Makine Öğrenmesi Süreci

Makine öðrenmesi süreci, verilerden öðrenen ve tahminler yapan bilgisayar programlarý geliþtirmek için kullanýlan bir yöntemdir. Makine öðrenmesi süreci þu adýmlarý içerir:
- Veri toplama: Makine öðrenmesi için veri, öðrenme ve tahmin yapma sürecinin temelidir. Veri, farklý kaynaklardan toplanabilir, örneðin internet, sensörler, anketler, deneyler vb. Veri, sayýsal, metinsel, sesli, görüntülü veya karma olabilir. Veri, makine öðrenmesi algoritmasýnýn girdisi olarak kullanýlýr.
- Veri ön iþleme: Veri toplama aþamasýndan sonra, veri makine öðrenmesi algoritmasýna uygun hale getirilmelidir. Veri ön iþleme aþamasýnda, veri üzerinde çeþitli iþlemler yapýlýr, örneðin:
- Veri temizleme: Verideki eksik, hatalý, tutarsýz veya anlamsýz deðerlerin tespit edilmesi ve düzeltilmesi veya silinmesi iþlemidir.
- Veri dönüþtürme: Verideki deðerlerin, makine öðrenmesi algoritmasýnýn anlayabileceði bir formata dönüþtürülmesi iþlemidir. Örneðin, metin verisi sayýsal veriye, kategorik veri ikili veriye, sürekli veri ayrýk veriye vb. dönüþtürülebilir.
- Veri indirgeme: Verideki gereksiz, yinelenen veya çok fazla sayýda olan özelliklerin veya örneklerin azaltýlmasý iþlemidir. Veri indirgeme, verinin boyutunu küçültmek, veriyi basitleþtirmek, verideki gürültüyü azaltmak ve makine öðrenmesi algoritmasýnýn hýzýný ve performansýný artýrmak için yapýlýr.
- Veri görselleþtirme: Verideki desenleri, iliþkileri, daðýlýmlarý, eðilimleri veya anormallikleri görsel olarak sunmak için kullanýlan bir tekniktir. Veri görselleþtirme, veriyi anlamak, veri hakkýnda bilgi edinmek, veri kalitesini deðerlendirmek ve veri analizi için ipuçlarý elde etmek için yararlýdýr.
- Veri bölme: Veri ön iþleme aþamasýndan sonra, veri seti eðitim, doðrulama ve test olmak üzere üç parçaya bölünmelidir. Eðitim verisi, makine öðrenmesi algoritmasýnýn öðrenmesi için kullanýlýr. Doðrulama verisi, makine öðrenmesi algoritmasýnýn ayarlanmasý için kullanýlýr. Test verisi, makine öðrenmesi algoritmasýnýn deðerlendirilmesi için kullanýlýr. Veri bölme iþlemi, makine öðrenmesi algoritmasýnýn genelleþtirme yeteneðini ölçmek ve aþýrý uyum (overfitting) veya yetersiz uyum (underfitting) gibi problemleri önlemek için yapýlýr. Veri bölme iþlemi için iki ana yöntem vardýr:
- Eðitim-doðrulama-test: Bu yöntemde, veri seti belirli bir oranda üç parçaya ayrýlýr. Genellikle, veri setinin %60’ý eðitim, %20’si doðrulama ve %20’si test için kullanýlýr. Bu oranlar veri setinin büyüklüðüne, karmaþýklýðýna ve daðýlýmýna göre deðiþebilir. Bu yöntemde, makine öðrenmesi algoritmasý eðitim verisi ile bir model oluþturur. Doðrulama verisi ile modelin performansý ölçülür ve modelin hiperparametreleri (algoritmanýn ayarlanabilir parametreleri) optimize edilir. Test verisi ile modelin son halinin performansý ölçülür ve modelin baþarýsý belirlenir.
- Çapraz doðrulama: Bu yöntemde, veri seti yaklaþýk olarak %80 eðitim-doðrulama ve %20 test olmak üzere iki parçaya ayrýlýr. Eðitim-doðrulama verisi, n eþit parçaya bölünür. Her seferinde, n-1 parça eðitim, 1 parça doðrulama için kullanýlýr. Bu iþlem, her parça bir kez doðrulama için kullanýlana kadar tekrarlanýr. Bu þekilde, eðitim-doðrulama verisinin tamamý hem eðitim hem de doðrulama için kullanýlmýþ olur. Modelin doðrulama performansý, her seferinde elde edilen performans puanlarýnýn ortalamasý alýnarak hesaplanýr. Modelin performansý optimize edildikten sonra, test verisi ile modelin son halinin performansý ölçülür ve modelin baþarýsý belirlenir. Çapraz doðrulama yöntemi, veri setinin daha iyi kullanýlmasýný, modelin daha iyi ayarlanmasýný ve modelin daha iyi deðerlendirilmesini saðlar.
Sosyal Medyada Paylaşın: