Makine öğrenimi (ML), veriden öğrenebilen ve görünmeyen verilere genelleştirebilen ve dolayısıyla açık talimatlar olmadan görevleri yerine getirebilen istatistiksel algoritmaların geliştirilmesi ve incelenmesiyle ilgilenen, yapay zekâda akademik bir disiplindir. Makine öğrenimi, bilgisayarların deneyimlerinden öğrenerek karmaşık görevleri otomatikleştirmeyi sağlayan bir yapay zeka alanıdır. Bu, veri analizi yaparak örüntüler tespit etme ve tahminlerde bulunma yeteneğine dayanır. Son zamanlarda yapay sinir ağları, performans açısından önceki birçok yaklaşımı geride bırakmayı başardı.
Makine öğrenimi yaklaşımları, doğal dil işleme, bilgisayar görüşü, konuşma tanıma, e-posta filtreleme, tarım ve tıp dahil olmak üzere birçok alana uygulanmıştır. Bu teknikler, genellikle tahmine dayalı analitik olarak tanımlanan iş sorunlarına yönelik uygulamalarda önemli bir rol oynamaktadır. ML, iş sorunlarına yönelik uygulamasında tahmine dayalı analitik denir. Makine öğreniminin tümü istatistiksel temelli olmasa da, hesaplamalı istatistiksel yöntemlerinin önemli bir kaynağıdır.
ML'nin matematiksel temelleri matematiksel optimizasyon (matematiksel programlama) yöntemleriyle sağlanır. Veri madenciliği, gözetimsiz öğrenme yoluyla keşifsel veri analizine (EDA) odaklanan ilgili (paralel) bir bilim dalıdır.
Teorik bir bakış açısından bakıldığında, muhtemelen yüksek olasılıklı doğru (PAC) öğrenme, makine öğrenimini tanımlamak için bir çerçeve sağlar.
Makine öğrenimi araştırmalarının odaklandığı konu bilgisayarlara karmaşık örüntüleri algılama ve veriye dayalı akılcı kararlar verebilme becerisi kazandırmaktır. Bu, makine öğreniminin istatistik, olasılık kuramı, veri madenciliği, örüntü tanıma, yapay zekâ, uyarlamalı denetim ve kuramsal bilgisayar bilimi gibi alanlarla yakından ilintili olduğunu gösterir.
Özet
Makine öğrenimi, bilgisayarların, açıkça programlanmadan karmaşık görevleri otomatikleştirmeyi öğrenmelerini sağlar. Belirli görevleri yerine getirmeleri için sağlanan verilerdeki örüntüleri ve ilişkileri keşfederek bu örüntüleri yeni durumlara uygulama yeteneği kazandırır. Bilgisayarlara atanan basit görevler için, makineye eldeki sorunu çözmek için gereken tüm adımları nasıl uygulayacağını bildiren algoritmalar programlamak mümkündür; bilgisayar tarafında öğrenmeye gerek yoktur. Daha gelişmiş görevlerde insan için gerekli algoritmaları elle yapmak zor olabilir. Uygulamada, insan programcıların gerekli her adımı belirlemesinden ziyade, makinenin kendi algoritmasını geliştirmesine yardımcı olmak daha etkili olabilir.
Makine öğrenimi disiplini, bilgisayarlara tam olarak tatmin edici bir algoritmanın bulunmadığı görevleri gerçekleştirmeyi öğretmek için çeşitli yaklaşımlar kullanır. Çok sayıda olası yanıtın olduğu durumlarda, doğru yanıtlardan bazılarını geçerli olarak etiketlemek bir yaklaşımdır. Bu, daha sonra bilgisayarın doğru yanıtları bulmak için kullandığı algoritmayı/algoritmaları geliştirmede eğitim verisi olarak kullanılabilir. Örneğin, sayısal karakter tanıma görevinde sistemi eğitmek için el yazısıyla yazılmış rakamların MNIST veri kümesi sıklıkla kullanılır.
Tarihçe
Makine öğrenimi terimi 1959'da bilgisayar oyunları ve yapay zeka alanında öncü ve IBM çalışanı olan Amerikalı Arthur Samuel tarafından icat edildi. 1960'larda makine öğrenimi araştırmasının temsili bir kitabı, Nilsson'un Öğrenme Makineleri hakkındaki kitabıydı ve çoğunlukla örüntü sınıflandırması için makine öğrenimi ile ilgiliydi. Model tanıma ile ilgili ilgi, 1973'te Duda ve Hart tarafından tanımlandığı gibi 1970'lerde de devam etti.
1981'de, bir sinir ağı 'nın bilgisayar terminalinden 40 karakteri (26 harf, 10 rakam ve 4 özel sembol) tanımayı öğrenmesi için öğretme stratejilerinin kullanımına ilişkin bir rapor verildi.
Tom M. Mitchell, makine öğrenimi alanında incelenen algoritmaların geniş ölçüde alıntılanan daha resmi bir tanımını yaptı: "Bir bilgisayar programının performans ölçüsü "P" ve bazı "T" görev sınıflarıyla ilgili olarak "T" görevlerindeki performansı "E" deneyimiyle iyileşiyorsa "P" ile ölçüldüğü gibi E deneyiminden öğrendiği söylenir.
Makine öğreniminin söz konusu olduğu görevlerin bu tanımı, alanı bilişsel terimlerle tanımlamak yerine temelde operasyonel tanım sunar. Bu, Alan Turing'in "Computing Machinery and Intelligence" adlı makalesinde "Makineler düşünebilir mi?" "Makineler bizim (düşünen varlıklar olarak) yapabildiğimizi yapabilir mi?" sorusuyla değiştirilir.
Günümüzün modern makine öğreniminin iki amacı vardır, biri verileri geliştirilen modellere göre sınıflandırmak, diğer amaç ise bu modellere dayalı olarak gelecekteki sonuçlar için tahminler yapmaktır. Verileri sınıflandırmaya özgü varsayımsal bir algoritma, kanserli benleri sınıflandırmada onu eğitmek için denetimli öğrenmeyle birleştirilen mollerin bilgisayar görüşü kullanabilir. Hal böyle olunca, hisse senedi ticareti için makine öğrenme algoritması, tüccara gelecekteki olası tahminler hakkında bilgi verebilir.
Diğer alanlarla ilişkiler
Yapay zeka
Bilimsel bir çaba olarak makine öğrenimi, yapay zeka arayışından doğdu. Yapay zekanın akademik disiplin olarak ilk günlerinde bazı araştırmacılar makinelerin verilerden öğrenmesini sağlamakla ilgileniyordu. Soruna çeşitli sembolik yöntemlerle ve daha sonra "sinir ağları" denilen yöntemlerle yaklaşmaya çalıştılar; bunlar çoğunlukla perceptronlar ve diğer modellerdi daha sonra istatistiklerin genelleştirilmiş doğrusal modellerin yeniden icatları oldukları anlaşıldı.
Olasılık muhakeme de özellikle otomatik tıbbi tanı için kullanıldı.:488 Ancak, mantıksal, bilgiye dayalı yaklaşım üzerindeki artan vurgu, yapay zeka ile makine öğrenimi arasında bir sürtüşmeye neden oldu. Olasılıklı sistemler, veri toplama ve gösteriminin teorik ve pratik problemleriyle boğuşuyordu.:488
1980 yılına gelindiğinde, uzman sistemler yapay zekaya hâkim oldu ve istatistik gözden düştü.
Sembolik/bilgiye dayalı öğrenme üzerine çalışmalar AI içinde devam etti ve endüktif mantık programlama'ya yol açtı ancak daha istatistiksel araştırma hattı artık örüntü tanıma da ve bilgi erişimdeydi.:708–710; 755
Sinir ağları araştırması, yapay zeka ve bilgisayar bilimi tarafından aynı zamanlarda terk edildi. Bu çizgi de diğer disiplinlerden John Hopfield, Rumelhart ve Hinton‘i içeren araştırmacılar tarafından AI/CS alanının dışında "bağlantısallık" olarak devam ettirildi. Ana başarıları, 1980'lerin ortasında geri yayılımın yeniden buluşuyla ortaya çıktı.:25
Ayrı bir alan olarak yeniden düzenlenen makine öğrenimi (ML), 1990'larda gelişmeye başladı. Alan, amacını yapay zeka elde etmekten ziyade pratik nitelikteki çözülebilir problemlerle mücadele etmek olarak değiştirdi. Odağı, AI'dan miras aldığı sembolik yaklaşımlar'dan, istatistik ve olasılık teorisi’nden ödünç alınan yöntem ve modellere kaydırdı.
2020 itibarıyla birçok kaynak, makine öğreniminin yapay zekanın bir alt alanı olmaya devam ettiğini iddiasını sürdürüyor.
Ana anlaşmazlık, tüm makine öğreniminin Yapay zeka(YZ)'nın (AI) bir parçası olup olmadığıdır çünkü bu, makine öğrenimini kullanan herhangi birinin YZ kullandığını iddia edebileceği anlamına gelir. Diğerlerinin görüşü, tüm makine öğreniminin yapay zekanın bir parçası olmadığıdır ki burada, makine öğreniminin yalnızca 'akıllı' bir alt kümesi YZ'nin bir parçasıdır.
Makine öğrenimi ve yapay zeka arasındaki farkın ne olduğu sorusu, "The Book of Why" adlı kitabında Judea Pearl tarafından yanıtlanır. Buna göre, makine öğrenimi pasif gözlemlere dayanarak öğrenir ve tahmin eder, oysa AI, hedeflerine başarılı bir şekilde ulaşma şansını en üst düzeye çıkaran eylemleri öğrenmek ve gerçekleştirmek için çevre ile etkileşime giren aracı ifade eder.
Veri sıkıştırma
Makine öğrenimi ile sıkıştırma arasında yakın bir bağlantı vardır. Tüm geçmişi göz önüne alındığında bir dizinin sonsal olasılıklarını tahmin eden bir sistem, optimum veri sıkıştırması için (çıkış dağılımında aritmetik kodlama kullanılarak) kullanılabilir. Tersine, tahmin için en uygun sıkıştırıcı (önceki geçmiş göz önüne alındığında en iyi sıkıştıran sembolü bularak) kullanılabilir. Bu eşdeğerlik, veri sıkıştırmanın "genel zeka" için ölçüt olarak kullanılmasının gerekçesi olarak kullanılmıştır.
Alternatif bir görünüm, sıkıştırma algoritmalarının dizeleri örtülü özellik alanı vektörlerine örtülü olarak eşlediğini gösterebilir ve sıkıştırmaya dayalı benzerlik ölçümleri, bu özellik alanlarındaki benzerliği hesaplar. Her sıkıştırıcı C(.) için ilişkili bir vektör uzayı ℵ tanımlarız, öyle ki C(.), ||~x|| vektör normuna karşılık gelen giriş dizesi x'i eşler. Tüm sıkıştırma algoritmalarının altında yatan özellik uzaylarının kapsamlı incelemesi uzay nedeniyle engellenir; bunun yerine, özellik vektörleri üç temsili kayıpsız sıkıştırma yöntemini yani LZW, LZ77 ve PPM'yi incelemeyi seçer.
Hutter Ödülü'nde daha doğrudan açıklanan bir bağlantı olan AIXI teorisine göre, x'in mümkün olan en iyi sıkıştırılması, x'i üreten mümkün olan en küçük yazılımdır. Örneğin, bu modelde bir zip dosyasının sıkıştırılmış boyutu hem zip dosyasını hem de zip açma yazılımını içerir. Çünkü her ikisi olmadan zip dosyasını açamazsınız ancak daha da küçük birleştirilmiş bir form olabilir.
Yapay zeka destekli ses/video sıkıştırma yazılımı örnekleri olarak VP9, NVIDIA Maxine, AIVC, AccMPEG sayılabilir. Yapay zeka destekli görüntü sıkıştırma gerçekleştirebilen yazılımına OpenCV, TensorFlow, MATLAB'ın Image Processing Toolbox (IPT) ve High-Fidelity Generative Image Compression örnek olarak verilebilir.
Denetimsiz makine öğreniminde, benzer veri noktalarını kümeler halinde gruplandırarak verileri sıkıştırmak için k-ortalama kümelemesi kullanılabilir. Bu teknik, önceden tanımlanmış etiketlerin bulunmadığı kapsamlı veri kümelerinin işlenmesini basitleştirir ve görüntü sıkıştırma gibi alanlarda çok kullanılır.
Geniş dil modelleri aynı zamanda kayıpsız veri sıkıştırma özelliğiklidir.
Veri madenciliği
Makine öğrenimi ve veri madenciliği sıklıkla aynı yöntemleri kullanır ve önemli ölçüde örtüşür, ancak makine öğrenimi, eğitim verilerinden öğrenilen bilinen özelliklere dayalı olarak tahmine odaklanırken, veri madenciliği verilerdeki (daha önce) bilinmeyen özelliklerin keşfedilmesine odaklanır (bu, veritabanlarında bilgi keşfinin analiz adımıdır). Veri madenciliği farklı amaçlarla birçok makine öğrenimi yöntemini kullanır. Öte yandan makine öğrenimi, "denetimsiz öğrenme" olarak veya öğrenen doğruluğunu artırmak için bir ön işleme adımı olarak veri madenciliği yöntemlerini de kullanır. Bu iki araştırma topluluğu (çoğunlukla ayrı konferansları ve ayrı dergileri olan, ECML PKDD önemli bir istisnadır) arasındaki kafa karışıklığının büyük kısmı, birlikte çalıştıkları temel varsayımlardan kaynaklanmaktadır: Makine öğreniminde performans genellikle bilinen bilgiyi yeniden üretme becerisine göre değerlendirilirken, bilgi keşfi ve veri madenciliği (KDD)'de temel görev önceden bilinmeyen bilginin keşfidir. Bilinen bilgilere göre değerlendirildiğinde, bilgi verilmeyen (denetlenmeyen) bir yöntem, diğer denetlenen yöntemlere göre kolayca daha iyi performans gösterecektir, oysa tipik bir KDD görevinde, eğitim verilerinin mevcut olmaması nedeniyle denetlenen yöntemler kullanılamaz.
Makine öğreniminin optimizasyonla da yakın bağları vardır: birçok öğrenme problemi, eğitim set örneklerinde bazı kayıp fonksiyonların en aza indirilmesi olarak formülleştirilir. Kayıp fonksiyonları, eğitilen modelin tahminleri ile gerçek problem örnekleri arasındaki tutarsızlığı ifade eder (örneğin, sınıflandırmada örneklere bir etiket atamak istenir ve modeller, bir dizi örnek için önceden atanmış etiketleri doğru şekilde tahmin edecek şekilde eğitilir).
Genelleme
Optimizasyon ve makine öğrenimi arasındaki fark, genelleştirme hedefinden kaynaklanır: Optimizasyon algoritmaları bir eğitim setindeki kaybı en aza indirebilirken, makine öğrenimi, görünmeyen örneklerdeki kaybı en aza indirmekle ilgilenir. Çeşitli öğrenme algoritmalarının genelleştirilmesinin karakterize edilmesi, özellikle derin öğrenme algoritmaları için güncel araştırmaların aktif bir konusudur.
İstatistik
Makine öğrenimi ve istatistik, yöntemler açısından birbiriyle yakından ilişkili alanlardır ancak temel hedefleri bakımından farklıdır: istatistik bir örnekten nüfus çıkarımları yaparken, makine öğrenimi genelleştirilebilir tahmin kalıpları bulur. Michael I. Jordan'a göre, metodolojik ilkelerden teorik araçlara kadar makine öğrenimi fikirlerinin istatistik alanında uzun bir geçmişi vardır. Ayrıca genel alanı adlandırmak için veri bilimi terimini yer tutucu olarak önerdi.
Geleneksel istatistiksel analizler, çalışma veri seti için en uygun modelin önsel seçimini gerektirir. Ayrıca analize yalnızca önceki deneyimlere dayanan önemli veya teorik olarak ilgili değişkenler dahil edilir. Bunun aksine, makine öğrenimi önceden yapılandırılmış bir model üzerine kurulmamıştır; bunun yerine veriler, altta yatan kalıpları tespit ederek modeli şekillendirir. Modeli eğitmek için ne kadar çok değişken (girdi) kullanılırsa nihai model o kadar doğru olur.
Leo Breiman iki istatistiksel modelleme paradigmasını birbirinden ayırdı: veri modeli ve algoritmik model,; burada "algoritmik model", Rastgele orman gibi az çok makine öğrenimi algoritmaları anlamına gelir.
Bazı istatistikçiler, makine öğreniminden yöntemleri benimseyerek istatistiksel öğrenme adını verdikleri birleşik bir alana yol açtılar.
İstatistiksel fizik
Düzensiz sistemlerin köklü fiziğinden türetilen analitik ve hesaplamalı teknikler, örneğin derin sinir ağ'larının ağırlık uzayını analiz etmek için makine öğrenimi de dahil olmak üzere büyük ölçekli sorunlara genişletilebilir. İstatistiksel fizik bu nedenle tıbbi teşhis alanında da uygulama alanları bulmaktadır.
Teori
Bir öğrencinin temel amacı, deneyiminden genelleme yapmaktır. Bu bağlamda genelleme, öğrenen bir makinenin, bir öğrenme veri kümesini deneyimledikten sonra yeni, görülmemiş örnekler/görevler üzerinde doğru bir şekilde performans gösterme yeteneğidir. Eğitim örnekleri, genel olarak bilinmeyen bazı olasılık dağılımlarından gelir (oluşma uzayını temsil ettiği kabul edilir) ve öğrencinin, yeni durumlarda yeterince doğru tahminler üretmesini sağlayan bu alan hakkında genel bir model oluşturması gerekir. Bu bağlamda genelleme, öğrenen bir makinenin, bir öğrenme veri kümesini deneyimledikten sonra yeni, görülmemiş örnekler/görevler üzerinde doğru şekilde performans gösterme yeteneğidir. Eğitim örnekleri, genel olarak bilinmeyen bazı olasılık dağılımlarından gelir (oluşma uzayını temsil ettiği kabul edilir) ve öğrencinin, yeni durumlarda yeterince doğru tahminler üretmesini sağlayan bu alan hakkında genel bir model oluşturması gerekir.
Makine öğrenimi algoritmalarının ve performanslarının hesaplamalı analizi, Yüksek Olasılıklı Doğru Öğrenme (PAC) modeli aracılığıyla hesaplamalı öğrenme teorisi olarak bilinen teorik bilgisayar biliminin bir dalıdır. Eğitim kümeleri sınırlı olduğundan ve gelecek belirsiz olduğundan, öğrenme teorisi genellikle algoritmaların performansına dair garanti vermez. Bunun yerine performansa ilişkin olasılıksal sınırlar oldukça yaygındır. Önyargı-varyans ayrıştırması, genelleme hatasını ölçmenin bir yoludur.
Genelleme bağlamında en iyi performansı elde etmek için hipotezin karmaşıklığı, verilerin altında yatan işlevin karmaşıklığıyla eşleşmelidir. Hipotezin fonksiyondan daha az karmaşık olması durumunda model, verilere gereğinden az uyum sağlamıştır. Yanıt olarak modelin karmaşıklığı artarsa eğitim hatası azalır. Ancak hipotez çok karmaşıksa, model aşırı uyumdan etkilenir ve genelleme daha zayıf olur.
Performans sınırlarına ek olarak, öğrenme teorisyenleri öğrenmenin zaman karmaşıklığını ve fizibilitesini de inceler. Hesaplamalı öğrenme teorisinde, bir hesaplamanın polinom zamanında yapılması mümkünse mümkün olduğu kabul edilir. İki tür zaman karmaşıklık sonucu vardır: Pozitif sonuçlar, belirli bir fonksiyon sınıfının polinom zamanda öğrenilebileceğini gösterir. Negatif sonuçlar bazı sınıfların polinom zamanında öğrenilemeyeceğini göstermektedir.
Uygulamalar
Makine öğreniminin başlıca uygulamaları , bilgisayarlı görme, doğal dil işleme, , arama motorları, tıbbi tanı, biyoinformatik, ve , denetimi, borsa çözümlemesi, DNA dizilerinin sınıflandırılması, konuşma ve , bilgisayarlı görmede , oyun oynama, yazılım mühendisliği, ve .
İnsan etkileşimi
Makine öğrenimi sistemlerinin bir bölümü insan sezgisine olan gereksinimi tümüyle ortadan kaldırmaya çalışırken bazıları insan ve makine arasında işbirliğine dayalı bir yaklaşım benimsemektedir. Ne var ki, sistemi tasarlayan kişinin verinin kodlanma biçimi üzerinde tümüyle egemen oluşu insan sezgisinin tümüyle ortadan kaldırılmasını olanaksızlaştırmaktadır. Makine öğrenimi otomatikleştirilmesi çabası olarak görülmektedir.[]
Bazı istatistiksel makine öğrenimi araştırmacıları Bayes istatistiği çerçevesi kapsamında kullanılabilen yöntemler geliştirmektedirler.
Öğrenme yaklaşımları
Makine öğrenimi algoritmaları hedeflenen sonuca göre birkaç sınıfa ayrılabilmektedir:
- Gözetimli öğrenme - Gözetimli öğrenme, bilgisayarların etiketlenmiş örnek verilerden öğrenme yeteneğini içerir. Bu yaklaşım, her örneğin bir girdi ve ona karşılık gelen bir çıktıya sahip olduğu durumlar için idealdir. Örneğin, bir görüntünün üzerindeki nesnelerin tanımlanması gibi bir problemde, etiketlenmiş veri setleri kullanılır. Makine, bu veri setlerini analiz ederek girdileri çıktılara eşleme yeteneğini geliştirir.
- Gözetimsiz öğrenme - Gözetimsiz öğrenme, bilgisayarların etiketlenmemiş verilerden örüntüleri keşfetme yeteneğini içerir. Bu yaklaşım, verilerdeki yapıları anlamak ve veri setlerindeki gizli ilişkileri keşfetmek için kullanılır. Örneğin, bir pazarlama analizi yapılırken, müşteri segmentlerini belirlemek için gözetimsiz öğrenme teknikleri kullanılabilir. Bu sayede, belirli bir önceden tanımlanmış etikete gerek kalmadan veri setindeki doğal gruplamaları keşfedebiliriz.
- Pekiştirmeli öğrenme - Pekiştirmeli öğrenme, bir ajanın çevresiyle etkileşime girerek deneme-yanılma yoluyla optimal davranışı öğrenme yeteneğini içerir. Bu yaklaşım genellikle karar alma ve kontrol problemleri için kullanılır. Ajan, bir ortamda belirli eylemler gerçekleştirir ve bu eylemlerin sonuçlarına göre ödüller veya cezalar alır. Bu ödüller ve cezalar, ajanın davranışını optimize etmesine yardımcı olur. Örneğin, bir robotun belirli bir ortamda dengede kalmasını öğrenmesi veya bir oyun oynarken en yüksek skoru elde etmesi için pekiştirmeli öğrenme kullanılabilir.
- - Uygun işlev ya da sınıflandırıcılar oluşturmak için etiketli ve etiketsiz örnekleri birlikte ele alır.
- - Önceki deneyimlerden yararlanır. []
Ayrıca bakınız
Kaynakça
- ^ The definition "without being explicitly programmed" is often attributed to Arthur Samuel, who coined the term "machine learning" in 1959, but the phrase is not found verbatim in this publication, and may be a that appeared later. Confer "Paraphrasing Arthur Samuel (1959), the question is: How can computers learn to solve problems without being explicitly programmed?" in Koza, John R.; Bennett, Forrest H.; Andre, David; Keane, Martin A. (1996). "Automated Design of Both the Topology and Sizing of Analog Electrical Circuits Using Genetic Programming". Artificial Intelligence in Design '96. Artificial Intelligence in Design '96 (İngilizce). Springer, Dordrecht. ss. 151-170. doi:10.1007/978-94-009-0279-4_9. ISBN .
- ^ "What is Machine Learning?". IBM (İngilizce). 27 Aralık 2023 tarihinde kaynağından . Erişim tarihi: 27 Haziran 2023.
- ^ Zhou, Victor (20 Aralık 2019). "Machine Learning for Beginners: An Introduction to Neural Networks". Medium (İngilizce). 9 Mart 2022 tarihinde kaynağından . Erişim tarihi: 15 Ağustos 2021.
- ^ Hu, Junyan; Niu, Hanlin; Carrasco, Joaquin; Lennox, Barry; Arvin, Farshad (2020). "Voronoi-Based Multi-Robot Autonomous Exploration in Unknown Environments via Deep Reinforcement Learning". IEEE Transactions on Vehicular Technology. 69 (12): 14413-14423. doi:10.1109/tvt.2020.3034800. ISSN 0018-9545.
- ^ Yoosefzadeh-Najafabadi, Mohsen; Hugh, Earl; Tulpan, Dan; Sulik, John; Eskandari, Milad (2021). "Application of Machine Learning Algorithms in Plant Breeding: Predicting Yield From Hyperspectral Reflectance in Soybean?". Front. Plant Sci. 11: 624273. doi:10.3389/fpls.2020.624273. (PMC) 7835636 $2. (PMID) 33510761.
- ^ a b (2006), Pattern Recognition and Machine Learning, Springer, ISBN
- ^ Machine learning and pattern recognition "can be viewed as two facets of the same field".:vii
- ^ (1998). "Data Mining and Statistics: What's the connection?". Computing Science and Statistics. 29 (1): 3-9.
- ^ a b Ethem Alpaydin (2020). Introduction to Machine Learning (Fourth bas.). MIT. ss. xix, 1-3, 13-18. ISBN .
- ^ Samuel, Arthur (1959). "Some Studies in Machine Learning Using the Game of Checkers". IBM Journal of Research and Development. 3 (3): 210-229. CiteSeerX 10.1.1.368.2254 $2. doi:10.1147/rd.33.0210.
- ^ R. Kohavi and F. Provost, "Glossary of terms," Machine Learning, vol. 30, no. 2–3, pp. 271–274, 1998.
- ^ Nilsson N. Learning Machines, McGraw Hill, 1965.
- ^ Duda, R., Hart P. Pattern Recognition and Scene Analysis, Wiley Interscience, 1973
- ^ S. Bozinovski "Teaching space: A representation concept for adaptive pattern classification" COINS Technical Report No. 81-28, Computer and Information Science Department, University of Massachusetts at Amherst, MA, 1981. https://web.cs.umass.edu/publication/docs/1981/UM-CS-1981-028.pdf 25 Şubat 2021 tarihinde Wayback Machine sitesinde .
- ^ Mitchell, T. (1997). Machine Learning. McGraw Hill. ss. 2. ISBN .
- ^ (2008), "The Annotation Game: On Turing (1950) on Computing, Machinery, and Intelligence", Epstein, Robert; Peters, Grace (Ed.), The Turing Test Sourcebook: Philosophical and Methodological Issues in the Quest for the Thinking Computer, Kluwer, ss. 23-66, ISBN
- ^ . Edzion (İngilizce). 8 Aralık 2020. 18 Şubat 2021 tarihinde kaynağından arşivlendi. Erişim tarihi: 9 Aralık 2020.
- ^ a b "AN EMPIRICAL SCIENCE RESEARCH ON BIOINFORMATICS IN MACHINE LEARNING – Journal". 10 Aralık 2020 tarihinde kaynağından . Erişim tarihi: 28 Ekim 2020.
- ^ "rasbt/stat453-deep-learning-ss20" (PDF). GitHub (İngilizce). 11 Haziran 2021 tarihinde kaynağından (PDF). Erişim tarihi: 21 Nisan 2021.
- ^
- ^ a b c d
- ^ a b Langley, Pat (2011). "The changing science of machine learning". Machine Learning. 82 (3): 275-279. doi:10.1007/s10994-011-5242-y .
- ^ Garbade, Dr Michael J. (14 Eylül 2018). . Medium (İngilizce). 16 Eylül 2018 tarihinde kaynağından arşivlendi. Erişim tarihi: 28 Ekim 2020.
- ^ "AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What's the Difference?". www.ibm.com (İngilizce). 1 Kasım 2020 tarihinde kaynağından . Erişim tarihi: 28 Ekim 2020.
- ^ . Dr. Sebastian Raschka. 5 Ağustos 2020. 28 Eylül 2020 tarihinde kaynağından arşivlendi. Erişim tarihi: 28 Ekim 2020.
- ^ August 2011, Dovel Technologies in (15 Mayıs 2018). . CTOvision.com. 30 Mart 2019 tarihinde kaynağından arşivlendi. Erişim tarihi: 28 Ekim 2020.
- ^ . Cognilytica. 28 Mart 2018. 26 Haziran 2018 tarihinde kaynağından arşivlendi. Erişim tarihi: 28 Ekim 2020.
- ^ "rasbt/stat453-deep-learning-ss20" (PDF). GitHub (İngilizce). 11 Haziran 2021 tarihinde kaynağından (PDF). Erişim tarihi: 28 Ekim 2020.
- ^ Pearl, Judea; Mackenzie, Dana. The Book of Why: The New Science of Cause and Effect (2018 bas.). Basic Books. ISBN . 4 Kasım 2020 tarihinde kaynağından . Erişim tarihi: 28 Ekim 2020.
- ^ Poole, Mackworth & Goebel 1998, p. 1.
- ^ Russell & Norvig 2003, s. 55.
- ^ Definition of AI as the study of : * Poole, Mackworth & Goebel (1998), which provides the version that is used in this article. These authors use the term "computational intelligence" as a synonym for artificial intelligence. * Russell & Norvig (2003) (who prefer the term "rational agent") and write "The whole-agent view is now widely accepted in the field". * Nilsson 1998 * Legg & Hutter 2007
- ^ Mahoney, Matt. "Rationale for a Large Text Compression Benchmark". Florida Institute of Technology. 18 Ağustos 2006 tarihinde kaynağından . Erişim tarihi: 5 Mart 2013.
- ^ Shmilovici A.; Kahiri Y.; Ben-Gal I.; Hauser S. (2009). "Measuring the Efficiency of the Intraday Forex Market with a Universal Data Compression Algorithm" (PDF). Computational Economics. 33 (2): 131-154. CiteSeerX 10.1.1.627.3751 $2. doi:10.1007/s10614-008-9153-3. 9 Temmuz 2009 tarihinde kaynağından (PDF).
- ^ I. Ben-Gal (2008). "On the Use of Data Compression Measures to Analyze Robust Designs" (PDF). IEEE Transactions on Reliability. 54 (3): 381-388. doi:10.1109/TR.2005.853280. 26 Eylül 2020 tarihinde kaynağından (PDF). Erişim tarihi: 11 Mart 2024.
- ^ D. Scully; (2006). "Compression and Machine Learning: A New Perspective on Feature Space Vectors". Data Compression Conference (DCC'06). s. 332. doi:10.1109/DCC.2006.13. ISBN .
- ^ Gary Adcock (5 Ocak 2023). "What Is AI Video Compression?". massive.io. 6 Nisan 2023 tarihinde kaynağından . Erişim tarihi: 6 Nisan 2023.
- ^ Gilad David Maayan (24 Kasım 2021). . Towards Data Science. 25 Kasım 2021 tarihinde kaynağından arşivlendi. Erişim tarihi: 6 Nisan 2023.
- ^ "What is Unsupervised Learning? | IBM". www.ibm.com (İngilizce). 5 Şubat 2024 tarihinde kaynağından . Erişim tarihi: 5 Şubat 2024.
- ^ Edwards, Benj (28 Eylül 2023). "AI language models can exceed PNG and FLAC in lossless compression, says study". Ars Technica (İngilizce). 7 Mart 2024 tarihinde kaynağından . Erişim tarihi: 7 Mart 2024.
- ^ Le Roux, Nicolas; Bengio, Yoshua; Fitzgibbon, Andrew (2012). "Improving First and Second-Order Methods by Modeling Uncertainty". Sra, Suvrit; Nowozin, Sebastian; Wright, Stephen J. (Ed.). Optimization for Machine Learning. MIT Press. s. 404. ISBN . 17 Ocak 2023 tarihinde kaynağından . Erişim tarihi: 12 Kasım 2020.
- ^ Bzdok, Danilo; ; Krzywinski, Martin (2018). "Statistics versus Machine Learning". Nature Methods. 15 (4): 233-234. doi:10.1038/nmeth.4642. (PMC) 6082636 $2. (PMID) 30100822.
- ^ a b (10 Eylül 2014). "statistics and machine learning". reddit. 18 Ekim 2017 tarihinde kaynağından . Erişim tarihi: 1 Ekim 2014.
- ^ Hung et al. Algorithms to Measure Surgeon Performance and Anticipate Clinical Outcomes in Robotic Surgery. JAMA Surg. 2018
- ^ Cornell University Library (Ağustos 2001). "Breiman: Statistical Modeling: The Two Cultures (with comments and a rejoinder by the author)". Statistical Science. 16 (3). doi:10.1214/ss/1009213726. 26 Haziran 2017 tarihinde kaynağından . Erişim tarihi: 8 Ağustos 2015.
- ^ Gareth James; Daniela Witten; Trevor Hastie; Robert Tibshirani (2013). An Introduction to Statistical Learning. Springer. s. vii. 23 Haziran 2019 tarihinde kaynağından . Erişim tarihi: 25 Ekim 2014.
- ^ Ramezanpour, A.; Beam, A.L.; Chen, J.H.; Mashaghi, A. (17 Kasım 2020). "Statistical Physics for Medical Diagnostics: Learning, Inference, and Optimization Algorithms". Diagnostics. 10 (11): 972. doi:10.3390/diagnostics10110972. (PMC) 7699346 $2. (PMID) 33228143.
- ^ Mashaghi, A.; Ramezanpour, A. (16 Mart 2018). "Statistical physics of medical diagnostics: Study of a probabilistic model". Physical Review E. 97 (3–1): 032118. arXiv:1803.10019 $2. Bibcode:2018PhRvE..97c2118M. doi:10.1103/PhysRevE.97.032118. (PMID) 29776109.
- ^
- ^ Alpaydin, Ethem (2010). Introduction to Machine Learning. Londra: The MIT Press. ISBN . Erişim tarihi: 4 Şubat 2017.
- ^ Stuart Russel; Peter Norvig (2003) [1995]. Artificial Intelligence: A Modern Approach (2. bas.). Prentice Hall. ISBN . OCLC 359890490.
Konuyla ilgili yayınlar
- Neural Networks and Pattern Recognition Using MATLAB30 Haziran 2012 tarihinde Wayback Machine sitesinde ., Matlab Tutorial by Ph.D. Ömer Cengiz ÇELEBİ
- Ethem Alpaydın (2004) Introduction to Machine Learning (Adaptive Computation and Machine Learning), MIT Press,
- M. Fatih Amasyalı (2006) , ders notu, Yıldız Teknik Üniversitesi
- Christopher M. Bishop (2006) Pattern Recognition and Machine Learning, Springer
- Bing Liu (2007), Web Data Mining: Exploring Hyperlinks, Contents and Usage Data6 Temmuz 2019 tarihinde Wayback Machine sitesinde .. Springer,
- Toby Segaran, Programming Collective Intelligence, O'Reilly
- Ray Solomonoff, "An Inductive Inference Machine26 Nisan 2011 tarihinde Wayback Machine sitesinde ."
- Ray Solomonoff, An Inductive Inference Machine, IRE Convention Record, Bölüm: Information Theory, 2. Kısım, s. 56-62, 1957
- Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1983), Machine Learning: An Artificial Intelligence Approach, Tioga Publishing Company,
- Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1986), Machine Learning: An Artificial Intelligence Approach, II. Cilt, Morgan Kaufmann,
- Yves Kodratoff, Ryszard S. Michalski (1990), Machine Learning: An Artificial Intelligence Approach, Volume III, Morgan Kaufmann,
- Ryszard S. Michalski, George Tecuci (1994), Machine Learning: A Multistrategy Approach, IV. Cilt, Morgan Kaufmann,
- Bhagat, P. M. (2005). Pattern Recognition in Industry, Elsevier.
- Bishop, C. M. (1995). Neural Networks for Pattern Recognition, Oxford University Press.
- Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification 2. baskı, Wiley, New York,
- Huang T.-M., Kecman V., Kopriva I. (2006), Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning18 Mayıs 2011 tarihinde Wayback Machine sitesinde ., Springer-Verlag, Berlin, Heidelberg, 260 s. 96,
- Kecman Vojislav (2001), Learning and Soft Computing, Support Vector Machines, Neural Networks and Fuzzy Logic Models23 Temmuz 2011 tarihinde Wayback Machine sitesinde ., The MIT Press, Cambridge, MA, 608 s. 268,
- MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms6 Şubat 2015 tarihinde Wayback Machine sitesinde ., Cambridge University Press.
- Mitchell, T. (1997). Machine Learning, McGraw Hill.
- Ian H. Witten & Eibe Frank Data Mining: Practical machine learning tools and techniques Morgan Kaufmann
- Sholom Weiss & Casimir Kulikowski (1991). Computer Systems That Learn, Morgan Kaufmann.
- Ingo Mierswa, Michael Wurst, Ralf Klinkenberg, Martin Scholz & Timm Euler: YALE: Rapid Prototyping for Complex Data Mining Tasks, in Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-06), 2006
- Trevor Hastie, Robert Tibshirani & Jerome Friedman (2001). , Springer.
- Vladimir Vapnik (1998). Statistical Learning Theory. Wiley-Interscience,
Dış bağlantılar
- . 25 Haziran 2012 tarihinde kaynağından arşivlendi.
- . 31 Ağustos 2009 tarihinde kaynağından arşivlendi.
- . 11 Ekim 2007 tarihinde kaynağından arşivlendi.
- . 9 Mart 2012 tarihinde kaynağından arşivlendi.
- . 3 Eylül 2009 tarihinde kaynağından arşivlendi.
- . 3 Ekim 2009 tarihinde kaynağından arşivlendi.
- . 16 Eylül 2009 tarihinde kaynağından arşivlendi.
- . 4 Ekim 2009 tarihinde kaynağından arşivlendi.
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Makine ogrenimi ML veriden ogrenebilen ve gorunmeyen verilere genellestirebilen ve dolayisiyla acik talimatlar olmadan gorevleri yerine getirebilen istatistiksel algoritmalarin gelistirilmesi ve incelenmesiyle ilgilenen yapay zekada akademik bir disiplindir Makine ogrenimi bilgisayarlarin deneyimlerinden ogrenerek karmasik gorevleri otomatiklestirmeyi saglayan bir yapay zeka alanidir Bu veri analizi yaparak oruntuler tespit etme ve tahminlerde bulunma yetenegine dayanir Son zamanlarda yapay sinir aglari performans acisindan onceki bircok yaklasimi geride birakmayi basardi Makine ogrenimi yaklasimlari dogal dil isleme bilgisayar gorusu konusma tanima e posta filtreleme tarim ve tip dahil olmak uzere bircok alana uygulanmistir Bu teknikler genellikle tahmine dayali analitik olarak tanimlanan is sorunlarina yonelik uygulamalarda onemli bir rol oynamaktadir ML is sorunlarina yonelik uygulamasinda tahmine dayali analitik denir Makine ogreniminin tumu istatistiksel temelli olmasa da hesaplamali istatistiksel yontemlerinin onemli bir kaynagidir ML nin matematiksel temelleri matematiksel optimizasyon matematiksel programlama yontemleriyle saglanir Veri madenciligi gozetimsiz ogrenme yoluyla kesifsel veri analizine EDA odaklanan ilgili paralel bir bilim dalidir Teorik bir bakis acisindan bakildiginda muhtemelen yuksek olasilikli dogru PAC ogrenme makine ogrenimini tanimlamak icin bir cerceve saglar Makine ogrenimi arastirmalarinin odaklandigi konu bilgisayarlara karmasik oruntuleri algilama ve veriye dayali akilci kararlar verebilme becerisi kazandirmaktir Bu makine ogreniminin istatistik olasilik kurami veri madenciligi oruntu tanima yapay zeka uyarlamali denetim ve kuramsal bilgisayar bilimi gibi alanlarla yakindan ilintili oldugunu gosterir OzetMakine ogrenimi bilgisayarlarin acikca programlanmadan karmasik gorevleri otomatiklestirmeyi ogrenmelerini saglar Belirli gorevleri yerine getirmeleri icin saglanan verilerdeki oruntuleri ve iliskileri kesfederek bu oruntuleri yeni durumlara uygulama yetenegi kazandirir Bilgisayarlara atanan basit gorevler icin makineye eldeki sorunu cozmek icin gereken tum adimlari nasil uygulayacagini bildiren algoritmalar programlamak mumkundur bilgisayar tarafinda ogrenmeye gerek yoktur Daha gelismis gorevlerde insan icin gerekli algoritmalari elle yapmak zor olabilir Uygulamada insan programcilarin gerekli her adimi belirlemesinden ziyade makinenin kendi algoritmasini gelistirmesine yardimci olmak daha etkili olabilir Makine ogrenimi disiplini bilgisayarlara tam olarak tatmin edici bir algoritmanin bulunmadigi gorevleri gerceklestirmeyi ogretmek icin cesitli yaklasimlar kullanir Cok sayida olasi yanitin oldugu durumlarda dogru yanitlardan bazilarini gecerli olarak etiketlemek bir yaklasimdir Bu daha sonra bilgisayarin dogru yanitlari bulmak icin kullandigi algoritmayi algoritmalari gelistirmede egitim verisi olarak kullanilabilir Ornegin sayisal karakter tanima gorevinde sistemi egitmek icin el yazisiyla yazilmis rakamlarin MNIST veri kumesi siklikla kullanilir TarihceMakine ogrenimi terimi 1959 da bilgisayar oyunlari ve yapay zeka alaninda oncu ve IBM calisani olan Amerikali Arthur Samuel tarafindan icat edildi 1960 larda makine ogrenimi arastirmasinin temsili bir kitabi Nilsson un Ogrenme Makineleri hakkindaki kitabiydi ve cogunlukla oruntu siniflandirmasi icin makine ogrenimi ile ilgiliydi Model tanima ile ilgili ilgi 1973 te Duda ve Hart tarafindan tanimlandigi gibi 1970 lerde de devam etti 1981 de bir sinir agi nin bilgisayar terminalinden 40 karakteri 26 harf 10 rakam ve 4 ozel sembol tanimayi ogrenmesi icin ogretme stratejilerinin kullanimina iliskin bir rapor verildi Tom M Mitchell makine ogrenimi alaninda incelenen algoritmalarin genis olcude alintilanan daha resmi bir tanimini yapti Bir bilgisayar programinin performans olcusu P ve bazi T gorev siniflariyla ilgili olarak T gorevlerindeki performansi E deneyimiyle iyilesiyorsa P ile olculdugu gibi E deneyiminden ogrendigi soylenir Makine ogreniminin soz konusu oldugu gorevlerin bu tanimi alani bilissel terimlerle tanimlamak yerine temelde operasyonel tanim sunar Bu Alan Turing in Computing Machinery and Intelligence adli makalesinde Makineler dusunebilir mi Makineler bizim dusunen varliklar olarak yapabildigimizi yapabilir mi sorusuyla degistirilir Gunumuzun modern makine ogreniminin iki amaci vardir biri verileri gelistirilen modellere gore siniflandirmak diger amac ise bu modellere dayali olarak gelecekteki sonuclar icin tahminler yapmaktir Verileri siniflandirmaya ozgu varsayimsal bir algoritma kanserli benleri siniflandirmada onu egitmek icin denetimli ogrenmeyle birlestirilen mollerin bilgisayar gorusu kullanabilir Hal boyle olunca hisse senedi ticareti icin makine ogrenme algoritmasi tuccara gelecekteki olasi tahminler hakkinda bilgi verebilir Diger alanlarla iliskilerYapay zeka Yapay Zekanin AI alt alani olarak Makine OgrenimiYapay Zekanin alt alani olarak Makine Ogreniminin bir parcasi veya Makine Ogreniminin alt alani olarak YZ nin bir parcasi Bilimsel bir caba olarak makine ogrenimi yapay zeka arayisindan dogdu Yapay zekanin akademik disiplin olarak ilk gunlerinde bazi arastirmacilar makinelerin verilerden ogrenmesini saglamakla ilgileniyordu Soruna cesitli sembolik yontemlerle ve daha sonra sinir aglari denilen yontemlerle yaklasmaya calistilar bunlar cogunlukla perceptronlar ve diger modellerdi daha sonra istatistiklerin genellestirilmis dogrusal modellerin yeniden icatlari olduklari anlasildi Olasilik muhakeme de ozellikle otomatik tibbi tani icin kullanildi 488 Ancak mantiksal bilgiye dayali yaklasim uzerindeki artan vurgu yapay zeka ile makine ogrenimi arasinda bir surtusmeye neden oldu Olasilikli sistemler veri toplama ve gosteriminin teorik ve pratik problemleriyle bogusuyordu 488 1980 yilina gelindiginde uzman sistemler yapay zekaya hakim oldu ve istatistik gozden dustu Sembolik bilgiye dayali ogrenme uzerine calismalar AI icinde devam etti ve enduktif mantik programlama ya yol acti ancak daha istatistiksel arastirma hatti artik oruntu tanima da ve bilgi erisimdeydi 708 710 755 Sinir aglari arastirmasi yapay zeka ve bilgisayar bilimi tarafindan ayni zamanlarda terk edildi Bu cizgi de diger disiplinlerden John Hopfield Rumelhart ve Hinton i iceren arastirmacilar tarafindan AI CS alaninin disinda baglantisallik olarak devam ettirildi Ana basarilari 1980 lerin ortasinda geri yayilimin yeniden bulusuyla ortaya cikti 25 Ayri bir alan olarak yeniden duzenlenen makine ogrenimi ML 1990 larda gelismeye basladi Alan amacini yapay zeka elde etmekten ziyade pratik nitelikteki cozulebilir problemlerle mucadele etmek olarak degistirdi Odagi AI dan miras aldigi sembolik yaklasimlar dan istatistik ve olasilik teorisi nden odunc alinan yontem ve modellere kaydirdi 2020 itibariyla bircok kaynak makine ogreniminin yapay zekanin bir alt alani olmaya devam ettigini iddiasini surduruyor Ana anlasmazlik tum makine ogreniminin Yapay zeka YZ nin AI bir parcasi olup olmadigidir cunku bu makine ogrenimini kullanan herhangi birinin YZ kullandigini iddia edebilecegi anlamina gelir Digerlerinin gorusu tum makine ogreniminin yapay zekanin bir parcasi olmadigidir ki burada makine ogreniminin yalnizca akilli bir alt kumesi YZ nin bir parcasidir Makine ogrenimi ve yapay zeka arasindaki farkin ne oldugu sorusu The Book of Why adli kitabinda Judea Pearl tarafindan yanitlanir Buna gore makine ogrenimi pasif gozlemlere dayanarak ogrenir ve tahmin eder oysa AI hedeflerine basarili bir sekilde ulasma sansini en ust duzeye cikaran eylemleri ogrenmek ve gerceklestirmek icin cevre ile etkilesime giren araci ifade eder Veri sikistirma Makine ogrenimi ile sikistirma arasinda yakin bir baglanti vardir Tum gecmisi goz onune alindiginda bir dizinin sonsal olasiliklarini tahmin eden bir sistem optimum veri sikistirmasi icin cikis dagiliminda aritmetik kodlama kullanilarak kullanilabilir Tersine tahmin icin en uygun sikistirici onceki gecmis goz onune alindiginda en iyi sikistiran sembolu bularak kullanilabilir Bu esdegerlik veri sikistirmanin genel zeka icin olcut olarak kullanilmasinin gerekcesi olarak kullanilmistir Alternatif bir gorunum sikistirma algoritmalarinin dizeleri ortulu ozellik alani vektorlerine ortulu olarak esledigini gosterebilir ve sikistirmaya dayali benzerlik olcumleri bu ozellik alanlarindaki benzerligi hesaplar Her sikistirici C icin iliskili bir vektor uzayi ℵ tanimlariz oyle ki C x vektor normuna karsilik gelen giris dizesi x i esler Tum sikistirma algoritmalarinin altinda yatan ozellik uzaylarinin kapsamli incelemesi uzay nedeniyle engellenir bunun yerine ozellik vektorleri uc temsili kayipsiz sikistirma yontemini yani LZW LZ77 ve PPM yi incelemeyi secer Hutter Odulu nde daha dogrudan aciklanan bir baglanti olan AIXI teorisine gore x in mumkun olan en iyi sikistirilmasi x i ureten mumkun olan en kucuk yazilimdir Ornegin bu modelde bir zip dosyasinin sikistirilmis boyutu hem zip dosyasini hem de zip acma yazilimini icerir Cunku her ikisi olmadan zip dosyasini acamazsiniz ancak daha da kucuk birlestirilmis bir form olabilir Yapay zeka destekli ses video sikistirma yazilimi ornekleri olarak VP9 NVIDIA Maxine AIVC AccMPEG sayilabilir Yapay zeka destekli goruntu sikistirma gerceklestirebilen yazilimina OpenCV TensorFlow MATLAB in Image Processing Toolbox IPT ve High Fidelity Generative Image Compression ornek olarak verilebilir Denetimsiz makine ogreniminde benzer veri noktalarini kumeler halinde gruplandirarak verileri sikistirmak icin k ortalama kumelemesi kullanilabilir Bu teknik onceden tanimlanmis etiketlerin bulunmadigi kapsamli veri kumelerinin islenmesini basitlestirir ve goruntu sikistirma gibi alanlarda cok kullanilir Genis dil modelleri ayni zamanda kayipsiz veri sikistirma ozelligiklidir Veri madenciligi Makine ogrenimi ve veri madenciligi siklikla ayni yontemleri kullanir ve onemli olcude ortusur ancak makine ogrenimi egitim verilerinden ogrenilen bilinen ozelliklere dayali olarak tahmine odaklanirken veri madenciligi verilerdeki daha once bilinmeyen ozelliklerin kesfedilmesine odaklanir bu veritabanlarinda bilgi kesfinin analiz adimidir Veri madenciligi farkli amaclarla bircok makine ogrenimi yontemini kullanir Ote yandan makine ogrenimi denetimsiz ogrenme olarak veya ogrenen dogrulugunu artirmak icin bir on isleme adimi olarak veri madenciligi yontemlerini de kullanir Bu iki arastirma toplulugu cogunlukla ayri konferanslari ve ayri dergileri olan ECML PKDD onemli bir istisnadir arasindaki kafa karisikliginin buyuk kismi birlikte calistiklari temel varsayimlardan kaynaklanmaktadir Makine ogreniminde performans genellikle bilinen bilgiyi yeniden uretme becerisine gore degerlendirilirken bilgi kesfi ve veri madenciligi KDD de temel gorev onceden bilinmeyen bilginin kesfidir Bilinen bilgilere gore degerlendirildiginde bilgi verilmeyen denetlenmeyen bir yontem diger denetlenen yontemlere gore kolayca daha iyi performans gosterecektir oysa tipik bir KDD gorevinde egitim verilerinin mevcut olmamasi nedeniyle denetlenen yontemler kullanilamaz Makine ogreniminin optimizasyonla da yakin baglari vardir bircok ogrenme problemi egitim set orneklerinde bazi kayip fonksiyonlarin en aza indirilmesi olarak formullestirilir Kayip fonksiyonlari egitilen modelin tahminleri ile gercek problem ornekleri arasindaki tutarsizligi ifade eder ornegin siniflandirmada orneklere bir etiket atamak istenir ve modeller bir dizi ornek icin onceden atanmis etiketleri dogru sekilde tahmin edecek sekilde egitilir Genelleme Optimizasyon ve makine ogrenimi arasindaki fark genellestirme hedefinden kaynaklanir Optimizasyon algoritmalari bir egitim setindeki kaybi en aza indirebilirken makine ogrenimi gorunmeyen orneklerdeki kaybi en aza indirmekle ilgilenir Cesitli ogrenme algoritmalarinin genellestirilmesinin karakterize edilmesi ozellikle derin ogrenme algoritmalari icin guncel arastirmalarin aktif bir konusudur Istatistik Makine ogrenimi ve istatistik yontemler acisindan birbiriyle yakindan iliskili alanlardir ancak temel hedefleri bakimindan farklidir istatistik bir ornekten nufus cikarimlari yaparken makine ogrenimi genellestirilebilir tahmin kaliplari bulur Michael I Jordan a gore metodolojik ilkelerden teorik araclara kadar makine ogrenimi fikirlerinin istatistik alaninda uzun bir gecmisi vardir Ayrica genel alani adlandirmak icin veri bilimi terimini yer tutucu olarak onerdi Geleneksel istatistiksel analizler calisma veri seti icin en uygun modelin onsel secimini gerektirir Ayrica analize yalnizca onceki deneyimlere dayanan onemli veya teorik olarak ilgili degiskenler dahil edilir Bunun aksine makine ogrenimi onceden yapilandirilmis bir model uzerine kurulmamistir bunun yerine veriler altta yatan kaliplari tespit ederek modeli sekillendirir Modeli egitmek icin ne kadar cok degisken girdi kullanilirsa nihai model o kadar dogru olur Leo Breiman iki istatistiksel modelleme paradigmasini birbirinden ayirdi veri modeli ve algoritmik model burada algoritmik model Rastgele orman gibi az cok makine ogrenimi algoritmalari anlamina gelir Bazi istatistikciler makine ogreniminden yontemleri benimseyerek istatistiksel ogrenme adini verdikleri birlesik bir alana yol actilar Istatistiksel fizik Duzensiz sistemlerin koklu fiziginden turetilen analitik ve hesaplamali teknikler ornegin derin sinir ag larinin agirlik uzayini analiz etmek icin makine ogrenimi de dahil olmak uzere buyuk olcekli sorunlara genisletilebilir Istatistiksel fizik bu nedenle tibbi teshis alaninda da uygulama alanlari bulmaktadir TeoriBir ogrencinin temel amaci deneyiminden genelleme yapmaktir Bu baglamda genelleme ogrenen bir makinenin bir ogrenme veri kumesini deneyimledikten sonra yeni gorulmemis ornekler gorevler uzerinde dogru bir sekilde performans gosterme yetenegidir Egitim ornekleri genel olarak bilinmeyen bazi olasilik dagilimlarindan gelir olusma uzayini temsil ettigi kabul edilir ve ogrencinin yeni durumlarda yeterince dogru tahminler uretmesini saglayan bu alan hakkinda genel bir model olusturmasi gerekir Bu baglamda genelleme ogrenen bir makinenin bir ogrenme veri kumesini deneyimledikten sonra yeni gorulmemis ornekler gorevler uzerinde dogru sekilde performans gosterme yetenegidir Egitim ornekleri genel olarak bilinmeyen bazi olasilik dagilimlarindan gelir olusma uzayini temsil ettigi kabul edilir ve ogrencinin yeni durumlarda yeterince dogru tahminler uretmesini saglayan bu alan hakkinda genel bir model olusturmasi gerekir Makine ogrenimi algoritmalarinin ve performanslarinin hesaplamali analizi Yuksek Olasilikli Dogru Ogrenme PAC modeli araciligiyla hesaplamali ogrenme teorisi olarak bilinen teorik bilgisayar biliminin bir dalidir Egitim kumeleri sinirli oldugundan ve gelecek belirsiz oldugundan ogrenme teorisi genellikle algoritmalarin performansina dair garanti vermez Bunun yerine performansa iliskin olasiliksal sinirlar oldukca yaygindir Onyargi varyans ayristirmasi genelleme hatasini olcmenin bir yoludur Genelleme baglaminda en iyi performansi elde etmek icin hipotezin karmasikligi verilerin altinda yatan islevin karmasikligiyla eslesmelidir Hipotezin fonksiyondan daha az karmasik olmasi durumunda model verilere gereginden az uyum saglamistir Yanit olarak modelin karmasikligi artarsa egitim hatasi azalir Ancak hipotez cok karmasiksa model asiri uyumdan etkilenir ve genelleme daha zayif olur Performans sinirlarina ek olarak ogrenme teorisyenleri ogrenmenin zaman karmasikligini ve fizibilitesini de inceler Hesaplamali ogrenme teorisinde bir hesaplamanin polinom zamaninda yapilmasi mumkunse mumkun oldugu kabul edilir Iki tur zaman karmasiklik sonucu vardir Pozitif sonuclar belirli bir fonksiyon sinifinin polinom zamanda ogrenilebilecegini gosterir Negatif sonuclar bazi siniflarin polinom zamaninda ogrenilemeyecegini gostermektedir UygulamalarMakine ogreniminin baslica uygulamalari bilgisayarli gorme dogal dil isleme arama motorlari tibbi tani biyoinformatik ve denetimi borsa cozumlemesi DNA dizilerinin siniflandirilmasi konusma ve bilgisayarli gormede oyun oynama yazilim muhendisligi ve Insan etkilesimiMakine ogrenimi sistemlerinin bir bolumu insan sezgisine olan gereksinimi tumuyle ortadan kaldirmaya calisirken bazilari insan ve makine arasinda isbirligine dayali bir yaklasim benimsemektedir Ne var ki sistemi tasarlayan kisinin verinin kodlanma bicimi uzerinde tumuyle egemen olusu insan sezgisinin tumuyle ortadan kaldirilmasini olanaksizlastirmaktadir Makine ogrenimi otomatiklestirilmesi cabasi olarak gorulmektedir kaynak belirtilmeli Bazi istatistiksel makine ogrenimi arastirmacilari Bayes istatistigi cercevesi kapsaminda kullanilabilen yontemler gelistirmektedirler Ogrenme yaklasimlariMakine ogrenimi algoritmalari hedeflenen sonuca gore birkac sinifa ayrilabilmektedir Gozetimli ogrenme Gozetimli ogrenme bilgisayarlarin etiketlenmis ornek verilerden ogrenme yetenegini icerir Bu yaklasim her ornegin bir girdi ve ona karsilik gelen bir ciktiya sahip oldugu durumlar icin idealdir Ornegin bir goruntunun uzerindeki nesnelerin tanimlanmasi gibi bir problemde etiketlenmis veri setleri kullanilir Makine bu veri setlerini analiz ederek girdileri ciktilara esleme yetenegini gelistirir Gozetimsiz ogrenme Gozetimsiz ogrenme bilgisayarlarin etiketlenmemis verilerden oruntuleri kesfetme yetenegini icerir Bu yaklasim verilerdeki yapilari anlamak ve veri setlerindeki gizli iliskileri kesfetmek icin kullanilir Ornegin bir pazarlama analizi yapilirken musteri segmentlerini belirlemek icin gozetimsiz ogrenme teknikleri kullanilabilir Bu sayede belirli bir onceden tanimlanmis etikete gerek kalmadan veri setindeki dogal gruplamalari kesfedebiliriz Pekistirmeli ogrenme Pekistirmeli ogrenme bir ajanin cevresiyle etkilesime girerek deneme yanilma yoluyla optimal davranisi ogrenme yetenegini icerir Bu yaklasim genellikle karar alma ve kontrol problemleri icin kullanilir Ajan bir ortamda belirli eylemler gerceklestirir ve bu eylemlerin sonuclarina gore oduller veya cezalar alir Bu oduller ve cezalar ajanin davranisini optimize etmesine yardimci olur Ornegin bir robotun belirli bir ortamda dengede kalmasini ogrenmesi veya bir oyun oynarken en yuksek skoru elde etmesi icin pekistirmeli ogrenme kullanilabilir Uygun islev ya da siniflandiricilar olusturmak icin etiketli ve etiketsiz ornekleri birlikte ele alir Onceki deneyimlerden yararlanir kaynak belirtilmeli Ayrica bakinizYapay sinir aglari Veri madenciligi Bulanik mantik Naive Bayes siniflandirici Bayes aglari Genetik programlama Tumevarimsal mantik programlama Oruntu tanima Ozellik cikarimiKaynakca The definition without being explicitly programmed is often attributed to Arthur Samuel who coined the term machine learning in 1959 but the phrase is not found verbatim in this publication and may be a that appeared later Confer Paraphrasing Arthur Samuel 1959 the question is How can computers learn to solve problems without being explicitly programmed in Koza John R Bennett Forrest H Andre David Keane Martin A 1996 Automated Design of Both the Topology and Sizing of Analog Electrical Circuits Using Genetic Programming Artificial Intelligence in Design 96 Artificial Intelligence in Design 96 Ingilizce Springer Dordrecht ss 151 170 doi 10 1007 978 94 009 0279 4 9 ISBN 978 94 010 6610 5 What is Machine Learning IBM Ingilizce 27 Aralik 2023 tarihinde kaynagindan Erisim tarihi 27 Haziran 2023 Zhou Victor 20 Aralik 2019 Machine Learning for Beginners An Introduction to Neural Networks Medium Ingilizce 9 Mart 2022 tarihinde kaynagindan Erisim tarihi 15 Agustos 2021 Hu Junyan Niu Hanlin Carrasco Joaquin Lennox Barry Arvin Farshad 2020 Voronoi Based Multi Robot Autonomous Exploration in Unknown Environments via Deep Reinforcement Learning IEEE Transactions on Vehicular Technology 69 12 14413 14423 doi 10 1109 tvt 2020 3034800 ISSN 0018 9545 Yoosefzadeh Najafabadi Mohsen Hugh Earl Tulpan Dan Sulik John Eskandari Milad 2021 Application of Machine Learning Algorithms in Plant Breeding Predicting Yield From Hyperspectral Reflectance in Soybean Front Plant Sci 11 624273 doi 10 3389 fpls 2020 624273 PMC 7835636 2 PMID 33510761 a b 2006 Pattern Recognition and Machine Learning Springer ISBN 978 0 387 31073 2 Machine learning and pattern recognition can be viewed as two facets of the same field vii 1998 Data Mining and Statistics What s the connection Computing Science and Statistics 29 1 3 9 a b Ethem Alpaydin 2020 Introduction to Machine Learning Fourth bas MIT ss xix 1 3 13 18 ISBN 978 0262043793 Samuel Arthur 1959 Some Studies in Machine Learning Using the Game of Checkers IBM Journal of Research and Development 3 3 210 229 CiteSeerX 10 1 1 368 2254 2 doi 10 1147 rd 33 0210 R Kohavi and F Provost Glossary of terms Machine Learning vol 30 no 2 3 pp 271 274 1998 Nilsson N Learning Machines McGraw Hill 1965 Duda R Hart P Pattern Recognition and Scene Analysis Wiley Interscience 1973 S Bozinovski Teaching space A representation concept for adaptive pattern classification COINS Technical Report No 81 28 Computer and Information Science Department University of Massachusetts at Amherst MA 1981 https web cs umass edu publication docs 1981 UM CS 1981 028 pdf 25 Subat 2021 tarihinde Wayback Machine sitesinde Mitchell T 1997 Machine Learning McGraw Hill ss 2 ISBN 978 0 07 042807 2 2008 The Annotation Game On Turing 1950 on Computing Machinery and Intelligence Epstein Robert Peters Grace Ed The Turing Test Sourcebook Philosophical and Methodological Issues in the Quest for the Thinking Computer Kluwer ss 23 66 ISBN 9781402067082 Edzion Ingilizce 8 Aralik 2020 18 Subat 2021 tarihinde kaynagindan arsivlendi Erisim tarihi 9 Aralik 2020 a b AN EMPIRICAL SCIENCE RESEARCH ON BIOINFORMATICS IN MACHINE LEARNING Journal 10 Aralik 2020 tarihinde kaynagindan Erisim tarihi 28 Ekim 2020 rasbt stat453 deep learning ss20 PDF GitHub Ingilizce 11 Haziran 2021 tarihinde kaynagindan PDF Erisim tarihi 21 Nisan 2021 a b c d a b Langley Pat 2011 The changing science of machine learning Machine Learning 82 3 275 279 doi 10 1007 s10994 011 5242 y Garbade Dr Michael J 14 Eylul 2018 Medium Ingilizce 16 Eylul 2018 tarihinde kaynagindan arsivlendi Erisim tarihi 28 Ekim 2020 AI vs Machine Learning vs Deep Learning vs Neural Networks What s the Difference www ibm com Ingilizce 1 Kasim 2020 tarihinde kaynagindan Erisim tarihi 28 Ekim 2020 Dr Sebastian Raschka 5 Agustos 2020 28 Eylul 2020 tarihinde kaynagindan arsivlendi Erisim tarihi 28 Ekim 2020 August 2011 Dovel Technologies in 15 Mayis 2018 CTOvision com 30 Mart 2019 tarihinde kaynagindan arsivlendi Erisim tarihi 28 Ekim 2020 Cognilytica 28 Mart 2018 26 Haziran 2018 tarihinde kaynagindan arsivlendi Erisim tarihi 28 Ekim 2020 rasbt stat453 deep learning ss20 PDF GitHub Ingilizce 11 Haziran 2021 tarihinde kaynagindan PDF Erisim tarihi 28 Ekim 2020 Pearl Judea Mackenzie Dana The Book of Why The New Science of Cause and Effect 2018 bas Basic Books ISBN 9780465097609 4 Kasim 2020 tarihinde kaynagindan Erisim tarihi 28 Ekim 2020 Poole Mackworth amp Goebel 1998 p 1 Russell amp Norvig 2003 s 55 Definition of AI as the study of Poole Mackworth amp Goebel 1998 which provides the version that is used in this article These authors use the term computational intelligence as a synonym for artificial intelligence Russell amp Norvig 2003 who prefer the term rational agent and write The whole agent view is now widely accepted in the field Nilsson 1998 Legg amp Hutter 2007 Mahoney Matt Rationale for a Large Text Compression Benchmark Florida Institute of Technology 18 Agustos 2006 tarihinde kaynagindan Erisim tarihi 5 Mart 2013 Shmilovici A Kahiri Y Ben Gal I Hauser S 2009 Measuring the Efficiency of the Intraday Forex Market with a Universal Data Compression Algorithm PDF Computational Economics 33 2 131 154 CiteSeerX 10 1 1 627 3751 2 doi 10 1007 s10614 008 9153 3 9 Temmuz 2009 tarihinde kaynagindan PDF I Ben Gal 2008 On the Use of Data Compression Measures to Analyze Robust Designs PDF IEEE Transactions on Reliability 54 3 381 388 doi 10 1109 TR 2005 853280 26 Eylul 2020 tarihinde kaynagindan PDF Erisim tarihi 11 Mart 2024 D Scully 2006 Compression and Machine Learning A New Perspective on Feature Space Vectors Data Compression Conference DCC 06 s 332 doi 10 1109 DCC 2006 13 ISBN 0 7695 2545 8 Gary Adcock 5 Ocak 2023 What Is AI Video Compression massive io 6 Nisan 2023 tarihinde kaynagindan Erisim tarihi 6 Nisan 2023 Gilad David Maayan 24 Kasim 2021 Towards Data Science 25 Kasim 2021 tarihinde kaynagindan arsivlendi Erisim tarihi 6 Nisan 2023 What is Unsupervised Learning IBM www ibm com Ingilizce 5 Subat 2024 tarihinde kaynagindan Erisim tarihi 5 Subat 2024 Edwards Benj 28 Eylul 2023 AI language models can exceed PNG and FLAC in lossless compression says study Ars Technica Ingilizce 7 Mart 2024 tarihinde kaynagindan Erisim tarihi 7 Mart 2024 Le Roux Nicolas Bengio Yoshua Fitzgibbon Andrew 2012 Improving First and Second Order Methods by Modeling Uncertainty Sra Suvrit Nowozin Sebastian Wright Stephen J Ed Optimization for Machine Learning MIT Press s 404 ISBN 9780262016469 17 Ocak 2023 tarihinde kaynagindan Erisim tarihi 12 Kasim 2020 Bzdok Danilo Krzywinski Martin 2018 Statistics versus Machine Learning Nature Methods 15 4 233 234 doi 10 1038 nmeth 4642 PMC 6082636 2 PMID 30100822 a b 10 Eylul 2014 statistics and machine learning reddit 18 Ekim 2017 tarihinde kaynagindan Erisim tarihi 1 Ekim 2014 Hung et al Algorithms to Measure Surgeon Performance and Anticipate Clinical Outcomes in Robotic Surgery JAMA Surg 2018 Cornell University Library Agustos 2001 Breiman Statistical Modeling The Two Cultures with comments and a rejoinder by the author Statistical Science 16 3 doi 10 1214 ss 1009213726 26 Haziran 2017 tarihinde kaynagindan Erisim tarihi 8 Agustos 2015 Gareth James Daniela Witten Trevor Hastie Robert Tibshirani 2013 An Introduction to Statistical Learning Springer s vii 23 Haziran 2019 tarihinde kaynagindan Erisim tarihi 25 Ekim 2014 Ramezanpour A Beam A L Chen J H Mashaghi A 17 Kasim 2020 Statistical Physics for Medical Diagnostics Learning Inference and Optimization Algorithms Diagnostics 10 11 972 doi 10 3390 diagnostics10110972 PMC 7699346 2 PMID 33228143 Mashaghi A Ramezanpour A 16 Mart 2018 Statistical physics of medical diagnostics Study of a probabilistic model Physical Review E 97 3 1 032118 arXiv 1803 10019 2 Bibcode 2018PhRvE 97c2118M doi 10 1103 PhysRevE 97 032118 PMID 29776109 Alpaydin Ethem 2010 Introduction to Machine Learning Londra The MIT Press ISBN 978 0 262 01243 0 Erisim tarihi 4 Subat 2017 Stuart Russel Peter Norvig 2003 1995 Artificial Intelligence A Modern Approach 2 bas Prentice Hall ISBN 978 0137903955 OCLC 359890490 Konuyla ilgili yayinlarNeural Networks and Pattern Recognition Using MATLAB30 Haziran 2012 tarihinde Wayback Machine sitesinde Matlab Tutorial by Ph D Omer Cengiz CELEBI Ethem Alpaydin 2004 Introduction to Machine Learning Adaptive Computation and Machine Learning MIT Press ISBN 0 262 01211 1 M Fatih Amasyali 2006 ders notu Yildiz Teknik Universitesi Christopher M Bishop 2006 Pattern Recognition and Machine Learning Springer ISBN 0 387 31073 8 Bing Liu 2007 Web Data Mining Exploring Hyperlinks Contents and Usage Data6 Temmuz 2019 tarihinde Wayback Machine sitesinde Springer ISBN 3 540 37881 2 Toby Segaran Programming Collective Intelligence O Reilly ISBN 0 596 52932 5 Ray Solomonoff An Inductive Inference Machine26 Nisan 2011 tarihinde Wayback Machine sitesinde Ray Solomonoff An Inductive Inference Machine IRE Convention Record Bolum Information Theory 2 Kisim s 56 62 1957 Ryszard S Michalski Jaime G Carbonell Tom M Mitchell 1983 Machine Learning An Artificial Intelligence Approach Tioga Publishing Company ISBN 0 935382 05 4 Ryszard S Michalski Jaime G Carbonell Tom M Mitchell 1986 Machine Learning An Artificial Intelligence Approach II Cilt Morgan Kaufmann ISBN 0 934613 00 1 Yves Kodratoff Ryszard S Michalski 1990 Machine Learning An Artificial Intelligence Approach Volume III Morgan Kaufmann ISBN 1 55860 119 8 Ryszard S Michalski George Tecuci 1994 Machine Learning A Multistrategy Approach IV Cilt Morgan Kaufmann ISBN 1 55860 251 8 Bhagat P M 2005 Pattern Recognition in Industry Elsevier ISBN 0 08 044538 1 Bishop C M 1995 Neural Networks for Pattern Recognition Oxford University Press ISBN 0 19 853864 2 Richard O Duda Peter E Hart David G Stork 2001 Pattern classification 2 baski Wiley New York ISBN 0 471 05669 3 Huang T M Kecman V Kopriva I 2006 Kernel Based Algorithms for Mining Huge Data Sets Supervised Semi supervised and Unsupervised Learning18 Mayis 2011 tarihinde Wayback Machine sitesinde Springer Verlag Berlin Heidelberg 260 s 96 ISBN 3 540 31681 7 Kecman Vojislav 2001 Learning and Soft Computing Support Vector Machines Neural Networks and Fuzzy Logic Models23 Temmuz 2011 tarihinde Wayback Machine sitesinde The MIT Press Cambridge MA 608 s 268 ISBN 0 262 11255 8 MacKay D J C 2003 Information Theory Inference and Learning Algorithms6 Subat 2015 tarihinde Wayback Machine sitesinde Cambridge University Press ISBN 0 521 64298 1 Mitchell T 1997 Machine Learning McGraw Hill ISBN 0 07 042807 7 Ian H Witten amp Eibe Frank Data Mining Practical machine learning tools and techniques Morgan Kaufmann ISBN 0 12 088407 0 Sholom Weiss amp Casimir Kulikowski 1991 Computer Systems That Learn Morgan Kaufmann ISBN 1 55860 065 5 Ingo Mierswa Michael Wurst Ralf Klinkenberg Martin Scholz amp Timm Euler YALE Rapid Prototyping for Complex Data Mining Tasks in Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining KDD 06 2006 Trevor Hastie Robert Tibshirani amp Jerome Friedman 2001 Springer ISBN 0 387 95284 5 Vladimir Vapnik 1998 Statistical Learning Theory Wiley Interscience ISBN 0 471 03003 1Dis baglantilar 25 Haziran 2012 tarihinde kaynagindan arsivlendi 31 Agustos 2009 tarihinde kaynagindan arsivlendi 11 Ekim 2007 tarihinde kaynagindan arsivlendi 9 Mart 2012 tarihinde kaynagindan arsivlendi 3 Eylul 2009 tarihinde kaynagindan arsivlendi 3 Ekim 2009 tarihinde kaynagindan arsivlendi 16 Eylul 2009 tarihinde kaynagindan arsivlendi 4 Ekim 2009 tarihinde kaynagindan arsivlendi