Yapay Zekâ Uygulamaları nedir?

Bu konuda neler öğreneceksin?

• 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.

Anahtar fikirler

• 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.

Konunun özeti

Denetimli öğrenmede etiket, denetimsiz öğrenmede kümeleme, pekiştirmeli öğrenmede ödül ve ceza vardır. Doğruluk = doğru sınıflandırılan örnek sayısı / toplam örnek sayısı × 100 bağıntısıyla hesaplanır; 200 kayıttan 176'sı doğru sınıflandırıldığında yüzde 88 bulunur. Ortalama mutlak hata = |gerçek − tahmin| değerlerinin toplamı / örnek sayısıdır; 12, 15, 9, 14 tahminleri ile 10, 14, 12, 15 gerçekleri karşılaştırıldığında 1,75 elde edilir. Veri seti = eğitim + doğrulama + test kümesi olarak bölünür; 1200 örneğin yüzde 15'i test kümesine ayrılırsa 180 örnek testte kalır. Aşırı uyum eğitim verisinin ezberlenmesidir ve doğrulama kümesiyle fark edilir. Kurumda kullanım amacı, saklama süresi, onay…

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.

İlgili konular

• Siber Güvenlik Temelleri
• Kurumsal Veri Yönetimi ve Veritabanı
• Enerji Verimliliği ve Yeşil Bilişim
• Bilgi Güvenliği Risk Analizi ve Olay Yönetimi
• Yedekleme ve Felaket Kurtarma
• Veri Etiği ve Kişisel Veri Yönetimi