Makine Öğrenmesi Nedir? (Machine Learning)

Makine Öğrenmesi adlı terim, video oyunları ve yapay zeka alanında Amerikalı öncü olan Arthur Samuel tarafından 1959’da üretildi. Arthur “bilgisayarlara açıkça programlanmadan öğrenme yeteneği verdiğini” belirtti.

Makine Öğrenmesini sıradan terimlerle anlamaya çalışalım. Bir kağıdı çöp kutusuna atmaya çalıştığınızı düşünün. İlk denemeden sonra, ona daha fazla güç kattığınızı anlıyorsunuz. İkinci denemeden sonra, hedefe daha yakın olduğunuzu fark edersiniz, ancak atış açısını artırmanız gerekir. Burada olan, temelde her atıştan sonra yeni şeyler öğreniyor ve sonucu iyileştiriyor olmamız. Çünkü deneyimlerden bir şeyler öğrenmek için programlandık.

Bu, makine öğreniminin söz konusu olduğu görevin, alanı bilişsel terimlerle tanımlamanın dışında temelde operasyonel bir tanım sunduğu anlamına gelir. Veri analizinin alanında, makine öğretimi, kendilerini tahmine dayalı karmaşık modeller ve algoritmalar tasarlamak için kullanılır; ticari kullanım da bu tahmine dayalı analitik olarak bilinir. Bu analitik modeller araştırmacıların, veri bilimcilerinin, mühendislerin ve analistlerin “güvenilir, tekrarlanabilir doğru kararlar ve sonuçlar üretmesine” ve veri kümesindeki tarihsel ilişkilerden ve eğilimlerden öğrenerek “gizli bilgileri” ortaya çıkarmasına olasılık tanır.

Bir tatil için karşınıza çıkan bir teklifi kontrol etmeye karar verdiğini varsayalım. Öncelik olarak seyahat acentesi web sitesine göz atıp bir otel arıyorsunuz. Herhangi bir otele baktığınızda, otel açıklamasının hemen altında “Bu oteli de beğenebilirsiniz” başlıklı bir bölüm vardır. Bu, Makine Öğrenmesi’nin “Advice Engine” olarak adlandırılan yaygın bir kullanım durumudur. Yapılan bu şey sizin hakkınızda bildikleri bazı bilgilere dayanarak, bu bölüm altında size gösterilebilecek en iyi otelin ne olacağını tahmin etmek ve bu bunun için bir model eğitmek amacıyla birçok veri noktası kullanmak.

Makine Öğrenmesi Nedir? (Machine Learning)

Makine Öğrenmesinin Sınıflandırılması

Makine öğrenimi üzerine olan uygulamalar, bir öğrenme sistemi için mevcut olan öğrenme “sinyali” veya “cevabının” niteliğine bağlı olarak dört ana kategoride sınıflandırılır:

1 – Denetimli öğrenme: Bir algoritma örnek verilerden, sınıflar veya etiketler gibi sayısal değerlerden veya dize etiketlerinden oluşabilen ilişkili hedef cevaplardan öğrenirse, daha sonra yeni örnekler ile ortaya çıktığı zaman doğru yanıtı tahmin etmek için Denetimli öğrenme kategorisine girer. . Bu yaklaşım aslında bir öğretmenin gözetiminde insanın öğrenme biçimine benzer. Öğretmen öğrencinin ezberlemesi için doğru örnekler verir ve öğrenci bu kişisel örneklerden genel kurallar çıkarır.

2 – Denetimsiz öğrenme: Bir algoritma, herhangi bir ilişkili cevap olmaksızın sade örneklerden öğrenirken, veri modellerini kendi başına belirlemek için algoritmaya bırakılır. Böyle bir tür algoritma, verileri bir sınıfı temsil edebilecek yeni özellikler veya ilişkisiz yeni bir dizi ürün gibi başka bir şeye yeniden yapılandırma eğilimindedir. İnsanlara, verilerin anlamı ve denetlenen makine öğrenim algoritmalarına yeni yararlı girdiler hakkında bilgi sağlamak için oldukça faydalıdır.
Bir tür öğrenme olarak, insanların belli nesnelerin veyahut olayların aynı sınıftan olduğunu, örneğin nesneler arasındaki benzerlik derecesini izleyerek anlamak için kullandıkları yöntemlere benzer. Web üzerinde pazarlama otomasyonu şeklinde bulduğunuz bazı öneri sistemleri bu türde ki öğrenmeye dayanmaktadır.

3 – Takviyeli öğrenim: İnsan hayatındaki, tıpkı deneme yanılma yoluyla öğrenme gibidir. Hatalar öğrenmemize yardımcı olur çünkü ceza eklenirler (maliyet, zaman kaybı, pişmanlık, vb.), Size belirli bir hareket tarzının başarılı olma olasılığının diğerlerinden daha az olabileceğini öğretir. Takviyeli öğrenimin diğer bir örneği, bilgisayarlar kendi başlarına video oyunları oynamayı öğrendiğinde ortaya çıkmış olur. Bu durumdaki, bir uygulama algoritmayı, oyuncunun bir düşmandan kaçarken bir labirente takılması gibi belirli durumlarda örnekler sunabilir. Uygulama, algoritmanın aldığı fiillerin sonucunu bilmesine izin verir ve öğrenim, tehlikeli olmayı keşfettiğinden ve hayatta kalmaya çalıştığından kaçınmaya çalışırken gerçekleşir. Google DeepMind şirketinin eski Atari’nin video oyunlarını oynayan bir takviyeli öğrenme programını nasıl oluşturduğuna bir göz atabilirsiniz. Videoyu izlerken, programın başlangıçta nasıl yeteneksiz ve vasıfsız olduğunu, ancak bir usta olana kadar ki eğitim ile sürekli geliştiğini fark edin.

4 – Yarı denetimli öğrenme: eksik bir eğitim sinyali verildiği zaman, hedef çıktıların bazılarının eksik olduğu bir eğitim seti. Transdüksiyon olarak bildiğimiz bu ilkenin, hedeflerin bir kısmının eksik olabilmesi dışında, öğrenme zamanında tüm sorun örnekleri kümesinin özel bir durumu vardır.

Gerekli Çıktıya Göre Sınıflandırma

Makine öğrenimi görevlerinden başka bir sınıflandırması, makine tarafından öğretilen bir sistemin istenen çıktısını dikkate aldığında ortaya çıkar:

1 – Sınıflandırma: Girdiler iki veya daha fazla sınıfa ayrıldığı zaman ve öğrenci bu sınıfların bir veya daha fazlasına görünmeyen girdileri atayan bir algoritma üretmelidir. Bu genellikle denetimli bir şekilde ele alınabilir. Spam filtreleme, girdilerin mail iletileri olduğu ve sınıfların “spam” ve “spam değil” olduğu bir sınıf örneğidir.

2 – Regresyon: Aynı zamanda denetleyen bir problemdir, çıktıların ayrık olmak yerine sürekli olabileceği bir durum.

3 – Kümeleme: Bir grup girdi gruplara ayrılacak ise, sınıflandırmanın aksine, gruplar önceden bilinememektedir, bu da bunu genellikle denetimsiz bir görev haline getirebilmektedir.

Yazan: Alihan KÜÇÜK

Kaynak*

YouTube Kanalımız

Leave a reply

Please enter your comment!
Please enter your name here