M.Fatih AMASYALI Yapay Zeka Ders Notları

Slides:



Advertisements
Benzer bir sunumlar
MIT563 Yapay Zeka ve Makine Öğrenmesi
Advertisements

Unsupervised Learning (Kümeleme)
Diferansiyel Sürüş Sistemi E-posta:
ZAMAN SERİLERİ MADENCİLİĞİ KULLANILARAK NÜFUS ARTIŞI TAHMİN UYGULAMASI
KONU :GÖRÜNTÜNÜN GEOMETRİK MODELLERİNİN KURULMASI
HIZLI ERİŞİM ARAÇ ÇUBUĞU MENÜLER ŞEKİL , RESİM EKLEME TABLO EKLEME
Bilgisayar ve İnternet Güvenliği
MIT563 Yapay Zeka ve Makine Öğrenmesi
BİLGİSAYARLI GÖRMENİN UYGULAMA ALANLARI
MIT563 Yapay Zeka ve Makine Öğrenmesi
M.Fatih AMASYALI Yapay Zeka Ders Notları
MIT563 Yapay Zeka ve Makine Öğrenmesi
Asansör Simülatörünün Ürettiği Sonuçlar Üzerinde Yapılan K-means++ Kümeleme Çalışması ile Trafik Türünün Tahmini M. Fatih ADAK Bilgisayar Mühendisliği.
CLUSTERING USING REPRESENTATIVES Hazırlayan: Arzu ÇOLAK
SEDA ARSLAN TUNCER Android işletim sisteminde RGB histogram değerlerinin gerçek zamanlı olarak elde edilmesi SEDA ARSLAN TUNCER
Lokal Arama Algoritmaları
Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı
SOME-Bus Mimarisi Üzerinde Mesaj Geçişi Protokolünün Başarımını Artırmaya Yönelik Bir Algoritma Çiğdem İNAN, M. Fatih AKAY Çukurova Üniversitesi Bilgisayar.
Karar Ağaçları.
İstatistiksel Sınıflandırma
Çizge Teorisi, Dağıtık Algoritmalar ve Telsiz Duyarga Ağları
ALAN ÖZELLİKLERİ.
Bilgisayar Programlama
Kümeleme ve Yöntemleri Arş.Grv İlyas AKKUŞ İnönü Üniversitesi B.Ö.T.E
Endüstride Veri Madenciliği Uygulamaları Yrd. Doç. Dr. Ayhan Demiriz 28/2/2006.
KARAKTER TANIMA Utku Cevre Barış Özkan.
BİYOİNFORMATİK NEDİR? BİYOİNFORMATİKTE KULLANILAN SINIFLAMA YÖNTEMLERİ
Yapay Zeka Teknikleriyle Tıbbi Verilerin İşlenmesi: VERİ MADENCİLİĞİ
Resim Sıkıştırma Yonca BAYRAKDAR
VERİ MADENCİLİĞİ VE SAĞLIK SEKTÖRÜNDE KULLANIMI.
Rakam Tanıma İçin KNN ve LDA Algoritmalarının Karşılaştırılması
M.Fatih AMASYALI Uzman Sistemler Ders Notları
Makine Öğrenmesinde Yeni Problemler
Turkcell Iletisim Hizmetleri Corporate Communications Ekim 2008 HABTEKUS 2008 Çok-girdili Çok-çıktılı Sistemlerde Konum Belirleme Tekniği Güneş Karabulut-Kurt,
BİL551 – YAPAY ZEKA Öğrenme ve Sınıflandırma
Veri Madenciliği Giriş.
BİLGİSAYAR NEDİR?.
Grafik ve Animasyon.
Veri Madenciligi . Sınıflandırma ve Regresyon Ağaçları ( CART )
Merve ORAKCI Gazi Üniversitesi Bilişim Enstitüsü ADLİ BİLİŞİM ABD.
Speeded-Up Robust Features (SURF) Yöntemi ile Yüz Tanıma
Yapay Zeka Desteği ile Parfüm Öneri Sistemi
BİL3112 Makine Öğrenimi (Machine Learning) Giriş – Özet – Ek Örnekler
Yapay Sinir Ağları (YSA)
BİL3112 Makine Öğrenimi (Machine Learning)
BİL551 – YAPAY ZEKA Öğrenme ve Siniflandırma
BİL551 – YAPAY ZEKA Kümeleme
PROGRAMLAMAYA GİRİŞ VE ALGORİTMA
Bölüm 4 : VERİ MADENCİLİĞİ
Makine Öğrenmesinde Yeni Problemler YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ.
Örüntü Tanıma.
Bölüm 4 için Ders Notları Introduction to Data Mining
Karar Ağaçları (Decision trees)
Emg İşleme Engin Kaya.
Öğrenme ve Sınıflama.
FOTOGRAMETRİ - I Sunu 3- 3 Eminnur Ayhan
Kümeleme ve Regresyon Problemleri için Kolektif Öğrenme
PROGRAMLAMAYA GİRİŞ VE ALGORİTMA
PROGRAMLAMAYA GİRİŞ VE ALGORİTMA
Makine Öğrenmesinde Yeni Problemler
Fırat Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Müh.
Volkan Erol1,2 Yard.Doç.Dr.Aslı Uyar Özkaya1
Yapay Zeka Nadir Can KAVKAS
Hastane Bilgi Sistemlerinde Veri Madenciliği
Karar Ağaçları Destekli Vadeli Mevduat Analizi
Yapay Öğrenme Teorisi Bölüm-1
Yapay Öğrenme Teorisi Bölüm-2
Mehmet Fatih KARACA Mustafa GÜNEL Akif Alkan TAŞTAN
Makine Öğrenmesine Giriş (Machine Learning – ML)
Doküman Sınıflandırma Text Categorization - TC
Sunum transkripti:

M.Fatih AMASYALI Yapay Zeka Ders Notları Makine Öğrenmesi-1 M.Fatih AMASYALI Yapay Zeka Ders Notları

Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N ratio) Alt küme seçiciler (Wrappers) Yeni Özelliklerin Çıkarımı Temel Bileşen Analizi (Principal Component Analysis) Doğrusal Ayırteden Analizi (Linear Discriminant Analysis) Sınıflandırma Metotları Doğrusal Regresyon Karar Ağaçları (Decision Trees) Yapay Sinir Ağları En Yakın K Komşu Algoritması (k - Nearest Neighbor) Öğrenmeli Vektör Kuantalama (Learning Vector Quantization) Kümeleme Algoritmaları: Hiyerarşik Kümeleme K-means Kendi Kendini Düzenleyen Haritalar (Self Organizing Map -SOM) Regresyon Algoritmaları Çok Boyutlu Verilerle Çalışmak YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Makine Öğrenmesi Çok büyük miktardaki verilerin elle işlenmesi, analizinin yapılması mümkün değildir. Bu tür problemlere çözüm bulmak amacıyla makine öğrenmesi metotları geliştirilmiştir. Bu metotlar geçmişteki verileri kullanarak veriye en uygun modeli bulmaya çalışırlar. Yeni gelen verileri de bu modele göre analiz edip sonuç üretirler. YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Metot türleri Farklı uygulamaların analizlerden farklı beklentileri olmaktadır. Makine öğrenmesi metotlarını bu beklentilere göre sınıflandırmak mümkündür. YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Sınıflandırma Kırmızı hangi sınıftan? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Kümeleme 256 rengi 16 renge nasıl indiririz? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Regresyon Eğri Uydurma YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Birliktelik Kuralları Keşfi Sepet analizi hangi ürünler birlikte satılıyor? Raf düzenlemesi hangi ürünler yan yana konmalı? Promosyonlar neyin yanında ne verilmeli? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Akış Günlük Hayatımızdaki Uygulamaları Makine Öğrenmesi nedir? Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N ratio) Alt küme seçiciler (Wrappers) Yeni Özelliklerin Çıkarımı Temel Bileşen Analizi (Principal Component Analysis) Doğrusal Ayırteden Analizi (Linear Discriminant Analysis) Sınıflandırma Metotları Doğrusal Regresyon Karar Ağaçları (Decision Trees) Yapay Sinir Ağları En Yakın K Komşu Algoritması (k - Nearest Neighbor) Öğrenmeli Vektör Kuantalama (Learning Vector Quantization) Kümeleme Algoritmaları: K-Ortalama (K-Means) Kendi Kendini Düzenleyen Haritalar (Self Organizing Map -SOM) YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Günlük Hayatımızdaki Uygulamaları Makine Öğrenmesinin Günlük Hayatımızdaki Uygulamaları YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

El yazısı / Kitap Yazısı Tanıma HCR /OCR İşlem: Şekillerin hangi harf olduğunu tahmin etme YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Kredi Taleplerini Değerlendirme Birisi bankadan borç ister. Banka borcu versin/vermesin. Nasıl? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

e-ticaret Görev ne olabilir? Birisi Amazon.com dan bir kitap yada ürün alıyor. Görev ne olabilir? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

e-ticaret Görev ne olabilir? Birisi Amazon.com dan bir kitap yada ürün alıyor. Görev ne olabilir? Müşteriye alması muhtemel kitapları önerelim. Ama nasıl? Kitapları konularına yazarlarına birlikte satılışlarına göre kümelemek? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Gen Mikrodizilimleri ALL AML 100 kişinin (hasta/sağlam) elimizde gen dizilimleri var. Bu dizilimleri analiz ederek hasta olup olmadığı bilinmeyen birisinin hasta olup olmadığını yada hastalığının türünü öğrenebilir miyiz? En iyi tedaviyi önerebilir miyiz? Nasıl? Elimizde hangi bilgiler olmalı? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Bu adam kim? İçeri girsin mi? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Bu adam kim? Bu adam havaalanında mı? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Bu parmak izi kimin? Bu adamı tutuklayalım mı? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Bu ses kimin? Bu ses ne diyor? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Bu imza kimin? Yoksa taklit mi? Taklit olup olmadığını nasıl anlarız? Zaman bilgisi ? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Bu metnin konusu nedir? Bu mail spam mi? Anti spam yazılımları nasıl çalışır? Spamciler nasıl çalışıyor? Yeni nesil spam mailler: Mesaj resimde, metinde ise anti spamlardan kaçmak için gereken kelimeler var. Makine öğrenmesi metotlarını hem spamciler hem anti spamciler kullanıyor. YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Olağan dışı bir durum var mı? Güvenlik kamerası kayıtları YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Kamera kaydındaki kişi ne anlatıyor? Sonuç:İletişimin artması. YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

ALVIN Otobanda saatte 70 mil hızla sürücüsüz gidebilen bir otomobil Bütün denemeler trafiğe kapalı alanlarda gerçekleştirilmiştir  Neden şehiriçi değil? Neden otoban? Neden diğer arabalar yok? Araba birine çarparsa suçlu kim? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Adalet Çin’de pilot uygulama: bir şehrin mahkeme hakimleri bir bilgisayar programı Amaç: Daha adil bir dünya Aynı özelliklere sahip davalarda aynı kararların alınması Sistemin eğitimi için neler gerekli? Milyonlarca/Milyarlarca (orası Çin) davaya ait verilerin kategorilenmesi YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Beyin Aktiviteleri İnsanların Görev? değişik şeyler düşünürkenki, değişik duygulara sahipkenki, problem çözerken ki beyin aktiviteleri kaydedilir. Görev? YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Uygulamalardaki boyut örnek sayıları YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Öğrenmenin geleceği Öğrenme modülleri birçok uygulamaya girmiş durumda. Ticari olarak satılan (gerçek dünya için tasarlanmış) birçok ürün var. Bu tür ürün ve modüllerin sayısı giderek artmakta. Çözüm bekleyen ve büyük potansiyelleri olan birçok problem (?) var. YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Verilerin Sayısallaştırılması Resim Resmin her bir pikselinin renkli resimlerde R,G,B değerleri, siyah-beyaz resimlerde 1–255 arası gri seviyesi kullanılarak sayılara çevrilir. Renkli resimler 3 adet, siyah beyazlar 1 adet en*boy büyüklüğünde matrisle ifade edilir. Metin Metindeki harfler, heceler ve kelimeler genelde frekanslarına göre kodlanarak sayılara çevrilir. Hareketli görüntü Resim bilgisine ek olarak resmin hangi resimden sonra geldiğini gösteren zaman bilgisini de içerir. Bu ek bilgi haricinde yapılan işlem resim ile aynıdır. Ses Ses, genlik ve frekansın zaman içinde değişimiyle kodlanır. YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Örnek sınıflandırma uygulaması Sistem: bir kitap fotokopisinin içindeki yazılarının metne dönüştürülmesi Öncelikle metindeki satırlar bulunur. Her bir satırdaki harfler bulunur. Her harfe ait onlarca örnek resimden etiketlenmiş bir veritabanı oluşturulur. Her bir resim için YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Bu matris eğitim ve test kümesi oluşturmak için 2’ye bölünür. Bu şekilde tanınmak istenen harf için çeşitli fontlarla yazılmış birçok örneği temsil eden 60 boyutlu vektörler elde edilir. Bu uygulamamız için özellik sayımız 60’tır. Diğer bir deyişle örneklerimiz 60 boyutlu bir uzayda temsil edilmektedirler. Elimizde 10 rakama ait farklı fontlarla yazılmış 10’ar resim olursa veri kümemiz 100 örnek* 60 boyutluk bir matris olacaktır. Elimizde her örneğin hangi harf olduğunu gösteren sınıf bilgiside bulunmaktadır. Bu matris eğitim ve test kümesi oluşturmak için 2’ye bölünür. Eğitim kümesi bir sınıflandırıcıya verilir. Modellenir. Modelin başarısını ölçmek için sınıflandırıcının daha önce görmediği, modelini oluşturmakta kullanmadığı test kümesi için tahminde bulunması istenir. Bu tahminlerle gerçek sınıfların aynılığının ölçüsü sınıflandırıcının başarı ölçüsüdür. YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ