Üsküdar Üniversitesi Mühendislik ve Doğa Bilimleri Fakültesi Yazılım Mühendisliği Bölüm Başkanı Doç. Dr. Türker Tekin Ergüzel, makina öğrenimi ve derin öğrenme kavramlarına ilişkin değerlendirmelerde bulundu.
YAPAY ZEKA, 6 DİSİPLİNDEN OLUŞUYOR
Yapay zeka kavramının altı farklı disiplinden oluştuğunu belirten Doç. Dr. Türker Tekin Ergüzel, bunları şöyle sıraladı:
1) Doğal dil işleme
2) Bilgi temsili
3) Otomatik akıl yürütme: Soruları cevaplamak ve yeni sonuçlar çıkarmak için saklanan bilgileri kullanır.
4) Yeni koşullara uyum sağlamak ve örüntüleri tespit: Tahmin etmek için makina öğrenimi.
5) Bilgisayarlı görü: Nesneleri algılama amacıyla.
6) Robotik: Nesneleri manipüle ve hareket ettirmek.
MAKİNA ÖĞRENİMİ NEDİR?
Genel bir yapay zeka oluşturmak için bunların hepsini birden yapabilecek bir algoritmaya ihtiyaç olduğunu kaydeden Doç. Dr. Türker Tekin Ergüzel, “En temel anlamıyla makina öğrenimi, verileri ayrıştırmak, işlenmiş verilerden genelleştirilebilen bilgiler çıkartmak ve ardından dünyadaki bir olgu hakkında belirlenim ve tahminde bulunmak için çeşitli istatistik, lineer cebir, diferansiyel denklem tabanlı algoritmaların geliştirilmesine dayalı bir alandır. Bu nedenle, belirli bir görevi gerçekleştirmek için belirli bir dizi talimat içeren yazılım rutinlerini elle kodlamak yerine, makina, kendisine görevin nasıl gerçekleştirileceğini öğrenme yeteneği veren büyük miktarda veri ve algoritmalar kullanılarak eğitilir.” dedi.
MAKİNA ÖĞRENİMİ, TAHMİN BİLİMİDİR
Doç. Dr. Türker Tekin Ergüzel, makina öğrenimi yaklaşımları arasında, karar destek makinası öğrenimi, rastgele ağaç, tümevarımsal mantık programlaması, kümeleme, bayes ağları gibi yaklaşımların yer aldığını söyledi.
Makina öğrenimi ile derin öğrenme arasındaki farklara değinen Doç. Dr. Ergüzel, şunları söyledi:
“Bu bağlamda, günümüzde hiçbir makina öğrenmesi ya da derin öğrenme yöntemi, genel yapay zekanın nihai hedefine ulaşamamıştır. Makina öğrenimi kabaca tahmin bilimidir. Belirli bilinenler (özellikler) verildiğinde, bazı bilinmeyenleri (hedefleri) tahmin etmek istersiniz. Derin öğrenme ise makina öğrenmesinin bir alt kümesi olmakla birlikte, daha özelleşmiş ve yüksek hesaplama gücü gerektiren yötemleri içerir. Kavramların hiyerarşik olarak öğrenildiği bir makina öğrenimi alt alanıdır. Önce en basit kavramlar ortaya çıkar, ardından daha basit kavramların üzerine inşa edilen daha karmaşık kavramlar gelir. Genellikle bu, basit bir katmanlı kavramlar hiyerarşisine yol açar. Örneğin görüntüler pikseller kullanılarak tanımlanır. Bunlar, yüzler, lastikler, yapraklar vb. gibi çeşitli şekillerin oluşumuna yol açan motiflere/kenarlara yol açar. Müzik de benzer şekilde hiyerarşik olarak vuruşlardan, ölçülerden ve bölümlerden oluşur. Dil; karakterler, fonemler, heceler, kelimeler, deyimler, cümleler ve paragraflardan oluşur.
Sosyo-politik ağlar; bireylerden, ailelerden, topluluklardan, köylerden/kasabalardan/şehirlerden, illerden/eyaletlerden, milletlerden ve ulus bloklardan oluşur.
DERİN ÖĞRENME ÇOK GÜÇLÜ BİR FİKİRDİR
Fizyolojik sistemler; beslenme veya dolaşım gibi tüm fizyolojik işlevleri yerine getiren hücreler, dokular, organlar ve organ sistemlerinden oluşur. Gördüğünüz gibi, derin öğrenme, yani hiyerarşik kavramsal tabanlı öğrenme fikri, çok güçlü ve genel olarak uygulanabilir bir fikirdir. Derin öğrenmenin son başarısından, büyük miktarda veriyle öğrenilen derin sinir ağlarının etkinliği ile birlikte derin öğrenmenin genel uygulanabilirliği sorumludur.”
DERİN ÖĞRENME DAHA KARIŞIKTIR
“Makina öğrenimi, uygulamanıza, işlediğiniz verilerin boyutuna ve çözmek istediğiniz sorunun türüne göre seçebileceğiniz çeşitli teknikler ve modeller sunar.” diyen Doç. Dr. Ergüzel, şöyle konuştu:
“Başarılı bir derin öğrenme uygulaması, modeli eğitmek için çok büyük miktarda veri (binlerce görüntü) ve verilerinizi hızlı bir şekilde işlemek için GPU'lar veya grafik işleme birimleri gerektirir. Makina öğrenimi ve derin öğrenme arasında seçim yaparken, yüksek performanslı bir GPU'nuz ve çok sayıda etiketli verinizim olup olmadığını göz önünde bulundurulur. Bunlardan herhangi birine sahip değilseniz, derin öğrenme yerine makina öğrenimini kullanmak daha mantıklı olabilir. Derin öğrenme genellikle daha karmaşıktır, bu nedenle güvenilir sonuçlar elde etmek için en az birkaç bin görüntüye ihtiyacınız olacaktır. Yüksek performanslı bir GPU'ya sahip olmak, modelin tüm bu görüntüleri analiz etmesi için daha az zaman alacağı anlamına gelir.”
EĞİTİM ALANINDA KULLANILAN MAKİNA ÖĞRENİMİ UYGULAMALARI
Doç. Dr. Ergüzel, eğitim alanındaki temel makina öğrenimi uygulamaları hakkında da şu bilgileri verdi:
Uyarlanabilir Öğrenme: Bir öğrencinin performansını gerçek zamanlı olarak analiz eder ve bu verilere dayalı olarak öğretim yöntemlerini ve müfredatı değiştirir. Kişiselleştirilmiş bir katılım sağlamaya yardımcı olur ve daha iyi bir eğitim için bireye uyum sağlamaya çalışır. Yazılım, öğrencinin izlemesi gereken öğrenme yollarını önermede yardımcı olur. Öğrenciler, materyallerden öneriler ve yazılımdan diğer öğrenme metodolojileri alırlar.
Verimliliği Artırma: Daha iyi içerik ve müfredat organizasyonu ve yönetimi yeteneğine sahiptir. İşi buna göre ayırmaya ve herkesin potansiyelini anlamaya yardımcı olur. Bu, hangi çalışmanın öğretmen için en uygun olduğunu ve öğrenci için neyin işe yaradığını analiz etmeye yardımcı olur. Öğretmen ve öğrencilerin işlerini kolaylaştırır. Bu aynı zamanda katılımı ve katılıma ve öğrenmeye olan isteği/motivasyonu arttırır. Böylece eğitimin verimliliği artırılır. Ayrıca sınıf yönetimi, zamanlama vb. görevleri tamamlayarak eğitimcileri daha verimli hale getirme potansiyeline sahiptir. Böylece eğitimciler, yapay zeka ile elde edilemeyen ve insan dokunuşu gerektiren görevlere odaklanmakta özgürdür.
Öğrenme Analitiği: Çoğu zaman öğretmen de öğretirken takılabilir. Bu nedenle, içgörüler ve öz, öğrenciler tarafından tam olarak anlaşılmamaktadır. Öğretmen, öğrenme analitiği ile verilere ilişkin içgörü kazanabilir. Milyonlarca içerik arasında geçiş yapabilir, onu yorumlayabilir ve ardından bağlantılar ve sonuçlar çıkarabilir. Bu, öğretme ve öğrenme sürecini olumlu yönde etkileyebilir. Bunun dışında, öğrenme analitiği, öğrencinin izlemesi gereken yolları önerir. Öğrenciler, bu yazılımdan materyaller ve diğer öğrenme metodolojileri ile ilgili öneriler alarak fayda sağlayabilirler.
Tahmine Dayalı Analitik: Eğitimde tahmine dayalı analitik, tamamen öğrencilerin zihniyetini ve ihtiyaçlarını bilmekle ilgilidir. Gelecekte olabilecek şeyler hakkında sonuçlar çıkarmaya yardımcı olur. Sınıf testleri ve yarıyıl sonuçları ile hangi öğrencilerin sınavda başarılı olacağı ve hangi öğrencilerin zorlanacağı anlaşılabilir. Bu sayede öğrenciye daha iyi bir şekilde yardımcı olunabilir ve zayıf olduğu konular üzerinde çalışabilir.
Kişiselleştirilmiş Öğrenme: Özelleştirilebilir ve bireysel gereksinimler bu sayede halledilir. Bu eğitim modeli sayesinde öğrenciler kendi öğrenmelerine rehberlik edebilirler. Kendi hızlarına sahip olabilirler, ne öğrenecekleri ve nasıl öğrenecekleri konusunda kararlar alabilirler. İlgilendikleri konuları, öğrenmek istedikleri öğretmeni ve takip etmek istedikleri müfredatı, standartları ve modeli seçebilirler.
Değerlendirme: Makina öğrenimi sonucu geliştirilen şablon, öğrenci ödevlerini ve sınavlarını bir insandan daha doğru bir şekilde derecelendirmek için kullanılır. Yine de insanlardan bazı girdiler gerekir. Ancak, daha yüksek güvenilirlik ve düşük hata olasılığı olduğundan, bir makina işi yaptığında en doğru ve hassas sonuçların geçerliliği ve güvenilirliği daha yüksek olacaktır.
