Veri Analitiği

Veri analitiği, bu bilgiler hakkında sonuçlar çıkarmak için ham verileri analiz etme bilimidir. Yararlı bilgileri keşfetmek, sonuçları bilgilendirmek ve karar almayı desteklemek için verileri incelemeyi, temizlemeyi, dönüştürmeyi ve modellemeyi içerir. Yapay Zeka (AI) ve Makine Öğrenimi (ML) alanlarında, veri analitiği, yüksek performanslı modeller oluşturmayı, eğitmeyi ve değerlendirmeyi mümkün kılan temel adımdır. Analistler, veri kümelerindeki kalıpları, korelasyonları ve anormallikleri ortaya çıkararak, bir modelin gelişimine rehberlik etmek ve etkinliğini sağlamak için gereken kritik içgörüleri sağlarlar.

Süreç tipik olarak ham verileri eyleme dönüştürülebilir içgörülere dönüştüren bir yaşam döngüsünü izler. Bu, eksik değerleri ve tutarsızlıkları ele almak için veri ön işlemesini, temel özellikleri anlamak için keşifsel veri analizini ve hipotezleri test etmek için istatistiksel teknikler uygulamayı içerir. Analitikten elde edilen içgörüler, özellik mühendisliği, uygun model mimarilerini seçme ve hiperparametre ayarlama gibi görevler için çok önemlidir. Genellikle, geriye bakmaktan ileriye bakmaya kadar farklı bir içgörü düzeyi sunan dört tür veri analitiği vardır. Bunlar, Harvard Business School Online gibi kaynaklar tarafından açıklandığı gibi, tanımlayıcı, tanısal, tahmine dayalı ve reçeteli analitiği içerir.

Gerçek Dünya Yapay Zeka/Makine Öğrenimi Uygulamaları

Veri analitiği, çok sayıda yapay zeka uygulamasında ilerlemeyi sağlamada etkili bir rol oynar:

1. Tıbbi Görüntü Analizi: Bir yapay zeka modeli tıbbi taramalarda anormallikleri tespit etmeden önce, veri analitiği yoğun bir şekilde kullanılır. Ham görüntüler önceden işlenir (normalleştirilir, yeniden boyutlandırılır) ve temizlenir. Keşif analizi, Beyin Tümörü veri kümesi gibi veri kümelerindeki görüntü kalitesi veya hasta demografisindeki varyasyonları anlamaya yardımcı olur. Analitik, ilgili özellikleri tanımlamaya ve tanısal modelin performansını (doğruluk, duyarlılık, özgüllük) uzman açıklamalarına göre değerlendirmeye yardımcı olarak klinik kullanım için iyileştirmelere rehberlik eder. NIH Biyomedikal Veri Bilimi girişimi gibi kaynaklar önemini vurgulamaktadır. YOLO modellerinin tıbbi görüntülemede tümör tespiti için nasıl kullanılabileceğini görün.
2. Yapay Zeka Odaklı Perakende Envanter Yönetimi: Perakendeciler, stok seviyelerini optimize etmek ve israfı azaltmak için veri analizini kullanır. Bu, geçmiş satış verilerini analiz etmeyi, mevsimsel eğilimleri belirlemeyi ve tahmine dayalı modelleme için müşteri satın alma alışkanlıklarını anlamayı içerir. Ayrıca, analiz edilen görsel veriler kullanılarak eğitilmiş modellerle desteklenen bilgisayarlı görü (CV) sistemleri, raf stokunu gerçek zamanlı olarak izleyebilir. Veri analizi, algılama doğruluğunu analiz ederek ve envanter verilerini satış sonuçlarına bağlayarak bu sistemlerin etkinliğini değerlendirir ve daha akıllı ikmal stratejileri sağlar. Sektör çözümleri için Google Cloud AI for Retail keşfedin. Ultralytics, yapay zeka ile perakende verimliliğini elde etme konusunda içgörüler sunar.

İlgili Terimlerden Ayırt Etme

• Veri Görselleştirme (Data Visualization): Veri görselleştirme, bilgi ve verilerin grafiksel temsilidir. Bulguları iletmek veya verileri grafikler, çizelgeler ve haritalar aracılığıyla keşfetmek için kullanılan bir veri analizinin bileşenidir. Analiz, veri inceleme sürecinin tamamını kapsarken, görselleştirme sonuçları anlaşılır hale getirmek için kullanılan özel bir araçtır. Tableau gibi araçlar, ilgi çekici görselleştirmeler oluşturmak için popülerdir.
• Veri Madenciliği (Data Mining): Bu, veri analizinin daha geniş alanında kullanılan özel bir tekniktir. Veri madenciliği, genellikle karmaşık algoritmalar kullanarak büyük veri kümelerinde önceden bilinmeyen kalıpları ve eğilimleri keşfetmeye odaklanır. Oracle'ın açıkladığı gibi, analiz bu keşfedilen kalıpları kullanarak bilinçli kararlar alır ve hipotezleri test eder.
• Makine Öğrenimi: ML, verilerden öğrenen sistemler oluşturmaya odaklanan bir yapay zeka alt kümesidir. Veri analitiği, verileri hazırlayarak, özellikleri tanımlayarak ve ortalama Ortalama Hassasiyet (mAP) gibi metriklerle model çıktılarını değerlendirerek genellikle ML yaşam döngüsüne besleme yapar. Analitik, insanların yorumlaması için içgörüler sağlarken, ML bu içgörüleri modellerin otonom tahminler yapmasını sağlamak için kullanır.

Veri analitiği, sağlıktan tarıma ve üretime kadar çeşitli alanlarda etkili yapay zeka ve makine öğrenimi sistemleri oluşturmak, iyileştirmek ve doğrulamak için gereken kritik içgörüleri sağlar. Ultralytics HUB gibi platformları kullanmak, veri analizinden model dağıtımına kadar olan süreci kolaylaştırabilir.