Yapay zeka kavramıyla birlikte hayatımıza giren makine tahsili, kabaca varsayım bilimi olarak tanımlanıyor. Uzmanlar, günümüzde hiçbir makine …
Yapay zeka kavramıyla birlikte hayatımıza giren makine tahsili, kabaca varsayım bilimi olarak tanımlanıyor. Uzmanlar, günümüzde hiçbir makine öğrenmesi ya da derin öğrenme metodunun, genel yapay zekanın son gayesine ulaşamadığına dikkat çekiyor. Uzmanlar, belli bir misyonu gerçekleştirmek için belli bir dizi talimat içeren yazılım rutinlerinin elle kodlanmak yerine, makinenin, kendisine misyonun nasıl gerçekleştirileceğini öğrenme yeteneği veren büyük ölçüde bilgi ve algoritmalar kullanılarak eğitildiğini belirtiyor. Uzmanlar, eğitim alanındaki temel makine tahsili uygulamalarını da uyarlanabilir öğrenme, verimliliği artırma, öğrenme analitiği, iddiaya dayalı analitik, şahsileştirilmiş öğrenme ve kıymetlendirme olarak sıraladı.
Üsküdar Üniversitesi Mühendislik ve Tabiat Bilimleri Fakültesi Yazılım Mühendisliği Kısım Lideri Doç. Dr. Türker Tekin Ergüzel, makine tahsili kavramına ait değerlendirmede bulundu.
Yapay zeka, 6 disiplinden oluşuyor
Yapay zeka kavramının altı farklı disiplinden oluştuğunu belirten Doç. Dr. Türker Tekin Ergüzel, bunları şöyle sıraladı:
– Doğal lisan sürece
– Bilgi temsili
– Otomatik akıl yürütme: Soruları cevaplamak ve yeni sonuçlar çıkarmak için saklanan bilgileri kullanır.
– Yeni şartlara ahenk sağlamak ve örüntüleri tespit: İddia etmek için makine tahsili.
– Bilgisayarlı görü: Objeleri algılama gayesiyle.
– Robotik: Objeleri manipüle ve hareket ettirmek.
Makine tahsili nedir?
Genel bir yapay zeka oluşturmak için bunların hepsini birden yapabilecek bir algoritmaya gereksinim olduğunu kaydeden Doç. Dr. Türker Tekin Ergüzel, “En temel manasıyla makine tahsili, bilgileri ayrıştırmak, işlenmiş datalardan genelleştirilebilen bilgiler çıkartmak ve akabinde dünyadaki bir olgu hakkında belirlenim ve iddiada bulunmak için çeşitli istatistik, lineer cebir, diferansiyel denklem tabanlı algoritmaların geliştirilmesine dayalı bir alandır. Bu nedenle, makul bir vazifesi gerçekleştirmek için muhakkak bir dizi talimat içeren yazılım rutinlerini elle kodlamak yerine, makine, kendisine misyonun nasıl gerçekleştirileceğini öğrenme yeteneği veren büyük ölçüde data ve algoritmalar kullanılarak eğitilir.” dedi.
Makine tahsili, varsayım bilimidir
Doç. Dr. Türker Tekin Ergüzel, makine tahsili yaklaşımları arasında, karar dayanak makinası tahsili, rastgele ağaç, tümevarımsal mantık programlaması, kümeleme, bayes ağları üzere yaklaşımların yer aldığını söyledi.
Derin öğrenme, makine öğrenmesinin alt kümesidir
Makine tahsili ile derin öğrenme ortasındaki farklara değinen Doç. Dr. Türker Tekin Ergüzel, şunları söyledi:
“Bu bağlamda, günümüzde hiçbir makine öğrenmesi ya da derin öğrenme metodu, genel yapay zekanın en son gayesine ulaşamamıştır. Makine tahsili kabaca iddia bilimidir. Makul bilinenler (özellikler) verildiğinde, birtakım bilinmeyenleri (hedefleri) varsayım etmek istersiniz. Derin öğrenme ise makine öğrenmesinin bir alt kümesi olmakla birlikte, daha özelleşmiş ve yüksek hesaplama gücü gerektiren yötemleri içerir. Kavramların hiyerarşik olarak öğrenildiği bir makine tahsili alt alanıdır. Evvel en kolay kavramlar ortaya çıkar, akabinde daha kolay kavramların üzerine inşa edilen daha karmaşık kavramlar gelir. Çoklukla bu, kolay bir katmanlı kavramlar hiyerarşisine yol açar. Örneğin imajlar pikseller kullanılarak tanımlanır. Bunlar, yüzler, lastikler, yapraklar vb. üzere çeşitli formların oluşumuna yol açan motiflere/kenarlara yol açar. Müzik de emsal şekilde hiyerarşik olarak vuruşlardan, ölçülerden ve kısımlardan oluşur. Lisan; karakterler, fonemler, heceler, sözler, tabirler, cümleler ve paragraflardan oluşur.
Sosyo-politik ağlar; bireylerden, ailelerden, topluluklardan, köylerden/kasabalardan/şehirlerden, illerden/eyaletlerden, milletlerden ve ulus bloklardan oluşur.
Derin öğrenme çok güçlü bir fikirdir
Fizyolojik sistemler; beslenme yahut dolanım üzere tüm fizyolojik fonksiyonları yerine getiren hücreler, dokular, organlar ve organ sistemlerinden oluşur. Gördüğünüz üzere, derin öğrenme, yani hiyerarşik kavramsal tabanlı öğrenme fikri, çok güçlü ve genel olarak uygulanabilir bir fikirdir. Derin öğrenmenin son muvaffakiyetinden, büyük ölçüde bilgiyle öğrenilen derin hudut ağlarının aktifliği ile birlikte derin öğrenmenin genel uygulanabilirliği sorumludur.”
Derin öğrenme daha karışıktır
“Makine tahsili, uygulamanıza, işlediğiniz bilgilerin boyutuna ve çözmek istediğiniz sorunun çeşidine nazaran seçebileceğiniz çeşitli teknikler ve modeller sunar.”diyen Doç. Dr. Türker Tekin Ergüzel, şunları söyledi:
“Başarılı bir derin öğrenme uygulaması, modeli eğitmek için çok büyük ölçüde data (binlerce görüntü) ve bilgilerinizi süratli bir şekilde işlemek için GPU’lar yahut grafik sürece üniteleri gerektirir. Makine tahsili ve derin öğrenme arasında seçim yaparken, yüksek performanslı bir GPU’nuz ve çok sayıda etiketli verinizim olup olmadığını göz önünde bulundurulur. Bunlardan rastgele birine sahip değilseniz, derin öğrenme yerine makine tahsilini kullanmak daha mantıklı olabilir. Derin öğrenme ekseriyetle daha karmaşıktır, bu nedenle muteber sonuçlar elde etmek için en az birkaç bin manzaraya gereksiniminiz olacaktır. Yüksek performanslı bir GPU’ya sahip olmak, modelin tüm bu manzaraları tahlil etmesi için daha az vakit alacağı manasına gelir.”
Eğitim alanında kullanılan makine tahsili uygulamaları
Doç. Dr. Türker Tekin Ergüzel, eğitim alanındaki temel makine tahsili uygulamaları hakkında da şu bilgileri verdi:
Uyarlanabilir Öğrenme: Bir öğrencinin performansını gerçek vakitli olarak tahlil eder ve bu bilgilere dayalı olarak öğretim sistemlerini ve müfredatı değiştirir. Şahsileştirilmiş bir iştirak sağlamaya yardımcı olur ve daha güzel bir eğitim için bireye ahenk sağlamaya çalışır. Yazılım, öğrencinin izlemesi gereken öğrenme yollarını önermede yardımcı olur. Öğrenciler, gereçlerden teklifler ve yazılımdan öteki öğrenme metodolojileri alırlar.
Verimliliği Artırma: Daha uygun içerik ve müfredat tertibi ve idaresi yeteneğine sahiptir. İşi buna nazaran ayırmaya ve herkesin potansiyelini anlamaya yardımcı olur. Bu, hangi çalışmanın öğretmen için en uygun olduğunu ve öğrenci için neyin işe yaradığını tahlil etmeye yardımcı olur. Öğretmen ve öğrencilerin işlerini kolaylaştırır. Bu tıpkı vakitte iştiraki ve iştirake ve öğrenmeye olan isteği/motivasyonu arttırır. Böylelikle eğitimin verimliliği artırılır. Ayrıyeten sınıf idaresi, zamanlama vb. misyonları tamamlayarak eğitimcileri daha verimli hale getirme potansiyeline sahiptir. Böylelikle eğitimciler, yapay zeka ile elde edilemeyen ve insan dokunuşu gerektiren vazifelere odaklanmakta özgürdür.
Öğrenme Analitiği: Birden fazla vakit öğretmen de öğretirken takılabilir. Bu nedenle, içgörüler ve öz, öğrenciler tarafından tam olarak anlaşılmamaktadır. Öğretmen, öğrenme analitiği ile datalara ait içgörü kazanabilir. Milyonlarca içerik arasında geçiş yapabilir, onu yorumlayabilir ve akabinde ilişkiler ve sonuçlar çıkarabilir. Bu, öğretme ve öğrenme sürecini olumlu tarafta etkileyebilir. Bunun dışında, öğrenme analitiği, öğrencinin izlemesi gereken yolları önerir. Öğrenciler, bu yazılımdan gereçler ve öbür öğrenme metodolojileri ile ilgili teklifler alarak yarar sağlayabilirler.
Kestirime Dayalı Analitik: Eğitimde iddiaya dayalı analitik, büsbütün öğrencilerin zihniyetini ve muhtaçlıklarını bilmekle ilgilidir. Gelecekte olabilecek şeyler hakkında sonuçlar çıkarmaya yardımcı olur. Sınıf testleri ve yarıyıl sonuçları ile hangi öğrencilerin imtihanda başarılı olacağı ve hangi öğrencilerin zorlanacağı anlaşılabilir.Bu sayede öğrenciye daha yeterli bir şekilde yardımcı olunabilir ve zayıf olduğu hususlar üzerinde çalışabilir.
Şahsileştirilmiş Öğrenme: Özelleştirilebilir ve kişisel ihtiyaçlar bu sayede halledilir. Bu eğitim modeli sayesinde öğrenciler kendi öğrenmelerine rehberlik edebilirler. Kendi suratlarına sahip olabilirler, ne öğrenecekleri ve nasıl öğrenecekleri konusunda kararlar alabilirler. İlgilendikleri bahisleri, öğrenmek istedikleri öğretmeni ve takip etmek istedikleri müfredatı, standartları ve modeli seçebilirler.
Kıymetlendirme: Makine tahsili sonucu geliştirilen şablon, öğrenci ödevlerini ve imtihanlarını bir beşerden daha yanlışsız bir şekilde derecelendirmek için kullanılır. Yeniden de insanlardan birtakım girdiler gerekir. Lakin, daha yüksek güvenilirlik ve düşük yanılgı mümkünlüğü olduğundan, bir makine işi yaptığında en gerçek ve hassas sonuçların geçerliliği ve güvenilirliği daha yüksek olacaktır.
Kaynak: (BHA) – Beyaz Haber Ajansı
