Yapay Zekâ, Makine Öğrenmesi ve Derin Öğrenme Arasındaki Fark Nedir?

0
1898
Yapay Zekâ, Makine Öğrenmesi ve Derin Öğrenme Arasındaki Fark Nedir?

Yapay zeka gelecektir. Yapay zeka bilim kurgudur. Yapay zeka şuanda günlük hayatımızın bir parçası haline gelmiştir. Bütün bu ifadeler doğrudur, sadece yapay zekanın hangi lezzetinden bahsettiğine bağlıdır.

Örneğin, Google DeepMind’in AlphaGo programı, Güney Kore şampiyonu Lee Se-dol’i bu yılın başında masa oyunu Go’da yenince; yapay zeka, makine öğrenmesi ve derin öğrenme medyada DeepMind’in nasıl kazandığını açıklamak için kullanıldı. Ve üçü de AlphaGo’nun Lee Se-Dol’i nasıl yendiğinin bir parçası. Ancak bunlar aynı şey değildir.

İlişkilerini düşünmenin en kolay yolu, bunları yapay zeka ile eşmerkezli daireler olarak görselleştirmektir (önce gelen), daha sonra makine öğrenmesi ve bugünün yapay zeka patlamasına neden olan derin öğrenme. (her ikisinin içine uyan)

Yapay Zekâ, Makine Öğrenmesi ve Derin Öğrenme Arasındaki Fark Nedir?

Başarısızlıktan Patlamaya

Bir avuç bilgisayar bilimcisi, 1956’da Dartmouth Konferansı’nda bir terim etrafında toplanmış ve yapay zeka alanını canlandırdığı için, hayallerimizin bir parçası ve araştırma laboratuvarlarına konu olmuş durumda. O zamandan beri yapay zeka, medeniyetimizin geleceğinin en parlak anahtarı olarak gösterildi.

Yapay zeka, son yıllarda patladı özellikle de 2015’ten bu yana. Bunun temel sebeplerinden biri, paralel işlemenin her zamankinden daha hızlı, daha ucuz ve daha güçlü yapacak GPU’ların geniş kullanılabilirliği ile ilgilidir. Aynı zamanda, hemen hemen sonsuz depolamanın eşzamanlı olarak bir iki yumruğu ve her şeritten (tüm Büyük Veri hareketi) bir veri girişi -görüntüler, metin, işlemler, haritalama verileri, adını siz koyun.

Bilgisayar bilim adamlarının, 2012 yılına kadar bir başarısızlıktan her gün yüz milyonlarca insanın kullandığı uygulamaların patlamasına nasıl geçiş yaptığını inceleyelim.

Yapay Zeka – Makineler Tarafından Sergilenen İnsan Zekası

Yapay Zekâ, Makine Öğrenmesi ve Derin Öğrenme Arasındaki Fark Nedir?
1950’lerde erken bir heyecan uyandırarak, yapay zekanın en eski örnekleri arasında dama oynayan bilgisayar programları vardı.

’56 Konferansı’nın gerçekleştiği yaz aylarında, bu yapay zeka öncülerinin rüyası, ortaya çıkan bilgisayarlar tarafından etkinleştirilen insan zekasının aynı özelliklerine sahip olan karmaşık makineleri inşa etmekti. Bu, “Genel Yapay Zeka” olarak düşündüğümüz kavramdır -tüm duyularımıza (belki daha da fazla) sahip muhteşem makineler. Bu makineleri şimdiye kadar filmlerde dost olarak gördünüz. Genel yapay zeka makineleri sinemalarda ve bilimkurgu romanlarında iyi niyetle kaldı; Bunu yapamayız, en azından henüz değil.

Yapabileceğimiz “Dar Yapay Zeka” konseptine giriyor. Bizler, insanlardan daha iyi veya belirli görevleri yerine getirebilen teknolojiler üretebiliriz. Dar Yapay Zeka örnekleri, Pinterest gibi bir serviste resim sınıflandırması ve ya Facebook’ta yüz tanıma gibi şeylerdir.

Bunlar, uygulamada Dar Yapay Zeka örnekleridir. Bu teknolojiler insan zekâsının bazı yönlerini sergiliyor. Ama nasıl? Bu zeka nereden geliyor? Bu bizi bir sonraki çevreye, Makine Öğrenmesine götürür.

Makine Öğrenmesi – Yapay Zekayı Sağlama Yaklaşımı

Yapay Zekâ, Makine Öğrenmesi ve Derin Öğrenme Arasındaki Fark Nedir?
Makine öğrenmesi, gelen kutunuzun (nispeten) spam içermemesine yardımcı olur.

En basit biçimde Makine Öğrenmesi, verilerin ayrıştırılması için algoritma kullanma, onu öğrenme ve sonra dünyadaki bir şey hakkında bir belirleme veya tahmin yapma uygulamasıdır. Belirli bir görevi yerine getirmek için belirli talimatlar içeren yazılım rutinlerini elle kodlamaktan ziyade, görevi nasıl yerine getireceğini öğrenme yeteneği kazandıran büyük miktarda veri ve algoritma kullanarak “eğitilmiş” makine.

Makine öğrenmesi direkt olarak erken yapay zeka kalabalığının zihinlerinden geldi ve yıllar boyunca algoritmik yaklaşımlar karar ağaçları, endüktif mantık programlama içeriyordu. Kümeleme, takviye öğrenme ve Bayes ağları da bunlar arasında. Bilindiği gibi, hiçbiri genel yapay zekanın nihai hedefine ulaşamadı ve Dar Yapay Zeka bile, çoğunlukla, erken makine öğrenme yaklaşımlarıyla ulaşamadı.

Ortaya çıktığından beri, yıllarca makine öğrenmesi için en iyi uygulama alanlarından biri bilgisayar görmesidir, ancak işi yapmak için hala çok miktarda elle kodlama yapılması gerekiyor. İnsanlar, “S-T-O-P” harflerini tanımak için kenar algılama filtreleri gibi elle kodlanmış sınıflandırıcılar yazarak programın bir nesnenin nerede başladığını ve bittiğini belirleyebilir. Elle kodlanmış tüm sınıflandırıcılardan, görüntüyü anlamlandırmak ve bunun bir dur işareti olup olmadığını belirlemek için “öğrenme” algoritmaları geliştirirlerdi.

Güzel, fakat akıl alıcı şekilde harika değil. Özellikle sisli bir günde işaret kesinlikle görülemediğinde ya da bir ağacın parçası onun bir bölümünü örttüğünde. Bilgisayar görmesi ve görüntü algılama çok yakın zamana kadar bazı insanlara yakın gelmedi, bunda çok kırılgan ve çok hata eğilimli olmalarının payı var.

Zaman ve doğru öğrenme algoritmaları fark yarattı.

Derin Öğrenme – Makine Öğrenmesini Gerçekleştiren Bir Teknik

Yapay Zekâ, Makine Öğrenmesi ve Derin Öğrenme Arasındaki Fark Nedir?
Herding kedileri: Kedilerin görüntülerini YouTube videolarından almak, derin öğrenmenin ilk atılım gösterilerinden biriydi.

İlk makine öğrenme topluluğundan bir diğer algoritmik yaklaşım geldi, Yapay Sinir Ağları; ve çoğunlukla onlarca yıl gitti. Yapay Sinir Ağları, beyinlerimizin biyolojisi konusundaki anlayışımızdan esinlenmiştir; bunlar, nöronlar arasındaki tüm bağlantılardır. Ancak, herhangi bir nöronun belirli bir fiziksel uzaklık içinde başka herhangi bir nörona bağlanabileceği bir biyolojik beyin gibi, bu yapay sinir ağları, veri yayılımının ayrı katmanları, bağlantıları ve yönlerine sahiptir.

Örneğin, bir görüntü çekebilir, nöral ağın ilk katmanına girilen bir grup karoyla kesebilirsiniz. İlk katmandaki bireysel nöronlar daha sonra veriyi ikinci bir katmandan geçirir. Nöronların ikinci tabakası, son tabaka ve son çıktı üretilene kadar görevini yerine getirir.

Her bir nöron, girdisine bir ağırlık veriliyor – gerçekleştirilen göreve görene kadar doğru veya yanlış olduğunu. Daha sonra son çıktı bu ağırlıklandırmaların toplamına göre belirleniyor. Dur işareti örneğini düşünün. Bir dur işareti görüntüsünün sekizgen biçimi, itfaiyeci kırmızı rengi, ayırt edici harfleri, trafik işareti boyutu,hareketi veya bunların eksikliği gibi nitelikleri nöronlar tarafından kesilerek “incelenir”. Sinir ağı’nın görevi bunun bir dur işareti olup olmadığına karar vermektir. Ağırlık temelinde gerçekten çok iyi eğitimli tahmin ile bir “olasılık vektörü” bulunuyor. Örneğimizde sistem, görüntünün %86 oranında bir dur işareti olduğuna, %7 bir hız sınırı işareti ve %5 bir ağaca takılmış uçurtma olduğuna emin olabilir. Ve ağ mimarisi daha sonra sinir ağına doğru olup olmadığını söyler.

Yakın zamana kadar sinir ağlarının hepsi yapay zeka araştırması topluluğu tarafından kaçınıldığından, bu örnek bile kendi başına ilerlemektedir. Yapay zekanın ilk günlerinden beri etrafındaydılar ve “zeka” yolunda çok az şey ürettiler. Sorun, en temel sinir ağlarının bile çok hesaplama yoğunluğu olmasıydı, sadece pratik bir yaklaşım değildi. Yine de, Toronto Üniversitesi’nden Geoffrey Hinton önderliğindeki küçük araştırma grubu, sonunda süper bilgisayarlar için algoritmaları paralelleştirme kavramını kanıtlamayı ve paralelleştirmeyi sürdürüyordu ancak GPU’lar vaadin gerçekleşmesi için dağıtılana kadardı.

Eğitim

Dur işareti örneğine geri dönersek, ağ ayarlandığında veya “eğitildiğinde”, yanlış cevaplarla yaklaştığından şans çok iyi. İhtiyacımız olan şey “eğitim”. Nöron girdilerinin ağırlıkları tam olarak her seferinde doğru cevabı alması için yüzlerce, hatta milyonlarca görüntü görmelidir —sisli veya sissiz, güneşli veya yağmurlu. Bu noktada, sinir ağı bir dur işaretinin nasıl göründüğünü kendisine öğretmiştir.

Ng’nin atılımı, bu sinirsel ağları almak ve onları büyük oranda büyütmek, katmanları ve nöronları arttırmak ve daha sonra sistemi eğitmek için büyük miktarda veri çalıştırmaktı. Ng’nin durumunda, 10 milyon YouTube videosunun görüntüleri vardı. Ng, bu sinir ağlarındaki tüm katmanları tanımlayan derin öğrenmeye “derin” kelimesini koymuştur.

Günümüzde, bazı senaryolarda derin öğrenme yoluyla eğitilen makineler tarafından görsel tanıma, insanlardan daha iyidir ve kedilerden kandaki kanser göstergelerine ve MRI taramasındaki tümörleri tanımlamaktadır. Google’ın AlphaGo’su oyunu öğrendi ve Go maçı için eğitildi, sinir ağını ayarladı; kendisine karşı tekrar ve tekrar oynayarak.

Derin Öğrenme Sayesinde Yapay Zekanın Parlak Bir Geleceği Var

Derin Öğrenme, Makine Öğrenmesi’nin birçok pratik uygulamasını ve Yapay Zeka’nın genel alanını genişleterek etkinleştirmiştir. Derin Öğrenme, görevleri her türlü makine yardımını mümkün kılacak şekillerde yıkacaktır. Sürücüsüz arabalar, daha iyi koruyucu sağlık hizmetleri, daha iyi film önerileri bugün burada veya çok yakınımızda. Yapay zeka şimdi ve gelecektir. Derin Öğrenme’nin yardımı ile Yapay Zeka, hayal bile edemediğimiz o bilim kurgu filmlerine ulaşabilir.

Kaynak : https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

Facebook Yorumları