Karşılaştırma ve
Yol Haritaları
Büyük tablo
Büyük Tablo: I. Çekirdek
| Ders | Yaklaşım | Girdi | Çıktı | Başarı ölçütü |
|---|---|---|---|---|
| Yapay Zekâ | arama, mantık, olasılık ve öğrenme bir arada | problem tanımı: durumlar, eylemler, hedef | eylem dizisi, plan ya da karar | hedefe ulaşma, maliyet, rasyonellik |
| Makine Öğrenmesi | istatistiksel öğrenme | etiketli ya da etiketsiz örnekler | tahmin yapan model | görülmemiş veride hata |
| Yapay Sinir Ağları | ağırlıklı basit birimlerden ağ | sayısal öznitelik vektörü | sınıf ya da sayı tahmini | kayıp ve doğruluk |
| Derin Öğrenme | çok katmanlı temsil öğrenme | ham veri: görüntü, metin, ses | öğrenilmiş temsil ve tahmin | doğruluk, kayıp, ölçeklenme |
Büyük tablo
Büyük Tablo: II. Yapay Zekânın Dalları
| Ders | Yaklaşım | Girdi | Çıktı | Başarı ölçütü |
|---|---|---|---|---|
| Doğal Dil İşleme | dilbilim, istatistik ve derin öğrenme | metin | etiket, çeviri, özet, yanıt | doğruluk, BLEU, insan değerlendirmesi |
| Pekiştirmeli Öğrenme | ödülle deneme yanılma | ortamla etkileşim: durum ve ödül | politika: durumdan eyleme kural | toplam beklenen ödül |
| Örüntü Tanıma | istatistiksel karar kuramı | ölçüm ya da öznitelik vektörü | sınıf etiketi | sınıflandırma hatası |
| Bulanık Mantık | kısmi üyelik ve dilsel kurallar | keskin ölçümler ve uzman kuralları | denetim sinyali ya da karar | denetim başarımı, uzmanla uyum |
| Evrimsel Optimizasyon | popülasyon ve sezgisel arama | amaç fonksiyonu ve çözüm gösterimi | iyi bir çözüm (en iyisi garanti değil) | çözüm kalitesi, değerlendirme sayısı |
| Uzman Sistemler | sembolik mantık ve kurallar | olgular ve uzman kuralları | sonuç ve gerekçesi | uzmanla uyum, açıklanabilirlik |
| Olasılıksal Grafik Modeller | olasılık ve çizge bir arada | değişkenler, bağımlılık yapısı, veri | koşullu olasılık, en olası açıklama | olabilirlik, çıkarım doğruluğu |
| Üretken Modeller | veri dağılımını öğrenme | çok büyük, çoğu etiketsiz veri | yeni örnek: görüntü, metin, ses | gerçekçilik ve çeşitlilik (FID vb.) |
| Çok Etmenli Sistemler | etkileşen özerk etmenler | etmenler, hedefleri, iletişim kuralları | ortak davranış, denge, anlaşma | toplam fayda, kararlılık |
| Açıklanabilir YZ ve Etik | insan merkezli değerlendirme | model, verisi ve kullanım bağlamı | açıklama, denetim raporu, ilke | anlaşılırlık, adalet, hesap verebilirlik |
Büyük tablo
Büyük Tablo: III. Sinyal, Görüntü ve Ses
| Ders | Yaklaşım | Girdi | Çıktı | Başarı ölçütü |
|---|---|---|---|---|
| Sayısal Sinyal İşleme | matematiksel dönüşüm ve süzgeç | örneklenmiş sinyal | süzülmüş sinyal, spektrum | sinyal-gürültü oranı, frekans yanıtı |
| Görüntü İşleme | piksel düzeyinde dönüşüm | görüntü | işlenmiş görüntü ya da bölgeler | görsel kalite, PSNR |
| Bilgisayarlı Görü | görüntüden anlam çıkarma | görüntü ya da video | etiket, kutu, derinlik, 3B yapı | doğruluk, mAP, IoU |
| Konuşma ve Ses İşleme | akustik sinyal ve dil modeli | ses dalgası | metin, konuşmacı, ses olayı | sözcük hata oranı (WER) |
| Tıbbi Görüntü İşleme | görüntü işleme ve klinik bilgi | BT, MR, röntgen, ultrason | bölütleme, ölçüm, tanı önerisi | duyarlılık, özgüllük, Dice |
| Uzaktan Algılama | fiziksel algılama ve görüntü çözümleme | çok bantlı uydu görüntüsü | arazi haritası, değişim | harita doğruluğu, kappa |
| Bilgisayar Grafiği | geometri ve ışık benzetimi | sahne: model, ışık, kamera | görüntü ya da animasyon | gerçekçilik, kare hızı |
| Robotik | algıla, planla, eyle döngüsü | algılayıcı ölçümleri | motor komutları, yol | görev başarısı, güvenlik |
| Biyometri | eşleme ve doğrulama | yüz, parmak izi, iris, ses | kimlik kararı | FAR, FRR, EER |
Büyük tablo
Büyük Tablo: IV. Veri
| Ders | Yaklaşım | Girdi | Çıktı | Başarı ölçütü |
|---|---|---|---|---|
| Veri Madenciliği | keşfe dayalı çözümleme | büyük tablo ya da işlem verisi | kural, küme, aykırı değer | ilginçlik, destek, güven |
| Veri Bilimi | soru, veri, analiz, anlatı | ham, dağınık veri | rapor, görselleştirme, model | kararlara katkı, doğruluk |
| Büyük Veri | dağıtık depolama ve hesaplama | çok büyük ve hızlı akan veri | işlenmiş veri, sorgu sonucu | ölçeklenme, gecikme, maliyet |
| Bilgi Erişimi ve Öneri | eşleme ve sıralama | sorgu, belgeler, kullanıcı geçmişi | sıralı sonuç listesi | kesinlik, duyarlılık, NDCG |
| Zaman Serisi | zamana bağlı istatistiksel model | zaman damgalı ölçümler | tahmin, eğilim, mevsimsellik | tahmin hatası (MAE, RMSE) |
| Sosyal Ağ Analizi | çizge kuramı ve istatistik | düğümler ve bağlantılar | merkezilik, topluluk, yayılım | modülerlik, yorumlanabilirlik |
Büyük tablo
Büyük Tablo: V. Matematik Temeli
| Ders | Yaklaşım | Girdi | Çıktı | Başarı ölçütü |
|---|---|---|---|---|
| Doğrusal Cebir | vektör uzayları ve dönüşümler | vektör, matris | çözüm, ayrıştırma, dönüşüm | doğruluk, sayısal kararlılık |
| Olasılık ve İstatistik | olasılık modeli ve çıkarım | örneklem verisi | kestirim, güven aralığı, test sonucu | yansızlık, güç, anlamlılık |
| Optimizasyon | amaç ve kısıtların matematiksel modeli | amaç fonksiyonu ve kısıtlar | en iyi ya da ona yakın çözüm | amaç değeri, yakınsama hızı |
| Bilgi Kuramı | olasılıkla bilgi ölçümü | kaynak ve kanal modeli | sınır, kod, sıkıştırma oranı | bit, kanal kapasitesi |
Büyük tablo
Büyük Tablo: VI. Sistem ve Uygulama
| Ders | Yaklaşım | Girdi | Çıktı | Başarı ölçütü |
|---|---|---|---|---|
| MLOps | yazılım mühendisliği ve MÖ | eğitilmiş model, veri boru hattı | çalışan ve izlenen hizmet | gecikme, kesintisizlik, veri kayması |
| Gömülü YZ | kaynağı kısıtlı çıkarım | eğitilmiş model, cihaz kısıtları | küçük ve hızlı model | gecikme, enerji, bellek |
| GPU ve Paralel Hesaplama | veri paralel hesaplama | paralelleştirilebilir algoritma | hızlandırılmış program | hızlanma, bellek bant genişliği |
| Siber Güvenlikte YZ | güvenlik bilgisi ve MÖ | ağ trafiği, kayıtlar, dosyalar | uyarı, sınıf, risk puanı | tespit oranı, yanlış alarm oranı |
| Biyoenformatik | biyoloji, algoritma ve istatistik | DNA, protein dizileri, ifade verisi | hizalama, yapı, işlev tahmini | biyolojik geçerlilik |
Büyük tablo
Matematik ve Veri İhtiyacı (1/3)
| Ders | Matematik yükü | Veri ihtiyacı |
|---|---|---|
| Yapay Zekâ | orta: mantık, olasılık, çizge | az; çoğu zaman model ve bilgi yeter |
| Makine Öğrenmesi | yüksek: doğrusal cebir, olasılık, optimizasyon | orta ve çok |
| Yapay Sinir Ağları | orta-yüksek: türev, matris | orta |
| Derin Öğrenme | yüksek: türev, matris, olasılık | çok; GPU gerekir |
| Doğal Dil İşleme | orta | çok metin (derlem) |
| Pekiştirmeli Öğrenme | yüksek: olasılık, dinamik programlama | etkileşimle üretilir |
| Örüntü Tanıma | orta-yüksek: olasılık, doğrusal cebir | etiketli örnekler |
| Bulanık Mantık | düşük-orta: küme kuramı | az; uzman bilgisi |
| Evrimsel Optimizasyon | düşük-orta | gerekmez; değerlendirme yeter |
| Uzman Sistemler | düşük: önerme ve yüklem mantığı | az; bilgi tabanı |
| Olasılıksal Grafik Modeller | yüksek: olasılık | orta |
| Üretken Modeller | yüksek | çok fazla |
| Çok Etmenli Sistemler | orta: oyun kuramı | az; benzetim |
Büyük tablo
Matematik ve Veri İhtiyacı (2/3)
| Ders | Matematik yükü | Veri ihtiyacı |
|---|---|---|
| Açıklanabilir YZ ve Etik | düşük-orta | modelin kendi verisi |
| Sayısal Sinyal İşleme | yüksek: karmaşık sayı, Fourier | öğrenme yok; sinyal yeter |
| Görüntü İşleme | orta: evrişim, Fourier | az; öğrenme şart değil |
| Bilgisayarlı Görü | yüksek: geometri, doğrusal cebir | çok etiketli görüntü |
| Konuşma ve Ses İşleme | orta-yüksek | çok saatlik kayıt |
| Tıbbi Görüntü İşleme | orta-yüksek | az; etiket pahalı |
| Uzaktan Algılama | orta | çok; etiket sınırlı |
| Bilgisayar Grafiği | yüksek: doğrusal cebir, geometri | gerekmez |
| Robotik | yüksek: dönüşümler, denetim | fiziksel deney ve benzetim |
| Biyometri | orta | kişi başına az örnek |
| Veri Madenciliği | orta | çok |
| Veri Bilimi | orta: istatistik | orta ve çok |
| Büyük Veri | düşük | çok fazla |
Büyük tablo
Matematik ve Veri İhtiyacı (3/3)
| Ders | Matematik yükü | Veri ihtiyacı |
|---|---|---|
| Bilgi Erişimi ve Öneri | orta: vektör uzayı | çok etkileşim verisi |
| Zaman Serisi | orta-yüksek | uzun geçmiş |
| Sosyal Ağ Analizi | orta: çizge, matris | ağ verisi |
| Doğrusal Cebir | kuramın kendisi | gerekmez |
| Olasılık ve İstatistik | kuramın kendisi | örneklem |
| Optimizasyon | kuramın kendisi | gerekmez |
| Bilgi Kuramı | yüksek: olasılık | gerekmez |
| MLOps | düşük | akan üretim verisi |
| Gömülü YZ | orta | eğitim verisi zaten var |
| GPU ve Paralel Hesaplama | düşük-orta | gerekmez |
| Siber Güvenlikte YZ | orta | dengesiz ve sürekli değişen |
| Biyoenformatik | orta-yüksek | çok büyük dizi verisi |
Çiftler
Sık Karıştırılan Çiftler (1/2)
| Çift | Fark |
|---|---|
| Görüntü İşleme ↔ Bilgisayarlı Görü | Görüntü işlemede girdi de çıktı da görüntüdür; bilgisayarlı görüde girdi görüntü, çıktı anlamdır: etiket, kutu, derinlik. |
| Yapay Zekâ ↔ Makine Öğrenmesi | YZ hedefe nasıl ulaşılacağını arayarak ya da çıkarım yaparak bulabilir; MÖ aynı davranışı veriden genelleme yaparak öğrenir. |
| Makine Öğrenmesi ↔ Veri Madenciliği | Aynı algoritmaları kullanırlar; MÖ yeni örnekte tahmini, veri madenciliği veride keşfi amaçlar. |
| Veri Bilimi ↔ Veri Madenciliği | Veri madenciliği büyük veride örüntü bulmaya odaklanır; veri bilimi sorudan karara bütün süreci kapsar. |
| Yapay Sinir Ağları ↔ Derin Öğrenme | Derin öğrenme evrişimli, yinelemeli ve dönüştürücü mimarilere geçer; bu ders bunların dayandığı temel ağı ve eğitimini kurar. |
| Örüntü Tanıma ↔ Makine Öğrenmesi | MÖ öğrenme algoritmalarını genel olarak inceler; bu ders ölçümden sınıf kararına giden tasarımı ve Bayes hatasını odağa alır. |
| Doğal Dil İşleme ↔ Konuşma ve Ses İşleme | Konuşma tanıma ses dalgasından metne ulaşır; NLP metin elde edildikten sonra anlamı çözümler. |
Çiftler
Sık Karıştırılan Çiftler (2/2)
| Çift | Fark |
|---|---|
| Üretken Modeller ↔ Derin Öğrenme | Derin öğrenme genel araç takımıdır ve çoğunlukla tahmin yapar; bu ders o araçlarla veri dağılımından yeni örnek üretir. |
| Bilgisayar Grafiği ↔ Bilgisayarlı Görü | Bilgisayarlı görü görüntüden sahneyi çıkarmaya çalışır; bilgisayar grafiği sahneden görüntüyü üretir. |
| Makine Öğrenmesi ↔ Olasılık ve İstatistik | İstatistik modelin anlamını ve belirsizliğini, MÖ tahmin başarımını öne çıkarır. |
| Bilgi Erişimi ve Öneri ↔ Veri Madenciliği | Veri madenciliği veride örüntü keşfeder; bu ders keşfi bir kullanıcının o anki ihtiyacına göre sıralı listeye çevirir. |
| Uzman Sistemler ↔ Bulanık Mantık | Bulanık mantık kuralların kısmen doğru olmasına izin verir; bu ders bilgiyi temsil etmeyi ve kuralları zincirlemeyi genel olarak öğretir. |
| Evrimsel Optimizasyon ↔ Optimizasyon | Optimizasyon türev ve konvekslikle kanıtlanabilir en iyiye ulaşır; bu ders türevsiz, garantisiz ama geniş uygulanabilir aramayı öğretir. |
| MLOps ↔ Büyük Veri | Büyük veri sistemleri veriyi ölçekli saklar ve işler; bu ders o veriyle eğitilen modelin yaşam döngüsünü yönetir. |
Hangi ders?
Hangi Ders? (1/2)
Her problem için hangi dersin işi olduğunu düşünün, sonra cevabı açın.
- Bir hastanenin MR görüntülerinde tümörün sınırlarını otomatik çizmek.
Cevap
Tıbbi Görüntü İşleme, Bilgisayarlı Görü, Görüntü İşleme. Bölütleme görüntü işleme ve görüden gelir; klinik veri, etiket azlığı ve sorumluluk bunu tıbbi görüntü işleme yapar. - Bir e-ticaret sitesinde "bunu alanlar şunları da aldı" listesini kurmak.
Cevap
Bilgi Erişimi ve Öneri, Veri Madenciliği. Birliktelik kuralları veri madenciliğinden, kullanıcıya sıralı liste sunmak öneri sistemlerinden gelir. - Bir fırının sıcaklığını "biraz sıcak", "çok sıcak" gibi kurallarla denetlemek.
Cevap
Bulanık Mantık. Keskin sınırı olmayan dilsel kurallar ve denetim, bulanık mantığın klasik uygulamasıdır. - Bir insansız hava aracının rüzgârda dengede kalmayı deneyerek öğrenmesi.
Cevap
Pekiştirmeli Öğrenme, Robotik. Etiket yok, yalnız ödül var: pekiştirmeli öğrenme. Fiziksel gövde ve algılayıcılar robotiğin konusu. - Yüz bin algılayıcının saniyelik verisini saklayıp sorgulamak.
Cevap
Büyük Veri, Zaman Serisi. Tek makineye sığmayan ve akan veri büyük veri sistemlerinin, zamana bağlı çözümlemesi zaman serisinin işidir.
Hangi ders?
Hangi Ders? (2/2)
Her problem için hangi dersin işi olduğunu düşünün, sonra cevabı açın.
- Okul servisleri için toplam yolu en kısa rota planını bulmak.
Cevap
Evrimsel Optimizasyon, Optimizasyon, Yapay Zekâ. Kombinatoryal bir optimizasyon problemi: kesin yöntemler optimizasyondan, büyük örneklerde iyi çözüm metasezgisellerden gelir. - Bir kredi modelinin bazı başvuru gruplarına haksızlık edip etmediğini denetlemek.
Cevap
Açıklanabilir YZ ve Etik, Veri Bilimi. Adalet ölçütleri, açıklama ve hesap verebilirlik açıklanabilir YZ ve etiğin konusudur. - Telefonda internete bağlanmadan çalışan sesli komut tanıma.
Cevap
Gömülü YZ, Konuşma ve Ses İşleme. Konuşma tanıma modeli konuşma ve ses işlemeden gelir; cihaza sığdırmak gömülü YZ'nin işidir. - Bir hastalıkla ilgili genleri binlerce örneğin ifade verisinden bulmak.
Cevap
Biyoenformatik, Olasılık ve İstatistik. Biyolojik veri ve yorum biyoenformatik, çok sayıda testte anlamlılık istatistik bilgisi ister. - Bir bankanın ağ trafiğinde olağandışı bağlantıları yakalamak.
Cevap
Siber Güvenlikte YZ, Veri Madenciliği. Aykırı değer bulma veri madenciliğinden gelir; saldırganın uyum sağlaması bunu siber güvenlik problemi yapar.
Seçim
İlgi Alanından Derse
Bir ya da birkaç ilgi alanı seçin; o alanlara en çok hizmet eden dersler, kaç alana dokunduklarına göre sıralanır.
Seçim
Yol Haritaları (1/2)
Her yol ön koşuldan uzmanlığa doğru sıralanmıştır; yollar kesişir, birden çoğunu izlemek olağandır.
Seçim
Yol Haritaları (2/2)
Her yol ön koşuldan uzmanlığa doğru sıralanmıştır; yollar kesişir, birden çoğunu izlemek olağandır.
Seçim
Son Söz
Doğrusal cebir, olasılık ve optimizasyon hemen her dersin ortak dilidir; bunlar sağlamsa geçişler kolaydır.
Makine öğrenmesi haritanın merkezidir: dallar ona dayanır, uygulamalar onu kullanır.
İki ders aynı algoritmayı kullanabilir; onları ayıran, sordukları soru ve başarıyı nasıl ölçtükleridir.
Bugün ayrı dersler yarın birleşebilir; haritayı ezberlemek yerine ilişki türlerini anlamak kalıcıdır.