Uzman Sistemler

UZMAN SİSTEMLER

Uzman Sistem Nedir?

Uzman sistemler, belirli bir uzmanlık alanında, gerçek kişilerden derlenen bilgileri temel alarak, zamanla kendisini geliştirebilme yeteneği de olan yazılımlardır. Uzman davranışını taklit etmek üzere çok farklı metotlar kullanılmakla birlikte, en yaygın kullanılanlar;

 1)Bilgi Temsili Yöntemleri

 2)Bilgi Mühendisliği Yöntemleridir.

Her uzman sistemde öğrenme davranışı olmayabilir fakat her uzman sistem geliştirildikten sonra gerçek problemler karşısında insan uzmanla aynı sonuca varmalıdır. 1970'lerde yapay zekâ alanındaki araştırmacılar tarafından geliştirilmiş ve ticari olarak 1980'lerde uygulanmaya başlanmıştır. Bu programlar, belirli bir problem hakkındaki bilgiyi çözümleyen, problemlere çözümler sağlayan, tasarımına bağlı olarak, düzeltmeleri yapmak için bir iş dizisi öneren programlardır. Özellikle tıp ve danışmanlık gibi hizmet sektörlerinde, uzman eksiğini giderme veya maliyetleri düşürmek amacıyla kullanılırlar. Uzman sistemler konusu; sistem teorisi, yöneylemsel araştırma, iş süreçleri, uygulamalı matematik ve bilim yönetimi konularıyla ilişkilidir.

Yapay Zekâ

Yapay Zekâ, bir bilgisayarın veya bilgisayar kontrolündeki bir robotun çeşitli faaliyetleri zeki canlılara benzer şekilde yerine getirme kabiliyetine denir. Yapay zekâ çalışmaları genellikle insanın düşünme yöntemlerini analiz ederek bunların benzeri yapay yönergeleri geliştirmeye yöneliktir. Bir bakış açısına göre, programlanmış bir bilgisayarın düşünme girişimi gibi görünse de bu tanımlar günümüzde hızla değişmekte, öğrenebilen ve gelecekte insan zekâsından bağımsız gelişebilecek bir yapay zekâ kavramına yönelimler oluşmaktadır. Bu yönelim, insanın evreni ve doğayı anlama çabasında kendisine yardımcı olabilecek belki de kendisinden daha zeki, insan ötesi varlıklar meydana getirme düşünün bir ürünüdür.

Bilgi Gösterimi

Bilgi gösterimi bilim adamları, insan davranışlarını modellemek için çalışın, bilgisayar bilimi alanıdır. Yakından Yapay Zekâ ile bağlantılıdır (AI); kavramı tüm gerçekleri ve kavramları içeren bir konu alanı anlamak için, yanı sıra aralarında ilişkiler ve bunları birleştirmek için nasıl mekanizmalar alanda sorunları çözmek için. "Hiçbir organizma beri sonsuz çeşitlilik ile başa çıkabilir, Tüm organizmaların temel işlevlerinden biri özdeş olmayan uyaranlara eşdeğer olarak tedavi edilebilir hangi sınıflandırmalar içine çevrenin kesim kadar….". AI hedefi, İnsan çağrı 'akıllı' olduğunu ve AI çalışma nispeten yeni olmasına rağmen bir şeyler yapabilirim bilgisayar programları tasarlamaktır, Bunun temelleri mantığı ve antik Yunanistan'a geri izlenebilmektedir; Aristo mantığı babası olarak kabul edilir. Semantik Web içeriği ile resmi bir anlam ilişkilendirmek için yeteneğine bağlıdır. Bu anlam resmileştirmek girişimi dillerin tasarımı ve kullanımı hakkında fikir veriyor, çünkü bilgi temsili alan bir Semantik Web dilin tasarımı için iyi bir başlangıç ​​noktası sağlar. Bilgi gösterimi Semantik Web gelişiminde hayati önem taşımaktadır, bilgisayarlar otomatik akıl yürütmek için kullanabileceğiniz bilgi ve çıkarım kurallarının yapılandırılmış koleksiyonlarına erişim ihtiyacı olacak.

Karar Ağaçları

Teknolojinin gelişmesi, saklanacak veri sayısı ve veri boyutunun artmasıyla birlikte gün geçtikçe veri madenciliğine olan ihtiyaç artmaktadır. Bununla birlikte saklanacak verilerin saklanması için bilgisayar ortamına ihtiyaç duyulmakta ve istenilen performanslar, tespitler, sınıflandırmalar vs. için veri madenciliğine yönelim gerçekleşmektedir. Bu makalede ise veri madenciliği uygulamalarından olan, karar ağaçları incelenecek olup, az sayıda veri setinden oluşan küçük bir örnek uygulama gerçekleştirilecektir. Örnek uygulama sırasında yaklaşık 10-15 veriye sahip bir eğitim kümesi oluşturulacak, karar ağacı algoritmalarından bir tanesi seçilerek örnek yapılacaktır.

Karar ağaçları, veri madenciliğinde en çok kullanılan yöntemlerden biridir. Bir veri, karar ağacına göre sınıflandırılmak istendiğinde, sınıf etiketleri bilinen bir veri setine ihtiyaç duyulur. Veri seti üzerinde karar verme basamakları uygulanarak, çok sayıdaki kayıtlı veriler, az sayıda gruplarına bölünür. Her bölme işlemi yapıldığında, özellikleri bakımından birbirine benzer veriler grup haline gelir. Karar ağaçları için farklı dallanma kriterleri mevcuttur.

ID3 Algoritması

Karar ağaçları - sınıflama, özellik ve hedefe göre karar düğümler ve yaprak düğümlerinden oluşan ağaç yapısı formunda bir model oluşturan bir sınıflandırma yöntemidir. Karar ağacı algoritması, veri setini küçük ve hatta daha küçük parçalara bölerek geliştirilir. Bir karar düğümü bir veya birden fazla dallanma içerebilir. İlk düğüme kök düğüm denir. Bir karar ağacı hem kategorik hem de sayısal verilerden oluşabilir.

C4.5 Algoritması

ID3 algoritmasının geliştiricisi, ID3 algoritması sonucunda sınıflandırmalarda bazı eksiklikler ve sorunlar tespit etmiştir. Bu sorunların giderilmesini C4.5 algoritması ile sağlamıştır. Kökeni tamamen ID3 algoritması olan C4.5 algoritmasına gelen ek özellikler, bölünme-dağılma bilgisinin edinilmesi, kayıp değerleri olan özelliklerin tespit edilmesi ve sayısal özellikteki verilerin hesaba direk olarak katılmasını adım adım inceleyecek olursak;

1.       Split Information – Bölünme Dallanma Bilgisi:

 Bir özniteliğin olasılığı ne kadar yüksek olursa bilgi kazancıda yüksek olacaktır, bu durum sonucun doğrulunu olumsuz etkileyecektir. Yani, bilgi kazancının yüksek çıkmasının nedeni özellik çeşitliliğinin fazla olmasıdır. Bu tarz gereksiz bilgilerin önlenmesi için bölünme bilgisi kavramı algoritmaya katılmıştır. Bu algoritma ile bilgi kazancını azaltarak gereksiz bazı çıkarımlar yapılması engellenmiştir.

2.       Özelliklerin Kayıp Değerlerinin Tespit Edilmesi:

Dataset üzerindeki veriler çeşitli sebeplerden dolayı eksik olabilir. ID3 algoritması eksik olmayan bir veri kümesini dikkate alır. Eksik olan veriler yüzünden bazı bilgilerin bulunmasında yanlışlıklar çıkmaktadır. Bu sebepten, 3 sorunla karşı karşıya kalınmaktadır; bilgi kazancı ve bilgi oranlarının kayıp olduğu veri kümesinin hesabi nasıl yapılabilir, karar ağacı oluşturulurken öznitelik değeri olmayanlar alt düğümlere nasıl yayılabilir ve bununla beraberinde test işlemleri ağacın dallarında nasıl yapılabilir? Tüm bunlara cevap bulabilmek için verilerin öznitelikleri ve bu niteliklere sahip bilgi kazançları sayesinde çözümlere ulaşılabilmektedir.

3.       Sayısal Özellikteki Verilerin Hesaba Direkt Katılması: 

Veri kümelerinde iki tip veri kullanılır; Nominal (kategorik) ve sayısal. ID3 algoritmasında sadece Nominal değerler kullanılırken, C4.5 algoritmasında sayısal verilere de yer verilmiştir. Tabi bu kullanımda bir yönteme ihtiyaç duyulmuştur. Sayısal değerler arasında uygun bir eksik değerinin bulunması gerekiyor. Eksik değeri bulunduktan sonra ikili bir bölünme ile veri kümeleri dağıtılabiliyor. Yani, bu esik değerinden büyük ve esik değerinden küçük veriler olmak üzere ikiye ayrım yapılıyor.