MAKİNE ÖĞRENMESİ KAVRAMI VE TEMELLERİ

Makine öðrenmesi, Ýngilizce Machine Learning teriminin Türkçe karþýlýðýdýr. Makine öðrenmesi, insanlarýn nasýl öðrendiðini taklit eden bir yapay zeka alt alanýdýr. Makine öðrenmesi, yapay zeka uygulamalarýnýn çoðunda kullanýlan bir yöntemdir. Makine öðrenmesi, verilerden öðrenen ve yeni verilere karþý akýllýca davranan bir sistem oluþturmayý amaçlar. Makine öðrenmesini anlamak için, insan öðrenmesine bir örnek verelim.
Bir çocuk ilk defa karga gördüðünde, ne olduðunu merak eder ve sorar. "Bu bir karga" cevabýný aldýðýnda, zihninde kargaya dair bir kalýp oluþturmaya baþlar. Çocuk zamanla farklý kargalarla karþýlaþtýkça, bunlarýn da karga olduðunu öðrenir. Çocuðun zihninde kargalarýn ortak özellikleri, siyah renk, gagasý, kanatlarý ve sesi gibi bir kalýp oluþur. Bu özellikler, kargayý diðer kuþlardan ayýran belirleyici özelliklerdir. Çocuk, yeni bir karga gördüðünde, zihnindeki karga kalýbýyla karþýlaþtýrarak, bunun bir karga olup olmadýðýna karar verir. Bu öðrenme süreci doðal olarak gerçekleþir ve çocuklar bunun için özel bir çaba harcamazlar.
Makine öðrenmesinde de benzer bir süreç vardýr. Karga ve güvercin olarak etiketlenmiþ (sýnýflandýrýlmýþ) fotoðraflardan oluþan bir veri seti, bir makine öðrenmesi algoritmasý (bir model) tarafýndan eðitilir. Makine öðrenmesi algoritmasý, bu fotoðraflardan sýnýflarý tanýmlayan özellikleri öðrenir. Yeni bir fotoðraf verildiðinde, öðrenilen sýnýf özellikleriyle uyumuna göre bir sýnýflandýrma yapar (Örnek: Bu bir karga.).
Makine öðrenmesi, klasik programlamadan farklý bir yaklaþýmdýr. Klasik programlamada, programcýlar tüm olasýlýklarý düþünerek koþullu ifadeler yazýp, veriyi iþleyen ve çýktý üreten kodlar oluþtururlar. Programlar, yazýlan kodlar (kurallar) dýþýnda baþka bir iþlem yapmazlar. Makine öðrenmesinde ise, veri ve çýktýlar, makine öðrenmesi algoritmalarý tarafýndan analiz edilerek, veri ve çýktý arasýndaki olasý iliþkiler, kalýplar, örüntüler ve kurallar bulunur. Klasik programlamada sadece yazýlan kodlara baðlý sonuçlar elde edilirken, makine öðrenmesinde sonucu veri-çýktý belirler.
Makine öðrenmesi, klasik programlamaya göre daha avantajlýdýr. Klasik programlamada binlerce satýr kod yazmak ve her veri seti için yeni kodlar, yeni kurallar eklemek gerekirken, makine öðrenmesinde daha az kod yazmak ve verilerden öðrenmek mümkündür. Klasik programlamada tüm girdileri ve bunlarý iþlemek için gerekli kurallarý ve kodlarý önceden belirlemek zorundayken, makine öðrenmesinde bu her zaman gerekli deðildir.
Makine Öðrenmesi Türleri
Makine öðrenmesi türleri, verilerin niteliðine ve istenilen sonuca baðlý olarak dört gruba ayrýlýr:
- Denetimli Öðrenme: Bu türde, makine öðrenmesi modeli, girdi deðiþkenlerini (X) çýktý deðiþkenlerine (Y) eþleþtiren bir iþlev öðrenmek için etiketli eðitim verileri kullanýr. Örneðin, bir model, bir evin özelliklerine (X) göre fiyatýný (Y) tahmin etmek için eðitilebilir. Denetimli öðrenme algoritmalarý arasýnda regresyon, sýnýflandýrma, karar aðaçlarý, destek vektör makineleri, yapay sinir aðlarý vb. sayýlabilir.
- Denetimsiz Öðrenme: Bu türde, makine öðrenmesi modeli, girdi deðiþkenlerinden (X) herhangi bir çýktý deðiþkeni olmadan anlamlý bilgiler çýkarmaya çalýþýr. Örneðin, bir model, müþterilerin alýþveriþ davranýþlarýna (X) göre onlarý farklý segmentlere ayýrabilir. Denetimsiz öðrenme algoritmalarý arasýnda kümeleme, boyut indirgeme, iliþki kurallarý, öneri sistemleri vb. sayýlabilir.
- Yarý Denetimli Öðrenme: Bu türde, makine öðrenmesi modeli, hem etiketli hem de etiketsiz verileri kullanarak öðrenir. Örneðin, bir model, etiketli verilerle önceden eðitilmiþ bir sýnýflandýrýcýyý, etiketsiz verilerle güçlendirerek görüntü tanýma görevi için kullanabilir. Yarý denetimli öðrenme algoritmalarý arasýnda graf tabanlý yöntemler, ko-eðitim, aktif öðrenme, vb. sayýlabilir.
- Pekiþtirmeli Öðrenme: Bu türde, makine öðrenmesi modeli, bir ortamda belirli bir hedefe ulaþmak için en iyi eylemleri seçmeyi öðrenir. Örneðin, bir model, bir oyunu kazanmak için hangi hamleleri yapmasý gerektiðini öðrenebilir. Pekiþtirmeli öðrenme algoritmalarý arasýnda Q-öðrenme, derin Q-aðý, politika gradyaný, aktör-tenkitçi yöntemleri vb. sayýlabilir.
Sosyal Medyada Paylaşın: