Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu derlemede incelenen çalışmalarda sinir ağları, lojistik regresyon, lineer regresyon, çoklu regresyon, temel bileşen analizi ve k-ortalamalar yöntemlerinden sıklıkla yararlanıldığı ve veterinerlik alanında yapılan makine öğrenmesi çalışmalarının son yıllarda ivme kazandığı gözlemlenmiştir.
📌 3 Maddede Bu Makale
Özet
Makine öğrenmesi yapay zekanın bir alt çalışma alanı olup eski verilerden geçmiş davranışların ve kuralların öğrenilerek ileriye doğru tahminlerin yapılmasına olanak sağlar. Makine öğrenmesi günümüzde eğitim, tıp, veterinerlik, bankacılık, telekomünikasyon, güvenlik, biyomedikal gibi hemen hemen her alanda kullanılmaktadır. İnsan sağlığında özellikle hastalıkların önceden tahmin edilmesi ve ilgili risk faktörlerinin tespit edilmesinde makine öğrenmesi yöntemleri genellikle tercih edilmekle birlikte hayvan sağlığında doğruluğu ve aynı zamanda ilgili alanda kullanılabilir olup olmadığını belirleyen bu yöntemin uygulandığı çalışmaların sınırlı olduğu görülmektedir. Bu derlemede incelenen çalışmalarda sinir ağları, lojistik regresyon, lineer regresyon, çoklu regresyon, temel bileşen analizi ve k-ortalamalar yöntemlerinden sıklıkla yararlanıldığı ve veterinerlik alanında yapılan makine öğrenmesi çalışmalarının son yıllarda ivme kazandığı gözlemlenmiştir. Ayrıca makine öğrenmesi alanındaki son gelişmelerin (derin öğrenme, kolektif öğrenme, ses tanıma, duygu tanıma, vb.) veterinerlikte yeni yeni uygulandığı gözlemlenmiştir. Bu derlemede çalışmalar kümeleme, sınıflandırma, regresyon, çok değişkenli veri analizi ve görüntü işleme başlıkları altında incelenmiştir. Bu derlemenin amacı makine öğrenmesi ile ilgili temel bilgileri vermek ve bilgisayar bilimleri/mühendisliği ile veterinerlik alanındaki ortak çalışmaları arttırmaktır
Abstract
Machine learning is a sub field of artificial intelligence which allows forecasting through learning past behaviors and rules from old data. In today’s world, machine learning is being used almost in any fields such as education, medicine, veterinary, banking, telecommunication, security, and bio-medical sciences. In human health, although machine learning is generally preferred particularly in predicting diseases and identifying respective risk factors, it is obvious that there are a limited number of publications where this method was applied on veterinary or indicates whether it is correct and applicable. In this review, it was observed that the neural network, logistic regression, linear regression, multiple regression, principle component analysis and k-means methods were frequently used in examined publications and machine learning application in veterinary field upward momentum. Additionally, it was observed that recent developments in the field of machine learning (deep learning, ensemble learning, voice recognition, emotion recognition, etc.) is still new in the field of veterinary. In this review, publications are examined under clustering, classification, regression, multivariate data analysis and image processing topics. This review aims at providing basic information on machine learning and to increase the number of multidisciplinary publications on computer sciences/engineering and veterinary field