Makine Öğrenmesi Nedir?

Makine Öğrenmesi Nedir? | Metin Uslu
Karmaşık Sistemler ve Veri Bilimi Çalıştayı
Boğaziçi Üniversitesi - 04.05.2019

Transcript

1. Makine Öğrenmesi Nedir? Karmaşık Sistemler ve Veri Bilimi Çalıştayı @Boğaziçi Üniversitesi 04.05.2019
2. Ben Kimim? Metin USLU İş • Veri Bilimci @ LC Waikiki - 02.2019 • Büyük Veri Analisti | Bilgi Teknolojileri ve İletişim Kurumu (BTK) - 01.2017 - 02.2019 • Yönetim Bilişim Sistemleri Uzm Yrd. | Kuveyt Türk Katılım Bankası - 10.2015 - 01.2017 • . . . Eğitim İstanbul Üniversitesi | Bilgisayar Programlama Hacettepe Üniversitesi | İstatistik Konya NEU | Bilgisayar Mühendisliği (Öğrenci) İletişim @metinuslu - uslumetin@gmail.com 2
3. Sunum Planı 1. LC Waikiki’de Neler Yapıyoruz? 2. Büyük Veri ve Yapay Zeka Laboratuvarı: BTK BAB 3. Makine Öğrenmesi Nedir? 3
4. LC Waikiki | Mağaza İçi Analitik (In Store Analytics) Mağaza Müşterilerinin Üzerinde Çalıştıklarımız ❖ Cinsiyet - VGG-16 - Acc.: %96 ❖ Yaş (Görünen) - VGG-16 - MAE: ±4.65 ❖ Boy Uzunluğu - Object Detection ve Pose Estimation Neler Yapmak İstiyoruz? ❖ Emotion ❖ Persona (Profil, Eğilim) 4 Kaynak: https://www.necdisplay.com/images/whitepapers/Facial_Recognition_Retail_Benefits.jpg
5. LC Waikiki | Mağaza İçi Analitik (In Store Analytics) 5 Kaynak: https://www.quora.com/What-is-the-VGG-neural-network VGG-16
6. BTK BAB | Büyük Veri ve Yapay Zeka Lab. 6 Kaynak: bab.btk.gov.tr
7. BTK BAB | Büyük Veri ve Yapay Zeka Lab. 7 Yazılım Bileşenleri: • Vertica • GreenPlum • Hadoop Ekosistemi • Apache Spark • PostgreSQL • ElasticSearch • Cassandra • Mongo • Neo4J • Python • Weka • R & R Studio Server • Knime • . . . Daha fazlası için bab.btk.gov.tr Donanım Bileşenleri: • 2.560 GB Ram • 250 TB SAS Disk • 4.800 GB SSD Disk • 400 Core Intel Xeon Gold 6148 2.4 Ghz İşlemci • 10 Gigabit Network OS & Diğer Araçlar: • Sunucu: Centos 7 • İstemci: Ubuntu Desktop 16.04 • Public Verisetleri • Postman, DBeaver Robo3T, v.d.
8. Yapay Zeka 8 Kaynak: http://sanket.khandare.com/wp-content/uploads/2017/07/AI-subsets-1024x502.png
9. Yapay Zeka Testleri 9 1- Turing Testi 2- Çin Odası Deneyi Kaynak 1: http://www.wikizero.biz/index.php?q=aHR0cHM6Ly91cGxvYWQud2lraW1lZGlhLm9yZy93aWtpcGVkaWEvY29tbW9ucy9lL2U0L1R1cmluZ19UZXN0X3ZlcnNpb25fMy5wbmc Kaynak 2: https://cdnelektrikport.4flyy.com//Content//201408/The-Chinese-Room.jpg
10. Yapay Zeka & Makine Öğrenmesi & Derin Öğrenme 10 Kaynak: https://blogs.nvidia.com/wp-content/uploads/2016/07/Deep_Learning_Icons_R5_PNG.jpg.png
11. 11 Kaynak: https://trends.google.com.tr/trends/explore?date=2018-01-01%202019-04-30&q=Artificial%20Intelligence,Machine%20Learning,Deep%20Learning Yapay Zeka & Makine Öğrenmesi & Derin Öğrenme
12. Makine Öğrenmesi 12 Kaynak: https://blogs.nvidia.com/wp-content/uploads/2016/07/Deep_Learning_Icons_R5_PNG.jpg.png
13. Makine Öğrenmesi vs Derin Öğrenme 13 Kaynak: https://towardsdatascience.com/why-deep-learning-is-needed-over-traditional-machine-learning-1b6a99177063
14. Biyolojik Sinir Sistemi vs Yapay Sinir Ağları 14 Kaynak: https://www.datacamp.com/community/tutorials/deep-learning-python
15. Peki Makineler Nasıl Öğrenir? Bir problem ile başlayalım; Input Output Adım 1: 0 * k + A = 32 ➔ A=32 Adım 2: 8 * k + A = 46.4 ➔ 8 * k + 32 = 46.4 ➔ k=1.8 Adım 3: 38 * 1.8 + 32 = 100.4 15 32, 46.4, 59, 71.6, 0, 8, 15, 22, 38 100.4
16. Peki Makineler Nasıl Öğrenir? Input Output F= C*1.8 + 32 F: Fahrenheit C: Celsius 16 32, 46.4, 59, 71.6, 100.4 0, 8, 15, 22, 38,
17. Geleneksel Prog. vs Makine Öğrenmesi 17
18. Geleneksel Programlama 18 F = C*1.8 + 32 Python def Cel2Fah(C): F = C * 1.8 + 32 return F print("Celsius to Fahrenheit:", Cel2Fah(100))
19. Makine Öğrenmesi 19 Python
20. Makine Öğrenmesi 20
21. Python Uyg. (Veri Seti & Kütüphaneler) 21 Python - Jupyter / Google Colab üzerinde, Input(Celsius) ve Output(Fahrenheit) değerlerinden oluşan 50 gözlemli bir veri seti ile Derin Sinir Ağları ve Doğrusal Regresyon kullanarak Makine Öğrenmesi uygulaması gerçekleştireceğim. Kütüphaneler Tensorflow Keras ScikitLearn Pandas Numpy Matplotlib No Input Output 1 -65 -85 2 -52 -61,6 3 -40 -40 4 -26 -14,8 5 -19 -2,2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 520 968 47 533 991,4 48 546 1014,8 49 559 1038,2 50 572 1061,6
22. Python Uyg. (Sinir Ağları) 22
23. Python Uyg. (Sinir Ağları) 23
24. Python Uyg. (Sinir Ağları) 24
25. Python Uyg. (Sinir Ağları) 25 Celsius 100 için Fahrenheit : ? ❖Sinir Ağları Modeli => 31.022 + 1.802*Celcius 31.022 + 1.802*100 = 211.269 ❖Cel2Fah => 100*1.8 + 32 = 212
26. Python Uyg. (Regresyon) 26
27. Python Uyg. (Regresyon) 27
28. Python Uyg. (Regresyon) 28
29. Python Uyg. (Regresyon) 29
30. Python Uyg. (Regresyon) 30 Regresyon Modeli y= b0 + b1*x1 == > y= Celcius*1.8 + 31.999
31. Python Uyg. (Regresyon) 31 Celsius 100 için Fahrenheit : ? ❖Regresyon Modeli => y= Celcius*1.8 + 31.999 100*1.8 + 31.999 = 211.999 ❖Cel2Fah => 100*1.8 + 32 = 212
32. Modeller 32 ❖Cel2Fah => Celsius*1.8 + 32 ❖Sinir Ağı Modeli => Celcius*1.802 + 31.022 ❖Regresyon Modeli => Celcius*1.8 + 31.999 Github Repository : https://github.com/metinuslu/kave2019_machinelearning
33. Teşekkürler Metin USLU İletişim uslumetin@gmail.com @metinuslu 33