Tıp Bilişimi

EnglishTürkçe

BÖLÜM


DOI :10.26650/B/ET07.2021.003.18   IUP :10.26650/B/ET07.2021.003.18    Tam Metin (PDF)

Makine Öğrenmesi ve Yapay Zekâ

Elif Kartal

Buzdolabınızda yer alan sütün son kullanma tarihi geçtiğinde bu durumu otomatik olarak algılayıp, uyarı veren ve marketten yeni bir kutu süt sipariş eden bir buzdolabınızın olması hayatınızı kolaylaştırmaz mı? Ya da tersine örnek verilecek olursa; bir bankacının yüz bin müşterinin tüm işlemlerini gözden geçirerek gelecek olan yeni bir müşteri için kolay bir biçimde kredi riski tahmini yapması ne kadar olasıdır (elbette tahminin kabul edilebilir bir sürede yapılacağı düşünülerek)? Aslında insanlar; öğrenme, çok yönlü düşünebilme, karar verebilme gibi birbirinden farklı pek çok özellikle donatılmıştır; ancak bu mükemmele yakın tasarlanan makineler de özellikle günümüz teknolojisiyle üretilen sistemlerle mukayese edildiklerinde karar alırken dış dünyadan etkilenebilme, veri depolama ve işleme kapasiteleri gibi görece olumsuz sayılabilecek özellikleri de bulunmaktadır. Yapay Zekâ (Artificial Intelligence) ve yapay zekânın bir alt çalışma alanı olan Makine Öğrenmesi (Machine Learning) temelde, başta öğrenme olmak üzere insana özgü olan ayırt edici birtakım özelliklerin makinelere ya da insan hayatını kolaylaştıracak insan yapımı şeylere (artifacts) aktarılabilmesine dayanmaktadır. Bu alandaki çalışmalar, kimi zaman matematiksel problemleri çözebilme, kimi zaman uzmanlık gerektiren görevleri yerine getirme, kimi zaman insan beyni ve çalışma prensibinden ilham alma vb. farklı odaklara yönelmiş olsa da, benzeri amaçlarla geliştirilen sistemlerin daimi hedefi bir görevi insanların yaptığından da daha iyisini yerine getirebilmek olmuştur. Günümüzde finans, spor, eğitim gibi birçok alanda yapay zekâ ve makine öğrenmesi uygulamalarına rastlamak mümkündür. Tıp da özellikle hastalık teşhisi ve tedavisi ele alındığında yapay zekâ ve makine öğrenmesinden faydalanılan bu alanların başında gelmektedir. Teknolojinin ilerlemesiyle daha hassas görüntüleme imkânı, daha detaylı ve hassas ölçümlerin gerçekleştirilebilmesi gibi donanımsal avantajları kazanırken; sağlık personeline karar almada yardımcı olacak, hastane yönetimi ve hastalar için hastane süreçlerinde rahatlama sağlayacak teşhis ve tedavi sistemlerinin geliştirilmesi yapay zekâ ve makine öğrenmesi uygulamalarıyla mümkün olabilmektedir. Bu haliyle yapay zekâ ve makine öğrenmesinin tıp bilişimi içinde önemli bir yeri bulunmaktadır. Bu sebeple, bu çalışmada; öncelikle yapay zekânın kısa tarihine yer verilmiş, yapay zekânın tarihinde yer alan mihenk taşı sayılabilecek bazı temel olay ve uygulamalardan bahsedilmiştir. Ardından, yapay zekânın bir alt çalışma alanı olan makine öğrenmesi tanımlanarak, makine öğrenmesi süreci ve makine öğrenmesinde kullanılan öğrenme stratejilerine yer verilmiştir.


Anahtar Kelimeler: Danışmanlı öğrenme, danışmansız öğrenme, makine öğrenmesi, pekiştirmeli öğrenme, yapay zekâ
DOI :10.26650/B/ET07.2021.003.18   IUP :10.26650/B/ET07.2021.003.18    Tam Metin (PDF)

Machine Learning and Artificial Intelligence

Elif Kartal

Wouldn’t our lives be easier if our refrigerator would automatically detect and warn us when the expiry date of the milk in the refrigerator is approaching, or it is over, and order a new box of milk from the market? Or if the opposite example is given; how likely is it for a banker to review all transactions of a hundred thousand customers and easily estimate their credit risk for an upcoming new customer (of course, assuming that the forecast will be made in an acceptable time)? People are equipped with many different features such as learning, multi-dimensional thinking, decision-making, and others. However, these almost perfectly designed machines also have features that can be considered relatively negative, such as being influenced by the outside world while making decisions, and their data storage and processing capacities are affected, especially when compared to systems produced with today’s technology. Artificial intelligence and machine learning, which is a sub-field of artificial intelligence, are basically based on the ability to transfer some distinctive features specific to humans, especially learning to machines or artifacts that will facilitate human life. Studies in this area sometimes include solving mathematical problems, performing tasks requiring expertise, and being inspired by the human brain and its working principles. Although they have focused on different things, the permanent goal of systems developed for similar purposes has been to perform a task better than people do. Today, it is possible to come across artificial intelligence and machine learning applications in many fields such as finance, sports, education, and others. Medicine is one of these areas where artificial intelligence and machine learning are used, especially while considering the diagnosis and treatment of a disease. With the advancement of technology, it gains hardware advantages such as more precise imaging along with more detailed and precise measurements. Additionally, it is possible to develop diagnosis and treatment systems that will help health care personnel in making decisions and providing relief in hospital processes for hospital management and patients, with artificial intelligence and machine learning applications. As such, artificial intelligence and machine learning have an important place in medical informatics. For this reason, this study, first, presents a short history of artificial intelligence and mentions some basic events and applications that can be considered as a milestone in the history of artificial intelligence. Then, by defining machine learning, which is a sub-field of artificial intelligence, this study explores machine learning process and learning strategies used in machine learning.


Anahtar Kelimeler: Supervised learning, unsupervised learning, machine learning, reinforcement learning, artificial intelligence

Referanslar

  • Alpaydin, E. (2020). Introduction to Machine Learning (4. bs.). Cambridge, MA: MIT Press. google scholar
  • Atsma, A. J. (2015). AUTOMATONS (Automatones)—Animate Statues of Greek Mythology. 12 Temmuz 2016 tarihinde http://www.theoi.com/Ther/Automotones.html adresinden erişildi. google scholar
  • Ba laban, M. E. ve Kartal, E. (2018). Veri Madenciliği ve Makine Öğrenmesi Temel Algoritmaları ve R Dili ile Uygulamaları (2. bs.). Beyoğlu, İstanbul: Çağlayan Kitabevi. google scholar
  • Br ownlee, J. (2019). Start Here with Machine Learning. Machine Learning Mastery. https://machinelearning-mastery.com/start-here/ adresinden erişildi. google scholar
  • Br yson, A. ve Y.-C. Ho. (1969). Applied optimal control: Optimization, estimation, and control. Blaisdell Pub-lishing Company. google scholar
  • Dash, S., Shakyawar, S. K., Sharma, M. ve Kaushik, S. (2019). Big data in healthcare: Management, analysis and future prospects. Journal of Big Data, 6(1), 54. doi:10.1186/s40537-019-0217-0 google scholar
  • Domo. (2019). Data Never Sleeps 7.0. 11 Nisan 2020 tarihinde https://www.domo.com/learn/data-never-sleeps-7 adresinden erişildi. google scholar
  • Dua, D. ve Graff, C. (2017). UCI Machine Learning Repository. University of California, Irvine, School of Information and Computer Sciences. http://archive.ics.uci.edu/ml adresinden erişildi. google scholar
  • Hope, J. (2015). 7 phases of the history of Artificial intelligence. History Extra. 12 Temmuz 2016 tarihinde http:// www.historyextra.com/article/ancient-greece/7-phases-history-artificial-intelligence adresinden erişildi. google scholar
  • Kaelbling, L. P., Littman, M. L. ve Moore, A. W. (1996). Reinforcement learning: A survey. Journal of Artificial Intelligence Research, 4, 237-285. google scholar
  • Kartal, E. ve Özen, Z. (2017). Dengesiz Veri Setlerinde Sınıflandırma. O. Torkul, S. Gülseçen, Y. Uyaroğlu, G. Çağıl ve M. K. Uçar (Ed.), Mühendislikte Yapay Zeka ve Uygulamaları içinde (1. bs., ss. 109-131). Sakarya: Sakarya Üniversitesi Kütüphanesi Yayınevi. google scholar
  • Koçoğlu, F. Ö. ve Özcan, T. (2016). Veri Madenciliğinde Kümeleme Algoritmaları ile Müşteri Segmentasyonu. M. E. Balaban ve E. Kartal (Ed.), R ile Veri Madenciliği Uygulamaları içinde (1. bs., ss. 187-220). İstanbul: Çağlayan Kitabevi. google scholar
  • LeCun, Y., Bengio, Y. ve Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436-444. doi:10.1038/natu-re14539 google scholar
  • Marsland, S. (2015). Machine Learning: An Algorithmic Perspective, Second Edition. CRC Press. google scholar
  • Mitchell, T. M. (1997). Machine Learning (1st Edition.). McGraw-Hill Science/Engineering/Math. google scholar
  • Mnih, V, Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., ... Hassabis, D. (2015). Hu-man-level control through deep reinforcement learning. Nature, 518(7540), 529-533. doi:10.1038/nature14236 google scholar
  • Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. Cambridge, MA: MIT Press. google scholar
  • Neapolitan, R. E. ve Jiang, X. (2018). Artificial intelligence: With an introduction to machine learning (2. bs.). Boca Raton, FL, USA: Chapman & Hall/CRC. google scholar
  • Nilsson, N. J. (1998). Introduction to Machine Learning An Early Draft of a Proposed Textbook. http://ai.stan-ford.edu/~nilsson/MLBOOK.pdf adresinden erişildi. google scholar
  • Nilsson, N. J. ve Nilsson, N. J. (1998). Artificial Intelligence: A New Synthesis. Palo Alto, CA: Morgan Kauf-mann Publishers, Inc. google scholar
  • Özen, Z., Kartal, E. ve Emre, İ. E. (2017). Eğitimde Büyük Veri. H. F. Odabaşı, B. Akkoyunlu ve A. İşman (Ed.), Eğitim Teknolojileri Okumaları 2017 içinde (1. bs., ss. 183-204). Ankara: Pegem Akademi. http://www.tojet. net/e-book/eto_2017.pdf adresinden erişildi. google scholar
  • Özen, Z., Kartal, E. ve Gülseçen, S. (2017). Yapay Zekâ ve Yapay Sinir Ağları. T. R. Çölkesen ve O. Aliefen-dioğlu (Ed.), Bilgisayar Bilimine Giriş içinde (1. Baskı., ss. 523-558). İstanbul: Papatya Bilim Kitabevi. google scholar
  • Rumelhart, D. E., Hinton, G. E. ve Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536. doi:10.1038/323533a0 google scholar
  • Siddique, M., Mirza, M., Ahmad, M., Chaudhry, J. ve Islam, M. R. (2018). A Survey of Big Data Security Solutions in Healthcare. google scholar
  • Simon, H. A. (1984). Why should machines learn? R. S. Michalski, J. G. Carbonell ve T. M. Mitchell (Ed.), Machine learning: An artificial intelligence approach içinde (ss. 25-37). Springer. google scholar
  • Skansi, S. (2018). Introduction to Deep Learning: From logical calculus to artificial intelligence. Switzerland: Springer. google scholar
  • Sokolova, M. ve Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427-437. google scholar
  • Taulli, T. (2019). Artificial Intelligence Basics: A Non-Technical Introduction. Monrovia, CA, USA: Springer. google scholar
  • Todorovic, A. (2015). Has The Turing Test Been Passed? 4 Mart 2020 tarihinde https://isturingtestpassed.github. io/ adresinden erişildi. google scholar
  • UCI Machine Learning Repository. (2020). UCI Machine Learning Repository: Statlog (Heart) Data Set. 10 Nisan 2020 tarihinde http://archive.ics.uci.edu/ml/datasets/statlog+(heart) adresinden erişildi. google scholar
  • Werbos, P. (1974). Beyond regression:” new tools for prediction and analysis in the behavioral sciences. Ph. D. dissertation, Harvard University. google scholar
  • Zikopoulos, P., Eaton, C., deRoos, D., Deutsch, T. ve Lapis, G. (2011). Understanding big data: Analytics for enterprise class hadoop and streaming data. New York, USA: McGraw-Hill Osborne Media. google scholar


PAYLAŞ




İstanbul Üniversitesi Yayınları, uluslararası yayıncılık standartları ve etiğine uygun olarak, yüksek kalitede bilimsel dergi ve kitapların yayınlanmasıyla giderek artan bilimsel bilginin yayılmasına katkıda bulunmayı amaçlamaktadır. İstanbul Üniversitesi Yayınları açık erişimli, ticari olmayan, bilimsel yayıncılığı takip etmektedir.