Machine Learning [Makine Öğrenmesi]: Yapay Zeka

 "Hiç çok gerçek olduğundan emin olduğun bir düş gördün mü Neo? Peki, bu düşten hiç uyanmasaydın, düşler dünyasıyla gerçek dünya arasındaki farkı nasıl anlayacaktın?"
MORPHEUS

Yapay zekaya hoş geldiniz! Ya da sınırlandırılmış zeka mı demeliyim. Sınırlandırılmış, kurgulanmış bir zeka sizce de yapay değil mi? Fakat hayatımızı kolaylaştırmak veya hazlarımızı gerçekleştirmek adına yapay zekaya ihtiyaç duyuyoruz. İnsanlığın zekasını ön plana çıkarmak için mi yoksa üşengeçliğini göz ardı etmek için mi buna ihtiyaç duyduğuna tam olarak karar veremesemde, belirli bir hissin bizi buna çektiğine eminim.

Gelin henüz uyanmadığımız düşümüzün gerçekliğinde, bir düş daha oluşturalım. Düşün içine düşmüş düş, bilgisayarlara ait olsun ve biz onlara yeni bir zekayı keşfetme süreçlerinde yardım edelim. Buna da Machine Learning [Makine Öğrenmesi] diyelim.

Machine Learning' e gerçek zamanlı bir örnek verecek olursam şuan Machine diye yazmaya başlarken LibreOffice'in bu yazdığımı bana Machine Learning olarak sunması bir Machine Learning' dir. Biraz karışık gelmiş olabilir fakat anlatmak istediğim biz bilgisayarlara belirli modellemeler oluşturuyoruz ve onların kendiliğinden öğrenmesini sağlıyoruz ve tahmini olarak bizlere sunduğu “Yazmak istediğiniz bu mu?” bilinciyle tamamlattığı kelimelerle bir makine öğrenmesini kademeli olarak görebiliyoruz.

Machine Learning' e bir sürü örnek verilebilir; bir e-mailin spam olup olmadığı, parmak izinin, sesin ya da el yazısının kime ait olduğu, beyin aktivitelerinde ki değişikliklerle o insanın ne düşündüğü veya ne hissettiği hakkında bilgi oluşturulabilir. Günlük hayatımızda çokça kullanmaya başladığımız Machine Learning' i daha bir çok örnek ile de açıklayabiliriz.

GenKök'te gerçekleştirdiğimiz eğitimimizde Machine Learning derslerini (https://www.coursera.org/course/ml ) Stanford University'den Andrew Ng' nin videolarından öğreniyoruz. Oldukça basite indirgeyerek anlattığı derslerin anlaşılmasının kolaylığı açısından ve problem sorarak öğrenmeyi garantileyerek ilerlediği dersleri takip etmenizi tavsiye ediyorum.

Stanford University' ne ait aşağıdaki videoda bir helikopterin uçmayı öğrenme aşamasını izliyoruz. Yazılan modeller doğrultusunda rüzgarın geliş açısına göre nasıl davranacağını, hava şartlarına nasıl uyum sağlayacağını, dış etkenlere maruziyette nasıl bir yol izleyeceğini uçmaya başladığında deneyerek öğreniyor. Videoda da görüldüğü gibi sürekli ters dönerek, yukarı aşağı hareket ederek uçmayı öğrenmeye çalışıyor. Tüm etkilere vereceği tepkileri deneyerek öğrendikten sonra -tıpkı bir bebek gibi- düzgün uçmaya başlıyor.

 Yapay zekayı oluşturmak oldukça zor bir şey, bunun nedeni ise bizler tam olarak nasıl düşündüğümüzü ve nasıl öğrendiğimizi bilmediğimizden dolayı bunu bir makineye uygulayamıyoruz. Çünkü öğretme aşamasında canlı beynini model olarak alıyoruz ve ona benzer yorumlatmaya çalışıyoruz, bu da canlının öğrenme aşamasını tam olarak bilemediğimiz için bizlere zaman kaybettiriyor. Deneme yanılma yoluyla öğrenmeyi gerçekleştiriyoruz.

Machine Learning linear regression [doğrusal regresyon] ve non-linear regression [doğrusal olmayan regresyon] olmak üzere ikiye ayrılmakta. Ben bugün sizlere linear regression'dan [doğrusal regresyon] bahsedeceğim. Sınıflandırma metodlarından biri olan linear regression [doğrusal regresyon] ile başlayalım, daha sonraki haftalarda diğer sınıflandırma metodlarından bahsedeceğim. Machine Learning oldukça uzun bir konu, bölüm bölüm bahsetmek daha yararlı olacaktır diye düşünüyorum.

Regresyon analizleri ile parametrelerimiz arasındaki neden-sonuç ilişkisini inceleyebiliyoruz. Bir örnek üzerinden gidelim. Daha öncesinde ise neden bu grafiği çizmek istediğimden bahsedeyim. Grafik, Kayseri' nin Melikgazi ilçesindeki villaların metrekare ve fiyat parametreleri dışındakilerin sabit tutulmasıyla oluşturuldu. Burada amaçladığımız şey; villa almak veya satmak istersek villamızın metrekaresine göre en doğru fiyat ne olmalıdır sorusuna cevap bulmak. Araştırma yapmadan oluşturduğumuz fiyat her zaman doğru olmayabilir, hatta çoğu zaman kar elde ettiğini düşündüğümüz yerden zararla çıkabiliyoruz. Biyoinformatik şirketi için uygun villa fiyatına bakmadan önce bu grafiği oluşturdum. Tüm verilere sahibinden.com web adresindeki emlak bölümünden aldım. Emlak bölümündeki parametrelerin hepsini sabit tutarak oluşturduğum listeyi Excel'e ekledim. Excel'in grafiklerinden yararlanarak linear regression grafiğini oluşturdum. Parametrelere bakarak ileriye dönük tahminlerde bulunmamızı sağlayan bu analiz sonucunda eğer bir gün villa satın almak istersem yararlanabilirim, tabi günümüze uygun datalar ile hesaplanmış olmasına dikkat etmek gerekli :).

Şunu da eklemeliyim ki yukarıdaki grafik villa olmasından dolayı pek sağlıklı değil. Şöyle ki adı villa olunca metrekaresinin pek önemi olmuyor, belirli bir fiyattan başlıyor. Birkaç uçuk fiyatı silmiş olsaydım doğrusal regresyonu daha net görebilirdik fakat gerçeği bu. 

Son olarak bir örnek daha vererek bitiriyorum. Çin' de pilot uygulama olarak Machine Learning denemişler. Mahkemedeki hakimler bilgisayar programları olmuş. Sizin de bildiğiniz gibi kimi zaman duygular veya savunulan dava uğruna objektif karar vermek güçleşebiliyor. Daha adil bir karar verilmesi adına böyle bir uygulamaya gitmişler. Bu uygulamaya ihtiyaç duyulmasının biraz da sayılarının çokluğundan olsa gerek diye düşünmüyor değilim :).  Nedeni her olursa olsun daha adil bir dünya için güzel bir tercih olacaktır. 

Peki herşeyi yapay zekalar ile makineler yapınca ne olacak? 

Bırakın yapay olanda yapay zekalar kalsın. Şimdi düşten uyanma vakti! Düşten yani Matrix'ten çıktığınız gün size "Ütopyama Hoş Geldiniz!" diyeceğim. Gerçek zekalarla, gerçekleri gördüğünüz yerde görüşmek dileğiyle,

Bihter