Veri Bilimi, Makine Öğrenimi ve Yapay Zeka Nasıl Örtüşür ve Ayrışır?

Şirketler ve ekiplerle çalışırken, genellikle veri bilimi, makine öğrenimi ve yapay zeka arasındaki farklar ve örtüşmeler konusunda bazı kafa karışıklıklarının olduğunu gördüm. Bu yüzden, birbiriyle yakından ilişkili, bazen birbirinin yerine kullanılan, ancak gerçekten farklı anlamlar taşıyan bu üç terim için hızlı ve anlaşılır bir kılavuz oluşturmanın faydalı olacağını düşündüm.

Veri Bilimi, Makine Öğrenimi ve Yapay Zeka Nasıl Örtüşür?

“Veri bilimi” (Data Science, DS) ile başlayalım, çünkü gerçekten diğer kavramların temelini oluşturuyor.


“Veri yeni petroldür”gibi bir ifadeyi veya bunun bir başka varyasyonunu duymuş olabilirsiniz. Bu benzetmenin geçerliliğini sorgularken, iş dünyasında verinin neden bu kadar önemli olduğunu düşündüm.

Aslında bu evrensel olarak kabul görmüş eski bir gerçeğe dayanıyor:

“bilgi güçtür”

Tıpkı bu ifadeyi kullanan ortaçağ düşünürleri ve stratejistlerinin eğitimli insanların saygı ve otorite kazanma eğiliminde olduklarını gördüğü gibi, bugünün iş dünyasının liderleri de bilgi sayesinde müşterileri, rekabetleri ve kendi operasyonları hakkında daha başarılı olma ihtimalinin mümkün olduğunu görüyorlar.


Veri bilimi alanı, verilerin iç-görü ve bilgiye dönüşmesine yardımcı olmak için geliştirilmiştir. Verilerden iç-görü ve bilgi elde etmek için algoritmalar (kurallar) geliştirmek amacıyla yoğun olarak matematik, istatistik ve bilgisayar bilimlerinin birleşiminden yararlanılır.


Tabii ki, matematikçiler ve istatistikçiler yüzyıllardır aynı amaç için araştırma yapmışlar, ancak veri bilimi olarak bilinen modern disiplini doğuran şeyin bilgisayarların bilim dünyasına dahil olmasıdır. Günümüzde veri bilimi çoğu iş dünyasının kritik bir parçası haline geldi ve veri bilimcisinin rolü şirketlerde ve kurumlarda en iyi ve en yüksek ücretli işlerden biri haline geldi.

Veri bilimcisinin araç setinde, son derece değerli olduğu kanıtlanmış iki özel beceri vardır: bunlar veri madenciliği ve tahmine dayalı analitiktir.

Veri madenciliği, basitçe anlatacak olursak, iç-görülere çevrilebilecek verilerdeki kalıpları keşfetme sürecidir, oysa ki tahmine dayalı öngörücü analitik ise, bir işlem veya işlemin belirli sonuçlarının istatistiksel olasılığını belirlemek için verilerin kullanılmasıdır.

Bunların her ikisi de Yapay Zeka (AI) sistemlerinin temel bileşenleridir. Ayrıca “Yapay Zeka (AI)” teriminin anlamının son yüzyılda önemli ölçüde geliştiğini ve değiştiğini belirtmekte de fayda var. Yapay Zeka, insanlara benzer bir şekilde düşünme, öğrenme ve hareket etme yeteneğine sahip makineleri ifade eder. Yapay Zeka sistemleri insanlar tarafından programlanabilir veya kısıtlı veya hiç insan içermeyen veriler kullanılarak yaratılabilir ve geliştirilebilir; bu da bizi bir parça, şimdi ele almak istediğim üçüncü terime yani Makine Öğrenimine (ML) getiriyor.


Makine Öğrenimi (ML) ve Yapay Zeka (AI) arasındaki ilişkiyi tanımlamanın ve örtüştürmenin en kolay yolu, Makine Öğreniminin “öğrenen makineler”i yapma denemelerimizdeki en güncel yöntemlerden biri olmasıdır. Yapay Zeka genel bir kavramı tanımlamak için kullanılan bir miktar akışkan yani farklı yönlere çekilebilecek esnek bir terim olsa da, Makine Öğrenimi bir Yapay Zeka metodolojisidir ve dolayısıyla Yapay Zeka’nın alt kümesidir.


Makine Öğrenimi’nin gerçekleştirilmesi, bir insan tarafından (genellikle bir veri bilimcisi tarafından) özellikle bir görevin nasıl yerine getirileceği konusunda özel olarak eğitilmek yerine, veriler üzerinde eğitilebilecek yapı algoritmaları tasarlanarak sağlanır.


Her ne kadar bu kavram yeni olmasa da (ilk olarak 20. yüzyılın ortalarında ciddi bir şekilde tartışılmıştır) büyük miktarlardaki verilere erişimin yanı sıra büyük miktarda bilgisayar gücüne de dayanır. Her ikisinde de, algoritmaları görevlerinde yeterince iyi olana kadar eğitmek gerekir. Ve internetin ortaya çıkması ve işlemci donanımının düşen maliyeti sayesinde, bunun iş dünyası için uygun bir gerçeklik haline geldiği söylenebilir.


Umarım, bu makale Veri bilimi, Yapay Zeka ve Makine Öğrenimi kavramları arasındaki farklılıkları ortaya koyma konusunda temel bir anlayış kazandırabilir ve daha da basitleştirmek gerekirse; günümüzün iş dünyasında, bir veri bilimcisi yapay zekayı elde etmek için makine öğrenimini kullanmaktadır.


Bunu anlamanın başka bir yolu da, Makine Öğreniminin bir veri bilimcisinin bilgiden bilgi edinmek için kullanabileceği tek teknik yöntem olmasıdır.

LinkedIn ve Forbes’te düzenli olarak yönetim ve teknoloji trendleri hakkında yazıyorum. Ayrıca Yapay Zeka (AI) ile ilgili yeni bir kitap yazdım, daha fazla bilgi için buraya tıklayabilirsiniz. Gelecekteki yayınlarımı okumak için ağıma katılabilirsiniz veya ‘Takip Et’i tıklayabilirsiniz. Ayrıca Twitter, Facebook, Instagram, Slideshare veya YouTube üzerinden de benimle bağlantı kurmaktan çekinmeyin.


Yazar: Bernard Marr

| Website | Linkedin | DeepBloo | Facebook | Twitter | Instagram | KnowHUB | Youtube | Blogger | | SoundCloud | YazBEE | About Me |

Blog Posts

  • Beyaz LinkedIn Simge
  • Beyaz Facebook Simge
  • Beyaz Heyecan Simge

BU İÇERİĞE EMOJİ İLE TEPKİ VER

Relaxing Sea Sound - Unknow
00:00 / 00:00
Rate websitenot goodnot greatgoodgreatperfectRate website
  • Grey Facebook Icon
  • Grey Twitter Icon
  • Grey LinkedIn Icon
  • Grey iTunes Icon
  • Grey YouTube Icon
  • Grey Instagram Icon
  • Grey Blogger Icon
  • Grey RSS Icon

"Real success delivers you up to a high degree of Allah's floor" Hüseyin Güzel

"Real success delivers you up to a high degree of Allah's floor" Hüseyin Güzel

Subscribe for updates!

© Copyright 2023 by Hüseyin GÜZEL

     All Rights Reserved by Technical Library