Yapay zekâ algoritmaları, veriden örüntü çıkararak sınıflandırma, tahmin, öneri, üretim veya karar verme yapan yöntemlerdir. Tek bir “yapay zekâ algoritması” yoktur; kullanılacak yöntem, verinin türüne, hedeflenen sonuca ve hatanın maliyetine göre seçilir. Başlangıç için problemi tanımlayın, veriyi hazırlayın, uygun algoritma ailesini seçin, modeli daha önce görülmemiş verilerle test edin ve sonucu yalnızca doğruluk oranına bakmadan yorumlayın.
En temel ayrım, modelin öğrenirken doğru cevapları görüp görmemesine dayanır. Etiketli veride her girdinin beklenen sonucu bilinir; örneğin bir e-postanın “istenmeyen” veya “normal” olarak işaretlenmesi. Etiketsiz veride ise algoritma, verilerin kendi içindeki benzerlikleri veya yapıyı bulmaya çalışır. Pekiştirmeli öğrenmede model, yaptığı eylemlerin sonucuna göre ödül veya ceza alarak daha iyi karar vermeyi öğrenir.
Tablodaki gruplar tamamen birbirinden kopuk değildir. Derin öğrenme, denetimli, denetimsiz veya pekiştirmeli öğrenme biçiminde uygulanabilir. Örneğin görüntüleri sınıflandıran bir sinir ağı denetimli öğrenme kullanırken, etiketlenmemiş görüntülerde benzer nesneleri gruplamak için denetimsiz bir yöntem kullanılabilir.
Doğrusal regresyon, sayısal bir değeri tahmin etmek için kullanılır. Örneğin geçmiş satış miktarı, fiyat ve reklam harcamasından gelecek ayın satışını tahmin etmeye çalışabilir. Lojistik regresyon ise genellikle iki veya daha fazla sınıf arasında seçim yapar; bir işlemin “şüpheli” olup olmadığını tahmin etmek buna örnektir.
Bu yöntemler hızlı ve açıklanabilir olabilir; ancak karmaşık ilişkileri her zaman iyi temsil edemez. Veriler doğrusal olmayan bir yapıya sahipse karar ağacı, topluluk yöntemleri veya sinir ağı daha uygun olabilir.
Karar ağacı, özellikleri art arda kontrol ederek dallanan kararlar oluşturur. Örneğin bir kredi başvurusunu değerlendirirken gelir, borç oranı ve ödeme geçmişi gibi bilgileri farklı dallarda kullanabilir. Tek bir ağaç veriye fazla uyum sağlayabilir. Rastgele orman gibi topluluk yöntemleri, birden fazla ağacın sonuçlarını birleştirerek bu riski azaltmaya çalışır.
K-means, etiket verilmemiş kayıtları benzerliklerine göre belirli sayıda kümeye ayırır. Varsayımsal olarak bir çevrim içi mağazanın müşteri verilerinde yaş, alışveriş sıklığı ve ortalama harcama bilgileri bulunduğunu düşünün. Algoritma bu kayıtları, örneğin sık alışveriş yapan yüksek harcama grubu ile seyrek alışveriş yapan düşük harcama grubu gibi kümelere ayırabilir.
Bu çıktı, grupların neden oluştuğunu kendiliğinden kanıtlamaz. Kümelere verilen anlamı insanın incelemesi gerekir. Ayrıca küme sayısının yanlış seçilmesi veya ölçekleri farklı değişkenlerin doğrudan kullanılması sonucu etkileyebilir.
Yapay sinir ağları, girdiler ile çıktılar arasındaki ilişkileri öğrenmek için birbirine bağlı hesaplama katmanları kullanır. Katman sayısı ve modelin yapısı arttıkça “derin öğrenme” terimi kullanılır. Görüntü tanıma, konuşma işleme, metin sınıflandırma ve içerik üretimi gibi alanlarda kullanılabilir.
Derin modeller karmaşık örüntüleri öğrenebilir; ancak daha fazla veri, hesaplama kaynağı ve dikkatli değerlendirme gerektirebilir. Büyük bir modelin yüksek doğruluk göstermesi, her koşulda doğru sonuç vereceği veya kararının nedenini anlaşılır biçimde açıklayacağı anlamına gelmez.
Metinle çalışan sistemlerde kelimelerin veya parçaların sayısal temsilleri kullanılır. Metin sınıflandırma, duygu analizi, arama, özetleme ve soru yanıtlama gibi görevlerde farklı makine öğrenmesi ve derin öğrenme yöntemleri birlikte kullanılabilir. Dönüştürücü tabanlı mimariler, metindeki parçalar arasındaki ilişkilere dikkat ederek bağlama dayalı tahminler yapar.
Bir metin modelinin akıcı cevap üretmesi, verdiği her bilginin doğru olduğunu göstermez. Özellikle teknik, hukuki, tıbbi veya finansal sonuç doğuran bilgiler ayrıca doğrulanmalıdır.
Varsayımsal hedefiniz, bir müşterinin gelecek ay ürünü satın alıp almayacağını tahmin etmek olsun. Girdi olarak önceki alışveriş sayısı, son alışverişten bu yana geçen gün ve toplam harcama verilerini; çıktı olarak da “satın aldı” veya “almadı” etiketini kullanırsınız. Çıktı iki sınıftan oluştuğu ve geçmişte doğru etiketler bulunduğu için bu problem denetimli sınıflandırmadır.
Basit bir başlangıç modeli olarak lojistik regresyon veya karar ağacı seçilebilir. Model eğitim verisiyle öğrenir, daha önce kullanmadığınız test kayıtları için bir sınıf tahmini üretir. Tahmin “satın alır” ise bu, modelin mevcut özelliklere göre o sınıfı daha olası gördüğü anlamına gelir; müşterinin kesinlikle satın alacağını kanıtlamaz.
Modeli değerlendirirken veriyi eğitim ve test bölümlerine ayırın. Dengesiz sınıflarda yalnızca doğruluk oranına güvenmeyin; yanlış pozitif ve yanlış negatif sonuçların maliyetini de inceleyin. Örneğin satın almayacak müşteriye gereksiz kampanya göndermek ile satın alabilecek müşteriyi kaçırmak aynı sonuç değildir.
Önce hedef çıktıyı belirleyin: sayısal tahmin mi, sınıflandırma mı, gruplama mı, yoksa ardışık karar mı? Ardından veri miktarını, eksik değerleri, değişkenlerin ölçeklerini, açıklanabilirlik ihtiyacını ve hata maliyetini değerlendirin. Küçük ve düzenli tablolarda basit modeller iyi bir başlangıç olabilir; görüntü, ses veya karmaşık metinlerde sinir ağı tabanlı yöntemler düşünülebilir.
Veri kalitesi algoritma seçiminden önce gelir. Yanlış etiketler, eğitim ve test verilerinin birbirine karışması veya geçmişe ait bilgilerin geleceği tahmin ederken yanlışlıkla kullanılması, iyi görünen fakat gerçekte güvenilmeyen sonuçlar üretebilir. Kişisel verilerle çalışırken verinin toplanma amacı, erişim yetkileri, saklama süresi ve ilgili mevzuat ayrıca değerlendirilmelidir.
Yapay zekâ algoritmaları hangi gruplara ayrılır?
En temel ayrım, modelin öğrenirken doğru cevapları görüp görmemesine dayanır. Etiketli veride her girdinin beklenen sonucu bilinir; örneğin bir e-postanın “istenmeyen” veya “normal” olarak işaretlenmesi. Etiketsiz veride ise algoritma, verilerin kendi içindeki benzerlikleri veya yapıyı bulmaya çalışır. Pekiştirmeli öğrenmede model, yaptığı eylemlerin sonucuna göre ödül veya ceza alarak daha iyi karar vermeyi öğrenir.
| Algoritma ailesi | Ne zaman kullanılır? | Yaygın yöntemler |
|---|---|---|
| Denetimli öğrenme | Girdiler ve doğru sonuçlar biliniyorsa | Doğrusal regresyon, lojistik regresyon, karar ağacı, destek vektör makineleri |
| Denetimsiz öğrenme | Verilerdeki gruplar veya yapılar aranıyorsa | K-means, hiyerarşik kümeleme, temel bileşen analizi |
| Derin öğrenme | Görüntü, ses, metin veya yüksek boyutlu verilerle çalışılıyorsa | Yapay sinir ağları, evrişimli sinir ağları, dönüştürücü tabanlı modeller |
| Pekiştirmeli öğrenme | Bir sistemin ardışık kararlar vermesi gerekiyorsa | Q-öğrenme, politika tabanlı yöntemler |
En sık kullanılan algoritmalar
Doğrusal ve lojistik regresyon
Doğrusal regresyon, sayısal bir değeri tahmin etmek için kullanılır. Örneğin geçmiş satış miktarı, fiyat ve reklam harcamasından gelecek ayın satışını tahmin etmeye çalışabilir. Lojistik regresyon ise genellikle iki veya daha fazla sınıf arasında seçim yapar; bir işlemin “şüpheli” olup olmadığını tahmin etmek buna örnektir.
Bu yöntemler hızlı ve açıklanabilir olabilir; ancak karmaşık ilişkileri her zaman iyi temsil edemez. Veriler doğrusal olmayan bir yapıya sahipse karar ağacı, topluluk yöntemleri veya sinir ağı daha uygun olabilir.
Karar ağaçları ve topluluk yöntemleri
Karar ağacı, özellikleri art arda kontrol ederek dallanan kararlar oluşturur. Örneğin bir kredi başvurusunu değerlendirirken gelir, borç oranı ve ödeme geçmişi gibi bilgileri farklı dallarda kullanabilir. Tek bir ağaç veriye fazla uyum sağlayabilir. Rastgele orman gibi topluluk yöntemleri, birden fazla ağacın sonuçlarını birleştirerek bu riski azaltmaya çalışır.
K-means ve kümeleme
K-means, etiket verilmemiş kayıtları benzerliklerine göre belirli sayıda kümeye ayırır. Varsayımsal olarak bir çevrim içi mağazanın müşteri verilerinde yaş, alışveriş sıklığı ve ortalama harcama bilgileri bulunduğunu düşünün. Algoritma bu kayıtları, örneğin sık alışveriş yapan yüksek harcama grubu ile seyrek alışveriş yapan düşük harcama grubu gibi kümelere ayırabilir.
Bu çıktı, grupların neden oluştuğunu kendiliğinden kanıtlamaz. Kümelere verilen anlamı insanın incelemesi gerekir. Ayrıca küme sayısının yanlış seçilmesi veya ölçekleri farklı değişkenlerin doğrudan kullanılması sonucu etkileyebilir.
Yapay sinir ağları ve derin öğrenme
Yapay sinir ağları, girdiler ile çıktılar arasındaki ilişkileri öğrenmek için birbirine bağlı hesaplama katmanları kullanır. Katman sayısı ve modelin yapısı arttıkça “derin öğrenme” terimi kullanılır. Görüntü tanıma, konuşma işleme, metin sınıflandırma ve içerik üretimi gibi alanlarda kullanılabilir.
Derin modeller karmaşık örüntüleri öğrenebilir; ancak daha fazla veri, hesaplama kaynağı ve dikkatli değerlendirme gerektirebilir. Büyük bir modelin yüksek doğruluk göstermesi, her koşulda doğru sonuç vereceği veya kararının nedenini anlaşılır biçimde açıklayacağı anlamına gelmez.
Doğal dil işleme algoritmaları
Metinle çalışan sistemlerde kelimelerin veya parçaların sayısal temsilleri kullanılır. Metin sınıflandırma, duygu analizi, arama, özetleme ve soru yanıtlama gibi görevlerde farklı makine öğrenmesi ve derin öğrenme yöntemleri birlikte kullanılabilir. Dönüştürücü tabanlı mimariler, metindeki parçalar arasındaki ilişkilere dikkat ederek bağlama dayalı tahminler yapar.
Bir metin modelinin akıcı cevap üretmesi, verdiği her bilginin doğru olduğunu göstermez. Özellikle teknik, hukuki, tıbbi veya finansal sonuç doğuran bilgiler ayrıca doğrulanmalıdır.
Küçük bir örnekle seçim mantığı
Varsayımsal hedefiniz, bir müşterinin gelecek ay ürünü satın alıp almayacağını tahmin etmek olsun. Girdi olarak önceki alışveriş sayısı, son alışverişten bu yana geçen gün ve toplam harcama verilerini; çıktı olarak da “satın aldı” veya “almadı” etiketini kullanırsınız. Çıktı iki sınıftan oluştuğu ve geçmişte doğru etiketler bulunduğu için bu problem denetimli sınıflandırmadır.
Basit bir başlangıç modeli olarak lojistik regresyon veya karar ağacı seçilebilir. Model eğitim verisiyle öğrenir, daha önce kullanmadığınız test kayıtları için bir sınıf tahmini üretir. Tahmin “satın alır” ise bu, modelin mevcut özelliklere göre o sınıfı daha olası gördüğü anlamına gelir; müşterinin kesinlikle satın alacağını kanıtlamaz.
Modeli değerlendirirken veriyi eğitim ve test bölümlerine ayırın. Dengesiz sınıflarda yalnızca doğruluk oranına güvenmeyin; yanlış pozitif ve yanlış negatif sonuçların maliyetini de inceleyin. Örneğin satın almayacak müşteriye gereksiz kampanya göndermek ile satın alabilecek müşteriyi kaçırmak aynı sonuç değildir.
Algoritma seçerken hangi ölçütlere bakılır?
Önce hedef çıktıyı belirleyin: sayısal tahmin mi, sınıflandırma mı, gruplama mı, yoksa ardışık karar mı? Ardından veri miktarını, eksik değerleri, değişkenlerin ölçeklerini, açıklanabilirlik ihtiyacını ve hata maliyetini değerlendirin. Küçük ve düzenli tablolarda basit modeller iyi bir başlangıç olabilir; görüntü, ses veya karmaşık metinlerde sinir ağı tabanlı yöntemler düşünülebilir.
Veri kalitesi algoritma seçiminden önce gelir. Yanlış etiketler, eğitim ve test verilerinin birbirine karışması veya geçmişe ait bilgilerin geleceği tahmin ederken yanlışlıkla kullanılması, iyi görünen fakat gerçekte güvenilmeyen sonuçlar üretebilir. Kişisel verilerle çalışırken verinin toplanma amacı, erişim yetkileri, saklama süresi ve ilgili mevzuat ayrıca değerlendirilmelidir.
Kısa karar rehberi
- Sayısal bir değer tahmin edecekseniz: Doğrusal regresyonla başlayın; karmaşık ilişkiler varsa ağaç tabanlı yöntemleri karşılaştırın.
- Bir kaydı sınıfa ayıracaksanız: Lojistik regresyon, karar ağacı veya destek vektör makinesi gibi yöntemleri değerlendirin.
- Etiketsiz veride gruplar arıyorsanız: K-means veya hiyerarşik kümeleme kullanın; kümelerin anlamını ayrıca inceleyin.
- Görüntü, ses veya karmaşık metin işliyorsanız: Derin öğrenme yöntemlerini düşünün; veri, hesaplama ve doğrulama ihtiyacını baştan planlayın.
- Ardışık eylemler seçilecekse: Pekiştirmeli öğrenme yöntemlerini değerlendirin; ödül tanımının hedef davranışı gerçekten temsil ettiğini kontrol edin.
