Yapay Zekâyı Sıfırdan Öğrenin: Temel Kavramlar ve Günlük Çalışma Planı

Yapay zekâyı sıfırdan öğrenmek için birkaç temel fikirle başlayın: yapay zekâ sistemleri elle yazılmış kuralları izlemek yerine verideki örüntüleri öğrenir, sinir ağları modern yapay zekânın ana aracıdır ve sohbet botları gibi büyük dil modelleri bir sonraki metin parçasını tahmin ederek çalışır. Bunlar oturduğunda haberleri anlayabilir, yapay zekâ araçlarını daha akıllıca kullanabilir ve kodlamaya girip girmeyeceğinize karar verebilirsiniz. Bu rehber temel kavramları sade bir dille anlatıyor ve günde birkaç dakikada yapay zekâ öğrenmeniz için basit bir plan sunuyor.

Öne çıkanlar

• Yapay zekâ, makine öğrenimi ve derin öğrenme, en genelden en dara doğru iç içe geçmiş fikirlerdir.
• Makine öğreniminin üç ana türü var: denetimli, denetimsiz ve pekiştirmeli öğrenme.
• Büyük dil modelleri token tahmin eder; akıcılıkları doğrulanmış bilgi anlamına gelmez.
• Kısa günlük oturumlar ve kendini sınamayla gerçek bir anlayış kurabilirsiniz.

#Yapay zekâ tam olarak nedir?

Yapay zekâ, insan zekâsıyla ilişkilendirdiğimiz işleri yapan bilgisayar sistemleri kurma alanıdır: görüntü tanıma, dili anlama, karar verme ya da oyun oynama.

Bilmeye değer iki tarihsel dayanak noktası var:

• 1950'de Alan Turing, makinelerin düşünüp düşünemeyeceğini soran ve sonradan Turing testi olarak bilinecek fikri öneren "Computing Machinery and Intelligence" makalesini yayımladı.
• "Yapay zekâ" terimi, John McCarthy ve arkadaşlarının düzenlediği, 1956'da Dartmouth College'daki bir yaz çalıştayıyla anılır.

Erken yapay zekâ ağırlıklı olarak elle yazılmış kurallara dayanıyordu. Modern yapay zekâ ise çoğunlukla veriden öğrenir.

#Yapay zekâ, makine öğrenimi ve derin öğrenme nasıl ayrılır?

#Makine öğrenimi nasıl çalışır?

Her kuralı programlamak yerine modele örnekler verir ve çıktıları örneklerle iyi eşleşene kadar parametre adı verilen iç sayıları ayarlamasına izin verirsiniz.

#Makine öğreniminin üç ana türü

1. Denetimli öğrenme: Model etiketli örneklerden öğrenir. Ona "spam" ya da "spam değil" diye işaretlenmiş binlerce e-posta gösterin, yenilerini sınıflandırmayı öğrenir.
2. Denetimsiz öğrenme: Model, etiketlenmemiş verilerde yapı bulur; örneğin benzer davranışlı müşterileri gruplamak (kümeleme).
3. Pekiştirmeli öğrenme: Bir ajan, ödül ya da ceza alarak deneme yanılmayla öğrenir. DeepMind'ın 2016'da üst düzey Go oyuncusu Lee Sedol'u yenen AlphaGo'su, pekiştirmeli öğrenmeyi derin sinir ağlarıyla birleştirdi.

#Eğitim verisi, özellikler ve etiketler

• Eğitim verisi: Modelin öğrendiği örnekler.
• Özellikler: Girdi bilgisi (pikseller, kelimeler, sayılar).
• Etiketler: Denetimli öğrenmedeki doğru yanıtlar.
• Test verisi: Modelin görmediği verilerde çalışıp çalışmadığını kontrol etmek için ayrılmış örnekler.

#Aşırı öğrenme (overfitting) nedir?

Aşırı öğrenme, bir modelin genel örüntüleri öğrenmek yerine gürültü dahil eğitim verisini ezberlemesidir. Eğitim örneklerinde iyi, yenilerinde kötü performans gösterir; konuyu anlamadan eski sınav yanıtlarını ezberleyen bir öğrenci gibi.

#Sinir ağı nedir?

Sinir ağı, beyinden gevşekçe esinlenmiş matematiksel bir modeldir. Basit birimlerden ("nöronlar") oluşan katmanlardan meydana gelir. Her bağlantının bir ağırlığı vardır. Veri girdi katmanından girer, gizli katmanlardan geçer ve bir çıktı üretir.

Eğitim sırasında:

1. Ağ bir tahmin yapar.
2. Bir kayıp fonksiyonu ne kadar yanıldığını ölçer.
3. Geri yayılım adlı bir algoritma, her ağırlığın hataya nasıl katkıda bulunduğunu hesaplar.
4. Gradyan inişi, hatayı azaltmak için ağırlıkları hafifçe oynatır.
5. Bu milyonlarca kez tekrarlanır.

"Derin" öğrenme, bir görüntüde önce kenarlar, sonra şekiller, sonra nesneler gibi giderek daha soyut özellikleri öğrenebilen çok katmanlı ağlar demektir.

#Büyük dil modelleri nasıl çalışır?

Büyük dil modelleri, Google araştırmacılarının 2017'de yayımladığı "Attention Is All You Need" makalesiyle tanıtılan transformer mimarisi üzerine kuruludur. Transformer'lar, modelin bir metindeki her kelimenin diğer her kelimeyle ne kadar ilgili olduğunu tartmasını sağlayan dikkat adlı bir mekanizma kullanır.

Temel eğitim görevi şaşırtıcı derecede basittir:

• Metin token'lara (kelimeler ya da kelime parçaları) bölünür.
• Model, öncesindeki token'lar verildiğinde bir sonrakini tahmin etmeyi öğrenir.
• Muazzam miktarda metinle eğitildiğinde bu hedef, özetleyebilen, çevirebilen, açıklayabilen ve kod yazabilen modeller üretir.

Birçok sohbet asistanı, talimatları izlemek ve daha yardımcı ve güvenli yanıtlar vermek için insan geri bildirimi ve diğer tekniklerle ayrıca ince ayardan geçirilir.

#Eğitim ve çıkarım

• Eğitim, parametreleri veriden öğrenmenin pahalı sürecidir.
• Çıkarım (inference), eğitilmiş modeli sorunuzu yanıtlamak gibi çıktı üretmek için kullanmaktır.

#Bağlam penceresi nedir?

Bağlam penceresi, bir modelin aynı anda dikkate alabileceği metin miktarıdır (token olarak ölçülür); isteminiz ve yanıtı da buna dahildir. Bunun ötesindeki hiçbir şey o anda model tarafından "görülmez".

#Yapay zekânın başlıca sınırları nelerdir?

Sınırları anlamak, yetenekleri anlamak kadar önemlidir.

• Halüsinasyonlar: Modeller akıcı, kendinden emin, yanlış ifadeler üretebilir. Önemli bilgileri doğrulayın.
• Önyargı: Modeller toplumsal önyargılar içerebilen verilerden öğrenir ve bunları yeniden üretebilir.
• Bilgi sınırı: Bir modelin yerleşik bilgisi, arama ya da başka araçlara bağlı değilse, eğitim verisinin toplandığı zamanda durur.
• Şeffaflık eksikliği: Büyük bir sinir ağının belirli bir çıktıyı neden ürettiğini tam olarak açıklamak çoğu zaman zordur.
• Gizlilik: Yapay zekâ araçlarıyla hangi kişisel ya da gizli bilgileri paylaştığınıza dikkat edin.

#Yeni başlayan biri önce neyi öğrenmeli?

Uzman olmayanlar için pratik bir sıra:

1. Kelime dağarcığı: yapay zekâ, ML, derin öğrenme, sinir ağları, LLM'ler, token'lar, eğitim, çıkarım.
2. Yapay zekâ araçlarını iyi kullanma: net istemler, bağlam verme, çıktıları kontrol etme.
3. Sınırlar ve riskler: halüsinasyonlar, önyargı, gizlilik.
4. Yapay zekâ haberlerini eleştirel okuma: bir kıyaslamanın ya da "çığır açan gelişmenin" gerçekte neyi gösterdiği.

Yapay zekâyı kendiniz geliştirmek istiyorsanız şunları ekleyin:

1. Yapay zekâ işlerinde en yaygın dil olan Python.
2. Temel istatistik ve olasılık.
3. Doğrusal cebir ve biraz analiz, en azından vektörler, matrisler ve gradyanlar için sezgi.
4. Uygulamalı bir proje, popüler bir kütüphaneyle basit bir sınıflandırıcı eğitmek gibi.

#Günde birkaç dakikada yapay zekâyı nasıl öğrenirsiniz?

Yapay zekâ büyük bir alan, ama doğal olarak küçük kavramlara bölünür; bu da onu mikro öğrenmeye çok uygun kılar.

Yardımcı olan ipuçları:

• Basitçe anlatın. Her kavramdan sonra bir arkadaşa anlatır gibi iki cümle yazın.
• Ertesi gün kendinizi sınayın. "Aşırı öğrenme nedir?" Geri çağırma hafızayı güçlendirir; aktif hatırlama yazısına bakın.
• Yapay zekâyı öğrenmek için yapay zekâyı kullanın, ama dikkatle. Bir sohbet botundan bir kavramı açıklamasını isteyin, sonra güvenilir bir kaynakla karşılaştırın.
• Haberleri ölçülü tutun. Yapay zekâ haberlerini nasıl takip edersiniz rehberimiz bunu bunalmadan yapmayı anlatıyor.

Topicly'nin yapay zekâ konusu, seçtiğiniz derinlik ve okuma süresinde günde bir kısa keşif hazırlar ve ardından okuduklarınıza dair birkaç hızlı soru sorar. Uygulamanın konuları kişiselleştirmek için yapay zekâyı nasıl kullandığını görmek isterseniz yapay zekâ destekli kişiselleştirilmiş öğrenme nasıl çalışır yazısını okuyun.

#Deneyin

Bugün yapay zekâ, makine öğrenimi ve derin öğrenme arasındaki farkı kendi sözlerinizle yazın. Yarın bakmadan token'ın ne olduğunu anlatmaya çalışın. Her gün sizi bekleyen kısa bir yapay zekâ dersi isterseniz Topicly'yi indirin ve yapay zekâyı konu olarak ekleyin.