Makine öğrenimi ile programlama arasındaki en büyük fark nedir?
Bazı insanlar yapay zeka ve makine öğreniminin özünün sadece if ifadeleri veya programlama bilgisinin kullanılması olduğunu düşünür, bunu söyleyenlerin bunu ispatlamak için detaylı kanıt sunması önerilir. Bu makale iki kavramı karşılaştıracak ve bu iki alanla ilgilenen profesyoneller arasındaki farkı açıklayacaktır: Kimlikleri nedir? Yazılım mühendisleri, yazılım geliştiricileri, makine öğrenimi uzmanları, veri bilimcileri, programcılar veya kod çiftçileri ... Hatta bazı insanlar abartıp onlara ninjalar, ustalar veya rock yıldızları diyorlar! Aslında aynı tür insanlar mı? Doğru olsa bile, makine öğrenimi ile geleneksel programlama arasında bir sınır var mı?
İnsanlar genellikle yapay zeka ve makine öğreniminin ifadelerden veya sadece istatistiksel bilgiden başka bir şey olmadığını söylüyor. Bunun dışında ne olacak? Makine öğrenimi sadece matematik ve algoritmaların bir kombinasyonu mu? Bu basit genelleme bazen ilginç gelebilir, ancak makine öğreniminin anlamı açıkça bundan daha karmaşıktır.
Ancak önce daha uygun bir açıklamaya bakalım.
Basitçe söylemek gerekirse, yapay zeka bir şemsiye gibidir.Aşağıdakiler görüntü işleme, bilişsel bilim, sinir ağları ve diğer çeşitli alanları kapsar. Makine öğrenimi de şemsiyenin ayrılmaz bir parçasıdır. Temel fikri, bilgisayarların sadece önceden yazılmış algoritmaları yürütmekle kalmayıp, aynı zamanda sorunları özerk bir şekilde çözmeyi de öğrenebilmesidir. Başka bir deyişle, Arthur Samuel ("makine öğrenimi" teriminin yaratıcısı) tarafından verilen mükemmel bir tanımla açıklanabilir:
Makine öğrenimi, bilgisayarların açık programlama olmadan öğrenmesini sağlayan bir araştırma alanıdır.Bu nedenle, makine öğrenimi, makinelere algoritmalarla çözülmesi zor olan çeşitli karmaşık görevleri tamamlamayı öğretebilir. Spesifik görevler nelerdir? Hayatta çeşitli şekillerde ortaya çıkmış olabilirler. Örneğin: cep telefonlarında yüz tanıma veya ses tanıma, araba kullanma (Google kendi kendine giden araba), akıllı teşhis ve tedavi (Watson), ürün önerileri, kitap satın alma (Amazon), film izleme (Netfix), müzik (Spotify), kişisel asistan (Siri, Cortana) ... Sonsuz başka örnekler var.
Bu açıkça açıklanmalıydı, konuşulacak bir sonraki şey makine öğrenimi hakkında çok önemli bir nokta.
Tüm etkili makine öğrenimi teknikleri, farklı izinlerle üç erişim düzeyine kadar izlenebilir. Bu ne anlama geliyor? Öncelikle, yalnızca Google ve IBM gibi büyük endüstri devleri birinci seviye makine öğrenimi teknolojisine erişebilir. İkinci düzey öğrenciler gibi belirli bilgilere sahip kişiler tarafından kullanılabilir. Üçüncü düzey, yaşlıların bile kolaylıkla başa çıkabileceği anlamına gelir.
Makine öğreniminin mevcut geliştirme aşaması, ikinci ve üçüncü seviyelerin kesişme noktasındadır. Dolayısıyla bu teknoloji ile dünya değişim süreci de hızla hızlanıyor.
Makine öğrenimi ile ilgili son nokta: Çoğu makine öğrenimi görevi, öğretmen öğrenimi (denetimli öğrenme) ve özerk öğrenim (denetimsiz öğrenme) olarak ikiye ayrılabilir. Bununla birlikte, bir programcının kenara çekilip bir tarih vermesi olarak makine öğrenimi senaryosunu hayal ederseniz, biraz yoldan çıkmış olur.
Burada "öğretmen", veri işleme sürecine insan müdahalesi anlamına gelir. Makine denetimli öğrenme eğitimi yürüttüğünde, önce verileri almalı ve ardından verilere dayalı tahminler yapmalıdır. Öte yandan, makinenin kendi kendine öğrenmesi, yani denetimsiz öğrenme durumunda, öncelikle verilere ihtiyaç duyulmaktadır, ancak verilerin nitelikleri bu zamanda bulunmalıdır.
"Geleneksel programlamada, programın tüm performansı programcının sabit kodlamasına bağlıdır. Makine öğreniminde, makinenin verileri öğrenmek ve kendi başına geri bildirim vermek için çok yeri vardır."
Bu nedenle, yukarıda bahsedilen çeşitli profesyoneller kimliklerini değiş tokuş edemez: veri mühendisleri geleneksel programcıların yerini alamaz ve bunun tersi de geçerlidir. Her veri mühendisi en az bir kodlama dilini gerektiği gibi kullanabilse de, geleneksel programlama mühendisin çalışmasının yalnızca küçük bir bölümünü açıklar. Öte yandan, yazılım geliştiriciler web sitelerini yayınlamak için makine öğrenimi algoritmalarını kullanmamalıdır.
Yapay zeka gibi makine öğrenimi teknolojileri, geleneksel programlamanın yerine geçmez, ancak bir tamamlayıcıdır. Örneğin, makine öğrenimi, bir çevrimiçi ticaret platformu için tahmine dayalı algoritmalar oluşturmak için kullanılabilir, ancak aynı zamanda, kullanıcı arayüzü, veri görselleştirme ve platformun diğer öğelerinin Ruby veya Java gibi ana programlama dilleri kullanılarak uygulanması gerekir.
Bu nedenle, kilit nokta, makine öğreniminin geleneksel programlamanın sorunları çözemediği, ancak makine öğreniminin tek başına belirli bir görev için tam olarak nitelendirilemediği durumlarda yardımcı olmak için kullanılabilmesidir.
Bunun uygulama için referans önemi nedir? Bu makale, makine öğrenmesine dayalı tipik bir durumu sıralamak için döviz kurlarını tahmin etmenin iki farklı yöntemini karşılaştıracaktır.
Geleneksel programlama
Herhangi bir sorunu çözmedeki ilk görev, en iyi algoritmayı oluşturmak ve kodu yazmaktır. Daha sonra girdi parametreleri ayarlanmalıdır Genel anlamda, uygulanan algoritma sorun olmadığı sürece beklenen sonuç fiilen elde edilebilir.
Yazılım geliştiriciler sorunları nasıl çözer?
Bir algoritma geliştirin; algoritma kodunu yazın; algoritmayı yürütün Girdi parametreleri - algoritmayı çalıştırın - sonucu alın.
Bununla birlikte, tahmin görevini gerçekleştirmek için farklı girdi parametreleri içeren bir algoritma gereklidir. Döviz kurunu tahmin etmek için, önceki günkü döviz kuru, para birimlerini etkileyen iç ve dış ekonomik değişimler ve çeşitli diğer faktörler gibi faktörlere başvurmak gerekir.
Bundan sonra, girdi verilerine dayalı olarak gelecekteki döviz kurlarını tahmin edebilen bir dizi parametreye atıfta bulunan bir çözüm kabaca türetilebilir.
Ancak bu planla ilgili olarak, dikkate alınması veya net bir şekilde açıklanması gereken çok önemli bir nokta var. Bu ne?
Cevap aslında çok basit, on binlerce parametre eklememiz gerekiyor ve bunların sonlu kümeleri çok basit ve ölçeklenemez bir model oluşturuyor. Bu nedenle, bu kadar büyük bir veri dizisiyle kimsenin uğraşması çok zordur.
Makine öğreniminin bu görevi çözme şeklindeki fark nedir?
Sorunları çözmek için makine öğrenimini kullanmak için, veri mühendislerinin tamamen farklı bir süreci benimsemesi gerekir. Mühendislerin ayrı bir algoritma geliştirmesine gerek yoktur, sadece yarı otomatik modelleme ve işleme için bir dizi geçmiş veriyi toplamaları gerekir.
Yeterli veriyi işledikten sonra, veri mühendisi yarı otomatik modeli özel makine öğrenimi algoritmasına uygular. Sonunda, yeni girdi verilerine dayanarak sonucu tahmin edebilen bir model elde edilir.
Veri mühendisleri çözümler geliştirmek için makine öğrenimini nasıl kullanır?
Makine öğreniminin göze çarpan özelliği, model oluşturmaya gerek olmamasıdır. Bu karmaşık ve önemli görev, makine öğrenme algoritmaları tarafından gerçekleştirilecektir. Makine öğrenimi uzmanları bu temelde basitçe düzenleme yapabilir.
Makine öğrenimi ve programlama arasındaki bir diğer önemli fark, modelin işleyebileceği girdi parametrelerinin sayısıdır. Tahmin doğruluğunu sağlamak için, her işlem biti nihai sonucu etkileyeceğinden binlerce parametrenin yüksek hassasiyetle eklenmesi ve yürütülmesi gerekir. İnsanlar henüz parametrelerin tüm ayrıntılarını düzgün bir şekilde işleyebilecek algoritmalar yaratamazlar.
Ancak, makine öğreniminin işlem gücü sınırlı değildir. İşlemci ve bellek yeterince büyük olduğu sürece, mümkün olduğunca çok sayıda gerekli parametreyi girebilirsiniz. Hiç şüphe yok ki, makine öğreniminin bu kadar güçlü olmasının ve günümüzde yaygın olarak kullanılmasının nedeni budur.
Wikipedia'ya göre veri bilimi, "bilimsel yöntemler, prosedürler, algoritmalar ve sistemler aracılığıyla yapılandırılmış ve yapılandırılmamış verilerden bilgi ve öngörü elde etmenin çok disiplinli bir alanıdır."
Bu tanım önemli değil gibi geliyor.
Anahtar, aşağıdaki açıklamadır:
"Sorunu çözmek için en güçlü donanımı, en iyi program sistemini ve en verimli algoritmayı kullanın."
Daha ilginç olanı:
2012'de Harvard Business Review veri bilimcilerini "21. yüzyılın en seksi işi" olarak nitelendirdi.
Aslında, bilgisayar bilimi gibi veri bilimi, veri biliminin verileri işlemeyi ve ondan yararlı bilgiler çıkarmayı amaçlaması dışında, geniş bir kapsama alanına sahip başka bir şemsiye.
Programlama nedir? Günümüzün veri bilimcileri, araştırma yapmak için bazı ekstra programlama çalışmaları yapmaktadır. Sadece programcı değiller, genellikle uygulamalı istatistik veya bilimsel araştırmada bir geçmişleri var. Bazı bilim adamları, özellikle veri bilimi veya makine öğrenimini şirket ürünlerine uygulaması gerekenler, yazılım mühendisliğinden de sorumludur. En önemlisi, veri bilimcilerinin programlama konusunda iyi olması gerekmemesi, ancak Matlab, SPSS ve SAS gibi istatistiksel yazılımları kullanabilmeleri gerektiğidir.
Bir makine öğrenimi mühendisinin rolü nedir?
Makine öğrenimi mühendisleri daha tekniktir. Başka bir deyişle, veri bilimcilerle karşılaştırıldığında, makine öğrenimi mühendislerinin çalışmalarında geleneksel yazılım mühendisleriyle daha fazla ortak noktası var.
Bir makine öğrenimi mühendisinin iş içeriği, kabaca bir veri bilimcisininkine benzer. Makine öğrenimi mühendislerinin ayrıca verileri işlemesi, çeşitli makine öğrenimi algoritmaları uygulaması, bu algoritmalarla sorunları çözmesi ve prototipler ve hazır çözümler oluşturması gerekir.
Yetenek gereksinimleri ile ilgili olarak şunları vurgulamalıyız:
· Bir veya daha fazla bilgisayar dilinde (genellikle Python dili) programlama konusunda sağlam yetenek.
· Makine öğrenimi algoritmalarını işleme yeteneği, veri analizinden daha önemlidir.
· Farklı mod yığınları oluşturmak için hazır bir kitaplıkta NumPy / SciPy gibi Python paketlerini kullanma yeteneği.
· Hadoop vb. Kullanarak dağıtılmış programlar oluşturma yeteneği.
Şimdi programlama konusuna geri dönün ve daha yakından bakın: Programcıların hangi görevleri var?
Programcılar aslında veri analistleri veya iş sistemi geliştiricileri gibidir. Sistemi kendileri kurmak zorunda değiller, sadece mevcut sistem için gevşek bir şekilde yapılandırılmış kod yazmaları gerekiyor. Bu nedenle, veri bilimi yeni programlama dalgası olarak adlandırılabilir, ancak kod yazmak bunun sadece küçük bir parçasıdır. Yanlış anlama!
Daha derine inmeye devam ettiğinizde, farklı kavramlara sahip yazılım mühendisi ve yazılım geliştiricisi gibi başka terimlerin de olduğunu göreceksiniz. Örneğin: bir yazılım mühendisi tüm projeyi tamamlamalıdır ve iş ürün uygulamalarını, dağıtılmış sistemleri, eşzamanlılığı, bina sistemlerini, mikro hizmetleri ve diğer yönleri içerir. Doğruluk açısından, yazılım geliştiricilerin, yazılım uygulamalarını anlamakla sınırlı olmayan çeşitli yazılım geliştirme döngüleri hakkında çok net olmaları gerekir (bazen bu görevler herhangi bir kodlama veya kod bilgisi içermez).
Öyleyse, programlama mı yoksa makine öğrenimi mi, şimdi ikisi arasındaki farkı anlıyor musunuz? Umarım bu makale bu iki kafa karıştırıcı kavramı anlamaya yardımcı olur. Hiç şüphe yok ki, programlama ve makine öğreniminin ortak bir yanı vardır, yani her ikisi de teknolojiye aittir, ancak ikisi arasındaki fark ortak noktadan daha büyüktür. Bu nedenle, makine öğrenimi mühendisleri, yazılım mühendisleri ve yazılım geliştiricileri birbirlerinin yerini hiçbir şekilde alamazlar.
