Yapay Zeka Nedir?

Yapay Zekâ (Artificial Intelligence- AI), bir bilgisayarın veya bilgisayar kontrolündeki bir sistemin insan gibi davranışlar sergilemesi, sayısal mantık yürütme, hareket, konuşma ve ses algılama gibi birçok yeteneğe sahip olup çeşitli faaliyetleri zeki canlılara benzer şekilde gerçekleştirmesidir.
 Yapay zekânın geçmişi 1940’lara dayanmaktadır. Mathison Turing tarafından, “Makineler düşünebilir mi?” sorusunun sorulması ile yapay zekâ hakkında ilk adımlar atılmaya başlanmıştır. Mc Carthy 1956’li yıllarda gerçekleştirdiği çalışmalarla yapay zekâ adını ortaya atmıştır ve 1974 yılına kadar yapay zekâ altın çağı yaşamıştır ardından 1974’ten 1980 yılına kadar ilk durgunluk dönemi yaşanmıştır. Bu durgunluğun sebebi sistem gereksinimlerinin o dönemlerde karşılanamaması ve projelerdeki başarısızlık ile gelen yatırım ve finansmanın düşüş dönemine girmesi nedeniyle yapay zekâ ile ilgili araştırma veya diğer projeler için fon bulmakta zorlanılmıştır. Yapay Zekâ araştırmalarına ilgi 1980'li yılların ortalarında uzman sistemlerin gelişmesiyle Yapay Zekâda araştırmalar ve yatırımlar yeniden canlandı. Fakat sistemler verilere çok bağımlıydı. Veri kümlerinin yetersiz olması ayrıca 1980'lerde depolamanın pahalı olması nedeniyle yeniden durgunluk dönemine girildi. Günümüzde bu tür sorunlar giderilmiş veri kümeleri artmış, verilere erişim kolaylaşmış ve depolama sistemleri gelişerek daha az maliyetle depolama sağlanmıştır. Böylelikle yapay zekâ gelişimi hız kazanmıştır.
Yapay zekânın günümüzde geliştirilen uygulamalarının yararlarına karşın gelecekte büyük problemlere yol açabileceğini ve durdurmanın imkânsız olacağını savunan teknoloji ve bilim dünyasında İsim yapmış kişiler de bulunmaktadır. Felaket teorilerinin gerçekleşebileceğini söyleyen isimlerden bazıları Elon Musk ve Stephen Hawking gibi isimler çalışmalarının durdurulması gerektiğini savunmaktadır.
Yapay zekâ günümüzde spor müsabakaları, sağlık, otomotiv, video oyunları, finans ve ekonomi alanlarında oldukça sık kullanılmaktadır. Yapay zekânın en önemli uygulama alanları ses tanıma, görüntü işleme, doğal dil işleme, sanal asistanlar, sohbet botları, akıllı arabalar, oyunlar, dinleme ve izleme öneri robotları olarak sıralanabilir.
Yapay zekada kullanılan programlama dilleri:
- Python
- Tensorflow
- Java
- C
Yapay Zekânın Sınıflandırılması
Yapay zekâ iki farklı kategoriye ayrılabilir: Zayıf ve güçlü yapay zekâ.
Zayıf yapay zekâ, belirli bir işi yapmak için tasarlanmış bir sistemi bünyesinde barındırır. Dar AI olarak da adlandırılan bu tür yapay zekâ sınırlı bir bağlamda çalışır ve insan zekâsının bir simülasyonudur. Dar AI genellikle tek bir görevi iyi bir şekilde yerine getirmeye odaklanır ve bu makineler akıllı görünse de en temel insan zekâsından bile çok daha fazla kısıtlama altında çalışırlar. 
Birkaç zayıf AI örneği: 
- Google arama
- Görüntü tanıma yazılımı
- Siri, Alexa ve diğer kişisel asistanlar
- Otomatik sürüş sistemli arabalar
- IBM'in Watson'ı 
Zayıf AI’nin büyük bir kısmı, makine öğrenimi ve derin öğrenmedeki atılımlarla desteklenmektedir. Makine öğrenmesi, makinenin sağlanan verilerle mantıklı ve rasyonel sonuçlar türetmesini sağlayan algoritmalardır. Derin öğrenme ve Makine öğrenimi birbirlerine oldukça benzer yapılardır. Derin Öğrenme bir makine öğrenme yöntemidir ve Verilen bir veri kümesi ile çıktıları tahmin edecek yapay zekâyı eğitmemize olanak sağlar.
Güçlü yapay zekâ sistemleri, insan gibi düşünen ve görevleri yerine bu şekilde getiren sistemlerdir. Bunlar karmaşık sistemler olma eğilimindedir. Bir kişinin müdahalesi olmadan problem çözmesi gerekebilecek durumları ele almak için programlanmıştır. Bu tür sistemler, kendi kendini süren otomobiller gibi uygulamalarda veya hastane ameliyathanelerinde bulunabilir. Güçlü Yapay Zekânın temel özellikleri arasında akıl yürütme, bulmaca çözme, yargılama yapma, planlama, öğrenme ve iletişim kurma becerisi vardır.
Yapay Zekâ Algoritmaları
Yapay zekâ algoritmaları genellikle üç kategoriye ayrılır. Bunlar Supervised Learning (Gözetimli Öğrenme), Unsupervised Learning (Gözetimsiz Öğrenme) ve Reinforcement Learning (Kuvvetlendirmeli Öğrenme) yöntemleridir.
Supervised Learning (Learning (Gözetimli Öğrenme)) yönteminde öğrendiklerinden yola çıkarak tahminleme yapmak için etiketli (labeled) veriler kullanılır. Gözetimli öğrenmedeki algoritmalar genel olarak iki başlıkta toplanmaktadır. Bunlar Classification (Sınıflandırma) ve Regression (Regression)dır. Supervised Learning öğrenme yönteminde bulunan algoritmalar:
- K-Nearest Neighbors (KNN- En Yakın Komşuluk) 
- Artificial Neural Network (ANN- Yapay Sinir Ağları)
- Support Vector Machine (SVM- Destek Vektör Makinaları)
- Decision Trees (DTs- Karar Ağaçları)
- Linear Regression (Doğrusal Regresyon)
- Logistic Regression (Lojistik Regresyon)
Gözetimsiz öğrenme, genelde girdiler arasında ilişkilerin çıkarılması problemlerinde kullanılmaktadır. Gözetimsiz öğrenmede hedef çıktılar verilmez, modelin kendi içinde verilen girdilerden bir şablon oluşturması beklenir. Clustering (kümeleme) algoritmaları gözetimsiz öğrenme başlığı altındadır. Unsupervised Learning öğrenme yönteminde bulunan algoritmalar:
- Clustering Algorithms (Kümeleme Algoritmaları)
- Principal Component Analysis (Temel Bileşenler Analizi)
- Singular Value Decomposition (Tekil Değer Ayrıştırması)
- Independent Component Analysis (Bağımsız Bileşenler Analizi)
Kuvvetlendirmeli Öğrenme (Reinforcement Learning), bir sistemin kendi eylemlerinden ve deneyimlerinden gelen geri bildirimleri kullanarak deneme yanılma yoluyla etkileşimli bir ortamda öğrenmesini sağlayan bir yöntemdir. Reinforcement Learning, bir ödül ve ceza sistemi kullanarak algoritmaları eğiten bir tür dinamik programlamadır. Kuvvetlendirmeli Öğrenme algoritmaları:
- Value-Based
- Policy-based
- Model-Based