İnternete^(Internet) bağlı cihazlara akıllı cihazlar denir. İnternet^(Internet) ile ilgili hemen hemen her şey akıllı cihaz^{(smart device)} olarak bilinir . Bu bağlamda, cihazları minimum düzeyde veya herhangi bir insan müdahalesi olmadan çalışabilmesi için DAHA ^{( –)}AKILLI^{(SMARTER – )} hale getiren kodun Yapay Zeka^{(Artificial Intelligence)} (AI) üzerine kurulu olduğu söylenebilir . Diğer ikisi, yani: Makine Öğrenimi^{(Machine Learning)} (ML) ve Derin Öğrenme^{(Deep Learning)} (DL), akıllı cihazlara daha fazla yetenek getirmek için oluşturulmuş farklı algoritma türleridir. Ne yaptıklarını ve AI'ya nasıl bağlandıklarını anlamak için AI vs ML vs DL'yi^{(AI vs ML vs DL )} aşağıda ayrıntılı olarak görelim .

ML & DL ile ilgili olarak Yapay Zeka Nedir?

AI, Makine Öğrenimi^{(Machine Learning)} (ML) süreçlerinin ve Derin Öğrenme^{(Deep Learning)} (DL) süreçlerinin bir üst kümesi olarak adlandırılabilir . AI genellikle ML ve DL için kullanılan bir şemsiye terimdir. Derin Öğrenme^{(Deep Learning)} yine Makine Öğreniminin^{(Machine Learning)} bir alt kümesidir (yukarıdaki resme bakın).

Bazıları, Makine Öğreniminin^{(Machine Learning)} artık evrensel AI'nın bir parçası olmadığını iddia ediyor. Makine öğreniminin başlı başına tam bir bilim olduğunu ve bu nedenle Yapay Zeka^{(Artificial Intelligence)} ile anılmasının gerekmediğini söylüyorlar . AI, veriler üzerinde gelişir: Büyük Veri^{(Big Data)} . Ne kadar çok veri tüketirse, o kadar doğru olur. Her zaman doğru tahmin edeceğinden değil. Sahte bayraklar da olacak. Yapay zeka kendini bu hatalar konusunda eğitiyor ve insan gözetimi olsun ya da olmasın yapması gereken şeyde daha iyi hale geliyor.

Yapay Zeka , hemen hemen tüm sektörlere nüfuz ettiği ve çok fazla (iş) süreç ve algoritma türünü etkilediği için tam olarak tanımlanamıyor. Yapay Zekanın ^{(Intelligence)}Veri Bilimine^{(Data Science)} (DS: Big Data ) dayandığını ve ayrı bir parçası olarak Makine Öğrenmesini^{(Machine Learning)} içerdiğini söyleyebiliriz. Aynı şekilde^(Likewise) Derin Öğrenme , ^{(Deep Learning)}Makine Öğreniminin^{(Machine Learning)} ayrı bir parçasıdır .

BT pazarının eğilme şekli, geleceğe Nesnelerin İnterneti (IoT)^{(Internet of Things (IoT))} adı verilen bağlantılı akıllı cihazlar tarafından hükmedilecektir . Akıllı^(Smart) cihazlar yapay zeka anlamına gelir: doğrudan veya dolaylı olarak. Halihazırda günlük yaşamınızda birçok görevde yapay zeka (AI) kullanıyorsunuz. Örneğin, “kelime önerisinde” daha iyi olmaya devam eden bir akıllı telefon klavyesinde yazmak. Bilmeden Yapay Zeka^{(Artificial Intelligence)} ile uğraştığınız diğer örnekler arasında İnternet'te^(Internet) bir şeyler aramak , çevrimiçi alışveriş ve tabii ki her zaman akıllı Gmail ve Outlook e-posta gelen kutuları vardır.

Makine Öğrenimi Nedir?

Makine Öğrenimi^(Learning) , amacın bir makinenin (veya bilgisayarın veya bir yazılımın) çok fazla programlama yapmadan kendini öğrenmesini ve eğitmesini sağlamak olduğu bir Yapay Zeka^{(Artificial Intelligence)} alanıdır . Bu tür cihazlar, görevleri tamamlamak için daha iyi performans göstermeyi öğrenmek de dahil olmak üzere insan yöntemlerini uyguladıkları için daha az programlamaya ihtiyaç duyarlar. Temel olarak^(Basically) ML, bir bilgisayarı/cihazı/yazılımı biraz programlamak ve kendi kendine öğrenmesini sağlamak anlamına gelir.

Makine Öğrenimini^{(Machine Learning)} kolaylaştırmak için birkaç yöntem vardır . Bunlardan aşağıdaki üçü yaygın olarak kullanılmaktadır:

1. denetimli,
2. Denetimsiz ve
3. Takviye öğrenme.

Makine Öğreniminde^{(Machine Learning)} Denetimli Öğrenme

Programcıların önce makineye etiketlenmiş veriler ve önceden işlenmiş yanıtlar sağladığı bir anlamda denetlenir. Burada etiketler, bir veritabanındaki veya elektronik tablodaki satır veya sütun adları anlamına gelir. Bu tür büyük veri setlerini bilgisayara besledikten sonra, daha fazla veri setini analiz etmeye ve kendi başına sonuç vermeye hazırdır. Bu, bilgisayara kendisine beslenen verileri nasıl analiz edeceğini öğrettiğiniz anlamına gelir.

Genellikle 80/20 kuralı kullanılarak onaylanır. Cevapların arkasındaki mantığı deneyen ve öğrenen bir bilgisayara büyük^(Huge) veri kümeleri beslenir. Bir olaydan alınan verilerin yüzde 80'i, yanıtlarla birlikte bilgisayara beslenir. Kalan yüzde 20, bilgisayarın uygun sonuçlar verip vermeyeceğini görmek için cevapsız beslenir. Bu yüzde 20, bilgisayarın (makinenin) nasıl öğrendiğini görmek için çapraz kontrol için kullanılır.

Denetimsiz Makine Öğrenimi

Denetimsiz Öğrenme, makine etiketlenmemiş ve sıralı olmayan rastgele veri kümeleriyle beslendiğinde gerçekleşir. Makine, sonuçları nasıl üreteceğini bulmalıdır. Örneğin, ona farklı renklerde softbollar sunuyorsanız, renklere göre kategorize edebilmesi gerekir. Böylece, gelecekte makineye yeni bir softbol sunulduğunda, veri tabanında mevcut etiketlerle topu tanımlayabilir. Bu yöntemde eğitim verisi yoktur. Makine kendi kendine öğrenmelidir.

Pekiştirmeli Öğrenme

Bir dizi karar verebilen makineler bu kategoriye girer. Sonra bir ödül sistemi var. Makine, programcının istediği her şeyi başarırsa, bir ödül alır. Makine, maksimum ödülü isteyecek şekilde programlanmıştır. Ve bunu elde etmek için, farklı durumlarda farklı algoritmalar geliştirerek sorunları çözer. Bu, AI bilgisayarının sonuçlara ulaşmak için deneme yanılma yöntemlerini kullandığı anlamına gelir.

Örneğin makine sürücüsüz bir araç ise yolda kendi senaryolarını oluşturması gerekiyor. Bir programcının, makine yoldayken tüm olasılıkları düşünemediği için her adımı programlamasına imkan yoktur. Güçlendirme Öğreniminin^{(Reinforcement Learning)} devreye girdiği yer burasıdır . Buna deneme yanılma yapay zekası da diyebilirsiniz.

Derin Öğrenmenin Makine Öğreniminden farkı nedir?^{(Machine Learning)}

Derin Öğrenme^{(Deep Learning)} daha karmaşık görevler içindir. Derin Öğrenme , ^{(Deep Learning)}Makine Öğreniminin^{(Machine Learning)} bir alt kümesidir . Yalnızca, makinenin öğrenmesine yardımcı olan daha fazla sinir ağı içerdiğini. Yapay^(Manmade) sinir ağları yeni değil. Dünyanın dört bir yanındaki laboratuvarlar^(Labs) , makinelerin bilinçli kararlar alabilmesi için sinir ağları oluşturmaya ve iyileştirmeye çalışıyor. Suudi Arabistan'da^(Saudi) düzenli vatandaşlık verilen bir insansı olan Sophia'yı^(Sophia) duymuş olmalısınız . Sinir ağları insan beyni gibidir ancak beyin kadar karmaşık değildir.

Denetimsiz derin öğrenme sağlayan bazı iyi ağlar vardır. Derin Öğrenmenin^{(Deep Learning)} daha çok insan beynini taklit eden sinir ağları olduğunu söyleyebilirsiniz . Yine de, yeterli örnek veriyle, örnek verilerden ayrıntıları almak için Derin Öğrenme^{(Deep Learning)} algoritmaları kullanılabilir. Örneğin, bir görüntü işlemcisi DL makinesi ile, makineye sorulan sorulara göre değişen duygularla insan yüzleri oluşturmak daha kolaydır.

Yukarıdakiler, AI'ya karşı MI'ya karşı DL'yi daha kolay bir dilde açıklar. AI ve ML, yeni açılan ve muazzam bir potansiyele sahip olan geniş alanlardır. Bazı insanların Yapay Zekada ^{(Artificial Intelligence)}Makine Öğrenimi^{(Machine Learning)} ve Derin Öğrenme^{(Deep Learning)} kullanımına karşı olmasının nedeni budur .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are сalled smart devices. Prettу much еverything related to the Internet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.

Related posts

• SMS Organizer: SMS Application Machine Learning tarafından desteklenmektedir

• Artificial Intelligence Hakkında Gerçekler ve Efsaneler

• Derin Learning and Neural Network nedir

• Windows 10 için Best Free Artificial Intelligence software

• Windows üzerinde WAMP kullanarak Drupal nasıl yüklenir

• Oturum mesajlaşma uygulaması teklifler güçlü güvenlik; No phone numarası gerekli!

• Ücretsiz Task Management Software Takım Çalışması yönetmek için

• 10 En İyi USB LED Lambalar için Lambalar

• Best Laptop Tables çevrimiçi satın almak

• Nine Nostalgic Tech Sounds muhtemelen yıllarda duymamış

• NFT ne demek ve NFT Digital Art nasıl oluşturulur?

• Best Ücretsiz Secure Digital Notebook Software & Online Services

• Data Analytics nedir ve ne için kullanılır?

• Silly Window Syndrome nedir - Explanation and Prevention

• Ne Sanal Credit Cards ve nasıl & nereye alırım?

• Windows 10'da Windows 95'i nasıl yüklenir

• NASA'nin Eyes Universe'i Astronauts gibi keşfetmenize yardımcı olur

• Zip file, DropBox'ten dosyaları indirirken çok büyük bir hatadır

• Disqus comment Kutu yükleme veya bir web sitesi için gösterme

• Microsoft Identity Manager: Özellikler, Download