Yapay Zeka
Günümüzün en popüler konularından biri ‘Yapay Zeka’ dır. Yapay Zeka, insan zekasına atfedilen “akıl yürütme, anlam çıkartma, genelleme ve geçmiş deneyimlerden öğrenme” yetilerinin bilgisayarlara taşınması olarak tanımlanabilir.
Bilimsel bir çalışma disiplini olarak yapay zeka, makine öğrenmesi (derin öğrenme ve pekiştirmeli öğrenme bazı örnekleridir), makine çıkarsaması (planlama, zaman programlama, bilgiyi sunma, arama, optimizasyon gibi görevleri içerir) ve robotik (kontrol, algılama, sensörler, uyarıcılar ve diğer tekniklerin siber-fiziksel sistemlere entegre edilebilmesini kapsar) gibi pek çok yaklaşım ve teknikleri içerir
Makine Öğrenmesi:
Makine Öğrenmesi, verilen bir problemi probleme ait ortamdan edinilen veriye göre modelleyen bilgisayar algoritmalarının genel adıdır. Bu algoritmalar; tahmin (prediction), kestirim (estimation), sınıflandırma (classification) başlıklarında incelenir.
Makine öğrenmesi; girdi olarak verilen verilerin çıktılarının değer/etiket lerinin bilinip bilinmeyişine göre üç biçimde sınıflandırılabilir: Denetimli Öğrenme, Denetimsiz Öğrenme, Takviyeli Öğrenme.
Denetimli Öğrenme; girdi ye karşılık çıktının ne olması gerektiği bilgisi mevcuttur. Bu yaklaşımda, girdiyi ve çıktıyı birbirine bağlayan fonksiyon bulunmaya çalışılır. En bilindik uygulamaları: Regresyon ve Sınıflandırmadır.
Denetimsiz Öğrenme; girdi verileri mevcuttur ve bu verilerden yararlanılarak bu verilerin üzerinden gizli ilişkilerin keşfi amaçlanır. Çıktı’nın ne olduğu da bilinmemektedir. En bilinen örnekleri: Kümeleme ve Birliktelik uygulamalarıdır.
Takviyeli Öğrenme; bir ajan ve bir ortam dan oluşan bir sistem için; ajanın ortamla etkileşmesi sonucu en iyileme fonksiyonun keşfedilmesidir.
Veri Madenciliği:
Veri Madenciliği; veriden anlamlı ve yararlı bilgilerin elde edilmesi işlemidir. Bu bilgiler; kurallar, ilişkiler, birliktelikler ve matematiksel modeller olabilmektedir.
Günümüzde veri miktarının artması, veriyi toplama ve saklama kapasitesindeki hızlı
büyüme, insanlığı yeni arayışlara yönlendirmiştir. Bir bilgisayarın ve insanın işleyebileceği veri miktarından çok daha fazlası üretilmektedir. Verilerin hızlı bir şekilde artması sonucu etkin
bir veri analizi için yeni tekniklere ihtiyaç doğmuştur. Bu amaçla Tanımlama ve Tahmine yönelik olarak Veri Madenciliği doğmuştur.
Tanımlayıcı ve tahmin edici model olmak üzere 2 tür model söz konusudur.
Optimizasyon:
Optimizasyon (Eniyileme); belirli şartlar altında, olabilecek alternatif çözümler arasından en iyisini elde etme işlemidir. Amaç fonksiyon olarak; en ucuz, en hafif, en uzun ömürlü, en kısa süreli vd. seçilebilir.
Tipik bir optimizasyon probleminde; karar değişkenleri adı verilen sorunu temsil eden
değişkenler, karar değişkenlerinin değişim sınırlarını belirleyen kısıtlar, problemin değişmezleri
olan sabitler, karar değişkenleri ve sabitlerden oluşan hedef fonksiyonu bulunur.
Bu tanımlar ile optimizasyonu; her bir karar değişkeninin, verilen kısıtlarını sağlayan, mümkün alternatif değerleri arasından en iyi hedef fonksiyon değerini alan global çözümünün bulunması
işlemi olarak tanımlarız.
Sezgisel/Esnek hesaplama:
Problemlerin optimuma yakın makul bir çözümünü üreten ancak bulunan bu çözümlerin optimum olup olmadığı konusunda kesin sonuçlar vermeyen algoritma sezgisel algoritmadır. Sezgisel algoritma optimuma yakın çözümler verecek şekilde tasarlanırlar. Sezgisel algoritma, problemin optimum çözüm yönteminin bilinemediği ya da çözüm yöntemlerinin ekonomik olmadığı durumlarda kullanılırlar. En iyileme teknikleri, en iyi çözümü garanti ederken büyük boyutlu problemlerde çözüme ulaşılması çok uzun süre alabilir. Ancak; sezgisel teknikler en iyi çözümü garanti etmezler ama kısa sürede çözüm sunarlar. En iyileme tekniklerine dal-sınır algoritması ve dinamik programlama örnek olarak verilebilir. Sezgisel teknikler ise yapay zeka teknikleri, yapay sinir ağları ve meta sezgiseller (genetik algoritma, tabu arama algoritması, tavlama benzetim vb.) olarak sınıflandırılabilir.
Sezgisel Hesaplamada kullanılan bazı algoritmalar; Tabu Arama, Karınca Kolonisi, Benzetilmiş Tavlama, Evrimsel Hesaplama ve Genetik Algoritmalar olarak sıralanabilir.
Yapay Zeka Uygulamalarımız
Optimizasyonlar: Dağıtım Problemleri
Regresyon: Elektrik Yük Talep Tahmini, Stok Tahmini
Sınıflandırma: Türkçe Doğal Dil İşleme, Görüntü Sınıflandırma, Pattern Tanıma
Veri Madenciliği: Sınıflandırma, Regresyon, Kümeleme,Birliktelik analizi
Bütünleşik Olarak:
Sosyal Medya Takip, Analiz Kaynak ve Anomali Tespiti
CDR Analiz ve İlişki/Anomali Tespiti
CDR Analizi ile kullanım özellikleri çıkarımı
Büyük Veride Tekil, Grup ve Duruma Bağlı Anomali Tespiti
Akan (streaming) veride örüntü ve anomali tespiti
Uzay Zamansal Tahmin/Tespit Sistemleri
Olay örüntüsü ile tahminleme
Döküman özetleme, konu tespiti, sınıflandırma
Duygu analizi ve polarizasyon tespiti