Havacılıkta veri bilimi ve yapay zeka yazımızın devam yazısında, konuyu “Havacılıkta Yapay Zeka Yaklaşımları - Denetimsiz Öğrenme”, Karar Ağaçları - Veriye Dayalı Öğrenme Yöntemi”, “Nedensel Çıkarım - Tanımlayıcı Analitik”, “Kümeleme - Denetimsiz Öğrenme Yöntemi”, “Birliktelik Kuralı Madenciliği - Denetimsiz Öğrenme Yöntemi”, “Metin Madenciliği - Bilgi Erişimi”, “Sinir Ağları - Derin Öğrenme” başlıkları üzerinden ele alıyoruz. 

Havacılıkta veri bilimi ve yapay zeka (Artificial Intelligence-AI), yerini sağlamlaştırmaya başlıyor. Geçen ayki yazımızın devamı olarak bu yazımızda, havacılıkta yapay zeka yaklaşımlarından bahsediyor olacağız.

Yapay Zeka Yaklaşımları – Denetimsiz Öğrenme

• Yeni/ham, etiketlenmemiş verileri keşfedin

• Kalıpları ve grupları keşfedin

• Terminoloji: Yapılandırılmış Veri, Yapılandırılmamış Veri, Veri Madenciliği, 

• Makine Öğrenimi: Denetimsiz Öğrenme, Yarı Denetimli Öğrenme

• Regresyon ve sınıflandırma gibi denetimli öğrenmeye temel olarak kullanılabilir.

Örnekler:

• Anomali tespiti

• Birliktelik Kuralları

• Kümeleme

• Metin Madenciliği

• Beklenti Maksimizasyon Algoritmaları

• Kör Sinyal Ayırma (Ana Bileşen Analizi, Bağımsız Bileşen Analizi vb.)

• Sinir Ağları – Üretken Algoritmala

Karar Ağaçları - Veriye Dayalı Öğrenme Yöntemi

Karar ağacı yapay zeka alanından bir araçtır. Örnekleri kökten bazı yaprak düğümlerine kadar sıralayarak sınıflandırır. Her düğüm, bir test sonucuna karşılık gelen, bir düğümden diğer düğüme veya yaprağa kadar her dalın bir niteliği üzerinde bir testi belirtir.

Karar ağacı, ayrık değerli bir fonksiyonu öğrenmek için kullanılıyorsa, bir sınıflandırma gerçekleştirir. Ağaç sürekli fonksiyonu öğrenmek için kullanılırsa bir regresyon gerçekleştirir. Herhangi bir karar ağacı mantıksal bir ifadeye dönüştürülebilir.

Örnek Yöntemler

• Pearson Parametrik Korelasyonları

• Spearman ve Kendall Sıralamaya Dayalı Korelasyonlar

• Korelasyon Matrisi veya Isı Haritası Bu ilişkileri görselleştirir

• Korelasyon nedenselliğe eşit değildir

• Kalite alanında birçok soruyu yanıtlayabilir.

Örnek Sorular:

• Düşük kaliteye katkıda bulunan çeşitli faktörler arasındaki korelasyonu belirleyebilir miyiz?

• Bu cevaba sahip olmak, güçlü korelasyona sahip değişkenleri tanımlamaya yardımcı olur; burada bir faktördeki değişiklik, ilişkili değişkeninde değişikliğine yol açabilir.

Nedensel Çıkarım - Tanımlayıcı Analitik

Bir zaman serisinin başka bir zaman serisini tahmin etmede yararlı olup olmayacağı belirlenir.

Diğer Terimler:

• Nedensellik

• Örnek Yöntemler

• Granger Nedensellik Testi

Örnek Sorular:

• Bir motorda A ve B olmak üzere iki sıcaklık sensörünün bulunduğunu varsayalım.

• B sensöründen gelen geçmiş sıcaklık değerleri, A sensöründen gelecek sıcaklık değerlerini tahmin etmeye yardımcı olabilir mi?

• Bu bilgiye sahip olmak plansız bakımı engelleyebilir.

• Düşük kaliteli bir katkıda bulunan item’in ayarlanmasının gelecekte diğerini nasıl etkileyebileceğini belirleyebilir miyiz?

Kümeleme - Denetimsiz Öğrenme Yöntemi

Paylaşılan özelliklere veya benzerliklere dayalı küme veya grup verilerini kullanır.

Örnek Yöntemler:

• K-aracı

• Hiyerarşik kümeleme

• DBS taraması

• Beklentiyi en üst düzeye çıkarma

• Denetimli bir öğrenme ortamında daha sonra kullanılmak üzere sınıflandırmalar veya etiketler oluşturmak için kullanılabilir.

Örnek Sorular:

• Sıcaklık, akım, voltaj vb. gibi çeşitli sensör raporlarından elde edilen verileri gruplandırarak veya kümeleyerek hangi veri benzerliklerini keşfedebiliriz?

• Seyahat edilen bir iş probleminde çeşitli veri öğelerini kümeleyerek bilgi elde edebilir miyiz?

Birliktelik Kuralı Madenciliği - Denetimsiz Öğrenme Yöntemi

Kategorik bir veri kümesinde sık görülen kalıpları keşfeder ve görselleştirir.

• Birliktelik kuralı, A olayının ne zaman meydana geldiğini ve B olayının belirli bir olasılıkla gerçekleşeceğini belirten bir modeli temsil eder.

Terminoloji:

• Pazar Sepeti Analizi

• Apriori Algoritması

Örnek Sorular:

• Belirli kusurları tedarikçilerle ve/veya bunların belirlendiği konumlarla ilişkilendiren kalıpları keşfedebilir miyiz?

• Üretim ortamlarında gözlemlenen hata zincirine dayanarak yakın/sonraki hataları tahmin edebilir miyiz?

Metin Madenciliği - Bilgi Erişimi

Metin veri kümelerindeki (yapılandırılmamış veriler) kalıpları keşfeder ve görselleştirir.

Terminoloji:

• Metin Veri Madenciliği

• Bilgi alma

• Metin Analiz

Örnek Sorular

• Bakım notlarını ve metin verilerini kullanarak bakım sorunlarındaki kalıpları belirleyebilir miyiz?

• Kalite kontrol metin notlarındaki temel nedenleri belirleyebilir miyiz?

• Kalite kontrol metin notlarını kullanarak korelasyonları belirleyebilir miyiz?

• Sık kullanılan sistemleri veya alt sistemleri belirlemek için metin madenciliği kullanarak bakım veya kalite kontrol notlarını sınıflandırabilir miyiz?

Sinir Ağları - Derin Öğrenme

Üst düzey bir perspektiften bakıldığında, bir sinir ağı, bir değerler listesini girdi olarak kabul eden matematiksel bir işlevdir.

• Bu değerler diğer parametrelerle çarpılır.

• Daha sonra tahmin olarak tek bir değer veya değerler listesi çıkarılır.

• İlham insan beyninin çalışma şeklinden geliyor ancak mevcut sinir ağlarında karmaşıklık düzeyi önemli ölçüde daha düşük.

Terminoloji:

• Sığ Sinir Ağları

• Derin Sinir Ağları / Derin Öğrenme

• Tekrarlayan Sinir Ağları 

• İşleme / gizli katman sayısı sınıflandırmayı belirler

Emniyetli günler dileği ile...

Referanslar: https://scmh.iaqg.org