Yapay zekâ her yerde. Genellikle pek farkına varmadan da olsa yapay zekâ ile zaten pek çok alanda uzun yıllardır karşılaşıyorduk. Üzerinde oldukça uzun zamandır çalışılan bir teknoloji bu. Ancak geçtiğimiz son birkaç yıl içerisinde gösterdiği ciddi gelişim hızı, insanların ağzını açık bırakacak şeyleri kolaylıkla yapabilir hale gelmesi, günlük hayatı oldukça kolaylaştırabilir olması ve kullanımının kolaylığı ile beraber günümüzde popülerliği hiç olmadığı kadar artmış durumda. Bu bağlamda, yapay zekâ ile bağlantılı bazı terimlerin ne olduğu hakkında fikir sahibi olmak faydalı olacaktır diye düşünüyorum. Bu yazı serisinde, bu terimlerin üzerinden teknik detaylarda boğulmadan, olabildiğince sade bir dille geçiyor olacağız.
Underfitting (Yetersiz Öğrenme)
Bir önceki yazımızda overfitting durumundan bahsetmiştik. Yapay zekâ modelinin öğrenmek yerine aşırı bir ezber yapması ve bunun sonucunda ezberlediği bilgiden farklı bir durum ile karşılaştığında hata yapması durumu.Underfitting durumunda ise yapay zekâ modeli ne ezber yapmıştır ne de gerçekten öğrenmiştir. Model henüz konuyu kavrayamamıştır.
Nasıl Olur?
-Eğitim verisi yetersiz kalmış olabilir
-Eğitim süresi kısa kalmış olabilir
-Yanlış ayarlar kullanılmış olabilir
Örnek olması açısından bir yapay zekâ modeli düşünelim. Bu modele sadece birkaç tane kedi ve köpek fotoğrafı gösterilmiş olsun. Model, bu kadar az örnekle iki hayvan arasındaki farkı tam olarak öğrenemez. Bunun sonucunda da çoğu görseli yanlış sınıflandırır.
