Veri biliminde kullanılan bir çok terim vardır. Daha önce Büyük Veri(Big Data) ve Veri Madenciliği(Data Mining) kavramlarından bahsetmiştik. Şimdi bir sonraki adımda yer alan yani veri madenciliği sonucunda veriyi anlamlandırarak bilgi haline getiren; Derin Öğrenme(Deep Learning), Makine Öğrenmesi(Machine Learning), istatistiksel modeller ile bilgiye ulaşma kavramlarından bahsedelim.

Makine Öğrenimi(Machine Learning) verileri analiz etmek ve öğrenilenlere dayalı kararlar almak için doğrudan programlanmadan bilgisayar algoritmalarını kullanan bir Yapay Zeka(Artificial Intelligence) alt kümesidir.

Makine Öğrenimi(Machine Learning) algoritmaları büyük veri setleri ile eğitilir ve örnekler kullanılarak öğrenirler. Kurallara dayalı olarak oluşturulmuş algoritmaları takip etmezler. Makine öğreniminin hedefi, makinelerin sorunları kendi başlarına çözmelerini ve sağlanan verileri kullanarak doğru tahminlerde bulunmalarını sağlamaktır.

Derin Öğrenme(Deep Learning), Makine Öğrenmesinin özelleştirilmiş bir alt kümesidir ve insanların karar verme süreçlerini simüle etmek için katmanlı sinir ağlarını kullanır. Derin öğrenme algoritmaları verileri etiketleyip kategorize edebilir ve aralarındaki ilişki kalıbını belirleyebilir. Yapay Zeka sistemlerinin işi yaparken öğrenmesini ve alınan kararların doğru olup olmadığını belirleyerek, sonuçların kalitesini ve doğruluk oranını artırmasını sağlayan şey budur.

Yapay Sinir Ağları(Neural Networks), biyolojik sinir ağlarından ilham alarak geliştirilmiş olmasına rağmen oldukça farklı çalışmaktadırlar. Yapay Zekadaki bir sinir ağı, gelen verileri alan ve zaman içerisinde  karar vermeyi öğrenen nöron adı verilen küçük bilgi işlem birimlerinin birleşimidir.

Sinir ağları genellikle  derin katmanlıdır ve diğer makine öğrenimi algoritmalarının aksine veri arttıkça daha verimli hale gelir.

Yapay Zeka ve Veri Bilimi arasında önemli bir ayrım daha vardır. Veri bilimi; büyük hacimli, çok çeşitliliğe sahip verilerden bilgi ve tahminler elde etme süreci ve yöntemidir. Matematik, İstatistiksel Analiz, Veri Görselleştirme, Makine Öğrenmesi gibi alanları içeren disiplinler arası bir  alandır.

Veri Bilimi; bilgiyi kullanılabilir hale getirmenizi, örüntüleri görmenizi, büyük hacimli verilerden anlam çıkarmanızı ve işi yönlendiren kararlar almanızı  sağlar. Veri Bilimi verilerin asıl yüzünü ortaya çıkartmak için Yapay Zeka tekniklerini kullanır. Örneğin verilerden anlamlı sonuçlar çıkartmak için Makine Öğrenmesi algoritmalarını ve Derin Öğrenme modellerini kullanabilir.

Yapay Zeka ve Veri Bilimi arasında bir miktar etkileşim vardır. Ancak biri diğerinin alt kümesi değildir. Veri Bilimi, tüm veri işleme metodolojisini kapsayan geniş bir terimdir. Yapay Zeka ise, bilgisayarların sorunları nasıl çözecekleri ile ilgilenen ve akıllı kararlar vermeyi öğrenmelerine olanak tanıyan herşeyi içerir.

Hem Veri Bilimi hemde Yapay Zeka, Büyük Verinin kullanımını içerebilir.

Yapay Sinir Ağları ve Derin Öğrenme(Neural Networks and Deep Learning)

Sinir Ağları beynimizin nasıl çalıştığını, nironlar arası iletişim ağlarını taklit etmeye çalışmaktadır. Sinir ağları on yıllardır mevcut olan bir kavram, ancak sonuç elde etmek için çok pahalı olduklarından uzun yıllardır geliştirilmesine ara verildi.

Sonra Derin Öğrenme kavramı ortaya çıktı. Zaman içinde gelişen teknolojiyle Google gibi hem bu işe yatırım yapabilecek hem de çok fazla bilgi işlem gücü kullanabilecek büyüklükte şirketler ortaya çıktı. Böylece yapay sinir ağları akademik bir fikir olmaktan öteye geçebildi ve teorinden uygulamaya kullanılabilir bir teknoloji olma yolunda ilerledi.

Yapay sinir ağlarında ihtiyacınız olan matematiksek hesaplarmaları yapabilmek için muazzam miktarda matris ve doğrusal cebir hesaplamaları kullanmanız gereken yoğun işlerle karşılaşabilirsiniz. Bu durumda donanım olarak kısıtlı CPU yerine GPU(Grafik İşlemci) kullanmak bir gerekliliktir. Artık yapay sinir ağları ve derin öğrenme sayesinde konuşmayı tanıyabilen, insan yüzlerini ayrıt edebilen uygulamalar geliştirilebiliyor. Ancak halen tek bir uygulamanın bile 200 grafik işlemci kullandığı durumlar ile karşılaşabiliyoruz. Halen yüksek işlemci gücü nedeniyle bireysel geliştirme yapabilmek için pahalı olabilir. Ancak en azından günümüzde bu güce üniversiteler ya da Amazon, Google gibi büyük şirketlerin bulut tabanlı hizmetler ile ulaşılabilme imkanı var.

Makine Öğrenmesi Uygulamaları

Makine öğrenmesi alanında tavsiye uygulamaları en önemli uygulamalardan biridir.

Örneğin; pazarlama sorularına cevaplar, piyasa analizi, hangi ürünlerin birlikte satılma eğiliminde olduğu yani satın alma yapan müşterilerin bir ürünü aldıklarında alabilecekleri diğer ürünü tahmin etmek gibi.

Yani tahmine dayalı analiz, makine öğrenmesinin  bir başka alanıdır.

Netflix’de ya da Spotify’da izleyip dinlediğiniz materyaller üzerinden hareketle size beğenebileceğiniz diğerleri tavsiye edilir. İnstagram,Twitter gibi sosyal medya uygulamalarında takip ettiğiniz kişilere benzer hesaplar takip etmeniz için size tavsiye edilir. Borsa uygulamalarında ilgilendiğiniz hisselere benzer hisseler ile ilgilenebileceğiniz için karşınıza getirilir. Yani yatırım yapabileceğiniz benzer bir şirket ya da yaptığınız yatırımlarda kullandığınız tekniğe uyan benzer bir hisse size sunulur.

Bankacılık sektöründeki uygulamalarından biri de kredi kartı dolandırıcılığının tespitidir. Yapılan alışverişler esnasında gerçek zamanlı olarak işlemin çalıntı bir kredi kartı ile yapılıp yapılmadığını tespit etmek makine öğrenmesinin alanına girmektedir. Aynı kart ile yapılan önceki işlemlerden makine öğrenmesiyle bir model oluşturulur ve o anda yapılan işlemin kişinin harcama profiline uygun olup olmadığı tespit edilir.

Güncelleniyor…