Yapay Zekâ Temelleri

Konu Anlatımı

Yapay Zekâ Nedir?

Yapay zekâ, insan davranışlarını taklit eden ve belirli bir görevi insan müdahalesi olmadan yerine getiren sistemlerin genel adıdır. Bu sistemler iki farklı yolla kurulabilir. Birincisi kural tabanlı yaklaşımdır: uzmanın düşünceyi adım adım kodu hâline getirmesiyle çalışan uzman sistemler bu gruba girer. İkincisi veriden örüntü çıkaran yaklaşımdır; makine öğrenmesi bu yaklaşımın adıdır.

Makine öğrenmesinde bilgisayar, kuralları elle yazılmaz, veriden çıkarır. Derin öğrenme ise makine öğrenmesinin çok katmanlı yapay sinir ağları kullanan alt alanıdır; öznitelikleri insan vermek yerine model kendisi oluşturur. Bu nedenle derin öğrenme daha az hazırlık ister ama çok veri ve işlem gücü gerektirir.

Veri, Örnek ve Öznitelik

Örnek, modelin incelediği tek bir kayıttır. Öznitelik, bu kayıttan ayırt edici bilgi çıkarılan ölçüttür; bir öğrencinin yaşı, devamsızlık sayısı ve konu bazında başarısı birer özniteliktir. Etiket ise o kayıt için aranan doğru yanıttır. Etiketli veri, her örneğin yanında doğru yanıtın bulunduğu kümedir. Denetimli öğrenme bu etiketlerden yararlanır, denetimsiz öğrenmede ise verideki doğal kümelenmeler aranır.

Veri kalitesi, model kalitesinden ayrı tutulamaz. Eksik değerler, birbirine karışmış kategoriler ve kayıt dışı örnekler modelin çıkarımlarını bozar. Bu nedenle eğitim öncesinde veri temizleme, eksik değerleri doldurma ve uç değerleri inceleme adımları atlanmaz.

Model Eğitimi, Doğrulama ve Test

Eğitim kümesi, modelin örüntüleri öğrenmek için kullandığı veridir. Doğrulama kümesi, eğitim sırasında modelin ayarlarını ve karmaşıklığını seçmek için kullanılır. Test kümesi ise modelin hiç görmediği veridir ve gerçek başarısını tek seferlik ölçümle ortaya koyar.

Veri seti bu üç amaçla bölünür. Bölümdeki oranlar değişebilir, ancak test kümesi küçük bırakılırsa ölçümün belirsizleşir, doğrulama kümesi küçük kalırsa ayar seçimi yanıltıcı olur. Genel bir yaklaşım olarak eğitim için en büyük pay, doğrulama ve test için küçük ve eşit paylar ayrılır.

• Eğitim kümesi: modelin öğrenme aşamasında kullandığı veridir.
• Doğrulama kümesi: ayar ve model seçimi için kullanılır, sonuç raporlanmaz.
• Test kümesi: tek seferlik, tarafsız başarı ölçümü için kullanılır.

Sınıflandırmada Değerlendirme Ölçütleri

Karışıklık matrisi, modelin tahminlerini gerçek sonuçlarla karşılaştıran dört hücreli bir tablodur. Doğru sınıflanan olumlu örnekler doğru pozitif, olumlu olması gereken ama yanlış sınıflanan örnekler yanlış negatif olarak adlandırılır. Doğruluk tüm örnekler içinde doğru sınıflananların oranıdır. Kesinlik, modelin olumlu dediği kayıtların ne kadarının gerçekten olumlu olduğunu gösterir. Duyarlılık ise gerçek olumlu kayıtların ne kadarının yakalandığını ölçer.

Bu üç ölçüt birbirinin yerine geçmez. Bir sınıf çok az örneğe sahipse doğruluk yüksek görünebilir ama duyarlılık düşük kalır. Kesinlik ve duyarlılığın ikisini birlikte özetleyen F1 puanı, ikisinin harmonik ortalamasıdır ve dengesiz sınıflarda daha güvenilir bir tek sayı verir.

Aşırı Uyum ve Genellenme

Modelin eğitim verisini mükemmel öğrenip yeni verilerde başarısız olmasına aşırı uyum denir. Aşırı uyumda eğitim hatası çok küçük, doğrulama hatası ise büyüktür. Karşıtı durum, modelin veriden hiçbir örüntü çıkaramaması ve eğitim hatasının da yüksek kalmasıdır. İkisi arasındaki en iyi noktayı bulmak için model karmaşıklığı, öznitelik sayısı ve eğitim verisi miktarı dengelenir.

Bir başka sık hata, test verisinin eğitim sırasında kullanılmasıdır. Bu sızıntı modelin gerçek başarısını olduğundan yüksek gösterir ve üretimde hayal kırıklığı yaratır. Veri sızıntısını önlemek için işlem hatları yalnızca eğitim kümesinde tanımlanan dönüşümleri uygulamalıdır.

Etik, Şeffaflık ve Modelin Kullanımı

Yapay zekâ uygulamalarında veri gizliliği ve açıklama hakkı korunmalıdır; modelin kararını neden verdiği açıklanabilir olmalıdır. Kişisel veri içeren eğitim verisi toplanırken açık rıza alınması, verinin saklama süresinin belirlenmesi ve erişimin rol bazlı sınırlandırılması gerekir. Bir modelin kararı insan onayı gerektiren işlemlerde otomatik uygulanmamalı, denetlenebilir olmalıdır.

Model canlıya çıktıktan sonra da izlenmelidir. Kullanıcı davranışı veya veri dağılımı değişirse modelin başarısı zamanla düşebilir. Bu nedenle düzenli yeniden değerlendirme, hata kayıtlarının tutulması ve gerekirse modelin yeniden eğitilmesi planlanmalıdır.

Ne Öğreneceğiz

Veri ve model kavramlarıyla yapay zekâ, makine öğrenmesi ve derin öğrenme ayrımını, sınıflandırma ölçütleriyle model başarısını değerlendirmeyi kapsar. Bu konuda ögrenme çıktıları:

• Yapay zekâ, makine öğrenmesi ve derin öğrenme kavramlarını birbirinden ayırt eder.
• Etiketli veri, örnek, öznitelik ve etiket kavramlarını örneklerle açıklar.
• Karışıklık matrisini okuyup doğruluk, kesinlik ve duyarlılık değerlerini hesaplar.
• F1 puanını hesaplayarak tek bir ölçüte güvenmenin riskini gösterir.
• Aşırı uyum, sınıf dengesizliği ve veri sızıntısı sorunlarını örneklerle ayırt eder.

Ön Bilgi

Bu konuya başlamadan önce temel kavram ve ön koşulları kavramanız yardımcı olacaktır. Konunun çerçevesinde şu kavramlar dikkat ister:

• Kural tabanlı sistemlerde uzman, makine öğrenmesi sistemlerinde veri kural yazar.
• Derin öğrenme öznitelikleri modelin kendisi çıkarır, veri ve işlem gücü ihtiyacı yüksektir.
• Doğrulama kümesi model seçimi için, test kümesi tek seferlik ölçüm için kullanılır.
• Doğruluk tek başına yeterli değildir; sınıf dengesizliğinde duyarlılık düşük kalabilir.
• Aşırı uyumda eğitim hatası küçük, doğrulama hatası büyüktür.
• Test verisini eğitimde kullanmak, modelin başarısını gerçekte olduğundan yüksek gösterir.

Basit Örnek ve Günlük Yaşam

Günlük yaşamda ve mesleki bağlamda bir uygulama:

Soru: Bir sınıflandırma testinde 30 doğru pozitif, 6 yanlış pozitif, 10 yanlış negatif ve 54 doğru negatif kayıt vardır.

1. Doğru sınıflanan kayıtları topla.
2. Toplam kayıt sayısını bul.
3. Doğru sınıflananları toplama böl ve yüzdeye çevir.

Sonuç/cevap: Doğru sınıflananlar 30 + 54 = 84 kayıttır, toplam 30 + 6 + 10 + 54 = 100 kayıttır. 84 / 100 = 0,84 çıkar, yani doğruluk yüzde 84 olur.

İleri Örnek

Daha ileri bir uygulama:

Soru: Bir model eğitim kümesindeki 1200 örneğin 48'ini yanlış sınıflamıştır.

1. Yanlış sınıflanan örnek sayısını belirle.
2. Toplam eğitim örneğine böl.
3. Sonucu yüzde biçimine çevir.

Sonuç/cevap: 48 / 1200 = 0,04 çıkar; eğitim hatası yüzde 4 olur. Doğrulama hatası da bu değere yakınsa aşırı uyum yoktur, doğrulama hatası çok büyükse aşırı uyum vardır.

Karşılaştırma Tablosu

Sık Yapılan Hatalar

Yalnızca doğruluk değerine bakmak: Dengesiz veri kümelerinde model yalnızca çoğunluk sınıfını tahmin ederek yüksek doğruluk elde edebilir; duyarlılık ve kesinlik birlikte incelenmelidir.

F1 puanını basit ortalamayla almak: F1, kesinlik ile duyarlılığın harmonik ortalamasıdır; aritmetik ortalama kullanılırsa küçük değer olduğundan daha çok etkilenip yanıltıcı sonuç verir.

Test verisini eğitimde kullanmak: Test kümesi eğitim sırasında görülürse modelin gerçek başarısı olduğundan yüksek ölçülür ve üretimde başarısızlık yaşanır.

Öznitelikleri modelin yerine sormamak: Öznitelik seçimi veriye göre yapılmazsa model gürültülü sütunlara uyar ve eğitim hatası düşük görünse de genellenme bozulur.

Etiket hatasını denetmemek: Yanlış etiketli kayıtlar modelin yanlış örüntü öğrenmesine yol açar; etiket kalite denetimi model eğitimi kadar önemlidir.

Kendini Dene

Soru: Yönerge: Bir okul, öğrencilerin konu bazlı çalışma sürelerinden devamsızlık ve sınav notlarını içeren bir veri setiyle sınıflandırma modeli kurmayı planlıyor. (I) veri setinin bölümlenme oranlarını ve gerekçelerini, (II) model başarısının hangi dört ölçütle ölçüleceğini, (III) sınıf dengesizliği riskini ve çözüm yollarını, (IV) etik kuralları madde madde yaz.

Örnek cevap: Puanlama anahtarı: Bölüm oranlarının gerekçesiyle verilmesi 6 puan; dört ölçütün tanımlanması 6 puan; sınıf dengesizliği riskinin ve iki çözümün yazılması 7 puan; etik kurallarının en az üç maddeyle yazılması 6 puan. Toplam 25 puan. Model cevap: Veri, örneğin eğitim için yüzde 70, doğrulama için yüzde 15 ve test için yüzde 15 olarak bölünür; test payı küçültülürse tek seferlik ölçümün belirsizleşeceği gerekçesiyle savunulur. Başarı; doğruluk, kesinlik, duyarlılık ve F1 puanıyla ölçülür. Risk, devamsız öğrencilerin az sayıda olup modelin çoğunluk sınıfına yatmasıdır; çözüm olarak veri çoğaltma ve sınıf ağırlıklandırma denenebilir. Etik kurallar; açık rıza alınması, kimlik bilgilerinin ayrılması, saklama süresinin belirlenmesi ve verilerin eğitim dışı amaçla kullanılmamasıdır.

Özet

Yapay zekâ kuralları insan tarafından yazılan sistemlerle, veriden örüntü çıkaran makine öğrenmesiyle sağlanır; derin öğrenme bu ikincisinin çok katmanlı sinir ağları kullanan alt alanıdır. Veri; örnek, öznitelik ve etiket olarak düşünülür ve eğitim, doğrulama, test olarak bölünür. Değerlendirme karışıklık matrisine dayanır: 30 doğru pozitif, 6 yanlış pozitif, 10 yanlış negatif ve 54 doğru negatif varsa doğruluk (30 + 54) / 100 = 0,84 yani yüzde 84 olur, kesinlik 30 / (30 + 6) = 0,8333 yani yüzde 83,3 ve duyarlılık 30 / (30 + 10) = 0,75 yani yüzde 75 bulunur. F1 puanı harmonik ortalamadır; kesinlik 0,80 ve duyarlılık 0,60 için 2 × 0,96 / 1,40 = 0,6857 yaklaşık 0,69 çıkar. Veri bölümü çarpımıyla da hesaplanır, 5000 örneğin yüzde 15'i test için ayrılırsa 750 örnek elde edilir. Eğitim hatası 48 / 1200 = 0,04 yani yüzde 4 gibi düşük, doğrulama hatası yüksekse aşırı uyum vardır.