yapay zeka bilimi

Yapay Zeka Bilimcileri

Yapay Zeka Bilimcileri, normalde insan zekası gerektiren görevleri yapabilen algoritmalara sahip yazılımlar oluşturur.

AI Bilim İnsanları, birden fazla AI disiplininde uzman olabilir:

• Uygulamalı matematik
• hesaplama istatistikleri
• Bilgisayar Bilimi
• Makine öğrenme
• Derin öğrenme

Bazı AI Bilim İnsanları ayrıca önemli büyük veri deneyimine sahiptir:

• İş zekası
• Veri tabanı tasarımı
• Veri Ambarı Tasarımı
• Veri madenciliği
• SQL Sorguları
• SQL Raporlama

zayıf yapay zeka

Zayıf Yapay Zeka , bugün etrafımızda sahip olduğumuz AI'ların çoğu gibi belirli veya dar alanlarla sınırlıdır:

• Arama motorları
• Apple'ın Siri'si
• Microsoft'un Cortana'sı
• Amazon'un Alexa'sı
• IBM'in Watson'ı

Zayıf AI, Dar AI olarak da adlandırılır.

Zayıf AI , insan bilişine sahip Güçlü AI'nın aksine insan bilişini simüle eder .

Güçlü yapay zeka

Güçlü Yapay Zeka , insan zekasını taklit eden yapay zeka türüdür.

Güçlü AI, düşünme, planlama, öğrenme ve iletişim kurma yeteneğini gösterir.

Güçlü Yapay Zeka, yapay zekanın bir sonraki teorik seviyesidir: Gerçek Zeka .

Güçlü AI, öz farkındalık, bilinç ve nesnel düşüncelere sahip makinelere doğru hareket eder.

Makine Öğrenimi (ML)

Klasik programlama, sonuçları oluşturmak için programları kullanır:

Machine Learning, programlar (algoritmalar) oluşturmak için sonuçları kullanır:

Sinir Ağları (NN)

Tarihteki en önemli keşiflerden biri, Sinir Ağlarının (NN) gücüdür.

Sinir Ağlarında, yeni veri seviyelerini hesaplamak için Nöronlar adı verilen birçok veri katmanı birbirine eklenir veya üst üste istiflenir.

Yaygın olarak kullanılan kısa isimler:

• DNN Derin Sinir Ağı
• CNN Evrişimsel Sinir Ağı
• RNN Tekrarlayan Sinir Ağı

Derin Öğrenme (DL)

Derin Öğrenme , daha yüksek seviyeli verileri çıkarmak için Sinir Ağlarını kullanan algoritmalardır .

Her ardışık katman, girdi olarak önceki katmanı kullanır.

Örneğin, optik okuma, kenarları tanımlamak için düşük katmanları ve harfleri tanımlamak için daha yüksek katmanları kullanır.

Derin Öğrenmenin iki aşaması vardır:

1. Eğitim: Modelin parametrelerini hesaplamak için girdi verileri kullanılır.

2. Çıkarım: "Eğitilmiş" model, verilen herhangi bir girdiden veri çıkarır.

Derin Öğrenme Devrimi

Derin öğrenme devrimi burada!

Derin öğrenme devrimi 2010 civarında başladı. O zamandan beri Derin Öğrenme birçok "çözülemeyen" sorunu çözmek için kullanıldı.

Örnekler

Evrişimli Sinir Ağları (CNN'ler)

ResNeta ve Inception gibi derin CNN'ler, ImageNet sınıflandırmasındaki hata oranını 2011'de %25'ten 2017'de %5'e düşürdü.

ImageNet , hiyerarşinin her bir düğümünün yüzlerce ve binlerce görüntü içerdiği WordNet hiyerarşisine göre düzenlenmiş bir görüntü veritabanıdır. ImageNet, araştırmacılar, eğitimciler, öğrenciler ve resim tutkusu olan herkes için faydalı bir kaynaktır.

WordNet , 200'den fazla dilde kelimeler arasındaki anlamsal ilişkilerin sözlüksel bir veritabanıdır. Bir sözlük ve eş anlamlılar sözlüğünün bir kombinasyonu olarak düzenlenir, kelimeleri eşanlamlıları, eşanlamlıları ve meronimleri kullanarak anlamsal ilişkilere bağlar.

Tekrarlayan Sinir Ağları (RNN'ler)

RNN'ler müzik notaları ve özgün enstrüman sesleri oluşturmaya yardımcı oluyor:
https://magenta.tensorflow.org/demos .

Yapay Zeka Tarihi