Garfield
YZF Admin
Yapay zekâ vizesine hazırlanırken yalnızca tanımları ezberlemek yerine temel kavramları, algoritmaların nasıl çalıştığını ve verilen bir problemin hangi yöntemle çözülebileceğini açıklamaya odaklanın. Aşağıdaki örnek sorular; yapay zekânın temelleri, makine öğrenmesi, arama algoritmaları, sinir ağları ve etik konularındaki tipik vize kapsamını çalışmak için kullanılabilir. Dersinizin haftalık içeriği farklıysa soru başlıklarını öğretim üyesinin işlediği konulara göre daraltın.
Yapay zekâ, bilgisayar sistemlerinin algılama, öğrenme, akıl yürütme, karar verme ve doğal dili işleme gibi insan zekâsıyla ilişkilendirilen görevleri yerine getirmesini amaçlayan alandır. Bir sistemin yapay zekâ kullanması, her zaman insan gibi düşündüğü veya doğru karar verdiği anlamına gelmez; sistem belirli bir görev, veri kümesi ve hedef ölçütüyle sınırlı çalışabilir.
Dar yapay zekâ, görüntü sınıflandırma veya konuşma tanıma gibi belirli bir göreve odaklanır. Genel yapay zekâ ise farklı alanlarda insan benzeri biçimde öğrenip akıl yürütebilen varsayımsal bir sistemdir. Günlük hayatta kullanılan çoğu yapay zekâ uygulaması dar yapay zekâ kapsamındadır.
Ajan çevresinden algılayıcılarla bilgi toplar, bu bilgiyi değerlendirir ve eyleyiciler aracılığıyla bir eylem gerçekleştirir. Performans ölçütü, ajanın hedefe ne kadar başarılı ulaştığını belirler. Örneğin bir robot süpürgede algılayıcılar engelleri tespit eder, karar mekanizması hareket yönünü seçer ve motorlar eylemi uygular.
Denetimli öğrenmede girdilerle birlikte doğru çıktılar, yani etiketler bulunur. E-posta iletisinin spam olup olmadığını tahmin etmek buna örnektir. Denetimsiz öğrenmede etiket yoktur; algoritma verideki kümeleri veya yapıları kendisi bulmaya çalışır. Pekiştirmeli öğrenmede ajan, eylemlerinin sonucuna göre ödül veya ceza alarak bir politika öğrenir.
Bu ayrım sınavda özellikle önemlidir: Soruda doğru cevapların verilip verilmediğine ve sistemin tek seferlik tahmin mi yoksa ardışık karar mı yaptığına bakın. Etiketsiz veriyi doğrudan denetimli öğrenme problemi olarak adlandırmak yanlıştır.
Eğitim kümesi model parametrelerini öğrenmek için kullanılır. Doğrulama kümesi model seçimi ve hiperparametre ayarı için kullanılır. Test kümesi ise model geliştirme süreci tamamlandıktan sonra daha önce görülmemiş verideki performansı ölçer. Test verisinin eğitim sırasında tekrar tekrar kullanılması, ölçülen başarının gerçekte olduğundan yüksek görünmesine neden olabilir.
Aşırı uyumda model eğitim verisini çok iyi öğrenir ancak yeni veride başarısız olur. Model gereğinden karmaşık olabilir veya eğitim verisini ezberleyebilir. Yetersiz uyumda model eğitim verisindeki temel ilişkiyi bile öğrenemez. Daha fazla veri, düzenlileştirme, model karmaşıklığını değiştirme ve çapraz doğrulama bu sorunları değerlendirmede kullanılabilir.
Genişlik öncelikli arama, düğümleri seviyeler hâlinde ziyaret eder ve genellikle kuyruk yapısı kullanır. Kenar maliyetleri eşitse en az adımlı çözümü bulabilir; ancak bellekte çok sayıda düğüm tutabilir. Derinlik öncelikli arama önce bir dalı mümkün olduğunca derin izler ve yığın veya özyineleme kullanır. Daha az bellek tüketebilir fakat en kısa çözümü garanti etmez.
Sezgisel fonksiyon, bir durumdan hedefe ulaşmak için kalan maliyeti tahmin eden fonksiyondur. A* aramasında genellikle
Ağırlıklar, girdilerin çıktıya katkısını belirleyen öğrenilebilir değerlerdir. Aktivasyon fonksiyonu ise nöronun ağırlıklı toplamını dönüştürerek ağa doğrusal olmayan ilişkileri öğrenme olanağı verir. Eğitim sırasında model tahmini ile gerçek sonuç arasındaki fark bir kayıp fonksiyonuyla ölçülür; ağırlıklar bu kaybı azaltacak yönde güncellenir.
Doğruluk, doğru tahminlerin tüm tahminlere oranıdır; ancak sınıflar dengesizse tek başına yanıltıcı olabilir. Kesinlik, pozitif tahminlerin ne kadarının gerçekten pozitif olduğunu; duyarlılık, gerçek pozitiflerin ne kadarının yakalandığını gösterir. Yanlış pozitiflerin maliyeti yüksekse kesinlik, yanlış negatiflerin maliyeti yüksekse duyarlılık daha önemli olabilir.
Örneğin 100 hastanın yalnızca 2'si hastaysa her kişiyi sağlıklı tahmin eden model yüzde 98 doğruluk elde edebilir; fakat hiçbir hastayı yakalayamaz. Bu nedenle soruda yalnızca doğruluk oranına bakmak yerine karmaşıklık matrisi, kesinlik, duyarlılık ve gerekirse F1 skorunu birlikte değerlendirin.
Vizeye hazırlanırken her soruyu önce kaynağa bakmadan yanıtlayın. Ardından yanıtınızı şu dört ölçüte göre kontrol edin: kavramın tanımı doğru mu, benzer kavramdan ayrımı açık mı, uygun bir örnek var mı ve yöntemin sınırı belirtilmiş mi? Hesaplama sorularında kullanılan formülü yazıp değişkenleri tanımlayın; yalnızca nihai sayıyı vermek çoğu zaman çözüm mantığını göstermeye yetmez.
Özellikle karşılaştırma sorularında cevabı tek cümleye indirmeyin. Yöntemlerin veri ihtiyacını, bellek veya hesaplama maliyetini, başarı garantisini ve hangi durumda tercih edileceğini ayrı ayrı belirtin. Bir algoritmanın belirli bir koşulda iyi çalışması, her problemde en iyi yöntem olduğu anlamına gelmez.
Temel kavram soruları
1. Yapay zekâ nedir?
Yapay zekâ, bilgisayar sistemlerinin algılama, öğrenme, akıl yürütme, karar verme ve doğal dili işleme gibi insan zekâsıyla ilişkilendirilen görevleri yerine getirmesini amaçlayan alandır. Bir sistemin yapay zekâ kullanması, her zaman insan gibi düşündüğü veya doğru karar verdiği anlamına gelmez; sistem belirli bir görev, veri kümesi ve hedef ölçütüyle sınırlı çalışabilir.
2. Dar yapay zekâ ile genel yapay zekâ arasındaki fark nedir?
Dar yapay zekâ, görüntü sınıflandırma veya konuşma tanıma gibi belirli bir göreve odaklanır. Genel yapay zekâ ise farklı alanlarda insan benzeri biçimde öğrenip akıl yürütebilen varsayımsal bir sistemdir. Günlük hayatta kullanılan çoğu yapay zekâ uygulaması dar yapay zekâ kapsamındadır.
3. Zeki bir ajanın temel bileşenleri nelerdir?
Ajan çevresinden algılayıcılarla bilgi toplar, bu bilgiyi değerlendirir ve eyleyiciler aracılığıyla bir eylem gerçekleştirir. Performans ölçütü, ajanın hedefe ne kadar başarılı ulaştığını belirler. Örneğin bir robot süpürgede algılayıcılar engelleri tespit eder, karar mekanizması hareket yönünü seçer ve motorlar eylemi uygular.
Makine öğrenmesi soruları
4. Denetimli, denetimsiz ve pekiştirmeli öğrenmeyi karşılaştırın.
Denetimli öğrenmede girdilerle birlikte doğru çıktılar, yani etiketler bulunur. E-posta iletisinin spam olup olmadığını tahmin etmek buna örnektir. Denetimsiz öğrenmede etiket yoktur; algoritma verideki kümeleri veya yapıları kendisi bulmaya çalışır. Pekiştirmeli öğrenmede ajan, eylemlerinin sonucuna göre ödül veya ceza alarak bir politika öğrenir.
| Öğrenme türü | Girdi | Tipik görev |
|---|---|---|
| Denetimli | Etiketli veri | Sınıflandırma veya tahmin |
| Denetimsiz | Etiketsiz veri | Kümeleme veya boyut azaltma |
| Pekiştirmeli | Durum, eylem ve ödül | Ardışık karar verme |
5. Eğitim, doğrulama ve test kümeleri neden ayrılır?
Eğitim kümesi model parametrelerini öğrenmek için kullanılır. Doğrulama kümesi model seçimi ve hiperparametre ayarı için kullanılır. Test kümesi ise model geliştirme süreci tamamlandıktan sonra daha önce görülmemiş verideki performansı ölçer. Test verisinin eğitim sırasında tekrar tekrar kullanılması, ölçülen başarının gerçekte olduğundan yüksek görünmesine neden olabilir.
6. Aşırı uyum ve yetersiz uyum nedir?
Aşırı uyumda model eğitim verisini çok iyi öğrenir ancak yeni veride başarısız olur. Model gereğinden karmaşık olabilir veya eğitim verisini ezberleyebilir. Yetersiz uyumda model eğitim verisindeki temel ilişkiyi bile öğrenemez. Daha fazla veri, düzenlileştirme, model karmaşıklığını değiştirme ve çapraz doğrulama bu sorunları değerlendirmede kullanılabilir.
Algoritma ve problem çözme soruları
7. Genişlik öncelikli arama ile derinlik öncelikli aramayı karşılaştırın.
Genişlik öncelikli arama, düğümleri seviyeler hâlinde ziyaret eder ve genellikle kuyruk yapısı kullanır. Kenar maliyetleri eşitse en az adımlı çözümü bulabilir; ancak bellekte çok sayıda düğüm tutabilir. Derinlik öncelikli arama önce bir dalı mümkün olduğunca derin izler ve yığın veya özyineleme kullanır. Daha az bellek tüketebilir fakat en kısa çözümü garanti etmez.
8. Sezgisel fonksiyon nedir?
Sezgisel fonksiyon, bir durumdan hedefe ulaşmak için kalan maliyeti tahmin eden fonksiyondur. A* aramasında genellikle
f(n) = g(n) + h(n) kullanılır. Burada g(n) başlangıçtan mevcut düğüme kadar olan gerçek maliyeti, h(n) ise mevcut düğümden hedefe ilişkin tahmini maliyeti gösterir. Sezgisel fonksiyonun çözüm maliyetini olduğundan fazla tahmin etmemesi, bazı koşullarda en uygun çözüm garantisi açısından önemlidir.Sinir ağları ve değerlendirme
9. Yapay sinir ağında ağırlık ve aktivasyon fonksiyonunun görevi nedir?
Ağırlıklar, girdilerin çıktıya katkısını belirleyen öğrenilebilir değerlerdir. Aktivasyon fonksiyonu ise nöronun ağırlıklı toplamını dönüştürerek ağa doğrusal olmayan ilişkileri öğrenme olanağı verir. Eğitim sırasında model tahmini ile gerçek sonuç arasındaki fark bir kayıp fonksiyonuyla ölçülür; ağırlıklar bu kaybı azaltacak yönde güncellenir.
10. Sınıflandırma modelinin başarısı nasıl ölçülür?
Doğruluk, doğru tahminlerin tüm tahminlere oranıdır; ancak sınıflar dengesizse tek başına yanıltıcı olabilir. Kesinlik, pozitif tahminlerin ne kadarının gerçekten pozitif olduğunu; duyarlılık, gerçek pozitiflerin ne kadarının yakalandığını gösterir. Yanlış pozitiflerin maliyeti yüksekse kesinlik, yanlış negatiflerin maliyeti yüksekse duyarlılık daha önemli olabilir.
Örneğin 100 hastanın yalnızca 2'si hastaysa her kişiyi sağlıklı tahmin eden model yüzde 98 doğruluk elde edebilir; fakat hiçbir hastayı yakalayamaz. Bu nedenle soruda yalnızca doğruluk oranına bakmak yerine karmaşıklık matrisi, kesinlik, duyarlılık ve gerekirse F1 skorunu birlikte değerlendirin.
Kısa cevap anahtarıyla çalışma yöntemi
Vizeye hazırlanırken her soruyu önce kaynağa bakmadan yanıtlayın. Ardından yanıtınızı şu dört ölçüte göre kontrol edin: kavramın tanımı doğru mu, benzer kavramdan ayrımı açık mı, uygun bir örnek var mı ve yöntemin sınırı belirtilmiş mi? Hesaplama sorularında kullanılan formülü yazıp değişkenleri tanımlayın; yalnızca nihai sayıyı vermek çoğu zaman çözüm mantığını göstermeye yetmez.
Özellikle karşılaştırma sorularında cevabı tek cümleye indirmeyin. Yöntemlerin veri ihtiyacını, bellek veya hesaplama maliyetini, başarı garantisini ve hangi durumda tercih edileceğini ayrı ayrı belirtin. Bir algoritmanın belirli bir koşulda iyi çalışması, her problemde en iyi yöntem olduğu anlamına gelmez.
Sık sorulan sorular
Vize sorularının kesin cevaplarını nasıl öğrenebilirim?
Kesin soru ve cevaplar yalnızca dersin öğretim üyesinin paylaştığı kapsam, ders notları ve önceki sınavlarla doğrulanabilir. Buradaki sorular çalışma örneğidir; gerçek sınavda aynı ifadelerin veya aynı sayıların çıkacağı anlamına gelmez.
Yapay zekâ dersi için kod bilmek zorunlu mudur?
Bu, dersin değerlendirme biçimine bağlıdır. Teorik bir vizede kavram, algoritma ve yorumlama soruları öne çıkabilir; uygulamalı bir derste veri hazırlama, model eğitimi veya sonuç değerlendirme kodu da sorulabilir. Ders planında kodlama konusu bulunuyorsa yalnızca kodu ezberlemek yerine girdinin, işlemin ve beklenen çıktının ne olduğunu açıklayabilecek şekilde çalışın.
