Makine öğrenmesini anlama
Makine öğrenmesi çoğu yapay zeka çözümünün temelidir. 1950'lerden bu yana, çoğu zaman veri bilimcisi olarak bilinen araştırmacılar yapay zekaya yönelik farklı yaklaşımlar üzerinde çalışmıştır. Yapay zekanın çoğu modern uygulaması, bilgisayar bilimi ve matematiği birleştiren yapay zeka dalı olan makine öğrenmesine dayanır.
Makine öğrenmesinin zor bir sorunu çözmek için nasıl kullanılabileceğini gösteren gerçek dünya örneğine göz atalım.
Sürdürülebilir tarım teknikleri, mahsul verimini en üst düzeye çıkarmak ve oldukça hassas olan ürünleri korumak için oldukça önemlidir. Avustralya merkezli bir tarım teknolojisi şirketi olan Yield, çiftçilerin hava durumu, toprak ve tesis koşullarıyla ilgili bilinçli kararlar almalarına yardımcı olmak için algılayıcılar, veriler ve makine öğrenmesi kullanır.
Daha fazla bilgi edinmek için aşağıdaki videoyu izleyin.
Makine öğrenmesinin çalışma şekli
Peki bu makineler nasıl öğreniyor?
Verileri kullanarak. Günümüzde her gün çok miktarda veri oluşturuyoruz. Kısa mesajlardan e-postalara, sosyal medya gönderilerine ve telefonlarımızda çekip gönderdiğimiz fotoğraflara ve videolara kadar çok miktarda bilgi üretiyoruz. Evlerimizde, arabalarımızda, şehirlerde, toplu ulaşım altyapısında ve fabrikalarda yer alan milyonlarca algılayıcı da sürekli veri oluşturmaya devam ediyor.
Veri bilimcileri bu tür verileri kullanarak verilerde buldukları ilişkileri temel alan tahminlerde bulunan veya çıkarımlar yapan makine öğrenmesi modelleri eğitebilir.
Makine öğrenmesi modelleri, veriler arasındaki ilişkiyi yakalamaya çalışır. Örneğin gönüllülerin telefonlarındaki bir uygulamayı kullanarak vahşi bitkileri tanımlamasını ve bunlardan katalog oluşturmayı hedefleyen bir çevre kuruluşunu düşünelim. Aşağıdaki animasyonda makine öğrenmesinin bu senaryoyu nasıl mümkün hale getirebileceği gösterilmiştir.
- Botanist ve bilim insanlarından oluşan bir ekip, kır çiçeği örnekleriyle ilgili veri toplar.
- Ekip örnekleri doğru tür adlarıyla etiketler.
- Etiketlenen veriler, örneklerin özellikleriyle etiketlenen türler arasındaki ilişkileri tespit eden bir algoritma kullanılarak işlenir.
- Algoritmanın sonuçları bir modelde kapsüllenir.
- Gönüllüler yeni örnekler bulduğunda model doğru tür etiketlerini belirleyebilir.
Yapay zeka yaklaşımları, çok daha karmaşık görevleri tamamlamak için gelişmiştir. Bu karmaşık modeller yapay zeka özelliklerinin temelini oluşturur.
Microsoft Azure'da makine öğrenmesi
Microsoft Azure, makine öğrenmesi modeli oluşturmak, yönetmek ve yayımlamak için kullanılabilecek bulut tabanlı bir platform olan Azure Machine Learning hizmetini sunar. Azure Machine Learning Studio aşağıdakiler gibi birden çok yazma deneyimi sunar:
- Otomatik makine öğrenmesi: Bu özellik, uzman olmayanların verilerden hızlı bir şekilde etkili bir makine öğrenmesi modeli oluşturmasını sağlar.
- Azure Machine Learning tasarımcısı: Makine öğrenmesi çözümlerinin kod olmadan geliştirilmesini sağlayan grafik arabirim.
- Veri ölçümü görselleştirmesi: Görselleştirme ile denemelerinizi analiz edin ve iyileştirin.
- Not defterleri: Doğrudan stüdyoyla tümleşik olan yönetilen Jupyter Notebook sunucularında kendi kodunuzu yazın ve çalıştırın.