Yapay Zeka ve Makine Öğrenimi (ML) ve Derin Öğrenme - Fark Nedir?

Günlük yaşamınızda Yapay Zeka (AI), Makine Öğrenimi (ML) ve Derin Öğrenme (DL) terimlerini duymuş olmalısınız. Bu terimlerin sıklıkla birbirinin yerine kullanıldığını da fark etmiş olabilirsiniz.

Ama bu 3'ü aynı mı? Bunları birbirinin yerine kullanma özgürlüğüne sahip misiniz? Hadi bulalım!

1955'te, AI'nın en eski babalarından biri olan John McCarthy, Yapay Zekayı “insanların yaptığı gibi hedeflere ulaşma yeteneğine sahip akıllı makineler yapma bilimi ve mühendisliği” olarak tanımlamaya devam etti. 4 yıl sonra, 1959'da Arthur Samuel, Makine Öğrenimi'ni "bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren" yapay zekanın geniş bir alt alanı olarak tanımladı. Bu ne anlama geliyor?

Makine Öğrenimi'nde, bir program oluşturulduktan sonra, programlama sınırlarının ötesinde akıllı görevlerin nasıl gerçekleştirileceğini yavaş yavaş öğrenecektir - deneyim ve veriler yoluyla öğrenir. Bu açıdan makine öğrenimi programları, önceden tanımlanmış bir dizi davranış ve hedeflere sahip amaca yönelik programlardan farklıdır.

Muhtemelen bu resim sizin için işleri biraz daha netleştirecektir:

Şimdi Yapay Zeka, Makine Öğrenimi ve Derin Öğrenmeye ve bunların farklılıklarına derinlemesine bir göz atacağız.

Yapay Zeka ve Makine Öğrenimi

Basit bir deyişle, AI, makinelerin insanlar gibi çalışmasına izin veren özel bilgisayar programları ve algoritmalar tasarlamaya çalışır. İnsanların AI hakkında sahip olduğu en yaygın yanılgı, onun bir 'sistem' olduğudur. Gerçek – AI bir sistem değildir; (daha önce “bilim ve mühendislik”ten bahsettiğimiz gibi) insanların yaptığı görevleri yerine getirmek için bilgisayarların nasıl eğitileceğini içeren bir çalışmadır .

AI 3 tipte sınıflandırılabilir:

• Dar AI: Makineleri belirli görevleri yerine getirmek için programlayabilen, ancak bir insandan çok daha iyi bir şekilde programlayabilen AI'yı ifade eder.
• Genel AI: Bir insanla aynı doğruluk seviyesinde bir dizi entelektüel/akıllı görevi gerçekleştirebilen AI'yı ifade eder.
• Aktif AI: Belki de en gelişmiş AI biçimi olan Aktif AI, belirli görevlerde insanlardan daha iyi performans gösterebilir.

AI, akıllı makineler geliştirmeye yönelik bir çalışma veya kavram olduğundan, bu amaca ulaşmak için bazı teknolojik araçlara sahip olmalıdır, değil mi?

Bu araçlardan biri de Makine öğrenimidir. Burada sözlerimizi işaretliyoruz, ML, AI kavramını uygulayabilmemizin yollarından biridir. Carnegie Mellon Üniversitesi'nde makine öğrenimi uzmanı Tom Mitchell'e göre:

“Makine Öğrenimi, bilgisayar programlarının deneyim yoluyla otomatik olarak gelişmesine izin veren bilgisayar algoritmalarının incelenmesidir.”

Böylece, AI'nın hedefine ulaşmak - tıpkı insanlar gibi deneyim ve deneme yanılma yoluyla öğrenebilen makineler yaratmak. ML algoritmaları, ondan öğrenmek için verilerle beslenir. Algoritmaya yeni bir girdi verildiğinde, yeni görevleri gerçekleştirmek için bu değişikliğe yanıtını ayarlar. Makine Öğreniminin klasik bir örneği, Öneri Motorudur. Bunu Netflix ve Amazon gibi çevrimiçi platformlarda görmüş olmalısınız - aradığınız içeriğe bağlı olarak bu uygulamalar, görmek 'istediğiniz' içeriğin kişiselleştirilmiş ve özelleştirilmiş bir öneri listesini düzenler.

AI ilk aşamalarındayken, bilim insanlarının ve araştırmacıların amacı, zeka gerektiren görevleri gerçekleştirebilen makineler yaratmaktı. Başlangıçta, temel mantıksal sorunları çözebilecek ve satranç ve dama gibi oyunlarda insanlarla rekabet edebilecek programlar geliştirdiler (buna bir kez daha dikkat edin, AI'nın planlarını yürütmek için programlar gereklidir). Örnek olay – IBM'in dünya şampiyonu Gary Kasparov'u satrançta mağlup eden Deep Blue.

Bu, AI'nın başarısının ilk örneklerinden biridir ve söylemeye gerek yok, bilgisayar ve teknoloji meraklıları arasında büyük bir heyecan dalgasına neden oldu - yepyeni olanaklara sahip bir dünyanın başlangıcıydı. Bu güne hızlıca ilerleyin, AI'nın şu anki konumuna bakın - bugün Google'ın sürücüsüz arabası, Robot Sophia, Apple'ın Siri ve Amazon'un Alexa'sı gibi akıllı sanal asistanlar, Akıllı Evler ve IoT gibi gerçek hayattaki AI uygulamalarıyla övünebiliriz ve çok daha fazla. Tüm bu AI icatlarının onları yönlendiren ortak bir yanı var: ML algoritmaları.

Makine Öğrenimi ve Derin Öğrenme

ML, AI'nın bir alt kümesi olduğu gibi, Derin Öğrenme de ML'nin bir alt kümesidir.

Derin Öğrenmenin özü Yapay Sinir Ağlarıdır (YSA). Yapay zekanın tüm fikri insan beyninin yeteneklerini taklit etmek olduğundan, yapay sinir ağları oluşturuldu. Derin Öğrenmeyi, ML'nin evrimsel dalı olarak düşünebilirsiniz; burada YSA'lar, katmanlar halinde birbirleriyle derinden bağlantılı, anlaşılmaz miktarda nörondan oluşan karmaşık ağlardır.

YSA'lar, geleneksel makine öğrenimi algoritmalarının ve basit sinir ağlarının yapamadığı karmaşık sorunların üstesinden gelmek için tasarlanmıştır. Bunun nedeni, geleneksel sinir ağlarının basit bir şekilde birbirine bağlanması değil - 86 milyardan fazla nörona sahip insan beyninin ağır yük kaldırmasını yapamamaları ve karmaşık bir karşılıklı bağlantı stili oluşturmaları değil.

Şimdi, daha önce belirttiğimiz gibi, Derin Öğrenmenin Makine Öğreniminin bir alt kümesi olduğu söylenebilir. Özünde, Makine Öğrenimi, kendilerine tahsis edilen görevde giderek daha iyi hale gelen modeller geliştirmekle ilgilidir, ancak yine de bir tür rehberliğe ihtiyaçları vardır. Bir ML algoritmasının hatalı bir sonuç vermesi durumunda, geliştiricilerin devreye girmesi ve gerekli düzeltmeleri yapması gerekir. Ancak, bir Derin Öğrenme modeli - insan beyninin çalışmasını kopyalayan Yapay Sinir Ağlarını kullandığı için - herhangi bir insan müdahalesine gerek kalmadan kendi tahminlerinin doğruluğunu belirler.

Son düşünceler…

Yukarıdaki tartışma, AI, ML veya Derin Öğrenme ile ilgili sahip olabileceğiniz birçok soruyu netleştirmiş olmalıdır. Özünde, her üç teknolojinin de nihai hedefi aynıdır - makineleri daha akıllı hale getirmek. Onları birbirinden farklı kılan, izledikleri yoldur.

Neyin ne olduğu konusunda hala kafanız karıştıysa, lütfen bize yorum yapmaktan çekinmeyin - sizi koruyacağız!