2.3. Algoritma

Şekil 2.9. Algoritma.
Not. Dijital Eğitim Koordinatörlüğü. Creative Commons Lisansları (CC BY NC-ND)

Algoritma, bilgisayar bilimlerinin kalbinde yer alan ve yapay zekâ sistemlerinin temelini oluşturan kritik bir kavramdır.

Tanımı
Bir problemi çözmek, belirli bir görevi yerine getirmek ya da bir sonuca ulaşmak için adım adım takip edilmesi gereken, açık, net, sonlu ve sıralı talimatlar bütünüdür. Tıpkı bir yemek tarifi, bir LEGO yapım kılavuzu veya bir navigasyon cihazının yol tarifi gibi, algoritma da bir bilgisayarın (veya herhangi bir işlemcinin) bir sonuca ulaşmak için izleyeceği kesin yönergeler dizisidir. Her algoritma bir başlangıç noktası (giriş verileri), bir dizi işlem adımı ve bir bitiş noktası (çıktı) içerir. Algoritmaların etkinliği, onları kullanan sistemlerin performansını doğrudan etkiler.

Yapay Zekâdaki Rolü
Yapay zekâ alanında algoritmalar, YZ sistemlerinin “beyni” ve “kasları” gibidir; makinelerin verilerden anlam çıkarabilmesini, öğrenmesini ve akıllıca davranmasını sağlar. Algoritmaların temel rolleri şunlardır:

• Model Eğitimi:
  YZ algoritmaları, ham verileri işleyerek bir model oluşturur. Bu model, veri içindeki karmaşık kalıpları, ilişkileri ve yapıları öğrenen matematiksel bir temsildir. Örneğin, karar ağacı algoritması geçmiş müşteri verilerini kullanarak kredi riskini belirleyen kuralları öğrenebilir ve böylece bir kredi risk modeli oluşturur. Destek Vektör Makineleri (SVM), regresyon modelleri veya yapay sinir ağları da benzer şekilde farklı modeller yaratır.

• Tahmin ve Karar Alma:
  Eğitilmiş modeller, yeni veriler üzerinde doğru tahminler yapmak veya rasyonel kararlar almak için algoritmaları kullanır. Bu süreç “çıkarım” olarak adlandırılır. Örneğin, spam filtresi yeni e-postanın spam olup olmadığını belirler veya bir resim tanıma algoritması görseldeki nesneleri tanır.

• Problem Çözme Mekanizmaları:
  Algoritmalar optimizasyon (örneğin maliyeti minimize etme), arama (veri içinde öğe bulma), sıralama ve kümeleme (benzer verileri gruplama) gibi görevlerde kullanılır. Örneğin, tavsiye motoru kullanıcıları kümelere ayırarak kişiselleştirilmiş öneriler sunar; rota optimizasyon algoritması teslimat rotalarını en kısa şekilde planlar.

• Veri İşleme ve Dönüştürme:
  Büyük veri kümeleri anlamlı bilgilere dönüştürülürken algoritmalar kritik rol oynar. Veri temizleme, öznitelik mühendisliği, normalizasyon ve ölçekleme algoritmaları modelin daha kaliteli veriyle eğitilmesini sağlar.

Algoritma Örnekleri (Makine Öğrenimi Perspektifinden)

• Doğrusal Regresyon
  İki ya da daha fazla değişken arasındaki doğrusal ilişkiyi modelleyerek sürekli bir çıktıyı tahmin etmek için kullanılır (örneğin, gelecek ayın satış gelirleri).

• Lojistik Regresyon
  İkili sınıflandırma problemlerinde kullanılır (örneğin, spam/spam değil). Çıktı bir olasılıktır ve belirli eşiklere göre sınıflandırılır.

• Karar Ağaçları
  Veriyi if-then kuralları ile bölerek karar verir. Hem sınıflandırma hem regresyon için uygundur. Şeffaf ve yorumlanabilirdir.

• K-Ortalamalı Kümeleme (K-Means)
  Denetimsiz öğrenme algoritmasıdır. Veri noktalarını benzerliklerine göre gruplara ayırır (örneğin müşteri segmentasyonu).

• Destek Vektör Makineleri (SVM)
  Sınıflandırma ve regresyonda güçlüdür. Veri kümeleri arasındaki en iyi ayırıcı düzlemi bulmayı amaçlar.

• Rastgele Ormanlar (Random Forests)
  Birçok karar ağacının birleşiminden oluşur. Overfitting’i azaltır, yüksek doğruluk sağlar.

• Gradyan İnişi (Gradient Descent)
  Model parametrelerini optimize etmek için kullanılan temel optimizasyon yöntemidir. Modelin hata oranını minimize eder.

Algoritmanın seçimi; çözülecek probleme, veri tipine, veri miktarına, hesaplama kaynaklarına ve istenen yorumlanabilirliğe bağlıdır.