Makine öğrenimi: Revizyonlar arasındaki fark

[kontrol edilmiş revizyon]

← Önceki sürümle aradaki fark Sonraki sürümle aradaki fark →

İçerik silindi İçerik eklendi

Satır içi

Sayfanın 21.31, 21 Nisan 2021 tarihindeki hâli

Makine öğrenimi, bilgisayarların algılayıcı verisi ya da veritabanları gibi veri türlerine dayalı öğrenimini olanaklı kılan algoritmaların tasarım ve geliştirme süreçlerini konu edinen bir bilim dalıdır. Makine öğrenimi araştırmalarının odaklandığı konu bilgisayarlara karmaşık örüntüleri algılama ve veriye dayalı akılcı kararlar verebilme becerisi kazandırmaktır. Bu, makine öğreniminin istatistik, olasılık kuramı, veri madenciliği, örüntü tanıma, yapay zekâ, uyarlamalı denetim ve kuramsal bilgisayar bilimi gibi alanlarla yakından ilintili olduğunu göstermektedir.

Özet

Makine öğrenimi, bilgisayarların, açıkça programlanmadan görevleri nasıl yerine getirebileceklerini keşfetmelerini içerir. Belirli görevleri yerine getirmeleri için sağlanan verilerden öğrenen bilgisayarları kapsar. Bilgisayarlara atanan basit görevler için, makineye eldeki sorunu çözmek için gereken tüm adımları nasıl uygulayacağını bildiren algoritmalar programlamak mümkündür; bilgisayar tarafında öğrenmeye gerek yoktur. Daha gelişmiş görevlerde insan için gerekli algoritmaları elle oluşturmak zor olabilir. Uygulamada, insan programcıların gerekli her adımı belirlemesinden ziyade, makinenin kendi algoritmasını geliştirmesine yardımcı olmak daha etkili olabilir.^[1]

Makine öğrenimi disiplini, bilgisayarlara tam olarak tatmin edici bir algoritmanın bulunmadığı görevleri gerçekleştirmeyi öğretmek için çeşitli yaklaşımlar kullanır. Çok sayıda olası yanıtın olduğu durumlarda, doğru yanıtlardan bazılarını geçerli olarak etiketlemek bir yaklaşımdır. Bu, daha sonra bilgisayarın doğru yanıtları bulmak için kullandığı algoritmayı/algoritmaları geliştirmede eğitim verisi olarak kullanılabilir. Örneğin, sayısal karakter tanıma görevinde sistemi eğitmek için el yazısıyla yazılmış rakamların MNIST veri kümesi sıklıkla kullanılır.^[1]

Tarihi ve diğer alanlarla ilişkileri

Makine öğrenimi terimi 1959'da bilgisayar oyunları ve yapay zeka alanında öncü ve IBMer olan Amerikalı Arthur Samuel tarafından icat edildi.^[2]^[3] 1960'larda makine öğrenimi araştırmasının temsili bir kitabı, Nilsson'un Öğrenme Makineleri hakkındaki kitabıydı ve çoğunlukla örüntü sınıflandırması için makine öğrenimi ile ilgiliydi.^[4] Model tanıma ile ilgili ilgi, 1973'te Duda ve Hart tarafından tanımlandığı gibi 1970'lerde de devam etti.^[5] 1981'de, bir sinir ağı 'nın bir bilgisayar terminalinden 40 karakteri (26 harf, 10 rakam ve 4 özel sembol) tanımayı öğrenmesi için öğretme stratejilerinin kullanımına ilişkin bir rapor verildi.^[6]

Tom M. Mitchell, makine öğrenimi alanında incelenen algoritmaların geniş ölçüde alıntılanan daha resmi bir tanımını yaptı: "Bir bilgisayar programının performans ölçüsü "P" ve bazı "T" görev sınıflarıyla ilgili olarak "T" görevlerindeki performansı "E" deneyimiyle iyileşiyorsa "P" ile ölçüldüğü gibi E deneyiminden öğrendiği söylenir.^[7] Makine öğreniminin söz konusu olduğu görevlerin bu tanımı, alanı bilişsel terimlerle tanımlamak yerine temelde operasyonel tanım sunar. Bu, Alan Turing 'in "Computing Machinery and Intelligence" adlı makalesinde "Makineler düşünebilir mi?" "Makineler bizim (düşünen varlıklar olarak) yapabildiğimizi yapabilir mi?" sorusuyla değiştirilir.^[8]

Günümüzün modern makine öğreniminin iki amacı vardır, biri verileri geliştirilen modellere göre sınıflandırmak, diğer amaç ise bu modellere dayalı olarak gelecekteki sonuçlar için tahminler yapmaktır. Verileri sınıflandırmaya özgü varsayımsal bir algoritma, kanserli benleri sınıflandırmada onu eğitmek için denetimli öğrenmeyle birleştirilen mollerin bilgisayar görüşü kullanabilir. Hal böyle olunca, hisse senedi ticareti için bir makine öğrenme algoritması, tüccara gelecekteki potansiyel tahminler hakkında bilgi verebilir. ^[9]

Yapay zeka

Bilimsel bir çaba olarak makine öğrenimi, yapay zeka arayışından doğdu. Yapay zekanın bir akademik disiplin olarak ilk günlerinde bazı araştırmacılar makinelerin verilerden öğrenmesini sağlamakla ilgileniyordu. Soruna çeşitli sembolik yöntemlerle ve daha sonra "sinir ağları" olarak adlandırılan yöntemlerle yaklaşmaya çalıştılar; bunlar çoğunlukla perceptronlar ve diğer modellerdi daha sonra istatistiklerin genelleştirilmiş doğrusal modellerin yeniden icatları oldukları anlaşıldı.^[12] Olasılık muhakeme de özellikle otomatik tıbbi teşhis için kullanıldı.^[13]^:488

Ancak, mantıksal, bilgiye dayalı yaklaşım üzerindeki artan vurgu, yapay zeka ile makine öğrenimi arasında bir sürtüşmeye neden oldu. Olasılıklı sistemler, veri toplama ve gösteriminin teorik ve pratik problemleriyle boğuşuyordu.^[13]^:488 1980 yılına gelindiğinde, uzman sistemler yapay zekaya hâkim oldu ve istatistik gözden düştü.^[14] Sembolik/bilgiye dayalı öğrenme üzerine çalışmalar AI içinde devam etti ve endüktif mantık programlama 'ya yol açtı ancak daha istatistiksel araştırma hattı artık örüntü tanıma da (ingilizce:pattern recognition) ve bilgi geri alma daydı.^[13]^{:708–710; 755} Sinir ağları araştırması, yapay zeka ve bilgisayar bilimi tarafından aynı zamanlarda terk edildi. Bu çizgi de diğer disiplinlerden Hopfield, Rumelhart ve Hinton ‘i içeren araştırmacılar tarafından AI/CS alanının dışında "bağlantısallık" (ingilizce:connectionism) olarak devam ettirildi. Ana başarıları, 1980'lerin ortasında geri yayılım 'ın (ingilizce:backpropagation) yeniden icadıyla geldi.^[13]^:25

Ayrı bir alan olarak yeniden düzenlenen makine öğrenimi (ML), 1990'larda gelişmeye başladı. Alan, amacını yapay zeka elde etmekten ziyade pratik nitelikteki çözülebilir problemlerle mücadele etmeye değiştirdi. Odağı, AI'dan miras aldığı sembolik yaklaşımlar 'dan, istatistik ve olasılık teorisi’nden ödünç alınan yöntem ve modellere kaydırdı.^[14]

2020 itibarıyla birçok kaynak, makine öğreniminin yapay zekanın bir alt alanı olmaya devam ettiğini iddia etmeye devam ediyor.^[15]^[16]^[10] Ana anlaşmazlık, tüm makine öğreniminin Yapay zeka(YZ)'nın (AI) bir parçası olup olmadığıdır çünkü bu, makine öğrenimini kullanan herhangi birinin YZ kullandığını iddia edebileceği anlamına gelir. Diğerleri, tüm makine öğreniminin yapay zekanın bir parçası olmadığı görüşüne sahiptir ^[17]^[18]^[19] burada, makine öğreniminin yalnızca 'akıllı' bir alt kümesi YZ'nin bir parçasıdır. ^[20]

Makine öğrenimi ve yapay zeka arasındaki farkın ne olduğu sorusu, "The Book of Why" adlı kitabında Judea Pearl tarafından yanıtlanır.^[21] Buna göre, makine öğrenimi pasif gözlemlere dayanarak öğrenir ve tahmin eder, oysa AI, hedeflerine başarılı bir şekilde ulaşma şansını en üst düzeye çıkaran eylemleri öğrenmek ve gerçekleştirmek için çevre ile etkileşime giren bir aracı ifade eder.^[24]

Uygulamalar

Makine öğreniminin başlıca uygulamaları makine algılaması, bilgisayarlı görme, doğal dil işleme, sözdizimsel örüntü tanıma, arama motorları, tıbbi tanı, biyoinformatik, beyin-makine arayüzleri ve kiminformatik, kredi kartı dolandırıcılığı denetimi, borsa çözümlemesi, DNA dizilerinin sınıflandırılması, konuşma ve elyazısı tanıma, bilgisayarlı görmede nesne tanıma, oyun oynama, yazılım mühendisliği, uyarlamalı web siteleri ve robot gezisidir.

İnsan etkileşimi

Makine öğrenimi sistemlerinin bir bölümü insan sezgisine olan gereksinimi tümüyle ortadan kaldırmaya çalışırken bazıları insan ve makine arasında işbirliğine dayalı bir yaklaşım benimsemektedir. Ne var ki, sistemi tasarlayan kişinin verinin kodlanma biçimi üzerinde tümüyle egemen oluşu insan sezgisinin tümüyle ortadan kaldırılmasını olanaksızlaştırmaktadır. Makine öğrenimi deneysel yöntemin otomatikleştirilmesi çabası olarak görülmektedir.^{[kaynak belirtilmeli]}

Bazı istatistiksel makine öğrenimi araştırmacıları Bayes istatistiği çerçevesi kapsamında kullanılabilen yöntemler geliştirmektedirler.

Öğrenme yaklaşımları

Makine öğrenimi algoritmaları hedeflenen sonuca göre birkaç sınıfa ayrılabilmektedir:^[25]

Gözetimli öğrenme - Girdileri hedef çıktılara eşleyen bir işlev üretir.
Gözetimsiz öğrenme - Bir girdi kümesi modeller.
Pekiştirmeli öğrenme - Dünya algısına dayalı bir öğrenme biçimi. Her eylem ortamda bir etki oluşturmakta ve ortam, öğrenme algoritmasına yol gösteren ödüller biçiminde dönütler vermektedir.
Yarı gözetimli öğrenme - Uygun işlev ya da sınıflandırıcılar oluşturmak için etiketli ve etiketsiz örnekleri birlikte ele alır.
Öğrenmeyi öğrenme - Önceki deneyimlerden yararlanır. ^{[kaynak belirtilmeli]}

Kuram

Makine öğrenimi algoritmaları ve bunların başarımına ilişkin berimsel çözümleme berimsel öğrenme kuramı olarak adlandırılan bir kuramsal bilgisayar bilimi dalıdır. Deney kümelerinin sonlu oluşu ve geleceğin tam olarak kestirilememesi nedeniyle öğrenme kuramı söz konusu algoritmaların başarımına ilişkin mutlak güvence verememektedir. Bunun yerine, başarımın olasılıksal sınırları öngörülmeye çalışılmaktadır.

Berimsel öğrenme kuramcıları başarım sınırlarının yanı sıra öğrenmenin zaman karmaşıklığı ve uygulanabilirliği konusunda da çalışmaktadırlar. Berimsel öğrenme kuramında bir berimin uygulanabilir olması için polinomsal zamanda çalışması gerekmektedir. Zaman karmaşıklığı sonuçları iki öbeğe ayrılabilmektedir. Olumlu sonuçlar belirli bir işlev sınıfının polinomsal zamanda öğrenilebileceğini gösterirken olumsuz sonuçlar bu olgunun tam karşıtını ifade etmektedir.

Makine öğrenimi kuramı ve istatistik temelde farklı kavramlar olsalar da birbiriyle yakından ilintilidir.

Ayrıca bakınız

Kaynakça

^ ^a ^b Ethem Alpaydin (2020). Introduction to Machine Learning (Fourth bas.). MIT. ss. xix, 1–3, 13–18. ISBN 978-0262043793.
^ Samuel, Arthur (1959). "Some Studies in Machine Learning Using the Game of Checkers". IBM Journal of Research and Development. 3 (3): 210–229. CiteSeerX 10.1.1.368.2254 $2. doi:10.1147/rd.33.0210.
^ R. Kohavi and F. Provost, "Glossary of terms," Machine Learning, vol. 30, no. 2–3, pp. 271–274, 1998.
^ Nilsson N. Learning Machines, McGraw Hill, 1965.
^ Duda, R., Hart P. Pattern Recognition and Scene Analysis, Wiley Interscience, 1973
^ S. Bozinovski "Teaching space: A representation concept for adaptive pattern classification" COINS Technical Report No. 81-28, Computer and Information Science Department, University of Massachusetts at Amherst, MA, 1981. https://web.cs.umass.edu/publication/docs/1981/UM-CS-1981-028.pdf
^ Mitchell, T. (1997). Machine Learning. McGraw Hill. s. 2. ISBN 978-0-07-042807-2.
^ Harnad, Stevan (2008), "The Annotation Game: On Turing (1950) on Computing, Machinery, and Intelligence", Epstein, Robert; Peters, Grace (Ed.), The Turing Test Sourcebook: Philosophical and Methodological Issues in the Quest for the Thinking Computer, Kluwer, ss. 23–66, ISBN 9781402067082
^ "Introduction to AI Part 1". Edzion (İngilizce). 2020-12-08. Erişim tarihi: 2020-12-09.
^ ^a ^b "AN EMPIRICAL SCIENCE RESEARCH ON BIOINFORMATICS IN MACHINE LEARNING – Journal". Erişim tarihi: 28 October 2020.
^ "rasbt/stat453-deep-learning-ss20" (PDF). GitHub (İngilizce).
^ Şablon:Cite citeseerx
^ ^a ^b ^c ^d Şablon:Cite AIMA
^ ^a ^b Langley, Pat (2011). "The changing science of machine learning". Machine Learning. 82 (3): 275–279. doi:10.1007/s10994-011-5242-y. Geçersiz |doi-access=free (yardım)
^ Garbade, Dr Michael J. (14 September 2018). "Clearing the Confusion: AI vs Machine Learning vs Deep Learning Differences". Medium (İngilizce). Erişim tarihi: 28 October 2020.
^ "AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What's the Difference?". www.ibm.com (İngilizce). Erişim tarihi: 28 October 2020.
^ "Chapter 1: Introduction to Machine Learning and Deep Learning". Dr. Sebastian Raschka. 5 August 2020. Erişim tarihi: 28 October 2020.
^ August 2011, Dovel Technologies in (15 May 2018). "Not all Machine Learning is Artificial Intelligence". CTOvision.com. Erişim tarihi: 28 October 2020.
^ "AI Today Podcast #30: Interview with MIT Professor Luis Perez-Breva -- Contrary Perspectives on AI and ML". Cognilytica. 28 March 2018. Erişim tarihi: 28 October 2020.
^ "rasbt/stat453-deep-learning-ss20" (PDF). GitHub (İngilizce). Erişim tarihi: 28 October 2020.
^ Pearl, Judea; Mackenzie, Dana. The Book of Why: The New Science of Cause and Effect (2018 bas.). Basic Books. ISBN 9780465097609. Erişim tarihi: 28 October 2020.
^ Poole, Mackworth & Goebel 1998, p. 1.
^ Russell & Norvig 2003, s. 55.
^ Definition of AI as the study of intelligent agents: * Poole, Mackworth & Goebel (1998), which provides the version that is used in this article. These authors use the term "computational intelligence" as a synonym for artificial intelligence.^[22] * Russell & Norvig (2003) (who prefer the term "rational agent") and write "The whole-agent view is now widely accepted in the field".^[23] * Nilsson 1998 * Legg & Hutter 2007
^ Stuart Russel; Peter Norvig (2003) [1995]. Artificial Intelligence: A Modern Approach (2. bas.). Prentice Hall. ISBN 978-0137903955. OCLC 359890490.

Ek okuma

Neural Networks and Pattern Recognition Using MATLAB30 Haziran 2012 tarihinde Wayback Machine sitesinde arşivlendi., Matlab Tutorial by Ph.D. Ömer Cengiz ÇELEBİ
Ethem Alpaydın (2004) Introduction to Machine Learning (Adaptive Computation and Machine Learning), MIT Press, ISBN 0-262-01211-1
M. Fatih Amasyalı (2006) Makine öğrenimine giriş, ders notu, Yıldız Teknik Üniversitesi
Christopher M. Bishop (2006) Pattern Recognition and Machine Learning, Springer ISBN 0-387-31073-8
Bing Liu (2007), Web Data Mining: Exploring Hyperlinks, Contents and Usage Data6 Temmuz 2019 tarihinde Wayback Machine sitesinde arşivlendi.. Springer, ISBN 3-540-37881-2
Toby Segaran, Programming Collective Intelligence, O'Reilly ISBN 0-596-52932-5
Ray Solomonoff, "An Inductive Inference Machine26 Nisan 2011 tarihinde Wayback Machine sitesinde arşivlendi."
Ray Solomonoff, An Inductive Inference Machine, IRE Convention Record, Bölüm: Information Theory, 2. Kısım, s. 56-62, 1957
Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1983), Machine Learning: An Artificial Intelligence Approach, Tioga Publishing Company, ISBN 0-935382-05-4
Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1986), Machine Learning: An Artificial Intelligence Approach, II. Cilt, Morgan Kaufmann, ISBN 0-934613-00-1
Yves Kodratoff, Ryszard S. Michalski (1990), Machine Learning: An Artificial Intelligence Approach, Volume III, Morgan Kaufmann, ISBN 1-55860-119-8
Ryszard S. Michalski, George Tecuci (1994), Machine Learning: A Multistrategy Approach, IV. Cilt, Morgan Kaufmann, ISBN 1-55860-251-8
Bhagat, P. M. (2005). Pattern Recognition in Industry, Elsevier. ISBN 0-08-044538-1
Bishop, C. M. (1995). Neural Networks for Pattern Recognition, Oxford University Press. ISBN 0-19-853864-2
Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification 2. baskı, Wiley, New York, ISBN 0-471-05669-3
Huang T.-M., Kecman V., Kopriva I. (2006), Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning18 Mayıs 2011 tarihinde Wayback Machine sitesinde arşivlendi., Springer-Verlag, Berlin, Heidelberg, 260 s. 96, ISBN 3-540-31681-7
Kecman Vojislav (2001), Learning and Soft Computing, Support Vector Machines, Neural Networks and Fuzzy Logic Models23 Temmuz 2011 tarihinde Wayback Machine sitesinde arşivlendi., The MIT Press, Cambridge, MA, 608 s. 268, ISBN 0-262-11255-8
MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms6 Şubat 2015 tarihinde Wayback Machine sitesinde arşivlendi., Cambridge University Press. ISBN 0-521-64298-1
Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7
Ian H. Witten & Eibe Frank Data Mining: Practical machine learning tools and techniques Morgan Kaufmann ISBN 0-12-088407-0
Sholom Weiss & Casimir Kulikowski (1991). Computer Systems That Learn, Morgan Kaufmann. ISBN 1-55860-065-5
Ingo Mierswa, Michael Wurst, Ralf Klinkenberg, Martin Scholz & Timm Euler: YALE: Rapid Prototyping for Complex Data Mining Tasks, in Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-06), 2006
Trevor Hastie, Robert Tibshirani & Jerome Friedman (2001). The Elements of Statistical Learning, Springer. ISBN 0-387-95284-5
Vladimir Vapnik (1998). Statistical Learning Theory. Wiley-Interscience, ISBN 0-471-03003-1

Kaynakça

Dış bağlantılar

"Makine öğrenimi algoritmalarının Ruby uygulamaları". 25 Haziran 2012 tarihinde kaynağından arşivlendi.
"Andrew Ng'in Stanford ders notları". 31 Ağustos 2009 tarihinde kaynağından arşivlendi.
"Berimsel Zekâ Ansiklopedisi". 11 Ekim 2007 tarihinde kaynağından arşivlendi.
"Uluslararası Makine Öğrenimi Topluluğu". 9 Mart 2012 tarihinde kaynağından arşivlendi.
"Makine öğrenimi, veri madenciliği ve KDD bilimsel konferansları". 3 Eylül 2009 tarihinde kaynağından arşivlendi.
"Açık kaynak kodlu makine öğrenimi yazılımları". 3 Ekim 2009 tarihinde kaynağından arşivlendi.
"Görüntülü makine öğrenimi dersleri". 16 Eylül 2009 tarihinde kaynağından arşivlendi.
"Berimsel Zekâ ve Makine Öğrenimi Sanal Topluluğu". 4 Ekim 2009 tarihinde kaynağından arşivlendi.

[Alpaydin2020-1] Ethem Alpaydin (2020). Introduction to Machine Learning (Fourth bas.). MIT. ss. xix, 1–3, 13–18. ISBN 978-0262043793.

[Samuel-2] Samuel, Arthur (1959). "Some Studies in Machine Learning Using the Game of Checkers". IBM Journal of Research and Development. 3 (3): 210–229. CiteSeerX 10.1.1.368.2254 $2. doi:10.1147/rd.33.0210.

[3] R. Kohavi and F. Provost, "Glossary of terms," Machine Learning, vol. 30, no. 2–3, pp. 271–274, 1998.

[4] Nilsson N. Learning Machines, McGraw Hill, 1965.

[5] Duda, R., Hart P. Pattern Recognition and Scene Analysis, Wiley Interscience, 1973

[6] S. Bozinovski "Teaching space: A representation concept for adaptive pattern classification" COINS Technical Report No. 81-28, Computer and Information Science Department, University of Massachusetts at Amherst, MA, 1981. https://web.cs.umass.edu/publication/docs/1981/UM-CS-1981-028.pdf

[Mitchell-1997-7] Mitchell, T. (1997). Machine Learning. McGraw Hill. s. 2. ISBN 978-0-07-042807-2.

[8] Harnad, Stevan (2008), "The Annotation Game: On Turing (1950) on Computing, Machinery, and Intelligence", Epstein, Robert; Peters, Grace (Ed.), The Turing Test Sourcebook: Philosophical and Methodological Issues in the Quest for the Thinking Computer, Kluwer, ss. 23–66, ISBN 9781402067082

[9] "Introduction to AI Part 1". Edzion (İngilizce). 2020-12-08. Erişim tarihi: 2020-12-09.

[journalimcms.org-10] "AN EMPIRICAL SCIENCE RESEARCH ON BIOINFORMATICS IN MACHINE LEARNING – Journal". Erişim tarihi: 28 October 2020.

[11] "rasbt/stat453-deep-learning-ss20" (PDF). GitHub (İngilizce).

[12] Şablon:Cite citeseerx

[aima-13] Şablon:Cite AIMA

[changing-14] Langley, Pat (2011). "The changing science of machine learning". Machine Learning. 82 (3): 275–279. doi:10.1007/s10994-011-5242-y. Geçersiz |doi-access=free (yardım)

[15] Garbade, Dr Michael J. (14 September 2018). "Clearing the Confusion: AI vs Machine Learning vs Deep Learning Differences". Medium (İngilizce). Erişim tarihi: 28 October 2020.

[16] "AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What's the Difference?". www.ibm.com (İngilizce). Erişim tarihi: 28 October 2020.

[17] "Chapter 1: Introduction to Machine Learning and Deep Learning". Dr. Sebastian Raschka. 5 August 2020. Erişim tarihi: 28 October 2020.

[18] August 2011, Dovel Technologies in (15 May 2018). "Not all Machine Learning is Artificial Intelligence". CTOvision.com. Erişim tarihi: 28 October 2020.

[19] "AI Today Podcast #30: Interview with MIT Professor Luis Perez-Breva -- Contrary Perspectives on AI and ML". Cognilytica. 28 March 2018. Erişim tarihi: 28 October 2020.

[20] "rasbt/stat453-deep-learning-ss20" (PDF). GitHub (İngilizce). Erişim tarihi: 28 October 2020.

[21] Pearl, Judea; Mackenzie, Dana. The Book of Why: The New Science of Cause and Effect (2018 bas.). Basic Books. ISBN 9780465097609. Erişim tarihi: 28 October 2020.

[FOOTNOTEPooleMackworthGoebel1998[httppeoplecsubcca~poolecich1pdf_p._1]-22] Poole, Mackworth & Goebel 1998, p. 1.

[FOOTNOTERussellNorvig200355-23] Russell & Norvig 2003, s. 55.

[Definition_of_AI-24] Definition of AI as the study of intelligent agents: * Poole, Mackworth & Goebel (1998), which provides the version that is used in this article. These authors use the term "computational intelligence" as a synonym for artificial intelligence.^[22] * Russell & Norvig (2003) (who prefer the term "rational agent") and write "The whole-agent view is now widely accepted in the field".^[23] * Nilsson 1998 * Legg & Hutter 2007

[25] Stuart Russel; Peter Norvig (2003) [1995]. Artificial Intelligence: A Modern Approach (2. bas.). Prentice Hall. ISBN 978-0137903955. OCLC 359890490.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[24]

[25]

[22]

[23]

@@ 37. satır: / 37. satır: @@
 ]]
-Bilimsel bir çaba olarak makine öğrenimi, yapay zeka arayışından doğdu. Yapay zekanın bir [[Disiplin (akademi)|akademik disiplin]] olarak ilk günlerinde bazı araştırmacılar makinelerin verilerden öğrenmesini sağlamakla ilgileniyordu. Soruna çeşitli sembolik yöntemlerle ve daha sonra "[[sinir ağı|sinir ağları]]" olarak adlandırılan yöntemlerle yaklaşmaya çalıştılar; bunlar çoğunlukla [[perceptron]]<nowiki/>lar ve [[ADALINE|diğer modeller]]di daha sonra istatistiklerin [[genelleştirilmiş doğrusal model]]<nowiki/>lerin yeniden icatları oldukları anlaşıldı.<ref>{{cite citeseerx |last1=Sarle |first1=Warren |title=Neural Networks and statistical models |citeseerx=10.1.1.27.699 |year=1994}}</ref> [[Olasılık teorisi|Olasılık]] muhakeme de özellikle otomatikleştirilmiş [[tıbbi teşhis]] için kullanıldı.<ref name="aima">{{cite AIMA|edition=2}}</ref>{{rp|488}}
+Bilimsel bir çaba olarak makine öğrenimi, yapay zeka arayışından doğdu. Yapay zekanın bir [[Disiplin (akademi)|akademik disiplin]] olarak ilk günlerinde bazı araştırmacılar makinelerin verilerden öğrenmesini sağlamakla ilgileniyordu. Soruna çeşitli sembolik yöntemlerle ve daha sonra "[[sinir ağı|sinir ağları]]" olarak adlandırılan yöntemlerle yaklaşmaya çalıştılar; bunlar çoğunlukla [[perceptron]]<nowiki/>lar ve [[ADALINE|diğer modeller]]di daha sonra istatistiklerin [[genelleştirilmiş doğrusal model]]<nowiki/>lerin yeniden icatları oldukları anlaşıldı.<ref>{{cite citeseerx |last1=Sarle |first1=Warren |title=Neural Networks and statistical models |citeseerx=10.1.1.27.699 |year=1994}}</ref> [[Olasılık teorisi|Olasılık]] muhakeme de özellikle otomatik [[tıbbi teşhis]] için kullanıldı.<ref name="aima">{{cite AIMA|edition=2}}</ref>{{rp|488}}
+Ancak, [[GOFAI|mantıksal, bilgiye dayalı yaklaşım]] üzerindeki artan vurgu, yapay zeka ile makine öğrenimi arasında bir sürtüşmeye neden oldu. Olasılıklı sistemler, veri toplama ve gösteriminin teorik ve pratik problemleriyle boğuşuyordu.<ref name="aima" />{{rp|488}} 1980 yılına gelindiğinde, [[uzman sistem]]<nowiki/>ler yapay zekaya hâkim oldu ve istatistik gözden düştü.<ref name="changing">{{Cite journal | last1 = Langley | first1 = Pat| title = The changing science of machine learning | doi = 10.1007/s10994-011-5242-y | journal = [[Machine Learning (journal)|Machine Learning]]| volume = 82 | issue = 3 | pages = 275–279 | year = 2011 | doi-access = free }}</ref> Sembolik/bilgiye dayalı öğrenme üzerine çalışmalar AI içinde devam etti ve [[endüktif mantık programlama]] 'ya yol açtı ancak daha istatistiksel araştırma hattı artık [[örüntü tanıma]] da (ingilizce:pattern recognition) ve [[bilgi geri alma]] daydı.<ref name="aima" />{{rp|708–710; 755}} Sinir ağları araştırması, yapay zeka ve [[bilgisayar bilimi]] tarafından aynı zamanlarda terk edildi. Bu çizgi de diğer disiplinlerden [[John Hopfield|Hopfield]], [[David Rumelhart|Rumelhart]] ve [[Geoff Hinton|Hinton]] ‘i içeren araştırmacılar tarafından AI/CS alanının dışında "[[bağlantısallık]]" (ingilizce:connectionism) olarak devam ettirildi. Ana başarıları, 1980'lerin ortasında [[geri yayılım]] 'ın (ingilizce:backpropagation) yeniden icadıyla geldi.<ref name="aima" />{{rp|25}}
+Ayrı bir alan olarak yeniden düzenlenen makine öğrenimi (ML), 1990'larda gelişmeye başladı. Alan, amacını yapay zeka elde etmekten ziyade pratik nitelikteki çözülebilir problemlerle mücadele etmeye değiştirdi. Odağı, AI'dan miras aldığı [[sembolik yapay zeka|sembolik yaklaşımlar]] 'dan, istatistik ve [[olasılık teorisi]]’nden ödünç alınan yöntem ve modellere kaydırdı.<ref name="changing" />
+itibarıyla birçok kaynak, makine öğreniminin yapay zekanın bir alt alanı olmaya devam ettiğini iddia etmeye devam ediyor.<ref>{{cite web |last1=Garbade |first1=Dr Michael J. |title=Clearing the Confusion: AI vs Machine Learning vs Deep Learning Differences |url=https://towardsdatascience.com/clearing-the-confusion-ai-vs-machine-learning-vs-deep-learning-differences-fce69b21d5eb |website=Medium |access-date=28 October 2020 |language=en |date=14 September 2018}}</ref><ref>{{cite news |title=AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What's the Difference? |url=https://www.ibm.com/cloud/blog/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks |access-date=28 October 2020 |work=www.ibm.com |language=en-us}}</ref><ref name="journalimcms.org"/> Ana anlaşmazlık, tüm makine öğreniminin Yapay zeka(YZ)'nın (AI) bir parçası olup olmadığıdır çünkü bu, makine öğrenimini kullanan herhangi birinin YZ kullandığını iddia edebileceği anlamına gelir. Diğerleri, tüm makine öğreniminin yapay zekanın bir parçası olmadığı görüşüne sahiptir <ref>{{cite web |title=Chapter 1: Introduction to Machine Learning and Deep Learning |url=https://sebastianraschka.com/blog/2020/intro-to-dl-ch01.html |website=Dr. Sebastian Raschka |access-date=28 October 2020 |date=5 August 2020}}</ref><ref>{{cite web |last1=August 2011 |first1=Dovel Technologies in |title=Not all Machine Learning is Artificial Intelligence |url=https://ctovision.com/not-all-machine-learning-is-artificial-intelligence/ |website=CTOvision.com |access-date=28 October 2020 |date=15 May 2018}}</ref><ref>{{cite web |title=AI Today Podcast #30: Interview with MIT Professor Luis Perez-Breva -- Contrary Perspectives on AI and ML |url=https://www.cognilytica.com/2018/03/28/ai-today-podcast-30-interview-with-mit-professor-luis-perez-breva-contrary-perspectives-on-ai-and-ml/ |website=Cognilytica |access-date=28 October 2020 |date=28 March 2018}}</ref> burada, makine öğreniminin yalnızca 'akıllı' bir alt kümesi YZ'nin bir parçasıdır. <ref>{{cite web |title=rasbt/stat453-deep-learning-ss20 |url=https://github.com/rasbt/stat453-deep-learning-ss20/blob/master/L01-intro/L01-intro_slides.pdf |website=GitHub |access-date=28 October 2020 |language=en}}</ref>
+Makine öğrenimi ve yapay zeka arasındaki farkın ne olduğu sorusu, "The Book of Why" adlı kitabında [[Judea Pearl]] tarafından yanıtlanır.<ref>{{cite book |last1=Pearl |first1=Judea |last2=Mackenzie |first2=Dana |title=The Book of Why: The New Science of Cause and Effect |publisher=Basic Books |isbn=9780465097609 |edition=2018 |url=https://www.basicbooks.com/titles/judea-pearl/the-book-of-why/9780465097609/ |access-date=28 October 2020}}</ref> Buna göre, makine öğrenimi pasif gözlemlere dayanarak öğrenir ve tahmin eder, oysa AI, hedeflerine başarılı bir şekilde ulaşma şansını en üst düzeye çıkaran eylemleri öğrenmek ve gerçekleştirmek için çevre ile etkileşime giren bir aracı ifade eder.{{refn|name="Definition of AI"|Definition of AI as the study of [[intelligent agents]]: * {{Harvtxt|Poole|Mackworth|Goebel|1998}}, which provides the version that is used in this article. These authors use the term "computational intelligence" as a synonym for artificial intelligence.{{sfn|Poole|Mackworth|Goebel|1998|loc=[http://people.cs.ubc.ca/~poole/ci/ch1.pdf p. 1]}} * {{Harvtxt|Russell|Norvig|2003}} (who prefer the term "rational agent") and write "The whole-agent view is now widely accepted in the field".{{sfn|Russell|Norvig|2003|p=55}} * {{Harvnb|Nilsson|1998}} <!--These textbooks are the most widely used in academic AI.--> * {{Harvnb|Legg|Hutter|2007}}}}
 == Uygulamalar ==

g t d Bilgisayar biliminin alt dalları
Matematiksel temeller	Matematiksel mantık · Kümeler kuramı · Sayı teorisi · Çizge teorisi · Tip teorisi · Kategori teorisi · Sayısal çözümleme · Bilgi teorisi · Kombinatorik · Boole cebiri
Hesaplama teorisi	Otomat teorisi · Hesaplanabilirlik teorisi · Hesaplamalı karmaşıklık teorisi · Kuantum hesaplama teorisi
Algoritmalar ve veri yapıları	Algoritma çözümlemesi · Algoritma tasarımı · Hesaplamalı geometri
Programlama dilleri ve derleyiciler	Ayrıştırıcılar · Yorumlayıcılar · Yordamsal programlama · Nesne yönelimli programlama · Fonksiyonel programlama · Mantık programlama · Programlama paradigmaları
Eşzamanlı, paralel ve dağıtık sistemler	Çoklu işleme · Dağıtımlı hesaplama · Eşzamanlılık denetimi
Yazılım mühendisliği	Gereksinim çözümleme · Yazılım tasarımı · Bilgisayar programlama · Biçimsel yöntemler · Yazılım testi · Yazılım geliştirme süreci
Sistem mimarisi	Bilgisayar mimarisi · Bilgisayar organizasyonu · İşletim sistemi
Telekomünikasyon ve ağ oluşturma	Bilgisayar müziği · Yönlendirme · Örgü topolojisi · Kriptografi
Veritabanları	Veritabanı yönetim sistemleri · İlişkisel veritabanı · SQL · İşlem yürütme · Veritabanı indeksleme · Veri madenciliği · Metadata (Üst veri) · Ana veri (Master data)
Yapay zekâ	Otomatikleştirilmiş muhakeme · Bilgisayarlı dilbilim · Bilgisayarlı görü · Evrimsel hesaplama · Uzman sistemler · Makine öğrenimi · Doğal dil işleme · Robotik
Bilgisayar grafikleri	Görselleştirme · Bilgisayar animasyonu · Görüntü işleme
İnsan-bilgisayar etkileşimi	Bilgisayar erişilebilirliği · Kullanıcı arayüzleri · Giyilebilir hesaplama · Yaygın bilişim · Sanal gerçeklik
Bilimsel hesaplama	Yapay yaşam · Biyoenformatik · Bilişsel bilim · Bilgisayarlı kimya · Hesaplamalı nörobilim · Hesaplamalı fizik · Sayısal algoritmalar · Sembolik matematik
Bilgisayar bilimi, ACM Hesaplama ve Sınıflandırma Sistemi'ne göre farklı konu ve alanlara ayrılabilir.