Makine öğrenimi, temelde veri içindeki modelleri bulmak için veri kullanan bir veri bilimi dalıdır. Matematiksel ve istatistiksel bilgiler uygulanarak, bu modeller "eğitim" adı verilen bir süreçte iyileştirilir.

Birçok kişi makine öğrenimini (ML) ve yapay zekayı (AI) - yapay zekanın insanlara karşı isyan ettiği filmlerde gösterildiği gibi - karmaşık ve fütüristik teknolojilerle ilişkilendirse de, günümüzdeki gerçeklik çok daha az gelişmiştir. Mevcut yapay zeka sistemlerinin çoğu, yalnızca önceden tanımlanmış insan talimatlarına yanıt veren "eğer-o halde" programlamasına dayanır. Ancak makine öğrenimi, modellerin kendi kendini düzeltmesine ve geliştirmesine olanak tanıyarak bir adım öteye gider.

Makine Öğreniminin Kategorileri

Makine öğrenimi genel olarak aşağıdaki türlere ayrılabilir:

1. Gözetimli Öğrenme

• Eğitim için etiketlenmiş veri setlerine dayanır.

• Sistem, sağlanan örneklere dayanarak girdileri çıktılara eşlemeyi öğrenir.

• Örnek: Bir makineye, bacak sayısı, kanatlar, anten yapısı ve vücut oranları gibi belirli özelliklere sahip etiketlenmiş veriler sağlayarak böcekler arasında kelebekleri tanımlamayı öğretmek.

• Eğitimden sonra, makine yeni böcek görüntülerini analiz edebilir ve öğrendiği modele dayanarak bunların kelebek olup olmadığını belirleyebilir.

2. Gözetimsiz Öğrenme

• Etiketlenmiş veri olmadan çalışır; makine, özelliklerine göre veri noktalarındaki örüntüleri ve kümeleri tanımlar.

• Örnek: Kelebeklerin tanımlanmasında etiket sağlanmaz. Makine, kelebekleri diğer böceklerden ayırt etmek için kanatlar, bacaklar ve vücut yapısı gibi temel özellikleri bağımsız olarak tanımlamalıdır.

• Popüler gözetimsiz öğrenme modelleri arasında Üretici Çekişmeli Ağlar (GANs) ve kümeleme algoritmaları bulunur.

• Sınırlamalar: Gözetimsiz modeller genellikle "kara kutu" olarak kabul edilir; burada dahili süreçler geliştiriciler için tamamen şeffaf değildir.

Popüler Makine Öğrenimi Algoritmaları

Belirli uygulamalar için özelleştirilmiş birçok makine öğrenimi algoritması vardır. Bazı iyi bilinen örnekler şunlardır:

• Sinir Ağları

• Karar Ağaçları

• Destek Vektör Makineleri (SVMs)

• Bayes Sınıflandırıcıları

• Kümeleme Yöntemleri

Yaygın olarak kullanılan ve başlangıç seviyesine uygun algoritmalardan biri, veri noktalarını benzerliğe göre kümelere ayıran K-Means Kümelemedir.

1. K-Means Algoritması: Basit Bir Gözetimsiz Kümeleme Yöntemi

K-Means, basit ve yaygın olarak kullanılan bir gözetimsiz kümeleme algoritmasıdır. Kümelemenin temel fikri, örnekleri uzaklık veya benzerliklerine göre gruplamak, benzer (veya yakın) örnekleri bir araya toplarken, benzer olmayan (veya uzak) örnekleri farklı gruplara ayırmaktır. K-Means'in temel konsepti, bir veri setini K kümesine yinelemeli olarak bölmektir; öyle ki her kümenin ortalaması, o küme içindeki tüm noktalar için Kare Hatalar Toplamını (SSE) minimize eder.

Matematiksel dilde, bir örnek seti için K-means, kümelemenin hata fonksiyonunu minimize eder.

Yukarıdaki görselleştirme konsepti etkili bir şekilde göstermektedir: her mavi veya kırmızı noktanın kendi küme merkezine olan varyansı minimize edilmiştir. Kırmızı ve mavi kümeler için, iki merkez noktası bu bölümleme için minimum SSE koşulunu sağlar.

Örnek: K = 2 (Örnekleri İki Kümeye Bölme)

Görsel olarak, eğer Şekil A'daki yeşil noktaları iki kümeye bölmek istersek, sol üstten sağ alta doğru bir çapraz çizgi çizebiliriz. Ancak bir makineye bu bölümlemeyi doğru bir şekilde nasıl yaptırabiliriz? Adımlar şu şekildedir:

1. Rastgele Başlatma:

Koordinat sisteminde iki rastgele nokta (örneğin, kırmızı ve mavi) başlangıç küme merkezleri olarak seçilir. Veri setindeki her nokta için, kırmızı ve mavi noktalara olan uzaklığı hesaplanır.

• Noktayı en yakın küme merkezine atayın: mavi noktaya daha yakınsa mavi renge, kırmızı noktaya daha yakınsa kırmızı renge boyayın.

• Adım 1'de gösterildiği gibi, her nokta bir renge atanana kadar tüm noktaları gözden geçirin.

2. Küme Merkezlerini Yeniden Hesaplama:

Her kümenin merkezini (bir küme içindeki tüm noktaların ortalaması) yeniden hesaplayın. Adım 2'de gösterildiği gibi, o küme içindeki tüm noktaların ortalama kare hatasını (MSE) en aza indirecek şekilde küme merkezlerini ayarlayın.

3. Yakınsama Sağlanana Kadar Tekrarlayın:

Küme merkezleri stabilize olana ve süreç yakınsayana kadar 1. ve 2. adımları tekrarlayın. Bu yinelemeli süreç Adım 3-6'da gösterildiği gibi tamamlanır.

Blokzincir ve Makine Öğrenimi

Blokzincir, makine öğrenimi ve yapay zekayı ilerletmek için mükemmel bir eşleşme yapan iki temel özelliğe sahiptir:

1. Gizlilik: Blokzincir, hassas özel veriler üzerinde gizliliği ihlal etmeden eğitim yapılmasını sağlar.

2. Teşvik Mekanizması: Blokzincirin benzersiz ödül sistemi, kullanıcıların veri paylaşımı veya zincir üzerinde model yayınlama karşılığında ödül kazanmalarını sağlar. Herkes gizliliğini koruyarak verilerini satabilir ve geliştiriciler modellerini zincir üzerinde yayınlayıp eğitebilir, karşılığında teşvikler alabilir.

Referans gösterilen görsel, teknolojideki standardizasyon ve metalaşma döngüsünü göstermektedir. Veri tekelleşmesi dönemi sona ermek üzeredir. Blokzincirin erişilebilirliği, bir sonraki teknoloji çağında daha geniş katılım için fırsatlar sunmaktadır.

Makine öğrenimindeki üç kritik faktör algoritmalar, hesaplama gücü ve verilerdir. Amazon, Apple, Google ve Facebook gibi teknoloji devleri, hesaplama ve veri kaynaklarına hâkim olarak önemli bir üstünlük sağlamaktadır. Blokzincir, makine öğrenimini merkeziyetsizleştirerek bu hâkimiyeti bozma şansı sunmaktadır. Bu değişim, değer yaratımının odağını veri odaklı yaklaşımlardan algoritma odaklı yeniliklere kaydırabilir. Blokzincirin ekonomik teşvikleri, geliştiricilerin modelleri eğitip optimize etmeleri için verimli bir ortam sağlayarak, algoritma geliştiricilerinin büyümesini destekler.

2.1 Proje Genel Bakışı

Makine öğrenimi ve blokzinciri entegrasyonu yeni ancak umut verici bir alandır. Bu alanda birçok şirket araçlar geliştirirken, potansiyel hala çok büyüktür. Aşağıda üç önemli proje yer almaktadır:

2.1.1 DeepBrain Chain

Kasım 2017'de kurulan DeepBrain Chain, 5G+AI çağı için kritik altyapı olarak hizmet verecek, blokzincir tarafından desteklenen dünyanın en büyük dağıtık yüksek performanslı hesaplama ağını kurmayı amaçlamaktadır.

• Temel Bileşenler:

1. Yüksek Performanslı Hesaplama Ağı: Ağustos 2018'de başlatıldı.

2. Blokzincir Ana Ağı: 20 Mayıs 2021'de Polkadot'un Substrate çerçevesine dayalı olarak resmi olarak başlatıldı.

DeepBrain Chain, yüksek performanslı hesaplamada büyük ölçekli dağıtıma ulaşan az sayıdaki blokzincir projesinden biridir. Kullanılabilirlik ve ticarileşme konusunda önemli ilerlemeler kaydetmiş, blokzincir, yapay zeka, bulut oyun, görsel işleme, biyofarmasötik ve yarı iletken simülasyonları gibi alanlarda uygulamalar geliştirmiştir.

Ağı üzerinde 50'den fazla global şirket yüksek performanslı GPU bulut platformları kurmuş olup, yüzlerce işletmeye ve on binlerce yapay zeka geliştiricisine hizmet vermektedir.

2.1.2 Numerai

Numerai, anonim veri bilimcilerinden oluşan küresel bir topluluğun gelecekteki fiyatları tahmin etmesini sağlayan bir yatırım fonudur. Dağıtık zeka, makine öğrenimi, blokzincir ve tokenizasyonu birleştirerek, kolektif zeka tarafından yönlendirilen yeni bir fon yönetimi modeli oluşturur.

• Veri Dağıtımı:

Veri bilimcileri, tahmine dayalı modelleri için anonimleştirilmiş veri setleri alırlar. Bu veri setleri, makroekonomik göstergeler, emtia fiyatları veya döviz kurları gibi normalde dışarıdakilerin erişemeyeceği özel verileri içerebilir. Meta verilerin kaldırılması, Numerai'nin verileri açıkça paylaşmasına olanak tanır.

• Yarışmalar:

Veriler, en etkili tahmin modellerini oluşturmak için yarışmaların temelini oluşturur. Bilinen sonuçlara sahip geçmiş veriler modelleri doğrulamaya yardımcı olurken, gerçek zamanlı veriler kritik tahminler için belirsiz kalır.

• Puanlama ve Ödüller:

Tahminler, Numerai'nin "meta-modeline" yüklendikten sonra puanlanır. Veri bilimcileri, tahminlerinin meta-modeli ne kadar geliştirdiğine bağlı olarak ödüllendirilir.

• Fikri Mülkiyet:

Katılımcılar modellerinin sahipliğini ellerinde tutarlar ve modelleri Numerai'nin meta-modelini geliştirmeye devam ettikçe ödül almaya devam ederler.

2.1.3 HUMAN Protokolü

HUMAN Protokolü, bilgi ve becerilere dayalı katkıları ödüllendiren, yapay zeka ve makine öğrenimini hibrit modellerle birleştiren merkezi olmayan bir çerçevedir.

Blokzincir üzerine inşa edilen HUMAN Protokolü, veri arayanları bilgi pazarlarıyla birleştirerek, merkezi olmayan işgücü piyasaları için denetlenebilir, açık kaynaklı bir altyapı oluşturmak üzere yönetim ve uzlaşma süreçlerini kolaylaştırır.

• Makine Öğreniminde Uygulama:

Protokol, veri setlerini eğitim için daha uygun hale getirmek amacıyla, manuel açıklama ve model çıkarım kalitesinin doğrulanması gibi makine öğrenimindeki emek yoğun görevleri doğrudan ele alır.

• Gelecek Vizyonu:

3.Kapanış Değerlendirmeleri

HUMAN Protokolü, mevcut uygulamalarının ötesinde, makinelerin kendilerini geliştirmek için doğrudan insanlardan veri talep edeceği makine zekasının bir sonraki evrimi için tasarlanmıştır.

Makine öğrenimi ve blokzincir günümüzün en heyecan verici ve en gelişmiş teknolojilerinden ikisidir. Makine öğrenimi yapay zeka ve büyük verinin temelini oluştururken, blokzincir mevcut finansal mimarinin devrimsel bir şekilde değiştirilmesi potansiyeline sahiptir. Her iki teknoloji de veri odaklıdır ve doğal olarak belirli araştırma yönlerinde sinerji sağlar.

Blokzincir güvenli ve verimli veri paylaşımı ve analizi sunarken, makine öğrenimi bu veriyi teknolojik ilerlemeleri yönlendirmek için kullanır. Halihazırda bu kesişim noktasında uygulanabilir projeler üzerinde çalışan birçok geliştirici görüyoruz ve bu alanlara daha fazla kaynak ve yetenek aktarılıyor.

Bu teknolojilerin paylaşılan ve tamamlayıcı yetenekleri birbirlerini ileri taşımaya devam edecektir. Blokzincirin dalgasına binip makine öğreniminin gemisini yönlendirerek, geleceğin teknolojisinin uçsuz bucaksız, yıldızlı okyanusunu keşfetmeye hazırız!

Makine Öğrenmesi ve Blok Zincirindeki Uygulamalarına Giriş