Bulanık Mantık

Temel Kavramlar

Bulanık Mantık, onu keskin, ikili mantıktan ayıran birkaç temel ilke üzerinde çalışır:

• Bulanık Kümeler: Bir elemanın ya ait olduğu ya da ait olmadığı klasik kümelerin aksine, bulanık kümelerdeki elemanlar tipik olarak 0 ila 1 arasında değişen bir üyelik derecesine sahiptir. Örneğin, bir sıcaklık 0,7 üyelik derecesi ile "sıcak" olarak kabul edilebilir.
• Dilsel Değişkenler: Bunlar, değerleri sayısal değerler yerine doğal bir dildeki kelimeler veya cümleler olan değişkenlerdir. Örnek olarak "soğuk", "ılık", "sıcak" gibi olası değerlere sahip "sıcaklık" verilebilir.
• Üyelik Fonksiyonları: Bu fonksiyonlar girdi uzayındaki her bir noktanın 0 ile 1 arasında bir üyelik değerine (veya üyelik derecesine) nasıl eşleneceğini tanımlar. Yaygın şekiller arasında üçgen, trapezoidal ve Gaussian bulunur.
• Bulanık Kurallar: Bunlar tipik olarak "EĞER sıcaklık çok soğuksa o zaman fan hızı düşüktür" gibi EĞER-O ZAMAN ifadeleri şeklinde ifade edilir. Bu kurallar, uzman bilgisini veya istenen sistem davranışını yakalayan bulanık çıkarım sisteminin temelini oluşturur. Yapay zekada kural tabanlı sistemler hakkında daha fazla bilgiyi IBM Developer gibi platformlarda bulabilirsiniz.

Bulanık Mantık Sistemleri Nasıl Çalışır?

Tipik bir bulanık mantık sistemi üç ana aşamadan oluşur:

1. Bulanıklaştırma: Kesin (sayısal) giriş değerleri, üyelik fonksiyonları kullanılarak her bir uygun bulanık kümeye ait oldukları derece belirlenerek bulanık değerlere dönüştürülür. Örneğin, 22°C'lik bir giriş sıcaklığı "sıcak" için 0,8 ve "soğuk" için 0,2 derecesinde bulanıklaştırılabilir.
2. Çıkarım Motoru: Bulanık kurallar, bulanık çıktı değerleri üretmek için bulanıklaştırılmış girdilere uygulanır. Bu, kuralların EĞER kısmının değerlendirilmesini ve üyelik derecelerine dayalı olarak karşılık gelen SONRA kısmının belirlenmesini içerir. Bu, kesin olmayan bilgilere dayalı insan karar verme sürecini taklit eder.
3. Bulanıklaştırma: Çıkarım motorundan elde edilen bulanık çıktılar, bir sistemi kontrol etmek veya bir karar vermek için kullanılabilecek tek bir net (sayısal) değere dönüştürülür. Centroid veya Maksimumun Ortalaması gibi çeşitli bulanıklaştırma yöntemleri mevcuttur.

Yapay Zeka ve Makine Öğreniminde Uygunluk

Derin Öğrenme (DL) gibi büyük miktarda veriden örüntüler öğrenen ana akım makine öğrenimi tekniklerinden farklı olsa da Bulanık Mantık, insan uzman bilgisini dahil etmek ve karmaşık sistemlerdeki doğal belirsizliği ele almak için güçlü bir yol sunar. Girdilerin kesin olmadığı veya niteliksel olduğu kontrol uygulamalarında ve karar desteğinde mükemmeldir. Olayların olasılığı ile ilgilenen olasılık teorisinin aksine, Bulanık Mantık bir şeyin doğru olma veya bir kümeye ait olma derecesi ile ilgilenir. Bu ayrım hakkında daha fazla tartışma var. Sinir ağlarını bulanık kurallarla entegre eden nöro-bulanık sistemler gibi diğer AI teknikleriyle birleştirilebilir, potansiyel olarak model eğitimi ve dağıtımı da dahil olmak üzere daha geniş AI iş akışları için Ultralytics HUB gibi platformlar aracılığıyla yönetilebilir.

Gerçek Dünya Uygulamaları

Bulanık Mantık çeşitli pratik uygulamalarda yaygın olarak kullanılmaktadır:

• Tüketici Aletleri: Çamaşır makinelerinin kontrolü (yük boyutu ve kir seviyesine göre döngülerin ayarlanması), klimalar ("EĞER sıcaklık biraz ılık VE nem yüksekse, soğutmayı biraz artırın" gibi bulanık kurallara dayalı olarak sıcaklığın korunması) ve pilav pişiriciler. Yapay zekanın akıllı evlerde nasıl kullanıldığını keşfedebilirsiniz.
• Otomotiv Sistemleri: Tekerlek hızına ve yavaşlamaya bağlı olarak frenleme basıncını kontrol etmek için kilitlenme önleyici fren sistemlerinde (ABS), daha yumuşak vites geçişleri için şanzıman kontrolünde ve otonom araçlarda hız sabitleme sistemlerinde kullanılır. Otomotivde yapay zeka içinUltralytics çözümlerini keşfedin.
• Endüstriyel Kontrol: Hassas matematiksel modellerin elde edilmesinin zor olduğu ancak insan uzmanlığının mevcut olduğu imalat, kimyasal üretim ve enerji santrallerindeki karmaşık süreçlerin yönetilmesi. Üretimde yapay zeka örneklerine göz atın.
• Tıbbi Teşhis: Doktorlara, çeşitli kesinlik dereceleriyle tanımlanan semptomlara dayalı olarak hastalıkların teşhisinde yardımcı olmak, tıbbi görüntü analizi gibi görevleri tamamlamak için Ultralytics YOLOtümör tespiti için kullanılabilir.
• Finansal Ticaret Sistemleri: "Fiyat yüksek" veya "trend güçlü" gibi piyasa göstergelerinin bulanık yorumlarına dayalı ticaret stratejileri geliştirmek. Finansta bilgisayarla görme modelleri hakkında bilgi edinin.

Bulanık Mantık ve İlgili Kavramlar

Bulanık Mantığı diğer ilgili fikirlerden ayırmak önemlidir:

• Boolean Mantığı: İkili doğru/yanlış değerleri üzerinde çalışır, kesin, deterministik sistemler için uygundur. Bulanık Mantık sürekli doğruluk dereceleri kullanır, belirsizlik ve muğlaklıkla başa çıkmak için daha iyidir.
• Olasılık Teorisi: Bir olayın gerçekleşme olasılığı veya şansı ile ilgilenir. Bulanık Mantık, bir olayın gerçekleşme veya bir koşulun doğru olma derecesi (belirsizlik) ile ilgilenir. Bir olay yüksek bir olasılığa sahip olabilir ancak yine de bulanık olabilir (örneğin, "Yarın havanın sıcak olması kuvvetle muhtemeldir").
• Makine Öğrenimi: Makine öğrenimi algoritmaları, özellikle CNN'ler veya Transformers gibi derin öğrenme modelleri, tipik olarak kalıpları ve kuralları doğrudan verilerden öğrenir(denetimli veya denetimsiz öğrenme). Bulanık Mantık genellikle insan uzmanlığına dayalı olarak açıkça tanımlanmış kurallara dayanır, ancak bulanık sistemler de veriler kullanılarak uyarlanabilir veya ayarlanabilir.

Bulanık Mantık, insan sezgisinin ve kesin olmayan dilin önemli bir rol oynadığı sistemleri modellemek için değerli bir araç seti sağlar ve daha geniş yapay zeka ve bilgisayar görüşü alanındaki veri odaklı yaklaşımları tamamlar. Ultralytics belgelerinde çeşitli AI modellerini ve karşılaştırmalarını keşfedebilirsiniz. Daha derin teknik bilgiler için, IEEE Computational Intelligence Society 'nin kaynakları genellikle yararlıdır.