Yapay Zekâ Temelleri nedir?

Bu konuda neler öğreneceksin?

• 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.

Anahtar fikirler

• 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.

Konunun özeti

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.

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.

İlgili konular

• CSS ile Biçimlendirme
• Web Performansı ve Optimizasyon
• Bulut Bilişim ve Sanallaştırma
• JS Temelleri
• DOM ve Olaylar
• Hata Ayıklama ve Profil Analizi