Makine Öğrenimi Nedir?

 

 

Makine öğrenimi (veya öğrenmesi), matematiksel ve istatistiksel işlemler ile sistemin tükettiği verilerden öğrenmesi veya bu verilere göre performansını arttırmasını sağlayan bir yapay zeka alt dalıdır. 1959 yılında yapay zekanın sayısal öğrenme ve model tanıma çalışmalarından geliştirilmiştir. Bu türdeki algoritmalar sıradan komutlara göre hareket etmek yerine öğrenim için verileri alır ve sonrasında bu veriler baz alınarak doğru modeller oluşturulur. Bu öğrenim sonucunda oluşan makine öğrenimi modeline herhangi bir girdi sağladığınızda karşılığında da ona dayalı bir çıktı alırsınız. Makine öğreniminde amaç bilgisayarın karmaşık verileri algılayıp yine bu verilere dayalı karar verebilmesidir.

 

 

Makine Öğrenimi Yöntemleri

 

Denetimli Öğrenme (Supervised Learning)

 

Denetimli makine öğrenmesinde algoritmaların, daha önceden etiketlenmiş veri kümeleri girdileri ile ulaşılması gereken çıkış değerlerini eşleştirmesi sağlanır. Girdi ve çıktılardan sonra eğitim verileri elde edilir. Regression(regresyon – eğri uydurma), cassification(sınıflandırma) ve destek vektör makineleri gibi algoritmalar örnek verilebilir. Bu yöntemle görseller ve yazılı açıklamalar yardımıyla insan yüzlerini birbirinden ayırabilen bir makine öğrenimi uygulaması oluşturabilirsiniz.

 

Denetimsiz Öğrenme (Unsupervised Learning)

 

Verilerin insan müdahalesi dışında analiz edilip öğrenildiği yöntemdir. Etiketlenmemiş veriler kullanılır. Algoritmayı sınıflandırılmamış giriş verisi ile bilinmeyen sonuç yapısını çıktı almak için kullanılır. Sınıfı belirsiz ve hacimce büyük olan veri bulunduğunda ve girdi kümesine ihtiyaç duyulduğunda bu yönteme başvurulur.

 

Yarı Denetimli Öğrenme (Semi Supervised Learning)

 

Adından da anlaşılacağı gibi denetimli ve denetimsiz öğrenmenin arasında yer almaktadır. Uygun sınıflandırıcılar oluşturmak için etiketlenmemiş büyük veri ile etiketlenmiş küçük hacimdeki veriyi birlikte ele alır.

 

Takviyeli Öğrenme (Reinforcement Learning)

 

Sistemin oluşturduğu çıktıların doğru-yanlış olarak değerlendirilip deneme yanılma yoluyla başarının arttırılmasıdır. Sistemin aldığı ger dönüşlere “ödül” adı verilir. Ödüllerin maksimuma çıkarılması hedeflenir, böylelikle en iyi sonuca ulaşılmış olunur.

 

 

Derin Öğrenme (Deep Learning)

 

 

Derin öğrenme, bir veya daha fazla katmandan oluşmuş verilerde sürekli öğrenmeyi sağlayabilmek için yapay sinir ağlarını bir araya getiren bir makine öğrenimi yöntemidir. Denetimli, yarı denetimli veya denetimsiz olarak uygulanabilir. Takviyeli öğrenme ile de başarılı sonuçlar vermiştir.

 

Yapay Sinir Ağları

 

Yapay sinir ağları günümüzde çok popüler bir makine öğrenimi algoritmasıdır. İnsan beyninin işleyişini taklit eder, nöronlar birbirine bağlıdır ve çıktıyı etkiler. Bu ağlar öğrenebilir, adaptiftir, veriler arası ilişkiyi bulabilir, hafızaya alabilir ve kendi kendine organize olup değerlendirmelerde bulunabilir. Yapay sinir ağlarındaki insan beyni modelinin amacı makinelerin öğrenmesi ve karar verebilmesidir.

 

Yapay sinir ağlarının da tıpkı beyinde olduğu gibi belli katmanları vardır. Aşağıdaki görselde insan beynindeki bir nöron ile YSA modelinin ne derecede benzer olduğunu görebilirsiniz.

Beynindeki bir nöron hücresi

Yapay sinir ağı modeli

 

Makine Öğrenimi Uygulamaları

 

Makine öğrenimini günümüz dünyasında her alanda görebilirsiniz. Aşağıdaki tabloda bunlardan bazılarını görebilirsiniz.

Doğal Dil İşleme	Arama Motorları	Tıbbi Tanı
Biyoinformatik	Beyin-Makine Arayüzleri	Kiminformatik
Kredi Kartı Dolandırıcılık Denetimi	Borsa Çözümlemesi	Meteoroloji
Ses Tanıma	Yazı Tanıma	Nesne Tanıma
Bilgisayar Oyunları	Sosyal Medya	Reklamcılık

 

Veri Madenciliği

 

Büyük hacimdeki verilerin arasından yararlı bilgiyi elde etme, veritabanlarında bilgi keşif ve analizine işine verilen isimdir. Her türlü elektronik ortamda kullanılmaktadır. Veri madenciliği için R ve Python en uygun yazılım dilleri olarak kabul edilmektedir.

 

Veri Madenciliği Süreci

 

Veri Temizleme: Gürültülü, eksik ve tutarsız verilerin ayıklanmasıdır.

Veri Bütünleştirme: Birçok sayıda veri kaynağını birleştirmektir.

Veri Seçme: Yapılacak analize ilişkin olan verileri seçme sürecidir.

Veri Dönüşümü: Verinin veri madenciliği tekniğinden kullanılabilecek uygun formlara dönüştürülmesi işlemidir.

Veri Madenciliği: Veri örüntülerini yakalayabilmek için akıllı yöntemleri uygulamaktır.

Örüntü Değerlendirme: Bazı ölçümlere göre ulaşılmış veriyi temsil eden ilginç örüntüleri tanımlamaktır.

Bilgi Sunumu: Veri Madenciliği sonucu elde edilmiş bilginin kullanıcıya servisini gerçekleştirmektir.