Yapay Zeka Destekli Veri Görselleştirmesi

Canlılar, duyu organları aracılığı ile topladıkları analog verileri dijital verilere dönüştürür. Benzer şekilde makineler de sensörleri (algılayıcılar) aracılığı ile dış ortamdan topladıkları analog verileri dijital verilere dönüştürürler. Canlılar dijital verileri nöronlar aracılığı ile beyinlerinde işler, benzer verileri ilişkilendirir, kıyaslamalar aracılığıyla çıkarımlarda bulunur. Makineler ise dijital verileri işlemci adı verilen merkezi işlem birimi aracılığıyla işleyerek gruplama, ilişkilendirme ve çıkarımlarda bulunurlar. Canlılar ve makinelerde işlenen veriler gruplandırıldığı, ilişkilendirildiği yani işlendiği durumda veri işlenmiş ve enformasyon biçimini almış olur.

Veri kavramı, ham gerçek enformasyon parçacığına verilen isim olarak tanımlanabilir. Bir başka ifade ile ölçüm, deney, gözlem ya da araştırma yoluyla elde edilen işlenmemiş ham hâldeki enformasyon parçacığıdır.

Büyük verinin sahip olması gereken 5 özelliği vardır. Bu özellikler şunlardır:
• Hacim olarak yüksek kapasitede veri içermelidir.
• Farklı özelliklere sahip birçok veriden oluşmalıdır.
• Sürekli ve yüksek hızla güncellenmeli ve ulaşılabilir olmalıdır. 
• İşlenebilmesi için değerli verileri içermelidir.
• Büyük veri ihtiyaca yönelik doğru verilerden oluşmalıdır.

Belirli bir ihtiyacı karşılamak ya da bir amacı gerçekleştirmek için büyük verilerin ileri düzey tekniklerle analiz edilmesi sonucu işlenerek değerli verilerin elde edilmesi sürecine veri madenciliği denir.

Veri madenciliği 7 farklı süreci içermektedir. Bu süreçler şunlardır:
• veri tanımlama,
• veri toplama ve filtreleme,
• veri dönüşümü,
• veri doğrulama ve temizleme,
• veri birleştirme ve sunma,
• veri analizi ve veri görselleştirmedir.

Doğadaki canlıların davranışlarını makinelerin de gerçekleştirebilmelerini sağlamak amacıyla, canlı sistemleri ve insan beynini model alan yapay zekâ çalışmaları; günlük hayatın farklı alanlarında ürünler vermesinin yanında, tahmin, sınıflandırma, kümeleme gibi amaçlar için de kullanılmaktadır. Baker ve Smith (2019) yapay zekâyı, bilgisayarların
karşılaştıkları problemleri makine öğrenmesi yolu ile çözerek bilişsel görevleri yerine getirme olarak tanımlamışlardır.

Yapay sinir ağları gibi insan anatomisinden örnek alınarak geliştirilen algoritmalar geliştirerek makinelerin farklı durumlara yönelik insan gibi düşünüp yorum yapabilmesini
sağlama sürecine derin öğrenme adı verilebilir. Derin öğrenme makinenin insanlar gibi deneyimleyerek verilen örnekler üzerinden çıkarım yapmasını ve böylece en iyi sonucu üretmesini sağlamaktadır. Derin öğrenme, yapay sinir ağlarını temel alan makine öğrenmesi alt kümesidir.

Makineler verilerle öğrenir. Makineler, mevcut verilerle, matematiksel algoritmalara dayalı hesaplamalar yaparak bu verilerden bir kurallar bütünü, bir bağlam olarak modeller üretir. Makine öğrenmesinin temelinde mevcut verilerden oluşmuş modeller vardır. Yani makinenin mevcut verilerden yola çıkarak belirli matematiksel algoritmalara
dayalı hesaplamalar yaparak model oluşturduğu an öğrenmeye başlamıştır diyebiliriz.

Makine öğrenmesi bilgisayarlara karar verme yeteneği kazandırılmasıdır. Makine öğrenmesi, bir problemi o probleme ait veriye göre modelleyen bilgisayar algoritmalarının genel adıdır.

Öğrenenlerin ödevlerini ve sınavlarını notlandırmadan önce öğrenci ürünlerinde kopya ya da intihal algılamak ve sınav esnasında öğrenene ait web kamerası ve sensörlerle öğrenenin kopya çekip çekmediğini denetlemek amacıyla makine öğrenmesi algoritmalarını kullanabiliriz.

Naive Bayes algoritmasının temel çalışma mantığı, belirli bir olay meydana geldiğinde araştırılan diğer olayın oluşma olasılığı nedir sorusunu sormaktır. Duygu analizi yapılmasında, yüz tanıma sistemlerinde, ses tanıma sistemlerinde, yazı içeriklerinin sınıflandırılmasında bayes algoritmaları kullanılabilir. Çevrimiçi öğrenme ortamlarında Naive Bayes algoritması kullanılarak sistemden ayrılma ihtimali olan öğrenenleri tahmin etmek amacıyla kullanılabilir. Ayrıca çok sayıda belge biçimindeki öğrenme kaynaklarının da otomatik bir şekilde sınıflandırılması sağlanabilir.

Lojistik regresyon, bir bağımlı değişken ile bağımsız değişkenler arasındaki ilişkinin tahmini için kullanılan istatistiksel yaklaşımdır.

Makine öğrenmesi öğrenme şekline göre ikiye ayrılmaktadır. Bunlar denetimli öğrenme ve denetimsiz öğrenmedir.

Veriyi araştırma, toplama, doğrulama, temizleme, analiz etme ve görselleştirme aşamalarını içererek verinin enformasyona dönüşüm sürecinin son aşaması veri görselleştirmedir.

Veri görselleştirmenin amacı, bireylerin görme duyusunu uyararak karmaşık verileri anlamlandırmalarına yardımcı olmaktır. 

Veri görselleştirmenin tarihsel gelişimi tarihsel süreç içerisinde 1600’lü yıllardan itibaren başlamıştır.

Bilgisayar programları aracılığıyla gerçekleştirilen veri görselleştirmenin ilk günlerinde, enformasyonları tabloya, çubuk grafiğine veya pasta grafiğine dönüştürmek için Microsoft Excel elektronik tablosu aracı kullanılmaktaydı.

Verileri görselleştirmek için kullanılan araçlara Microsoft Excel, Google Charts, Tableau, Microsoft Power BI, VOSviewer, Python (matplotlib, seaborn, plotly kütüphaneleri), R, Qlik, Datawrapper, Chartlist, Flourish programları örnek olarak verilebilir.

Tableau, büyük hacimli verileri görselleştirmek için çevrimiçi ve masaüstü ortamlarda kullanılabilen görsel analitik platformudur.

VOSviewer, ağ verilerine dayalı bibliyometrik veri haritaları oluşturmak, görselleştirmek ve keşfetmek için kullanılan bir bilgisayar programıdır. VOSviewer’ın veri görselleştirme özellikleri, büyük verilerle çalışırken oldukça kullanışlıdır. VOSviewer, bir alıntı, ortak alıntı veya bibliyografik bağlantı ağına dayalı yayınların, yazarların veya dergilerin haritalarını oluşturmak veya bir ortak oluşum ağına dayalı anahtar kelime haritaları oluşturmak için kullanılabilir.

Veri görselleştirmesinin gerçekleştirildiği ağ haritasına bakıldığında, makalelerin gerçekleştirildiği ülkelerin sırasıyla Çin, Tayvan ve Türkiye olduğu bilgisi rahatlıkla görülebilmektedir.

IMAGEN uygulaması üzerinden üretilecek görsellerin kötü amaçlı kullanımını engellemek için kötü amaçlı kullanım senaryolarının uygulama algoritmalarından temizlenmesi süreci devam ettiği için son kullanıcılar için henüz kullanıma açık değildir.