machine learning

blackslimbright blackslimbright
son zamanların gerizekalı modası. 300 yıllık matematiksel teorileri millete machine learning yöntemi diye yutturuyorlar. ergenler de peşinde. abi meşin lörning yapıyoz yeaa
o c o c
"gerizekali moda" (tamlamaya gel) degildir. elbette ki, bilimin her dali gibi, kendisinden onceki bircok alanin birikimlerinden faydalanarak yukselir. bunun disinda, 300 yillik teorilerden (neymis bunlar) faydalandigi gibi, son birkac yildaki gelismeler (parallel computing en bariz olani herhalde) de bu alanin patlamasinda kritik oneme sahiptir. son yuzyilda (==21. yuzyil ve 20. yuzyilin son ceyregi diyelim) biriken verilerin islenmesinde, yani telefonundan attigin o mesajlar falan machine learning olmadan kullanisli degil mantikli kararlar vermede (yani yapay zekayi olusturmada). zaten literature bakarsaniz, ml neredeyse bu isle es anlamli hale gelmis. kimse baska araclari kullanmayla zaman bile harcamiyor.

simdi genclere tarih dersi bittigine gore, benim anlatmak istedigim seye geleyim. evet, machine learning su anda bircok yonden son 30-40 yilin arastirmalarinin modern neural network'lere uyarlanmasi ve azar azar ilerleme uzerine calisiyor. yani ornegin graph theory'den bir konsept aliniyor, uyarlanip paketlenip graph convolutional networks oluyor. bunda bir sorun yok, zaten bilimin hicbir alani surekli benzersiz yeni kesifler yaparak ilerlemiyor. ben genc arastirmacilara ufak tefek onerilerde bulunmak istiyorum, bu alanda is yapmak istiyorlarsa.

birincisi, hangi alan olursa olsun, ornegin kimya bolumu mezunusunuz, veya psikoloji (bu biraz abarti oldu ama dunyada bu islerle ilgili olan insanlar yok degil), illa bir kullanim alani bulabilirsiniz. kesinlikle hicbir bulus/urun/makale her sorunu cozmuyor, hatta muhtemelen bu genellemeci machine learning faydadan cok zarar veriyor. onumuzdeki 10-20 yilda her problem icin ozellesmis cozumler gorecegiz. siz de yapay zekayi isinize bir sekilde dahil edebilirsiniz. bu yuzden aman sunu okumaliyim, su bolumu secmeliyim demeye gerek yok. yeter ki ilginiz olsun.

ikincisi, ustteki olgun ergen olmayan arkadasimizin dedigi gibi iyi bir matematik altyapisi cok onemli. bu altyapi nedir? topoloji, manifoldlar, measure theory, group theory (abstract algebra), functional analysis, real analysis, istatistik, information theory, .... bunlar sadece benim bildiklerim, her yeni makalede anlamadigim bir sey cikiyor ve 2-3 hafta yeni seyler calismak zorunda kaliyorum.

ucuncusu, yaratici biriyseniz cok iyi isler yapabilirsiniz. bunun kisinin dogustan gelen yetenegiyle alakasi var, ama cok sey bilmek de bu isin en muhim kismi. oturup buyuk konferanslarin o yil en cok alintilanmis 40-50 makalesini okumak sizi cok ileriye tasir. bunlarin yuzde 10'u falan yeni bir sey katacak size, ama maalesef okumadan anlamak mumkun degil. zaten bir doktora ogrencisinin zamaninin yuzde 50'si de okumayla gecmeli (yani eger yilda 150'den az makale okuyorsaniz hele bu alanda geri kalmamaniz biraz zor).

son olarak, bu dediklerimin machine learning'le cok ilgisi yok, hepsi herhangi bir arastirmacinin yapmasi gereken seyler. ml'deki fark, ornegin bir matematige veya fizige kiyasla cok fazla makale basiliyor, cok fazla (cogu yuzeysel) gelisme oluyor. her makale bir oncekinden daha iyi oldugunu iddia ediyor bir alanda. bu yuzden surekli islerin icinde olmak gerektigi gibi, ayni zamanda cok da secici olmak lazim ilgilenilecek alanla ilgili. ornek vereyim hemen, son yillarda representation learning ve self supervised learning yukseliste. bir gazla ben de atladim bu furyaya, ama ne cikar belli degil. bu islere bir girdiniz mi, eger maymun istahiyla is yapmiyorsaniz en az 6 ay suruneceksiniz. o 6 ayda sizden daha akilli daha basarili daha buyuk ekibi olan kimseler patir patir makale basacak, arastirma yayinlayacak ve sizin bircok fikrinizi elinizden alacak bir nevi. bunlari kabullenip devam etmek zorundasiniz, ama ayni zamanda bir isin sonunu da gorebilmeniz lazim. eger olmayacak bir alanin (alt alanin ya da) pesinden 3 yil giderseniz, o isin sonunda ancak ulan o kadar ugrastik bari dr olalim diye derece alacaginiz bir arastirma yaparsiniz ve gercek dunyaya hicbir faydaniz olmaz. bunu yapabilmek de cok zor. bir anlamda gelecegi tahmin etmeniz ve cok kritik dogru kararlar vermeniz gerekiyor. yuzde 90 sans, yuzde 10 da zeka isi bence.

yine de yeterince calisip kendinizi gelistirirseniz, bu alandan cok ekmek yenir daha. saglam bir altyapiyla 4-5 yil bu iste debelenip cikmis bir doktora ogrencisi, veya 2. siniftan itibaren duzenli yapay zeka isleriyle ilgilenen bir universite ogrencisine katkisi cok buyuk olacaktir. o yuzden siz yine de cok ezmeyin machine learning'i, matematik teorisi yine olur.