Karşılaştırma ve
Yol Haritaları

Yapay Zekâ ve Veri Dersleri Rehberi
Büyük tabloSık karıştırılan çiftlerHangi ders?İlgi alanından derseYol haritaları
Sercan KÜLCÜ · Giresun Üniversitesi · Bilgisayar Mühendisliği

Büyük tablo

Büyük Tablo: I. Çekirdek

DersYaklaşımGirdiÇıktıBaşarı ölçütü
Yapay Zekâarama, mantık, olasılık ve öğrenme bir aradaproblem tanımı: durumlar, eylemler, hedefeylem dizisi, plan ya da kararhedefe ulaşma, maliyet, rasyonellik
Makine Öğrenmesiistatistiksel öğrenmeetiketli ya da etiketsiz örneklertahmin yapan modelgörülmemiş veride hata
Yapay Sinir Ağlarıağırlıklı basit birimlerden ağsayısal öznitelik vektörüsınıf ya da sayı tahminikayıp ve doğruluk
Derin Öğrenmeçok katmanlı temsil öğrenmeham veri: görüntü, metin, sesöğrenilmiş temsil ve tahmindoğruluk, kayıp, ölçeklenme

Büyük tablo

Büyük Tablo: II. Yapay Zekânın Dalları

DersYaklaşımGirdiÇıktıBaşarı ölçütü
Doğal Dil İşlemedilbilim, istatistik ve derin öğrenmemetinetiket, çeviri, özet, yanıtdoğruluk, BLEU, insan değerlendirmesi
Pekiştirmeli Öğrenmeödülle deneme yanılmaortamla etkileşim: durum ve ödülpolitika: durumdan eyleme kuraltoplam beklenen ödül
Örüntü Tanımaistatistiksel karar kuramıölçüm ya da öznitelik vektörüsınıf etiketisınıflandırma hatası
Bulanık Mantıkkısmi üyelik ve dilsel kurallarkeskin ölçümler ve uzman kurallarıdenetim sinyali ya da karardenetim başarımı, uzmanla uyum
Evrimsel Optimizasyonpopülasyon ve sezgisel aramaamaç fonksiyonu ve çözüm gösterimiiyi bir çözüm (en iyisi garanti değil)çözüm kalitesi, değerlendirme sayısı
Uzman Sistemlersembolik mantık ve kurallarolgular ve uzman kurallarısonuç ve gerekçesiuzmanla uyum, açıklanabilirlik
Olasılıksal Grafik Modellerolasılık ve çizge bir aradadeğişkenler, bağımlılık yapısı, verikoşullu olasılık, en olası açıklamaolabilirlik, çıkarım doğruluğu
Üretken Modellerveri dağılımını öğrenmeçok büyük, çoğu etiketsiz veriyeni örnek: görüntü, metin, sesgerçekçilik ve çeşitlilik (FID vb.)
Çok Etmenli Sistemleretkileşen özerk etmenleretmenler, hedefleri, iletişim kurallarıortak davranış, denge, anlaşmatoplam fayda, kararlılık
Açıklanabilir YZ ve Etikinsan merkezli değerlendirmemodel, verisi ve kullanım bağlamıaçıklama, denetim raporu, ilkeanlaşılırlık, adalet, hesap verebilirlik

Büyük tablo

Büyük Tablo: III. Sinyal, Görüntü ve Ses

DersYaklaşımGirdiÇıktıBaşarı ölçütü
Sayısal Sinyal İşlemematematiksel dönüşüm ve süzgeçörneklenmiş sinyalsüzülmüş sinyal, spektrumsinyal-gürültü oranı, frekans yanıtı
Görüntü İşlemepiksel düzeyinde dönüşümgörüntüişlenmiş görüntü ya da bölgelergörsel kalite, PSNR
Bilgisayarlı Görügörüntüden anlam çıkarmagörüntü ya da videoetiket, kutu, derinlik, 3B yapıdoğruluk, mAP, IoU
Konuşma ve Ses İşlemeakustik sinyal ve dil modelises dalgasımetin, konuşmacı, ses olayısözcük hata oranı (WER)
Tıbbi Görüntü İşlemegörüntü işleme ve klinik bilgiBT, MR, röntgen, ultrasonbölütleme, ölçüm, tanı önerisiduyarlılık, özgüllük, Dice
Uzaktan Algılamafiziksel algılama ve görüntü çözümlemeçok bantlı uydu görüntüsüarazi haritası, değişimharita doğruluğu, kappa
Bilgisayar Grafiğigeometri ve ışık benzetimisahne: model, ışık, kameragörüntü ya da animasyongerçekçilik, kare hızı
Robotikalgıla, planla, eyle döngüsüalgılayıcı ölçümlerimotor komutları, yolgörev başarısı, güvenlik
Biyometrieşleme ve doğrulamayüz, parmak izi, iris, seskimlik kararıFAR, FRR, EER

Büyük tablo

Büyük Tablo: IV. Veri

DersYaklaşımGirdiÇıktıBaşarı ölçütü
Veri Madenciliğikeşfe dayalı çözümlemebüyük tablo ya da işlem verisikural, küme, aykırı değerilginçlik, destek, güven
Veri Bilimisoru, veri, analiz, anlatıham, dağınık verirapor, görselleştirme, modelkararlara katkı, doğruluk
Büyük Veridağıtık depolama ve hesaplamaçok büyük ve hızlı akan veriişlenmiş veri, sorgu sonucuölçeklenme, gecikme, maliyet
Bilgi Erişimi ve Önerieşleme ve sıralamasorgu, belgeler, kullanıcı geçmişisıralı sonuç listesikesinlik, duyarlılık, NDCG
Zaman Serisizamana bağlı istatistiksel modelzaman damgalı ölçümlertahmin, eğilim, mevsimselliktahmin hatası (MAE, RMSE)
Sosyal Ağ Analiziçizge kuramı ve istatistikdüğümler ve bağlantılarmerkezilik, topluluk, yayılımmodülerlik, yorumlanabilirlik

Büyük tablo

Büyük Tablo: V. Matematik Temeli

DersYaklaşımGirdiÇıktıBaşarı ölçütü
Doğrusal Cebirvektör uzayları ve dönüşümlervektör, matrisçözüm, ayrıştırma, dönüşümdoğruluk, sayısal kararlılık
Olasılık ve İstatistikolasılık modeli ve çıkarımörneklem verisikestirim, güven aralığı, test sonucuyansızlık, güç, anlamlılık
Optimizasyonamaç ve kısıtların matematiksel modeliamaç fonksiyonu ve kısıtlaren iyi ya da ona yakın çözümamaç değeri, yakınsama hızı
Bilgi Kuramıolasılıkla bilgi ölçümükaynak ve kanal modelisınır, kod, sıkıştırma oranıbit, kanal kapasitesi

Büyük tablo

Büyük Tablo: VI. Sistem ve Uygulama

DersYaklaşımGirdiÇıktıBaşarı ölçütü
MLOpsyazılım mühendisliği ve MÖeğitilmiş model, veri boru hattıçalışan ve izlenen hizmetgecikme, kesintisizlik, veri kayması
Gömülü YZkaynağı kısıtlı çıkarımeğitilmiş model, cihaz kısıtlarıküçük ve hızlı modelgecikme, enerji, bellek
GPU ve Paralel Hesaplamaveri paralel hesaplamaparalelleştirilebilir algoritmahızlandırılmış programhızlanma, bellek bant genişliği
Siber Güvenlikte YZgüvenlik bilgisi ve MÖağ trafiği, kayıtlar, dosyalaruyarı, sınıf, risk puanıtespit oranı, yanlış alarm oranı
Biyoenformatikbiyoloji, algoritma ve istatistikDNA, protein dizileri, ifade verisihizalama, yapı, işlev tahminibiyolojik geçerlilik

Büyük tablo

Matematik ve Veri İhtiyacı (1/3)

DersMatematik yüküVeri ihtiyacı
Yapay Zekâorta: mantık, olasılık, çizgeaz; çoğu zaman model ve bilgi yeter
Makine Öğrenmesiyüksek: doğrusal cebir, olasılık, optimizasyonorta ve çok
Yapay Sinir Ağlarıorta-yüksek: türev, matrisorta
Derin Öğrenmeyüksek: türev, matris, olasılıkçok; GPU gerekir
Doğal Dil İşlemeortaçok metin (derlem)
Pekiştirmeli Öğrenmeyüksek: olasılık, dinamik programlamaetkileşimle üretilir
Örüntü Tanımaorta-yüksek: olasılık, doğrusal cebiretiketli örnekler
Bulanık Mantıkdüşük-orta: küme kuramıaz; uzman bilgisi
Evrimsel Optimizasyondüşük-ortagerekmez; değerlendirme yeter
Uzman Sistemlerdüşük: önerme ve yüklem mantığıaz; bilgi tabanı
Olasılıksal Grafik Modelleryüksek: olasılıkorta
Üretken Modelleryüksekçok fazla
Çok Etmenli Sistemlerorta: oyun kuramıaz; benzetim

Büyük tablo

Matematik ve Veri İhtiyacı (2/3)

DersMatematik yüküVeri ihtiyacı
Açıklanabilir YZ ve Etikdüşük-ortamodelin kendi verisi
Sayısal Sinyal İşlemeyüksek: karmaşık sayı, Fourieröğrenme yok; sinyal yeter
Görüntü İşlemeorta: evrişim, Fourieraz; öğrenme şart değil
Bilgisayarlı Görüyüksek: geometri, doğrusal cebirçok etiketli görüntü
Konuşma ve Ses İşlemeorta-yüksekçok saatlik kayıt
Tıbbi Görüntü İşlemeorta-yüksekaz; etiket pahalı
Uzaktan Algılamaortaçok; etiket sınırlı
Bilgisayar Grafiğiyüksek: doğrusal cebir, geometrigerekmez
Robotikyüksek: dönüşümler, denetimfiziksel deney ve benzetim
Biyometriortakişi başına az örnek
Veri Madenciliğiortaçok
Veri Bilimiorta: istatistikorta ve çok
Büyük Veridüşükçok fazla

Büyük tablo

Matematik ve Veri İhtiyacı (3/3)

DersMatematik yüküVeri ihtiyacı
Bilgi Erişimi ve Öneriorta: vektör uzayıçok etkileşim verisi
Zaman Serisiorta-yüksekuzun geçmiş
Sosyal Ağ Analiziorta: çizge, matrisağ verisi
Doğrusal Cebirkuramın kendisigerekmez
Olasılık ve İstatistikkuramın kendisiörneklem
Optimizasyonkuramın kendisigerekmez
Bilgi Kuramıyüksek: olasılıkgerekmez
MLOpsdüşükakan üretim verisi
Gömülü YZortaeğitim verisi zaten var
GPU ve Paralel Hesaplamadüşük-ortagerekmez
Siber Güvenlikte YZortadengesiz ve sürekli değişen
Biyoenformatikorta-yüksekçok büyük dizi verisi

Çiftler

Sık Karıştırılan Çiftler (1/2)

ÇiftFark
Görüntü İşleme ↔ Bilgisayarlı GörüGörüntü işlemede girdi de çıktı da görüntüdür; bilgisayarlı görüde girdi görüntü, çıktı anlamdır: etiket, kutu, derinlik.
Yapay Zekâ ↔ Makine ÖğrenmesiYZ hedefe nasıl ulaşılacağını arayarak ya da çıkarım yaparak bulabilir; MÖ aynı davranışı veriden genelleme yaparak öğrenir.
Makine Öğrenmesi ↔ Veri MadenciliğiAynı algoritmaları kullanırlar; MÖ yeni örnekte tahmini, veri madenciliği veride keşfi amaçlar.
Veri Bilimi ↔ Veri MadenciliğiVeri madenciliği büyük veride örüntü bulmaya odaklanır; veri bilimi sorudan karara bütün süreci kapsar.
Yapay Sinir Ağları ↔ Derin ÖğrenmeDerin öğrenme evrişimli, yinelemeli ve dönüştürücü mimarilere geçer; bu ders bunların dayandığı temel ağı ve eğitimini kurar.
Örüntü Tanıma ↔ Makine ÖğrenmesiMÖ öğrenme algoritmalarını genel olarak inceler; bu ders ölçümden sınıf kararına giden tasarımı ve Bayes hatasını odağa alır.
Doğal Dil İşleme ↔ Konuşma ve Ses İşlemeKonuşma tanıma ses dalgasından metne ulaşır; NLP metin elde edildikten sonra anlamı çözümler.

Çiftler

Sık Karıştırılan Çiftler (2/2)

ÇiftFark
Üretken Modeller ↔ Derin ÖğrenmeDerin öğrenme genel araç takımıdır ve çoğunlukla tahmin yapar; bu ders o araçlarla veri dağılımından yeni örnek üretir.
Bilgisayar Grafiği ↔ Bilgisayarlı GörüBilgisayarlı görü görüntüden sahneyi çıkarmaya çalışır; bilgisayar grafiği sahneden görüntüyü üretir.
Makine Öğrenmesi ↔ Olasılık ve İstatistikİstatistik modelin anlamını ve belirsizliğini, MÖ tahmin başarımını öne çıkarır.
Bilgi Erişimi ve Öneri ↔ Veri MadenciliğiVeri madenciliği veride örüntü keşfeder; bu ders keşfi bir kullanıcının o anki ihtiyacına göre sıralı listeye çevirir.
Uzman Sistemler ↔ Bulanık MantıkBulanık mantık kuralların kısmen doğru olmasına izin verir; bu ders bilgiyi temsil etmeyi ve kuralları zincirlemeyi genel olarak öğretir.
Evrimsel Optimizasyon ↔ OptimizasyonOptimizasyon türev ve konvekslikle kanıtlanabilir en iyiye ulaşır; bu ders türevsiz, garantisiz ama geniş uygulanabilir aramayı öğretir.
MLOps ↔ Büyük VeriBüyük 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.

  1. Bir hastanenin MR görüntülerinde tümörün sınırlarını otomatik çizmek.
    CevapTıbbi Görüntü İşleme, Bilgisayarlı Görü, Görüntü İşleme. Bölütleme görüntü işleme ve görüden gelir; klinik veri, etiket azlığı ve sorumluluk bunu tıbbi görüntü işleme yapar.
  2. Bir e-ticaret sitesinde "bunu alanlar şunları da aldı" listesini kurmak.
    CevapBilgi Erişimi ve Öneri, Veri Madenciliği. Birliktelik kuralları veri madenciliğinden, kullanıcıya sıralı liste sunmak öneri sistemlerinden gelir.
  3. Bir fırının sıcaklığını "biraz sıcak", "çok sıcak" gibi kurallarla denetlemek.
    CevapBulanık Mantık. Keskin sınırı olmayan dilsel kurallar ve denetim, bulanık mantığın klasik uygulamasıdır.
  4. Bir insansız hava aracının rüzgârda dengede kalmayı deneyerek öğrenmesi.
    CevapPekiştirmeli Öğrenme, Robotik. Etiket yok, yalnız ödül var: pekiştirmeli öğrenme. Fiziksel gövde ve algılayıcılar robotiğin konusu.
  5. Yüz bin algılayıcının saniyelik verisini saklayıp sorgulamak.
    CevapBüyük 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.

  1. Okul servisleri için toplam yolu en kısa rota planını bulmak.
    CevapEvrimsel Optimizasyon, Optimizasyon, Yapay Zekâ. Kombinatoryal bir optimizasyon problemi: kesin yöntemler optimizasyondan, büyük örneklerde iyi çözüm metasezgisellerden gelir.
  2. Bir kredi modelinin bazı başvuru gruplarına haksızlık edip etmediğini denetlemek.
    CevapAçıklanabilir YZ ve Etik, Veri Bilimi. Adalet ölçütleri, açıklama ve hesap verebilirlik açıklanabilir YZ ve etiğin konusudur.
  3. Telefonda internete bağlanmadan çalışan sesli komut tanıma.
    CevapGömülü YZ, Konuşma ve Ses İşleme. Konuşma tanıma modeli konuşma ve ses işlemeden gelir; cihaza sığdırmak gömülü YZ'nin işidir.
  4. Bir hastalıkla ilgili genleri binlerce örneğin ifade verisinden bulmak.
    CevapBiyoenformatik, Olasılık ve İstatistik. Biyolojik veri ve yorum biyoenformatik, çok sayıda testte anlamlılık istatistik bilgisi ister.
  5. Bir bankanın ağ trafiğinde olağandışı bağlantıları yakalamak.
    CevapSiber 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)

Robotik yolu Fiziksel dünyada algılayıp hareket etmek
Üretim yolu Modeli gerçek bir ürüne dönüştürmek

Her yol ön koşuldan uzmanlığa doğru sıralanmıştır; yollar kesişir, birden çoğunu izlemek olağandır.

Seçim

Son Söz

Ortak dil

Doğrusal cebir, olasılık ve optimizasyon hemen her dersin ortak dilidir; bunlar sağlamsa geçişler kolaydır.

Kavşak ders

Makine öğrenmesi haritanın merkezidir: dallar ona dayanır, uygulamalar onu kullanır.

Ayrım soruda

İki ders aynı algoritmayı kullanabilir; onları ayıran, sordukları soru ve başarıyı nasıl ölçtükleridir.

Alan değişir

Bugün ayrı dersler yarın birleşebilir; haritayı ezberlemek yerine ilişki türlerini anlamak kalıcıdır.

Son

Bölüm 40: Karşılaştırma ve Yol Haritaları
← Önceki bölüm · Alanın haritası
1 / 1 Sercan KÜLCÜ, Tüm hakları saklıdır.