Yapay Zekâ

Yapay Zekâ ve Veri Dersleri Rehberi · Kısım I: Çekirdek
Akıllı etmenAramaBilgi ve mantıkBelirsizlikPlanlamaKomşu dersler
Sercan KÜLCÜ · Giresun Üniversitesi · Bilgisayar Mühendisliği

Giriş

Ders Hangi Soruyu Sorar?

Bir makine arayarak, çıkarım yaparak ve plan kurarak nasıl akıllıca davranır?

Yapay zekâ, çevresini algılayıp amacına en uygun eylemi seçen akıllı etmenler tasarlamayı inceler. Ders arama, mantıksal çıkarım, olasılıklı akıl yürütme, planlama ve öğrenmeyi tek bir çerçevede toplar. Makine öğrenmesi bu çerçevenin bir parçasıdır, tamamı değildir.

Bir bakışta

Yaklaşım

arama, mantık, olasılık ve öğrenme bir arada

Girdi

problem tanımı: durumlar, eylemler, hedef

Çıktı

eylem dizisi, plan ya da karar

Başarı ölçütü

hedefe ulaşma, maliyet, rasyonellik

Matematik yükü

orta: mantık, olasılık, çizge

Veri ihtiyacı

az; çoğu zaman model ve bilgi yeter

Giriş

Kısa Tarihçe

1950

Turing, "Computing Machinery and Intelligence" makalesinde taklit oyununu (Turing testi) önerir.

1956

Dartmouth yaz okulu: "yapay zekâ" adı konur, alan kurulur.

1980'ler

Uzman sistemler (MYCIN, XCON) ticarileşir; beklentiler karşılanmayınca "YZ kışı" gelir.

1997

Deep Blue satrançta Kasparov'u yener: güçlü arama ve elle yazılmış değerlendirme.

2016

AlphaGo, Go'da Lee Sedol'ü yener: ağaç araması, derin ağlar ve pekiştirmeli öğrenme birlikte.

2022

Büyük dil modelleri sohbet arayüzleriyle geniş kitlelere ulaşır.

Ders

Temel Kavramlar

Akıllı etmen

Algılayıcılarla çevreyi algılar, eyleyicilerle onu etkiler.

Rasyonellik

Başarım ölçütünü en büyük yapması beklenen eylemi seçmek.

Durum uzayı araması

BFS, DFS, A*; sezgisel (heuristic) fonksiyonlar.

Düşmanca arama

Oyunlarda minimaks ve alfa-beta budama.

Kısıt sağlama

Değişken, alan, kısıt: Sudoku, ders programı.

Mantık ve bilgi

Önerme ve yüklem mantığı, çıkarım kuralları.

Belirsizlik

Bayes kuralı, Bayes ağları, karar kuramı.

Planlama

Başlangıçtan hedefe götüren eylem dizisini kurmak.

Ders

Tipik İş Akışı

AlgılaalgılayıcılarTemsil etdurum,bilgi tabanıAra ya daçıkarım yaparama, mantık,olasılıkSeçbaşarım ölçütüEyleeyleyiciler
Örnek: Bir navigasyon uygulaması konumu algılar, yol ağını bir çizge olarak temsil eder, A* ile yolları arar, en kısa sürede varılan rotayı seçer ve sürücüyü sesle yönlendirir. Bu döngüde hiçbir şey "öğrenilmez"; yine de sistem yapay zekâdır.

Dene

Depo Robotu Yolunu Arıyor

Bir depo robotu R karesinden rafların arasından geçerek H karesindeki ürüne gitmeli. Kareye tıklayıp raf ekleyin ya da kaldırın; iki arama yönteminin kaç kareye baktığını karşılaştırın.

Mavi kareler aramanın incelediği durumlar, turuncu kareler bulunan yol. A*, hedefe kalan Manhattan uzaklığını sezgisel olarak kullanır; bu yüzden daha az kareye bakar.
Problem önce durum uzayı olarak kurulur: her kare bir durum, her adım bir eylem, hedef kare amaç. Arama algoritması bu uzayda yolu bulur; hiçbir şey öğrenilmez.

Konum

Ön Koşullar

Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.

DersNeden gerekir
Olasılık ve İstatistikbelirsizlik altında akıl yürütme, Bayes kuralı
Veri Yapılarıyığın, kuyruk, öncelik kuyruğu ve çizge: arama algoritmalarının yapı taşları
Algoritmalarçizge arama, en kısa yol ve karmaşıklık çözümlemesi
Ayrık Matematikönermeler mantığı, kümeler ve ispat yöntemleri

Konum

Dersin Komşuları

alt alantemel alıryöntem paylaşıruygulama

Örtüşme

Örtüştüğü Dersler

İlişkiDersOrtak konu
alt alanMakine Öğrenmesi, bu dersin alt alanıdırveriden öğrenen etmen; arama yerine istatistiksel genelleme
alt alanDoğal Dil İşleme ve Metin Madenciliği, bu dersin alt alanıdırdil anlama ve üretme
alt alanBulanık Mantık ve Bulanık Sistemler, bu dersin alt alanıdıryaklaşık akıl yürütme
alt alanEvrimsel ve Metasezgisel Optimizasyon, bu dersin alt alanıdırsezgisel arama
alt alanUzman Sistemler ve Bilgi Temsili, bu dersin alt alanıdırsembolik yapay zekâ, mantık ve kurallar
alt alanÇok Etmenli Sistemler, bu dersin alt alanıdıretmen kavramı, ortak karar
temel alırBu ders Olasılık ve İstatistik dersini temel alırbelirsizlik altında akıl yürütme, Bayes kuralı
yöntem paylaşırOptimizasyon ile yöntem paylaşırdurum uzayında arama, kısıt sağlama

Ayrışma

Ayrıştığı Noktalar (1/2)

ÖlçütYapay ZekâMakine ÖğrenmesiUzman Sistemler
Temel soruBir makine arayarak, çıkarım yaparak ve plan kurarak nasıl akıllıca davranır?Bir program örneklerden nasıl genelleme yapar?Bir uzmanın bilgisi nasıl yazıya dökülür ve çıkarım için kullanılır?
Yaklaşımarama, mantık, olasılık ve öğrenme bir aradaistatistiksel öğrenmesembolik mantık ve kurallar
Girdiproblem tanımı: durumlar, eylemler, hedefetiketli ya da etiketsiz örneklerolgular ve uzman kuralları
Çıktıeylem dizisi, plan ya da karartahmin yapan modelsonuç ve gerekçesi
Başarı ölçütühedefe ulaşma, maliyet, rasyonellikgörülmemiş veride hatauzmanla uyum, açıklanabilirlik
Matematik yüküorta: mantık, olasılık, çizgeyüksek: doğrusal cebir, olasılık, optimizasyondüşük: önerme ve yüklem mantığı
Veri ihtiyacıaz; çoğu zaman model ve bilgi yeterorta ve çokaz; bilgi tabanı
  • Makine Öğrenmesi: YZ hedefe nasıl ulaşılacağını arayarak ya da çıkarım yaparak bulabilir; MÖ aynı davranışı veriden genelleme yaparak öğrenir.
  • Uzman Sistemler: Uzman sistemler YZ'nin tek bir yaklaşımıdır (kurallar ve mantık); YZ arama, olasılık ve öğrenmeyi de kapsar.

Ayrışma

Ayrıştığı Noktalar (2/2)

ÖlçütYapay ZekâOptimizasyonÇok Etmenli Sistemler
Temel soruBir makine arayarak, çıkarım yaparak ve plan kurarak nasıl akıllıca davranır?Bir amaç fonksiyonunu en iyi yapan değerler nasıl bulunur?Birden çok özerk etmen birlikte ya da birbirine karşı nasıl karar verir?
Yaklaşımarama, mantık, olasılık ve öğrenme bir aradaamaç ve kısıtların matematiksel modelietkileşen özerk etmenler
Girdiproblem tanımı: durumlar, eylemler, hedefamaç fonksiyonu ve kısıtlaretmenler, hedefleri, iletişim kuralları
Çıktıeylem dizisi, plan ya da kararen iyi ya da ona yakın çözümortak davranış, denge, anlaşma
Başarı ölçütühedefe ulaşma, maliyet, rasyonellikamaç değeri, yakınsama hızıtoplam fayda, kararlılık
Matematik yüküorta: mantık, olasılık, çizgekuramın kendisiorta: oyun kuramı
Veri ihtiyacıaz; çoğu zaman model ve bilgi yetergerekmezaz; benzetim
  • Optimizasyon: Optimizasyon matematiksel olarak kurulmuş bir problemi çözer; YZ işe problemi etmen, çevre ve hedef olarak modellemekle başlar.
  • Çok Etmenli Sistemler: YZ tek bir etmenin kararına odaklanır; çok etmenli sistemler birbirini etkileyen etmenlerin ortak davranışını inceler.

Uygulama

Uygulama Alanları

Oyunlar

Satranç ve Go motorları, oyunlardaki bilgisayar rakipler.

Rota planlama

Navigasyon, lojistik, depo robotlarının yolu.

Çizelgeleme

Ders programı, uçuş ekibi ve vardiya planı.

Sanal asistanlar

Konuşmayı anlayıp göreve dönüştüren sistemler.

Otonom araçlar

Algılama, tahmin ve planlamanın birleştiği yer.

Karar destek

Tıpta tanı önerisi, mühendislikte arıza teşhisi.

Uygulama

Araçlar ve Örnek Veriler

Araçlar ve kütüphaneler

PythonPrologPDDL planlayıcılarıGoogle OR-ToolsGymnasiumpgmpy (Bayes ağları)

Klasik örnek problemler

8-bulmacan-vezirSudokuWumpus dünyasıGezgin satıcıSatranç ve Go
YZ dersinde veri seti yerine çoğu zaman problem tanımı verilir: durumlar, eylemler ve hedef bilindiğinde çözüm aranarak bulunur.

Uygulama

Sık Karıştırılanlar

Yaygın düşünceDoğrusu
Yapay zekâ ile makine öğrenmesi aynı şeydir.MÖ, YZ'nin bir alt alanıdır. Arama, planlama ve mantık öğrenme olmadan da YZ'dir.
YZ insan gibi düşünmeyi amaçlar.Ders çoğunlukla rasyonel davranmayı amaçlar; insanı taklit etmek yaklaşımlardan yalnız biridir.
Satranç motorları oynayarak öğrenir.Deep Blue gibi klasik motorlar arama ve elle yazılmış değerlendirme kullanır; öğrenme şart değildir.
Sohbet robotları YZ'nin tamamıdır.Büyük dil modelleri NLP ve üretken modellerin ürünüdür; YZ çok daha geniş bir alandır.

Sonrası

Bu Dersten Sonra

Bu dersi temel alan ya da genişleten dersler

İlgili meslekler

YZ mühendisiAraştırmacıOyun YZ geliştiricisiRobotik yazılım mühendisiKarar destek uzmanı
YZ bu rehberin çatısıdır: makine öğrenmesi, doğal dil işleme, bulanık mantık, evrimsel optimizasyon, uzman sistemler ve çok etmenli sistemler onun dallarıdır. Hangi dalın ilginizi çektiğine karar vermek için önce bu dersin arama, mantık ve belirsizlik konularını görmek iyi bir başlangıçtır.

Sonrası

Kaynaklar

  • Russell ve Norvig, Artificial Intelligence: A Modern Approach, 4. baskı, Pearson, 2020.
  • Poole ve Mackworth, Artificial Intelligence: Foundations of Computational Agents, 3. baskı, Cambridge University Press, 2023.
  • Nilsson, The Quest for Artificial Intelligence, Cambridge University Press, 2010 (alanın tarihi).
  • Turing, "Computing Machinery and Intelligence", Mind 59(236), 1950.

Son

Bölüm 2: Yapay Zekâ
← Önceki bölüm · Alanın haritası · Sonraki bölüm →
1 / 1 Sercan KÜLCÜ, Tüm hakları saklıdır.