8.Sınıf Yapay Zeka Uygulamaları 2.Dönem 2.Yazılı
-
Pekiştirmeli öğrenme (reinforcement learning) nasıl çalışır?
-
Netflix'in öneri sisteminde kullanılan denetimsiz öğrenme modelinin temel prensibi nedir?
-
Veri Kovanı Projesi'nin amacı nedir?
-
Denetimsiz öğrenme (unsupervised learning) nedir? Etiketli veri olmadan nasıl öğrenme gerçekleşir?
-
Orange programlama dili nedir? Açıklayınız.
-
Orange programının karşılama ekranında bulunan "Open" seçeneği ne işe yarar? Açıklayınız.
-
Orange programı hangi dosya formatlarını destekler?
-
Orange'da "Scatter Plot" nesnesi ne işe yarar? Açıklayınız.
-
Orange programındaki "Data" araç setinde bulunan araçların temel işlevleri nelerdir?
-
Orange programında bir nesneyi (widget) çalışma alanına eklemenin iki farklı yolunu açıklayınız.
-
Google E-tablolar kullanarak bir veri seti oluşturmanın ve bu veri setini Orange'a aktarmanın avantajları nelerdir?
-
Model değerlendirme metriklerinden üç tanesini (AUC, Precision, Recall) açıklayınız.*
-
Confusion Matrix (Karışıklık Matrisi) ne işe yarar? Açıklayınız.*
-
Temel Bileşenler Analizi (PCA) ne için kullanılır? Amacını açıklayınız.*
-
Aşağıda verilen cümlelerden doğru olanların başına D, yanlış olanların başına Y koyunuz.
1. (.....) Hiyerarşik kümeleme, gözlemleri benzerliklerine göre gruplandıran bir kümeleme yöntemidir.
2. (.....) Tahmin modelleri sadece sınıflandırma problemleri için kullanılır ve regresyon problemleri için kullanılamaz.
3. (.....) Karar ağaçları, veri setindeki özellik değerlerine göre dallanarak sınıflandırma veya tahmin yapmayı sağlayan modellerdir.
4. (.....) Lojistik regresyon, sürekli (sayısal) bağımlı değişkeni tahmin etmek için kullanılan bir modeldir.
5. (.....) Test and Score nesnesi, bir modelin performansını değerlendirmek için kullanılan bir araçtır.
6. (.....) AUC, bir sınıflandırma modelinin performansını ölçen bir metrik değildir.
7. (.....) Hata matrisi (Confusion Matrix), modelin tahminleriyle gerçek sınıfların karşılaştırıldığı bir tablodur.
8. (.....) Orange programında eklentiler kullanılamaz, programın özellikleri sabittir.
9. (.....) Temel Bileşenler Analizi (PCA), veri setindeki özellik sayısını artırmak için kullanılan bir yöntemdir.
10. (.....) Boyut azaltma yöntemleri, modelin karmaşıklığını azaltmaya ve daha az özellikle etkili modeller oluşturmaya yardımcı olabilir.
-
Aşağıda verilen eşleştirmeleri yapın
a. Yapay zeka
b. Makine öğrenimi
c. Derin öğrenme
d. Veri madenciliği
e. Büyük veri
f. Doğal dil işleme
g. Bilgisayar görüşü
h. Robotik
ı. Uzman sistemler
i. Bulanık mantık
1. (.....) Büyük miktarda ve çeşitli formattaki verilerin analizi
2. (.....) İnsan zekasını taklit eden sistemlerin geliştirilmesi
3. (.....) Örneklerden öğrenme yeteneği kazandırılmış algoritmalar
4. (.....) İnsan dilini anlama ve üretme yeteneği
5. (.....) Karmaşık kontrol problemlerini çözmek için kullanılan sistemler
6. (.....) Görüntüleri analiz ederek anlam çıkarma
7. (.....) Verilerden anlamlı örüntüler keşfetme
8. (.....) Çok katmanlı yapay sinir ağları ile öğrenme
9. (.....) Fiziksel dünyada görev yapabilen makineler
10. (.....) İnsan uzman bilgisini temsil eden sistemler
CEVAP ANAHTARI
- Pekiştirmeli öğrenme, deneme yanılma ve ödüllendirme ilkelerine göre çalışır. Bir ajan, bir ortamda eylemler gerçekleştirir ve bu eylemlerin sonucunda ödül veya ceza alır. Amaç, en yüksek ödülü elde etmektir.
- Netflix'in öneri sisteminde kullanılan denetimsiz öğrenme modeli, benzer beğenilere sahip üyeleri kümelere ayırmak ve bu kümeler içinde yer alan üyelerin izledikleri videoları diğerlerine önermeye dayanır.
- Savunma Sanayi Başkanlığı tarafından başlatılan Veri Kovanı Projesi'nin amacı, etiketli veri seti oluşturmak ve bunları yerli yapay zekâ teknolojilerinde kullanmaktır. Sistem, veri etiketleyerek gelir elde etme olanağı da sunmaktadır.
- Denetimsiz öğrenme, yapay öğrenme modelinin etiketsiz veri seti kullanılarak eğitildiği öğrenme türüdür. Etiketsiz verilerde, model verideki örüntüleri ve yapıları kendisi keşfeder. Örneğin, kümeleme algoritmaları, verileri benzer özelliklere sahip gruplara ayırarak öğrenme gerçekleştirir.
- Orange, kullanıcı arayüzü kodlama yapmadan veri analizi yapmaya olanak veren, karmaşık veri analitiği iş hatlarının oluşturulmasını basitleştiren bir veri madenciliği aracıdır.
- "Open" seçeneği, daha önceden kaydedilmiş bir iş akışını (workflow) açmak için kullanılır.
- Program .tab uzantılı programa özel bir CSV formatında veri türü kullanmaktadır. Program içinde nesneler kullanılarak veri türleri dönüştürülebilir.
- Veri setindeki iki değişken arasındaki ilişkiyi görsel olarak incelemek için kullanılan bir saçılım grafiği oluşturur.
- "Data" araç setindeki araçlar, veri seti ve veri dosyalarını yükleme, tanımlayıcı istatistikler elde etme ve veri seti hakkında bilgi almak için kullanılır.
- 1. Araç setinden istenilen nesneye tıklayarak veya sürükle-bırak yöntemiyle çalışma alanına eklenebilir. 2. Çalışma alanına fare ile sağ tıklayarak çıkan menüden arama bölümüne araç adını yazarak istenilen listeden aracın seçilmesiyle eklenebilir.
- Google E-tablolar, verinin çevrimiçi olarak kolayca oluşturulmasını, paylaşılmasını ve güncellenmesini sağlar. Bu veri setini Orange'a aktarmak, güncel veri ile makine öğrenmesi modelleri oluşturmamıza olanak tanır.
- * AUC (Area Under the Curve): Modelin sınıflandırma performansını genel olarak değerlendiren bir metriktir. ROC eğrisinin altında kalan alanı temsil eder. * Precision (Kesinlik): Pozitif olarak tahmin edilen örneklerin ne kadarının gerçekten pozitif olduğunu gösterir. * Recall (Hassasiyet): Gerçek pozitif örneklerin ne kadarının model tarafından doğru bir şekilde pozitif olarak tahmin edildiğini gösterir.*
- *Karışıklık matrisi, bir sınıflandırma modelinin tahminlerini gerçek sınıflarla karşılaştırarak modelin performansını detaylı bir şekilde gösteren bir tablodur. Doğru pozitifler (TP), yanlış pozitifler (FP), doğru negatifler (TN) ve yanlış negatifler (FN) gibi değerleri içerir.*
- *PCA, veri setindeki özellik sayısını azaltmak (boyut indirgeme) için kullanılan bir yöntemdir. Amacı, veriyi en iyi şekilde temsil eden, birbirleriyle ilişkisiz yeni özellikler (temel bileşenler) bulmaktır.*
- 1.D, 2.Y, 3.D, 4.Y, 5.D, 6.Y, 7.D, 8.Y, 9.Y, 10.D
- 1.e, 2.a, 3.b, 4.f, 5.i, 6.g, 7.d, 8.c, 9.h, 10.ı