Yapay Zekâ Uygulamaları — Çalışma Sayfası

Bu konuda öğrenecekleriniz

• Yapay zekâ, makine öğrenmesi ve derin öğrenme kavramlarını ayırt eder.
• Denetimli, denetimsiz ve pekiştirmeli öğrenmeyi karşılaştırır.
• Veri seti hazırlama, etiketleme ve bölme adımlarını uygular.
• Doğruluk ve hata ölçütleriyle model performansını hesaplar.
• Etik, veri gizliliği ve insan onayı kurallarını bir projeye yansıtır.

Önemli noktalar

• Model çıktısı bir tahmindir; önemli kararlarda uzman tarafından doğrulanmalıdır.
• Denetimli öğrenmede etiket, denetimsiz öğrenmede ise kümeleme vardır; pekiştirmeli öğrenme ödül ve cezaya dayanır.
• Aşırı uyum, modelin eğitim verisini ezberleyip yeni veride başarısız olmasıdır.
• Eğitimde kullanılmayan test kümesi, modelin gerçek performansını ölçmek için şarttır.
• Veri minimizasyonu ve kimlik bilgilerinin ayrılması veri gizliliğinin temel önlemleridir.
• Politika; kullanım amacını, saklama süresini, onay makamını ve ihlal işlemini yazılı olarak tanımlar.

Formüller ve kurallar

• Doğruluk = doğru sınıflandırılan örnek sayısı / toplam örnek sayısı × 100
• Ortalama mutlak hata = |gerçek değer − tahmin| değerlerinin toplamı / örnek sayısı
• Doğruluk + hata oranı = yüzde 100
• Eğitim kümesi oranı = eğitim örneği sayısı / toplam örnek sayısı × 100
• Veri seti = eğitim kümesi + doğrulama kümesi + test kümesi
• Eksik örnek sayısı = gereken örnek sayısı − eldeki örnek sayısı

Sık yapılan hatalar

• Model çıktısını doğrulamadan karara dönüştürmek: Model bir tahmin üretir ve hata yapabilir; önemli kararlarda uzman incelemesi ve kayıt tutulmalıdır.
• Etiketlenmemiş veriyi denetimli öğrenmede kullanmak: Doğru çıktı bilinmeden model kurallarını öğrenemez; yanlış etiket ise modeli doğrudan yanıltır.
• Eğitim verisini test verisi gibi kullanmak: Modelin hata yaptığı görülmez, performans yapay olarak şişer ve gerçek dünyadaki başarısızlık sürpriz olur.
• Veri kaynağını ve işleme adımlarını belgelememek: Model yeniden üretilemez, veri kaynaklı hatalar tespit edilemez ve denetimde kanıt bulunamaz.
• Yaygın hata 5: Yapay Zekâ Uygulamaları konusunda dikkat edilmesi gereken nokta 5.

Hızlı tekrar ipuçları

• Doğruluk hesabında önce doğru sınıflandırılan sayıyı bul, sonra toplam örneğe böl, en son yüzdeye çevir.
• Eğitim, doğrulama ve test kümelerinin oranını soru metninde ara, sonuçları yazılı olarak not et.
• Model hatasını incelerken önce etiket doğruluğunu, sonra veri kapsamını sorgula; sıralama hızlı çözüm sağlar.
• Aynı veriyle hem eğitip hem test etmekten kaçın; test kümesi modelin görmediği veri olmalıdır.

Kendini dene

Bu sayfayı okuduktan sonra konu anlatımını tekrar oku ve kendi cümlelerinle özetle.

Konu anlatımına dön · Hesap aç, ilerlemen kaydedilsin