Makine Öğrenmesi Temel Bilgiler
Makine Öğrenmesi (Machine Learning) Nedir?
Makine öğrenimi (ML), verilerden öğrenen ve programlanmadan zaman içinde doğruluğunu artıran uygulamalar oluşturmaya odaklanan bir Yapay Zeka (AI) alanı / alt dalıdır. Amaç, matematiksel ve istatistiksel işlemler ile veriler üzerinden çıkarımlar yaparak tahminlerde bulunan sistemler oluşturmaktır.
Veri biliminde bir algoritma, istatistiksel işlem adımlarının bir dizisidir. Makine öğreniminde, algoritmalar,
yeni
verilere dayalı kararlar ve tahminler yapmak için büyük miktarda verideki kalıpları ve özellikleri bulmak üzere
'eğitilir'. Algoritma ne kadar iyi olursa, daha fazla veri işledikçe kararlar ve tahminler o kadar doğru olur.
Makine öğrenmesi, yapay zekanın bir alt kümesi olarak değerlendirilir. “Akıllı” bir bilgisayar, insan gibi düşünür ve görevleri kendi başına gerçekleştirir. Bir bilgisayarı, insanların düşünce mekanizmasını taklit edecek şekilde eğitmenin bir yolu da, insan beyni temel alınarak modellenen bir dizi algoritmadan oluşan bir sinir ağı kullanmaktır.
Makine öğrenmesi, tahmine dayalı bir analiz türüdür. Ancak daha fazla veri aldıkça gerçek zamanlı olarak güncelleştirilen makine öğrenmesini uygulamak çok daha kolaydır. Tahmine dayalı analiz, genellikle statik bir veri kümesi ile çalışır ve güncelleştirmeler için yenilenmesi gerekir.
Yanıtları sağlamak için sinir ağı (NN) kullanan derin öğrenme, makine öğrenmesinin özel bir biçimidir. Doğruluğu kendi başına kararlaştırabilen derin öğrenme, bilgileri tıpkı bir insan beyni gibi sınıflandırır ve insan zekasına en çok benzeyen yapay zekanın oluşturulmasına olanak tanır.
Makine öğrenimi algoritmaları hedeflenen sonuca göre birkaç sınıfa ayrılabilmektedir. Ama genel olarak, makine öğrenmesinde üç ana teknik kullanılır:
Makine Öğrenmesi İle Yapay Zekanın İlişkisi Nedir?
Makine öğrenmesi, yapay zekanın bir alt kümesi olarak değerlendirilir. “Akıllı” bir bilgisayar, insan gibi düşünür ve görevleri kendi başına gerçekleştirir. Bir bilgisayarı, insanların düşünce mekanizmasını taklit edecek şekilde eğitmenin bir yolu da, insan beyni temel alınarak modellenen bir dizi algoritmadan oluşan bir sinir ağı kullanmaktır.
Makine Öğrenmesi İle Tahmine Dayalı Analizin İlişkisi Nedir?
Makine öğrenmesi, tahmine dayalı bir analiz türüdür. Ancak daha fazla veri aldıkça gerçek zamanlı olarak güncelleştirilen makine öğrenmesini uygulamak çok daha kolaydır. Tahmine dayalı analiz, genellikle statik bir veri kümesi ile çalışır ve güncelleştirmeler için yenilenmesi gerekir.
Makine Öğrenmesi İle Derin Öğrenmenin İlişkisi Nedir?
Yanıtları sağlamak için sinir ağı (NN) kullanan derin öğrenme, makine öğrenmesinin özel bir biçimidir. Doğruluğu kendi başına kararlaştırabilen derin öğrenme, bilgileri tıpkı bir insan beyni gibi sınıflandırır ve insan zekasına en çok benzeyen yapay zekanın oluşturulmasına olanak tanır.
Makine Öğrenmesi Teknikleri
Makine öğrenimi algoritmaları hedeflenen sonuca göre birkaç sınıfa ayrılabilmektedir. Ama genel olarak, makine öğrenmesinde üç ana teknik kullanılır:
- Denetimli Öğrenme: Veri kümelerinin etiketlerle veya yapılarla işlendiği bu teknikte, veriler bir öğretmen olarak görev yapar ve makineyi “eğiterek” tahmin yapma veya karar verme yeteneğini geliştirir.
- Denetimsiz Öğrenme: Bu teknikte veri kümeleri etiket veya yapı olmadan işlenir, veriler kümeler halinde gruplandırılarak kalıplar ve ilişkiler bulunur.
- Pekiştirmeye Dayalı Öğrenme: Birisinin veya bir şeyin adına işlem yapan bilgisayar programları olan aracılar, insan operatörün yerini alır ve bir geri bildirim döngüsünü temel alarak sonucun belirlenmesine yardımcı olur.
Temel Kavramlar
- Bağımlı Değişken: Makine öğrenmesi probleminde tahmin etmek için hedeflediğimiz ana değişkendir.
- Bağımsız Değişken: Bağımlı değişkeni tahmin etmemize yardımcı olan değişkendir.
- Aşırı Öğrenme (Overfitting): Veri kümesinin ezberlenmeye yakın çok iyi öğrenilmiş olmasına rağmen yeni gördüğü veri kümesinde tahmin yapmak istendiğinde hata yapması durumudur.
- Underfitting: Aşırı öğrenmenin tam tersidir. Bu durumda da veri kümesindeki önemli özellikleri yakalayamayıp gerekli öğrenmeyi yapamaması durumudur.
Makine Öğrenmesi Neler Yapabilir?
- Değerleri Tahmin Etme: Değişkenler arasındaki neden ve sonuç ilişkisini belirlemeye yardımcı olan regresyon algoritmaları, değerlerden bir model oluşturarak bu modelin tahminde bulunmak üzere kullanılmasını sağlar. Gerileme araştırmaları, geleceğin tahmin edilmesine yardımcı olur. Bu da ürüne olan talebin, satış rakamlarının veya kampanya sonuçlarının öngörülmesine olanak tanır.
- Olağandışı Oluşumları Tanımlama: Genellikle potansiyel riskleri belirlemek için kullanılan anomali algılama algoritmaları, beklenen normların dışında olan verileri belirler. Ekipman arızaları, yapısal bozulmalar, metin hataları ve dolandırıcılık örnekleri gibi endişeler, makine öğrenmesinden faydalanarak giderilebilir.
- Yapı Bulma: Veri kümesindeki temel alınan yapıyı ortaya çıkaran kümeleme algoritmaları, makine öğrenmesinin genellikle ilk adımıdır. Genel öğeleri kategorilere ayıran kümeleme, pazar bölümlemesi için sık kullanılır ve fiyatın seçilip müşteri tercihlerinin tahmin edilmesine yardımcı olan içgörüler sunar.
- Kategorileri Tahmin Etme: Sınıflandırma algoritmaları bilgi için doğru kategorinin belirlenmesine yardımcı olur. Kümelemeye benzeyen sınıflandırma, önceden tanımlanmış etiketlerin atandığı gözetimli öğrenmede uygulandığından farklıdır.
Kaynaklar
- https://erdincuzun.com/makine_ogrenmesi/makine-ogrenmesi-metotlari/
- https://azure.microsoft.com/tr-tr/overview/what-is-machine-learning-platform/
- https://www.ibm.com/cloud/learn/machine-learning
- http://www.prowmes.com/blog/makine-ogrenmesi/
- https://www.veribilimiokulu.com/blog/makineler-nasil-ogrenir/
- http://ybsansiklopedi.com/wp-content/uploads/2018/08/crispdm.pdf
