PROF. DR. FİKRİ AKDENİZ - BİLİM DÜNYASI


Makine Öğrenimi ve Veri Bilimi

Prof. Dr. Fikri Akdeniz, Çağ Üniversitesi Doç. Dr. Esra Akdeniz, Marmara Üniversitesi Bu yazımızda ülkemizda az bilinen meslek dallarından ikisini tanıtacağız.


2050’de iş piyasasının neye benzeyeceği konusunda hiçbir fikrimiz yok. Makine öğrenmesi ve robot teknolojisinin yoğurt yapımından yoga eğitmenliğine hemen her iş alanını etkileyebileceği yaygın bir kanı [1]. Bu durumun yaratabilecekleri konusunda olumlu veya olumsuz görüşler var olmakla birlikte henüz sonucu kestiremiyoruz. Ancak makinelerin her geçen gün insan davranışlarını daha iyi modellediği bilinen bir gerçektir. İnsanlar fiziksel ve zihinsel olmak üzere iki tür beceriye sahiptirler. Geçmişte makineler sadece fiziksel alanlarda insanlığa üstünlüklerini sürdürürken bugün yapay zekâ, öğrenme, analiz etme ve insan duygularını anlamak dahil zihinsel becerilerde de insanları aşacak düzeye geliyor.

Geçtiğimiz yarım yüzyıl boyunca yaşama ve çalışma şeklimiz çarpıcı biçimde değişti. 21. yüzyılda dünya yüzlerce ve binlerce verinin etrafında dönüyor. Dolayısıyla bu verilerin işlenmesi ve bu amaca hizmet etmesi oldukça doğal hale geliyor, güçlü cihazlar bir zorunluluk haline geldi. COVID-19 pandemisi ile birlikte bu değişim daha da hızlandı. İnternet üzerinden yapılan eğitimler, alışverişler, HES kodu uygulamaları vs. dijital çağa doğru ilerlediğimizin adeta habercisidir.  Dijital çağ aynı zamanda Bilgi Çağının başlangıcıdır. Bu yeni dijital çağda bilgiye erişim büyük ölçüde gelişti. Daha önce yalnızca bilim insanları ve hükümet yetkilileri tarafından erişilebilen verilere artık herkes ücretsiz olarak erişebiliyor. COVID-19 ile ilgili paylaşılan veriler bu değişimin bir örneğidir. Her geçen gün daha çok veri ile donatılıyoruz. Yaş fakı olmaksızın bugün hemen herkesin akıllı telefonu var. Her gün kaç adım attığımız, girdiğimiz sosyal platformlar, uyku kalitemiz vs. birer veri olarak bu telefonlara kaydedilmektedir.

Şüphesiz ki veri toplama uğruna veri toplamıyoruz - belirsizlik durumunda karar vermek için veri topluyoruz. Bu nedenle veri merkezli bir dünyaya doğru ilerliyoruz çünkü böyle bir dünya - ideal olarak - daha büyük bir kesinlik ve daha küçük hata payları ile hareket etmemizi sağlıyor. Bilgi ve verilerin bağlamını ve aynı zamanda başarılı olmak için en iyi nasıl kullanılabileceğini anlamak önemlidir. Yapay zekâ, makine öğrenimi ve veri bilimi, bu verileri anlamlandırmak için gerekli araçlardır.  

Peki nedir bu yapay zekâ, makine öğrenmesi ve veri bilimi?

Yapay zekâ, bir bilgisayarın veya bilgisayar kontrolündeki bir robotun, çeşitli faaliyetleri zeki canlılara benzer şekilde yerine getirme kabiliyetidir. Bu terim ilk olarak 1956'da ABD li matematikçi ve bilgisayar bilimci John McCarthy (1927-2011) tarafından aşağıdakileri içeren "düşünme makineleri" kavramını tartışmak ve geliştirmek için icat edildi: Bunlar • Otomata teorisi  • Karmaşık bilgi işleme  • Sibernetik (Güdümbilimi). Yaklaşık altmış yıl sonra, yapay zeka artık bilgisayar sistemlerinin tipik olarak insan tarafından yapılması gereken görevleri yerine getirmek için geliştirildiği bilgisayar biliminin bir alt alanı olarak algılanıyor. Bu alan şunları içerir: • Karar verme  • Konuşma tanıma  • Diller arasında çeviri  • Görsel algı.

Makine öğrenimi,  özellikle ABD de 1990lı yılların başından beri kullanılıyor. Uzun yıllardır bu konuda uluslararası bilimsel toplantılar düzenleniyor. Yapay zekanın bir alt dalıdır ve bilgisayar programlarının deneyim yoluyla otomatik olarak gelişmesine izin veren bilgisayar algoritmaları üzerine yapılan çalışmadır.  Buradaki temel öncül, girdi verisini alabilen ve yeni veri elde edildikçe çıktıları güncellerken bir çıktıyı tahmin etmek için istatistiksel modellerden yararlanabilen algoritmalar geliştirmektir.  Çoğumuz makine öğrenimini şu veya bu şekilde eylem halinde deneyimledik. Son zamanlarda hayatımıza giren Amazon, Spotify, Netflix gibi uygulamalar sizlere beğenebileceğiniz ürünleri, müzikleri veya filmleri nasıl öneriyor düşündünüz mü? [2]  Örneğin Spotify, beğendiğiniz birçok şarkının yanı sıra bunlara karşılık gelen ses istatistiklerini (dans edilebilme, enstrümantalite, ritm veya tür) içeren bir makine öğrenimi modeli kurarak size yüksek olasılıkla zevk alabileceğiniz bir kişisel öneri sistemi oluşturmaktadır. Sonuç olarak, makine öğreniminin istatistikolasılık kuramıveri madenciliğiörüntü tanımayapay zekâuyarlamalı denetim ve kuramsal bilgisayar bilimi gibi alanlarla yakından ilintili olduğunu göstermektedir. Bazı insanlar makine öğreniminin yüksek boyutlarda istatistik olduğu görüşüne bağlı kalıyor. İstatistikteki, deney planlaması, rastgele denemeler, örnekleme v.d gibi temel fikirler önem taşır. Bazı insanlar ML'yi sinirbilim mühendisliği olarak görür (örneğin derin öğrenme) Bu yaklaşımlar birçok bakış açısının bir karışımı olmasıyla büyük bir güç kaynağıdır. [4] 

Veri bilimi, verideki örüntüleri belirleyerek tahminler üretme bilimidir. Veri bilimi alanı, matematik, istatistik ve bilgisayar bilimi disiplinlerini kullanır. Veri Bilimi, veri çıkarma ve dönüştürme, veri temizleme, veri keşfi, veri analizi, makine öğrenimi ve veri görselleştirme dahil olmak üzere eksiksiz bir veri işleme yelpazesini kapsayan eksiksiz bir süreçtir. Verilerin anlamlandırılmasıyla işletmeler rekabet avantajı elde eder, yeni pazar fırsatları yakalar, verimliliklerini arttırır ve maliyetlerini azaltır. Veri Bilimi, ideal olarak makine öğreniminin alt kümesi değildir, ancak gerçek dünyadaki iş sorunlarını çözmek için tahminlerde bulunmak üzere makine öğrenimini kullanır. Makine Öğrenimi, Veri Bilimi Sürecinde tek bir adımdır. Makine öğrenimini kullanmak, bir veri bilimcisinin işinin yalnızca bir yönüdür

Makine öğrenimi mühendisleri ve veri bilimcileri birlikte uyumlu bir şekilde çalışırlar. Makine öğrenimi (ML) ile sayısal sinirbilimden ilham alan modeller geliştirebilirsiniz.  Öncelikle her iki meslek de oldukça yeni olduğu için, makine öğrenimi uzmanı ile veri bilimci rolleri arasında bazı karışıklıklar vardır. Beceri ve deneyimlerde birçok örtüşme olmakla birlikte rollerinde bazı farklılıklar vardır. Bir makine öğrenimi mühendisinin sorumlulukları, üzerinde çalıştıkları projeye göre olacaktır. Bununla birlikte makine öğrenimi mühendisleri çoğunlukla, istatistiksel modelleme süreçlerine dayanan algoritmalar oluşturmaktan ve üretimde ölçeklenebilir makine öğrenimi çözümlerini sürdürmekten sorumludur. Veri bilimciler ise büyük miktarda veriyi depolamak ve temizlemek, değerli örüntüleri belirlemek için veri kümelerini keşfetmek, tahmine dayalı modeller oluşturmak ve veri bilimi projelerini tümüyle yürütmekten sorumludur. Bir istatistikçiyle karşılaştırıldığında, bir veri bilimci programlama hakkında daha çok şey bilir. Bununla birlikte, bir yazılım mühendisi ile karşılaştırıldığında, istatistik hakkında kodlamadan çok daha fazlasını bilirler [3].

Veri biliminin, makine öğrenmesinin ve yapay zekanın tüm araçları ve teknolojileri, istatistiğin dallarıdır. Bu araçlar her zaman gelişecektir, örneğin Python, R'ın yerini alabilir ancak temel mantık büyük ölçüde aynı kalacaktır. Bunu aklınızda tutarak kendinize bir iyilik yapın ve istatistik öğrenin. Kariyer seçenekleriyle ilgili daha kapsamlı bir bilgi arıyorsanız, internet kullanarak nasıl veri bilimci olunacağı ve nasıl makine öğrenimi mühendisi olunacağı hakkındaki kılavuzlara ve proje çalışmalarına göz atın.

Yapay zeka algoritmalarının radyoloji görüntülerinden elde edilen bilgileri raporlaması hasta bakımını önemli ölçüde iyileştirebilir. Otonom arabalar birçok trafik kazasının önüne geçerken, az gelişmiş ülkelerin yoksul köylüleri akıllı telefonları aracılığıyla öğrenim algoritmaları ve biyometrik sensörler sayesinde iyi bir sağlık hizmetine ulaşabilir. Bu algoritmaların hayatımıza başka neler getirebileceği başka bir yazının konusu olsun.

2050 yılında iş piyasasının nasıl olacağını bilmediğimizle yazımıza başlamıştık, ancak veri bilimcilerin bu piyasada kesin olarak var olacağını öngörmekle çok da yanılmış olmayacağımız görüşündeyiz.

Veri ile kalınız!

Sık kullanılan sözcükler ve İngilizce karşılıkları: Veri (Data), Veri Bilimi (Data science,),  Makine öğrenimi (Machine learning(ML)), Yapay zeka (Artificial Intelligence(AI)), Yazılım mühendisliği (Software engineering), Veri Mühendisliği (Data engineering), Veri toplama, seçme, temizleme ve dönüştürme (data wrangling)

KAYNAKLAR

1. Harari, Y. N. (2018). 21 Lessons for the 21st Century. Random House.

2. https://research.netflix.com/research-area/machine-learning

3. https://www.springboard.com/blog/machine-learning-engineer-vs-data-scientist/

4. Sridhar MahadevanIs machine learning a made-up profession?”(İnternet bilgisi)

 

 

 



YAZARLAR

  • Pazar 33.9 ° / 22 ° Bulutlar
  • Pazartesi 34.4 ° / 22.7 ° Açık hava
  • Salı 36.2 ° / 23.3 ° Bulutlar
  • BIST 100

    1.419%0,10
  • DOLAR

    8,6605% 1,58
  • EURO

    10,1884% 1,29
  • GRAM ALTIN

    487,74% 1,50
  • Ç. ALTIN

    804,771% 1,50