yaklaşık 13 trilyon dolar ekleme potansiyeli vardır . Makine öğreniminin olumlu etki yaratma oranı şimdiden şaşırtıcı derecede etkileyici , veri depolama ve bilgi işlem işlem gücündeki çarpıcı değişiklik sayesinde başarılı olmuştur — giderek daha fazla insan dahil olurken, bunun yalnızca devam etmesini bekleyebiliriz bu rota ve farklı alanlarda inanılmaz ilerlemelere neden olmaya devam ediyor.
