amerika gazete haberleri haberler
Yazılar

Bilim Basitleştirildi: Makine Öğrenimi Nedir?

Makine öğrenimi, büyük veri kümelerindeki kalıpları tespit etmek için bilgisayarları kullanma ve daha sonra bilgisayarın bu kalıplardan öğrendiklerine dayanarak tahminlerde bulunma sürecidir. Bu, makine öğrenimini belirli ve dar bir yapay zeka türü haline getirir . Tam yapay zeka, algılama, öğrenme ve problem çözme gibi insan ve zeki hayvanların zihinleriyle ilişkilendirdiğimiz yetenekleri gerçekleştirebilen makineleri içerir.

Tüm makine öğrenimi algoritmalara dayanmaktadır. Genel olarak, algoritmalar, bir bilgisayarın sorunları çözmek için kullandığı özel talimatlar kümesidir. Makine öğreniminde algoritmalar, istatistikleri kullanarak verilerin nasıl analiz edileceğine ilişkin kurallardır. Makine öğrenimi sistemleri, veri girdileri ile istenen çıktılar (genellikle tahminler) arasındaki ilişkileri belirlemek için bu kuralları kullanır. Başlamak için bilim adamları, makine öğrenimi sistemlerine bir dizi eğitim verisi verir. Sistemler, gelecekte aldıkları benzer girdileri nasıl analiz edeceklerini kendilerini eğitmek için algoritmalarını bu verilere uygular.

Makine öğreniminin büyük umut vaat ettiği alanlardan biri, bilgisayarlı tomografi (BT) görüntülemede kanseri tespit etmektir. İlk olarak, araştırmacılar eğitim verisi olarak kullanmak üzere mümkün olduğunca çok sayıda BT görüntüsünü bir araya getirir. Bu görüntülerin bazıları kanserli hücreli dokuları, bazıları ise sağlıklı dokuları gösteriyor. Araştırmacılar ayrıca kanseri tanımlamak için bir görüntüde ne aranması gerektiği hakkında bilgi toplar. Örneğin, bu, kanserli tümörlerin sınırlarının nasıl göründüğünü içerebilir. Ardından, görüntülerdeki veriler ile doktorların kanseri tanımlama hakkında bildikleri arasındaki ilişki hakkında kurallar oluştururlar. Daha sonra bu kuralları ve eğitim verilerini makine öğrenme sistemine verirler. Sistem, kanserli dokuyu nasıl tanıyacağını kendisine öğretmek için kuralları ve eğitim verilerini kullanır. Son olarak, sistem yeni bir hastanın BT görüntülerini alır. Öğrendiklerini kullanarak, Sistem, hangi görüntülerin kanser belirtileri gösterdiğine herhangi bir insandan daha hızlı karar veriyor. Doktorlar, bir hastanın kanser olup olmadığı ve nasıl tedavi edileceği konusunda karar vermede yardımcı olması için sistemin tahminlerini kullanabilir.

Eğitim verilerinin kurulma şekli, makine öğrenimi sistemlerini iki geniş türe ayırır: denetimli ve denetimsiz. Eğitim verileri etiketlenirse sistem denetlenir. Etiketlenmiş veriler, sisteme verilerin ne olduğunu söyler. Örneğin, BT görüntüleri, sağlıklı dokuların yanındaki kanserli lezyonları veya tümörleri belirtmek için etiketlenebilir. Temel olarak bu, makine öğrenme sisteminin örnek olarak öğrendiği anlamına gelir. Etiketleme verileri, eğitim veri kümeleri için gereken büyük miktarda veri için çok zaman alabilir.

Eğitim verileri etiketlenmemişse makine öğrenimi sistemi denetimsizdir. Kanser taraması örneğinde, denetimsiz bir makine öğrenim sistemine çok sayıda BT taraması ve tümör türleri hakkında bilgi verilecek, ardından kanseri tanımak için nelere bakması gerektiğini kendisine öğretmesi için bırakılacaktı. Bu, insanları eğitim sürecinde kullanılan verileri etiketleme ihtiyacından kurtarır. Denetimsiz öğrenmenin dezavantajı, açık etiketlerin olmaması nedeniyle sonuçların o kadar doğru olmayabilmesidir.

Bazı makine öğrenimi sistemleri, tahminlerden alınan geri bildirimlere dayanarak yeteneklerini geliştirebilir. Bunlara pekiştirmeli makine öğrenme sistemleri denir. Örneğin, hastaların kanser olup olmadığına dair doktorların diğer testlerinin sonuçları sisteme anlatılabilir. Sistem daha sonra gelecekte daha doğru tahminler üretmek için algoritmalarını değiştirebilir.

Hızlı gerçekler
DOE’nin en yeni süper bilgisayarları olan Oak Ridge Ulusal Laboratuvarı’ndaki Zirve, özellikle yapay zeka uygulamaları için çok uygun bir mimariye sahiptir.
Makine öğrenimi, bilim adamlarının daha önce erişilemeyen veri miktarlarını analiz etmelerini sağlar.
DOE tarafından finanse edilen araştırmacılar, yeni kanser taraması geliştirmek, suyun özelliklerini daha iyi anlamak ve deneyleri bağımsız olarak yönlendirmek için makine öğrenimini kullandı.
Fizik bilgili makine öğrenimi, denetimli öğrenme görevlerini ve bilimsel sorunları çözmek için belirli fizik yasalarını dahil etmek üzere eğitilebilen derin sinir ağlarını kullanır.
Makine öğrenimi algoritmaları gümüş bir kurşun değildir. Makine öğrenimi sistemlerinin geliştirilmesi, insan hatasına ve önyargılara açıktır ve yazılım mühendisliği ile aynı dikkatli tasarımı gerektirir.
DOE Bilim Ofisi: Makine Öğrenimine Katkılar
Enerji Bakanlığı Bilim Ofisi, Advanced Scientific Computing Research (ASCR) programı aracılığıyla makine öğrenimi üzerine araştırmaları desteklemektedir. ASCR, tümü makine öğrenimi ve yapay zekaya katkıda bulunan bir veri yönetimi, veri analizi, bilgisayar teknolojisi ve ilgili araştırmalar portföyüne sahiptir. Bu portföyün bir parçası olarak DOE, dünyanın en yetenekli süper bilgisayarlarından bazılarına sahiptir.

Bir bütün olarak DOE Bilim Ofisi, bilimsel araştırmaları desteklemek için makine öğreniminin kullanımına kendini adamıştır. Bilim, büyük verilere bağlıdır ve parçacık hızlandırıcıları ve X-ışını ışık kaynakları gibi Office of Science kullanıcı tesisleri bu veri dağlarını oluşturur. Araştırmacılar, makine öğrenimini kullanarak, bu tesislerden elde edilen verilerde, insanların algılaması zor veya imkansız olan, geleneksel veri analizi tekniklerinden yüz ila binlerce kat daha yüksek hızlarda, kalıpları veya tasarımları belirliyor.

İlgili Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak.

Başa dön tuşu
İstanbul evden eve nakliyat izmir dijital ajans dijital pazarlama