Veri Analitiği

Veri analitiği, bu bilgiler hakkında sonuçlar çıkarmak için ham verileri analiz etme bilimidir. Yararlı bilgileri keşfetmek, sonuçları bildirmek ve karar vermeyi desteklemek için verilerin incelenmesini, temizlenmesini, dönüştürülmesini ve modellenmesini içerir. Yapay Zeka (AI) ve Makine Öğrenimi (ML) alanlarında veri analitiği, yüksek performanslı modellerin oluşturulmasını, eğitilmesini ve değerlendirilmesini mümkün kılan temel adımdır. Analistler, veri kümelerindeki kalıpları, korelasyonları ve anormallikleri ortaya çıkararak, bir modelin geliştirilmesine rehberlik etmek ve etkinliğini sağlamak için gereken kritik içgörüleri sağlar.

Süreç tipik olarak ham verileri eyleme dönüştürülebilir içgörülere dönüştüren bir yaşam döngüsünü takip eder. Bu, eksik değerleri ve tutarsızlıkları ele almak için veri ön işlemeyi, temel özellikleri anlamak için keşifsel veri analizini ve hipotezleri test etmek için istatistiksel tekniklerin uygulanmasını içerir. Analitiklerden elde edilen içgörüler, özellik mühendisliği, uygun model mimarilerinin seçilmesi ve hiperparametre ayarının yapılması gibi görevler için çok önemlidir. Genel olarak dört tür veri analitiği vardır ve her biri geçmişe bakmaktan ileriye bakmaya kadar farklı bir içgörü düzeyi sunar. Bunlar, Harvard Business School Online gibi kaynaklarda açıklandığı üzere tanımlayıcı, teşhis edici, öngörücü ve kuralcı analitiklerdir.

Gerçek Dünya AI/ML Uygulamaları

Veri analitiği, çok sayıda yapay zeka uygulamasında ilerleme kaydedilmesinde önemli bir rol oynuyor:

1. Tıbbi Görüntü Analizi: Bir yapay zeka modeli tıbbi taramalardaki anormallikleri tespit etmeden önce, veri analitiği kapsamlı bir şekilde kullanılır. Ham görüntüler önceden işlenir (normalize edilir, yeniden boyutlandırılır) ve temizlenir. Keşifsel analiz, Beyin Tümörü veri kümesi gibi veri kümelerindeki görüntü kalitesi veya hasta demografisindeki varyasyonları anlamaya yardımcı olur. Analitik, ilgili özelliklerin belirlenmesine yardımcı olur ve tanı modelinin performansını(doğruluk, hassasiyet, özgüllük) uzman açıklamalarına göre değerlendirerek klinik kullanım için iyileştirmelere rehberlik eder. NIH Biyomedikal Veri Bilimi girişimi gibi kaynaklar bunun önemini vurgulamaktadır. Tıbbi görüntülemede tümör tespiti için YOLO modellerinin nasıl kullanılabileceğini görün.
2. Yapay Zeka Odaklı Perakende Envanter Yönetimi: Perakendeciler stok seviyelerini optimize etmek ve israfı azaltmak için veri analitiğini kullanır. Bu, geçmiş satış verilerinin analiz edilmesini, mevsimsel eğilimlerin belirlenmesini ve tahmine dayalı modelleme için müşteri satın alma modellerinin anlaşılmasını içerir. Ayrıca, analiz edilen görsel veriler kullanılarak eğitilen modellerle desteklenen bilgisayarla görme (CV) sistemleri, raf stokunu gerçek zamanlı olarak izleyebilir. Veri analitiği, algılama doğruluğunu analiz ederek ve envanter verilerini satış sonuçlarıyla ilişkilendirerek bu sistemlerin etkinliğini değerlendirir ve daha akıllı ikmal stratejileri sağlar. Sektör çözümleri için Perakende için Google Cloud AI' ı keşfedin. Ultralytics, yapay zeka ile perakende verimliliğine ulaşma konusunda içgörüler sunar.

İlgili Terimlerden Ayırt Etme

• Veri Görselleştirme: Veri görselleştirme, bilgi ve verilerin grafiksel temsilidir. Bulguları iletmek veya verileri çizelgeler, grafikler ve haritalar aracılığıyla keşfetmek için kullanılan veri analitiğinin bir bileşenidir. Analitik, veri inceleme sürecinin tamamını kapsarken görselleştirme, sonuçları anlaşılır kılmak için kullanılan özel bir araçtır. Tableau gibi araçlar ilgi çekici görselleştirmeler oluşturmak için popülerdir.
• Veri Madenciliği: Bu, daha geniş bir alan olan veri analitiği kapsamında kullanılan özel bir tekniktir. Veri madenciliği, genellikle sofistike algoritmalar kullanarak büyük veri kümelerinde önceden bilinmeyen kalıpları ve eğilimleri keşfetmeye odaklanır. Oracle'ın açıkladığı gibi analitik, keşfedilen bu örüntüleri bilgiye dayalı kararlar almak ve hipotezleri test etmek için kullanır.
• Makine Öğrenimi: Makine öğrenimi, verilerden öğrenen sistemler oluşturmaya odaklanan bir yapay zeka alt kümesidir. Veri analitiği genellikle verileri hazırlayarak, özellikleri tanımlayarak ve model çıktılarını Ortalama Ortalama Kesinlik (mAP) gibi metriklerle değerlendirerek makine öğrenimi yaşam döngüsünü besler. Analitik, insanların yorumlaması için içgörüler sağlarken, makine öğrenimi 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.