Bilgilerle desteklenen, örüntüleri bulan algoritmaların tabirleri olan ve bir insanın yapabileceğinden daha süratli iddialar yapan makine tahsili (Machine Learning – ML) modelleri, yapay zekânın (Artificial Intelligence – AI) matematiksel motorlarıdır.
Bir otomobil satın almak istediğinizde akla birinci hangi model olacağı sorusu gelir. Düşük maliyetli bir ulaşım için Honda Civic mi, süratli ve yeterli bir görünüme sahip olan Chevy Corvette mi yoksa ağır yükleri taşımak için bir Ford F-150 mi?
Çağımızın en dönüştürücü teknolojisi olan yapay zekâ’ya olan seyahatte, gereksiniminiz olan motor, bir makine tahsili modelidir.
Bir makine tahsili modeli, örüntüleri bulmak yahut iddialar yapmak için büyük bir data kümesini tarayan bir algoritmanın tabiridir. Bilgilerle desteklenen makine tahsili modelleri, yapay zekânın matematiksel motorlarıdır.
Örneğin, bilgisayar görüşü (Computer Vision) için olan bir ML modeli, otomobilleri ve yayaları gerçek vakitli bir görüntüde tanımlayabilir. Bir başkası, doğal lisan işleme(NLP), sözleri ve cümleleri çeviri edebilir.
Daha yakından incelersek, bir makine tahsili modeli, objelerin ve birbirleriyle ilgilerinin matematiksel bir temsilidir. Bu objeler, bir toplumsal ağ gönderisindeki “beğeniler”den, laboratuvar deneyindeki moleküllere kadar her şey olabilir. NVIDIA’nın geliştirici sayfasında örnek modellere göz atabilirsiniz.
Her Emele Uygun ML Modelleri
Bir ML modelinde özellik haline gelebilecek objeler üzerinde rastgele bir kısıtlama yoktur. Yapay zekâ (AI) kullanımlarının sonu yoktur. Sayısız kombinasyonlar mevcuttur.
Bilgi bilimcileri, tüm makine tahsili modellerinin farklı kullanımları için aile sınıflandırması oluşturmuştur ve bu hummalı çalışmalara devam etmektedirler.
ML Modellerinin Kısa Bir Taksonomisi
Örneğin, doğrusal (linear) modeller, finansal projelerdeki değişkenlerin içindeki bağlantıyı iddia etmek için cebir kullanır. Grafik modeller, bir mümkünlüğü diyagram olarak söz eder, mesela bir tüketicinin bir eseri satın almayı seçip seçmeyeceği üzere. Kol metaforunu örnek alan birtakım ML modelleri, karar ağaçlarının yada random forests(RF) olarak isimlendirilen kümelerin biçimini alır.
2012 yılındaki Big Bang of AI ’da, araştırmacılar derin öğrenmeyi, örüntü bulma ve kestirim yürütme konusunda en başarılı tekniklerden biri olarak buldular. Bu model, beyin hücrelerinin örüntü ve fonksiyonlarından esinlendiği için hudut ağları (Neural Networks) ismi verilen bir tıp makine tahsili modelini kullanır.
Kitleler İçin ML Modeli
Derin Öğrenme (Deep Learning), ismini makine tahsili modellerinin yapısından alır. Tıpkı bir matematiksel sandviç üzere özelliklerin katman ve ilgileri üzerine katman oluştururlar.
Örüntüleri bulmadaki olağanüstü doğruluğu yardımıyla, iki çeşit derin öğrenme modeli her yerde karşımıza çıkıyor.
Bilgisayar görüşünde çoğunlukla kullanılan evrişimli hudut ağları (CNNs), otonom araçlarda göz üzere davranır ve tıbbi görüntülemede hastalıkların tespit edilmesine yardımcı olabilir. Kelamlı ve yazılı lisanı tahlil etmek için ayarlanmış olan yenidenlayan hudut ağları ve transformatörler (RNNs), Amazon’un Alexa’sının, Google Asistanının Ve Apple Siri’nin motorlarıdır.
Derin öğrenme hudut ağları, ismini hayli katmanlı yapılarından almıştır.
Bir Tane Evvelce Eğitilmiş Model (Pretrained Model) Seçin
CNN, RNN ya da bir transformatör üzere, yanlışsız aile modellerinden birini seçmek kusursuz bir başlangıç olacaktır. Lakin bu yalnızca bir başlangıç.
Şayet bir Baja 500 sürmek isterseniz, bir kumul otomobilini sağlam lastik ve amortisörlerle değiştirebilir yahut bu sınıftan yapılmış bir arabayı satın alabilirsiniz.
Makine tahsilinde, buna önce eğitilmiş model (Pretrained Model) deniyor. Bu model, kullanım alanlarınızdaki bilgiye benzeyen, büyük eğitici data kümelerine göre ayarlanmıştır. Makine tahsili için geliştirici araçlarından biri olan ‘weights and biases’ olarakta isimlendirilen, data bağları bu gaye için optimize edilmiştir.
Bir modeli eğitmek, devasa bir bilgi kümesini ,oldukça fazla yapay zekâ uzmanlığını ve kıymetli derecede hesaplama gücünü gerektirir. Şuurlu satıcılar, vakitten ve paradan tasarruf etmek için bu önce eğitilmiş modelleri satın alır.
Kime Başvurmalıyız?
Evvelden eğitilmiş bir model satın alırken güvenebileceğiniz bir satıcı bulun.
NVIDIA’ya ilişkin olan NGC kataloğu, önce eğitilmiş modellerle dolu çevrimiçi bir kitaplıktır. Yapay zekâ işlerinin spektrumunu, bilgisayar görüşü, diyaloğa dayalı yapay zekâ (Conversational AI) üzere daha biroldukca yerden alıyor. Bu katalogdaki modeller özgeçmişlerle bir arada geldiğinden kullanıcılar ne elde edeceklerini biliyor. Bunlar bir nevi potansiyel işe alım evrakları üzeredir.
Model özgeçmişleri size modelin eğitildiği tesir alanını, onu eğiten bilgi kümesini ve nasıl performans göstermesi gerektiğini gösterir. Kullanım alanlarınıza bakılırsa gerçek modeli seçmeniz konusunda size şeffaflık ve inanç sağlarlar.
ML Modelleri için Daha Fazla Kaynak
Ayrıyeten, NGC modelleri transferli öğrenme (Transfer Learning) için pek hazırdır.
Bu, modellerin uygulama datalarınızı çalıştırmakta izleyecekleri yol haritasına bakılırsa modelleri torklayan son ayardır.
NVIDIA NGC modelinizi ayarlamanız için size bir framework bile temin ediyor.
TAO olarak isimlendirilen bu framework’e bugün buradan erken erişim için kayıt olabilirsiniz.
Bir otomobil satın almak istediğinizde akla birinci hangi model olacağı sorusu gelir. Düşük maliyetli bir ulaşım için Honda Civic mi, süratli ve yeterli bir görünüme sahip olan Chevy Corvette mi yoksa ağır yükleri taşımak için bir Ford F-150 mi?
Çağımızın en dönüştürücü teknolojisi olan yapay zekâ’ya olan seyahatte, gereksiniminiz olan motor, bir makine tahsili modelidir.
Bir makine tahsili modeli, örüntüleri bulmak yahut iddialar yapmak için büyük bir data kümesini tarayan bir algoritmanın tabiridir. Bilgilerle desteklenen makine tahsili modelleri, yapay zekânın matematiksel motorlarıdır.
Örneğin, bilgisayar görüşü (Computer Vision) için olan bir ML modeli, otomobilleri ve yayaları gerçek vakitli bir görüntüde tanımlayabilir. Bir başkası, doğal lisan işleme(NLP), sözleri ve cümleleri çeviri edebilir.
Daha yakından incelersek, bir makine tahsili modeli, objelerin ve birbirleriyle ilgilerinin matematiksel bir temsilidir. Bu objeler, bir toplumsal ağ gönderisindeki “beğeniler”den, laboratuvar deneyindeki moleküllere kadar her şey olabilir. NVIDIA’nın geliştirici sayfasında örnek modellere göz atabilirsiniz.
Her Emele Uygun ML Modelleri
Bir ML modelinde özellik haline gelebilecek objeler üzerinde rastgele bir kısıtlama yoktur. Yapay zekâ (AI) kullanımlarının sonu yoktur. Sayısız kombinasyonlar mevcuttur.
Bilgi bilimcileri, tüm makine tahsili modellerinin farklı kullanımları için aile sınıflandırması oluşturmuştur ve bu hummalı çalışmalara devam etmektedirler.
ML Modellerinin Kısa Bir Taksonomisi
| ML Model Tipi | Kullanım Alanları |
| Doğrusal regresyon/sınıflandırma (Linear regression/classification) | Sayısal bilgilerdeki örüntüler, finansal tablolar üzere |
| Grafik modeller | Fraud tespiti yahut duygusal farkındalık |
| Karar ağacı (Decision trees/Random forests) | sonuçları iddia etmek |
| Derin öğrenme hudut ağları (Deep learning neural networks) | Bilgisayar görüşü (Computer Vision), doğal lisan işleme(NLP) ve dahası. |
Örneğin, doğrusal (linear) modeller, finansal projelerdeki değişkenlerin içindeki bağlantıyı iddia etmek için cebir kullanır. Grafik modeller, bir mümkünlüğü diyagram olarak söz eder, mesela bir tüketicinin bir eseri satın almayı seçip seçmeyeceği üzere. Kol metaforunu örnek alan birtakım ML modelleri, karar ağaçlarının yada random forests(RF) olarak isimlendirilen kümelerin biçimini alır.
2012 yılındaki Big Bang of AI ’da, araştırmacılar derin öğrenmeyi, örüntü bulma ve kestirim yürütme konusunda en başarılı tekniklerden biri olarak buldular. Bu model, beyin hücrelerinin örüntü ve fonksiyonlarından esinlendiği için hudut ağları (Neural Networks) ismi verilen bir tıp makine tahsili modelini kullanır.
Kitleler İçin ML Modeli
Derin Öğrenme (Deep Learning), ismini makine tahsili modellerinin yapısından alır. Tıpkı bir matematiksel sandviç üzere özelliklerin katman ve ilgileri üzerine katman oluştururlar.
Örüntüleri bulmadaki olağanüstü doğruluğu yardımıyla, iki çeşit derin öğrenme modeli her yerde karşımıza çıkıyor.
Bilgisayar görüşünde çoğunlukla kullanılan evrişimli hudut ağları (CNNs), otonom araçlarda göz üzere davranır ve tıbbi görüntülemede hastalıkların tespit edilmesine yardımcı olabilir. Kelamlı ve yazılı lisanı tahlil etmek için ayarlanmış olan yenidenlayan hudut ağları ve transformatörler (RNNs), Amazon’un Alexa’sının, Google Asistanının Ve Apple Siri’nin motorlarıdır.
Derin öğrenme hudut ağları, ismini hayli katmanlı yapılarından almıştır.
Bir Tane Evvelce Eğitilmiş Model (Pretrained Model) Seçin
CNN, RNN ya da bir transformatör üzere, yanlışsız aile modellerinden birini seçmek kusursuz bir başlangıç olacaktır. Lakin bu yalnızca bir başlangıç.
Şayet bir Baja 500 sürmek isterseniz, bir kumul otomobilini sağlam lastik ve amortisörlerle değiştirebilir yahut bu sınıftan yapılmış bir arabayı satın alabilirsiniz.
Makine tahsilinde, buna önce eğitilmiş model (Pretrained Model) deniyor. Bu model, kullanım alanlarınızdaki bilgiye benzeyen, büyük eğitici data kümelerine göre ayarlanmıştır. Makine tahsili için geliştirici araçlarından biri olan ‘weights and biases’ olarakta isimlendirilen, data bağları bu gaye için optimize edilmiştir.
Bir modeli eğitmek, devasa bir bilgi kümesini ,oldukça fazla yapay zekâ uzmanlığını ve kıymetli derecede hesaplama gücünü gerektirir. Şuurlu satıcılar, vakitten ve paradan tasarruf etmek için bu önce eğitilmiş modelleri satın alır.
Kime Başvurmalıyız?
Evvelden eğitilmiş bir model satın alırken güvenebileceğiniz bir satıcı bulun.
NVIDIA’ya ilişkin olan NGC kataloğu, önce eğitilmiş modellerle dolu çevrimiçi bir kitaplıktır. Yapay zekâ işlerinin spektrumunu, bilgisayar görüşü, diyaloğa dayalı yapay zekâ (Conversational AI) üzere daha biroldukca yerden alıyor. Bu katalogdaki modeller özgeçmişlerle bir arada geldiğinden kullanıcılar ne elde edeceklerini biliyor. Bunlar bir nevi potansiyel işe alım evrakları üzeredir.
Model özgeçmişleri size modelin eğitildiği tesir alanını, onu eğiten bilgi kümesini ve nasıl performans göstermesi gerektiğini gösterir. Kullanım alanlarınıza bakılırsa gerçek modeli seçmeniz konusunda size şeffaflık ve inanç sağlarlar.
ML Modelleri için Daha Fazla Kaynak
Ayrıyeten, NGC modelleri transferli öğrenme (Transfer Learning) için pek hazırdır.
Bu, modellerin uygulama datalarınızı çalıştırmakta izleyecekleri yol haritasına bakılırsa modelleri torklayan son ayardır.
NVIDIA NGC modelinizi ayarlamanız için size bir framework bile temin ediyor.
TAO olarak isimlendirilen bu framework’e bugün buradan erken erişim için kayıt olabilirsiniz.