Bir görevi gerçekleştirmek için belirli bir dizi talimat içeren yazılım rutinlerinin elle kodlanmak yerine makinenin, kendisine görevin nasıl gerçekleştirileceğini öğrenme yeteneği veren büyük miktarda veri ve algoritmalar kullanılarak eğitildiğini belirten uzmanlar, eğitim alanındaki temel makine öğrenimi uygulamalarını da uyarlanabilir öğrenme, verimliliği artırma, öğrenme analitiği, tahmine dayalı analitik, kişiselleştirilmiş öğrenme ve değerlendirme olarak sıralıyor.
Üsküdar Üniversitesi Mühendislik ve Doğa Bilimleri Fakültesi Yazılım Mühendisliği Bölüm Başkanı Doç. Dr. Türker Tekin Ergüzel, makine öğrenimi kavramına ilişkin değerlendirmelerde bulundu.
Yapay zekâ, altı disiplinden oluşuyor
Yapay zekâ kavramının altı farklı disiplinden oluştuğunu belirten Doç. Dr. Türker Tekin Ergüzel, bunları şöyle sıraladı:
- Doğal dil işleme
- Bilgi temsili
- Otomatik akıl yürütme: Soruları cevaplamak ve yeni sonuçlar çıkarmak için saklanan bilgileri kullanır.
- Yeni koşullara uyum sağlamak ve örüntüleri tespit: Tahmin etmek için makine öğrenimi.
- Bilgisayarlı görü: Nesneleri algılama amacıyla.
- Robotik: Nesneleri manipüle ve hareket ettirmek.
Makine öğrenimi nedir?
Genel bir yapay zekâ oluşturmak için bunların hepsini birden yapabilecek bir algoritmaya ihtiyaç olduğunu kaydeden Doç. Dr. Türker Tekin Ergüzel, “En temel anlamıyla makine öğrenimi, verileri ayrıştırmak, işlenmiş verilerden genelleştirilebilen bilgiler çıkartmak ve ardından dünyadaki bir olgu hakkında belirlenim ve tahminde bulunmak için çeşitli istatistik, lineer cebir, diferansiyel denklem tabanlı algoritmaların geliştirilmesine dayalı bir alandır. Bu nedenle, belirli bir görevi gerçekleştirmek için belirli bir dizi talimat içeren yazılım rutinlerini elle kodlamak yerine, makine, kendisine görevin nasıl gerçekleştirileceğini öğrenme yeteneği veren büyük miktarda veri ve algoritmalar kullanılarak eğitilir.” dedi.
Doç. Dr. Türker Tekin Ergüzel, makine öğrenimi yaklaşımları arasında, karar destek makinası öğrenimi, rastgele ağaç, tümevarımsal mantık programlaması, kümeleme, bayes ağları gibi yaklaşımların yer aldığını söyledi.
Derin öğrenme, makine öğrenmesinin alt kümesidir
Makine öğrenimi ile derin öğrenme arasındaki farklara değinen Doç. Dr. Türker Tekin Ergüzel, şunları söyledi:
“Bu bağlamda, günümüzde hiçbir makine öğrenmesi ya da derin öğrenme yöntemi, genel yapay zekânın nihai hedefine ulaşamamıştır. Makine öğrenimi kabaca tahmin bilimidir. Belirli bilinenler (özellikler) verildiğinde, bazı bilinmeyenleri (hedefleri) tahmin etmek istersiniz. Derin öğrenme ise makine öğrenmesinin bir alt kümesi olmakla birlikte, daha özelleşmiş ve yüksek hesaplama gücü gerektiren yötemleri içerir. Kavramların hiyerarşik olarak öğrenildiği bir makine öğrenimi alt alanıdır. Önce en basit kavramlar ortaya çıkar, ardından daha basit kavramların üzerine inşa edilen daha karmaşık kavramlar gelir. Genellikle bu, basit bir katmanlı kavramlar hiyerarşisine yol açar. Örneğin görüntüler pikseller kullanılarak tanımlanır. Bunlar, yüzler, lastikler, yapraklar vb. gibi çeşitli şekillerin oluşumuna yol açan motiflere/kenarlara yol açar. Müzik de benzer şekilde hiyerarşik olarak vuruşlardan, ölçülerden ve bölümlerden oluşur. Dil; karakterler, fonemler, heceler, kelimeler, deyimler, cümleler ve paragraflardan oluşur.
Sosyo-politik ağlar; bireylerden, ailelerden, topluluklardan, köylerden/kasabalardan/şehirlerden, illerden/eyaletlerden, milletlerden ve ulus bloklardan oluşur.
Derin öğrenme çok güçlü bir fikirdir
Fizyolojik sistemler; beslenme veya dolaşım gibi tüm fizyolojik işlevleri yerine getiren hücreler, dokular, organlar ve organ sistemlerinden oluşur. Gördüğünüz gibi, derin öğrenme, yani hiyerarşik kavramsal tabanlı öğrenme fikri, çok güçlü ve genel olarak uygulanabilir bir fikirdir. Derin öğrenmenin son başarısından, büyük miktarda veriyle öğrenilen derin sinir ağlarının etkinliği ile birlikte derin öğrenmenin genel uygulanabilirliği sorumludur.”
Derin öğrenme daha karışıktır
“Makine öğrenimi, uygulamanıza, işlediğiniz verilerin boyutuna ve çözmek istediğiniz sorunun türüne göre seçebileceğiniz çeşitli teknikler ve modeller sunar” diyen Doç. Dr. Türker Tekin Ergüzel, şunları söyledi:
“Başarılı bir derin öğrenme uygulaması, modeli eğitmek için çok büyük miktarda veri (binlerce görüntü) ve verilerinizi hızlı bir şekilde işlemek için GPU’lar veya grafik işleme birimleri gerektirir. Makine öğrenimi ve derin öğrenme arasında seçim yaparken, yüksek performanslı bir GPU’nuz ve çok sayıda etiketli verinizim olup olmadığını göz önünde bulundurulur. Bunlardan herhangi birine sahip değilseniz, derin öğrenme yerine makine öğrenimini kullanmak daha mantıklı olabilir. Derin öğrenme genellikle daha karmaşıktır, bu nedenle güvenilir sonuçlar elde etmek için en az birkaç bin görüntüye ihtiyacınız olacaktır. Yüksek performanslı bir GPU’ya sahip olmak, modelin tüm bu görüntüleri analiz etmesi için daha az zaman alacağı anlamına gelir.”
Eğitim alanında kullanılan makine öğrenimi uygulamaları
Doç. Dr. Türker Tekin Ergüzel, eğitim alanındaki temel makine öğrenimi uygulamaları hakkında da şu bilgileri verdi:
Uyarlanabilir Öğrenme: Bir öğrencinin performansını gerçek zamanlı olarak analiz eder ve bu verilere dayalı olarak öğretim yöntemlerini ve müfredatı değiştirir. Kişiselleştirilmiş bir katılım sağlamaya yardımcı olur ve daha iyi bir eğitim için bireye uyum sağlamaya çalışır. Yazılım, öğrencinin izlemesi gereken öğrenme yollarını önermede yardımcı olur. Öğrenciler, materyallerden öneriler ve yazılımdan diğer öğrenme metodolojileri alırlar.
Verimliliği Artırma: Daha iyi içerik ve müfredat organizasyonu ve yönetimi yeteneğine sahiptir. İşi buna göre ayırmaya ve herkesin potansiyelini anlamaya yardımcı olur. Bu, hangi çalışmanın öğretmen için en uygun olduğunu ve öğrenci için neyin işe yaradığını analiz etmeye yardımcı olur. Öğretmen ve öğrencilerin işlerini kolaylaştırır. Bu aynı zamanda katılımı ve katılıma ve öğrenmeye olan isteği/motivasyonu arttırır. Böylece eğitimin verimliliği artırılır. Ayrıca sınıf yönetimi, zamanlama vb. görevleri tamamlayarak eğitimcileri daha verimli hale getirme potansiyeline sahiptir. Böylece eğitimciler, yapay zekâ ile elde edilemeyen ve insan dokunuşu gerektiren görevlere odaklanmakta özgürdür.
Öğrenme Analitiği: Çoğu zaman öğretmen de öğretirken takılabilir. Bu nedenle, içgörüler ve öz, öğrenciler tarafından tam olarak anlaşılmamaktadır. Öğretmen, öğrenme analitiği ile verilere ilişkin içgörü kazanabilir. Milyonlarca içerik arasında geçiş yapabilir, onu yorumlayabilir ve ardından bağlantılar ve sonuçlar çıkarabilir. Bu, öğretme ve öğrenme sürecini olumlu yönde etkileyebilir. Bunun dışında, öğrenme analitiği, öğrencinin izlemesi gereken yolları önerir. Öğrenciler, bu yazılımdan materyaller ve diğer öğrenme metodolojileri ile ilgili öneriler alarak fayda sağlayabilirler.
Tahmine Dayalı Analitik: Eğitimde tahmine dayalı analitik, tamamen öğrencilerin zihniyetini ve ihtiyaçlarını bilmekle ilgilidir. Gelecekte olabilecek şeyler hakkında sonuçlar çıkarmaya yardımcı olur. Sınıf testleri ve yarıyıl sonuçları ile hangi öğrencilerin sınavda başarılı olacağı ve hangi öğrencilerin zorlanacağı anlaşılabilir. Bu sayede öğrenciye daha iyi bir şekilde yardımcı olunabilir ve zayıf olduğu konular üzerinde çalışabilir.
Kişiselleştirilmiş Öğrenme: Özelleştirilebilir ve bireysel gereksinimler bu sayede halledilir. Bu eğitim modeli sayesinde öğrenciler kendi öğrenmelerine rehberlik edebilirler. Kendi hızlarına sahip olabilirler, ne öğrenecekleri ve nasıl öğrenecekleri konusunda kararlar alabilirler. İlgilendikleri konuları, öğrenmek istedikleri öğretmeni ve takip etmek istedikleri müfredatı, standartları ve modeli seçebilirler.
Değerlendirme: Makine öğrenimi sonucu geliştirilen şablon, öğrenci ödevlerini ve sınavlarını bir insandan daha doğru bir şekilde derecelendirmek için kullanılır. Yine de insanlardan bazı girdiler gerekir. Ancak, daha yüksek güvenilirlik ve düşük hata olasılığı olduğundan, bir makine işi yaptığında en doğru ve hassas sonuçların geçerliliği ve güvenilirliği daha yüksek olacaktır.
