Her geçen gün dünya üzerinde ürettiğimiz veri miktarı katlanarak artıyor. Bu veri miktarı arttıkça işlenmesi ve anlamlandırılması gittikçe zorlaşıyor. İnsan eliyle devasa verileri işlemek günümüzde ne mümkün ne de hızlı bir yol. Bugün sadece veriye hızlı ulaşmak değil, aynı zamanda anlamlı haline de hızlı ulaşmak önemli ! Artık günümüzde oluşan bu büyük veriyi elimize geçtiği anda anlamlandırmamız gerekiyor. Bunu da ancak yapay zeka ile sağlayabiliriz. Yapay zeka bu anlamda son derece önemli, gelecek yapay zeka çağı olacak.

1. YAPAY ZEKA
VE
MAKİNE ÖĞRENMESİ

2. Ben Kimim ?
• Co-Founder at Kotuz Technology
• linkedin.com/in/hibrahimsafak
• github.com/halil
• medium.com/@hibrahimsafak
• kaggle.com/halilsafak
• hibrahimsafak@gmail.com
• twitter.com/hibrahimsafak

3. Kotuz Ne İş Yapar ?
• Yapay Zeka temelli içerik filtreleme
• Sosyal Medya ve IVR konuşmalarında duygu analizi
• Firmalara özel Chat-Bot’lar
• Elektronik Arşiv sistemleri
• Elektronik Belge Yönetimi sistemleri
• Öneri sistemleri
• Veri Görselleştirme
• Ölçeklenebilir Bulut Mimarileri

4. Yapay Zeka Nedir ?
• Yapay zeka, bir bilgisayarın veya bilgisayar kontrolündeki
bir robotun çeşitli faaliyetleri zeki canlılara benzer şekilde yerine
getirme kabiliyeti.
• Yapay zeka çalışmaları genellikle insanın düşünme
yöntemlerini analiz ederek bunların benzeri yapay yönergeleri
geliştirmeye yöneliktir.
• Yapay zeka, programlanmış bir bilgisayarın düşünme girişimi gibi
görünse de bu tanımlar günümüzde hızla değişmekte,
öğrenebilen ve gelecekte insan zekasından bağımsız
gelişebilecek bir yapay zeka kavramına doğru yol almaktayız.

5. Yapay Zeka Tarihçesi
• Yapay zeka kavramının geçmişi modern bilgisayar bilimi
kadar eskidir.
• Fikir babası, "Makineler düşünebilir mi?" sorusunu ortaya
atarak makine zekasını tartışmaya açan Alan Turing’dir.
• 1943'te II. Dünya Savaşı sırasında Kripto analizi
gereksinimleri ile üretilen elektromekanik cihazlar
sayesinde bilgisayar bilimi ve yapay zeka kavramları
doğmuştur.
• 1956’da Dartmouth Konferansı’nda bir grup bilgisayar
bilimcisi tarafından genel hatlarıyla ortaya çıkarılmıştır.

6. Yapay Zekanın Amacı
• İnsan gibi davranabilmek: Turing testi ile açıklanır. Bir konuşmanın
neticesinde şayet bu yapay zeka yazılımı sizi kandırıp sizi insan olduğuna
ikna edebiliyorsa o zaman Turing Testini geçmiş oluyor. Sonuçta sizi insan
olduğuna inandıran bir yapay zeka ortaya çıkıyor.
• İnsan gibi düşünebilmek: Bilişsel bilim(cognitive science) insan gibi
düşünmeyi hedefleyen bir bilimdir. Bunun içerisinde psikoloji, dil bilimi,
sosyoloji, davranış bilimi, matematik, mantık ve felsefe gibi birçok bilim var.
Sistemin problemleri insanın çözdüğü gibi çözmesi asıl amaçtır.
• Rasyonel bir şekilde düşünebilmek: Mantık kullanmak ve mantıksal
çıkarımlar yapmak. Tümevarım ve Tümden gelim kavramlarının kullanılması.
İspat edilebilir bir sonuca ulaşmak.
• Rasyonel bir şekilde hareket edebilmek: Mantık kullanarak tespit edilen
aksiyonları gerçekleştirmek.

7. Alt Dalları
• Makine Öğrenmesi (Machine Learning)
• Doğal Dil İşleme (Natural Language Processing)
• Derin Öğrenme (Deep Learning)
• Konuşma Anlama ve Analiz Etme (Speech Recognition&Analysis)
• Makine Konuşması (Text to Speech)
• Örüntü Tanıma (Pattern Recognition)
• Bulanık Mantık (Fuzzy Logic)
• Genetik Algoritmalar (Genetic Algorithms)
• Ortak Akıl (Swarm Intelligence)

8. Çalışma Alanları
• Hastalık belirleme, tedavi (Sağlık)
• Dava sonuçlarına karar verme (Hukuk)
• Hedef tespiti, dost-düşman ayrımı (Savunma)
• Film, kitap vb ürünlerin önerimi (Perakende)
• Öğrenme hızını anlayan ve ona göre öğreten sistemler (Eğitim)
• Her türlü ürünün testi (Oyun, Uygulama ve Ürün Geliştirme)
• Biyometrik kimlik doğrulama (Savunma)
• Algı yönetimi (Reklam)
• Döviz kurlarının tahmini (Finans)
• Sahtecilik önleme (Finans)
• Ve bir sürü farklı uygulama alanı mevcuttur. Kısacası yapay zeka herşeyi yapabilir.

9. Peki ya Gelecek ?

12. Makine Öğrenmesi Nedir ?
• Makine öğrenmesi, matematiksel ve istatistiksel işlemler
ile veriler üzerinden çıkarımlar yaparak tahminlerde
bulunan sistemlerin bilgisayarlar ile modellenmesidir.
• Yapay zekanın en önemli alt dalıdır.
• Temelde tüm yapay zekalar makine öğrenmesiyle başlar.

14. ML Öğrenme Yöntemleri
• Günümüzde makine öğrenmesi için bir çok metodoloji ve
algoritma mevcuttur. Makine öğrenmesi temelde öğrenme
yöntemine göre üç gruba ayrılır;
• Supervised Learning (Danışmalı Öğrenme)
• Unsupervised Learning (Danışmasız Öğrenme)
• Reinforcement Learning (Takviyeli Öğrenme)

15. Danışmalı Öğrenme
• Bu öğrenme tekniğinde giriş değerleri (işaretlenmiş veri — labelled data)
ile istenen çıkış değerleri arasında eşleme yapan bir fonksiyon
oluşturulur.
• Eğitim verisi hem girdilerden hem de çıktılardan oluşur. Bu fonksiyon,
classification (sınıflandırma) veya regression (regresyon — eğri uydurma)
algoritmaları ile belirlenebilir.
• Veri setindeki çıkışlar kategorik ise classification(sınıflandırma), nümerik
ise regression (regresyon — eğri uydurma) algoritmaları kullanılır.
• Örneğin elimizde Troid Hastalığı ile ilgili oluşturulmuş bir veri seti olsun.
Veri setinin içeriği T3, TST, TSTT, TSH, MADTSH hormonlarının
ölçümlerini ve de SONUC(hypo, hyper, normal) bilgisi içersin.Bu
eğitim seti ile öğrenme yapılarak bir ML model oluşturulur.

16. Danışmasız Öğrenme
• Bu yöntemde işaretlenmemiş (unlabelled) veri üzerinden
bilinmeyen bir yapıyı tahmin etmek için bir algoritma
kullanan makine öğrenmesi tekniğidir.
• Burada giriş verisinin hangi sınıfa ait olduğu belirsizdir.
• Örneğin, akademik makalelerde veya doktora tezlerinde
intihal(bir fikri atıf yapmadan kullanma) oranlarını
hesaplamak için bir ML model geliştirilebilir. Burada bir
kümele işlemi ile benzer olan yerler makalelerde veya
tezlerde tespit edilip kime ait olduğu bir veri tabanından
sorgulanarak fikrin sahibine atıf yapılıp yapılmadığı tespit
edilerek intihal oranı belirlenebilir.

17. Takviyeli Öğrenme
• Amaç odaklı bir yöntem olduğu için diğer iki öğrenme yöntemine
göre biraz farklılıklar içermektedir. Aslında davranış
psikolojisinden yola çıkan bir öğrenme yöntemidir.
• Asıl amaç Agent’ın (öğrenen etken) çevreyle etkileşerek çevreden
geri bildirim alıp -bu geri bildirime reward(ödül) diyoruz- ödülleri
maksimuma çıkartarak optimum policy’i(hareket tarzı) bulmasıdır.
• Örneğin bir bebeğin sıcak bir şeye dokunup elinin yanması ve
daha sonradan bu şeye dokunmaktan çekinmesi gibi. Bu
durumda öğrenme bebeğin çevresiyle olan etkileşimi ve
çevreden geribildirim almasıyla -bu durumda negative
reward(ödül) diyebiliriz- gerçekleşir.

20. Neler Kullanacağız ?

21. Sorular ???

22. Teşekkürler