Makine Öğrenmesi Nedir ve Sık Kullanılan Kavramlar

0 0
Okuma Süresi:4 Dakika, 30 Saniye

Makine öğrenmesine geçmeden önce yapay zeka ile arasındaki farkı açıklayarak başlayalım. Yapay zeka ve makine öğrenmesi genellikle aynı anlama geliyormuş gibi bir kanı var. Ancak bu düşüncenin yanlış olduğunu bildirmek isterim. Makine öğrenmesi bir yöntemdir. Yani, yapay zeka bir sistem ise makine öğrenmesi sadece bu sistemi oluşturacak yollardan bir tanesidir. Bu konu üzerinde anlaştıysak konumuza başlayalım.

Makine Öğrenmesi
Makine Öğrenmesi

Makine Öğrenmesi Nedir?

Yapay zekanın bir alt kümesi şeklinde özetleyebiliriz. Ancak korkmayın bir cümleyle geçiştirmeyeceğim. Makineye verdiğimiz verileri eğiterek bir model çıkaran ve bu model üzerinden tahminler yaparak karışık problemleri çözen sisteme machine learning diyebiliriz. Makineden kastım bilgisayarlar bunu da söyleyeyim de kafa da soru işareti olmasın. Durun birde bilimsel açıklamasını yapalım da yazımız yarım yamalak olmasın. ML, veriden karmaşık işlevleri (veya kalıpları) öğrenen ve bunun üzerine tahminler yapan – “dar AI” formunda algoritmalar (veya bir dizi kural) oluşturan bir yapıdır. Makineye verdiğimiz verilerin etiketli olup olmamasının ne anlama geldiğini, eğitim algoritmalarının neler olduğunu vb. konuların hepsine değineceğiz. Belki hepsi bu yazıya yetişmeyebilir. Takipte kalın.

Unutmadan şunu da söyleyeyim makine öğrenmesi ilk kez 1959 yılında Arthur Samwel tarafından kullanılmıştır. Genel kültür olur. 🙂

Makine Öğrenmesine Neden İhtiyaç Duyarız?

Günümüzde saniyede milyonlarca veri üretiliyor. Bu verilere bakıldığında aslında anlamsız bir yığın tablosu gibi görünebilir ancak bu veriler anlamlandırılarak yeni bilgiler yeni veriler elde edilebilir işte tam bu noktada makine öğrenmesi işin içine giriyor. Verileri alarak işler ve anlamlandırır. Bu sayede birçok sektör geleceğine yön veriyor ve karına kar katıyor. Neden vazgeçilsin değil mi sonuçta işin içinde para var.

Bir diğer ihtiyaç duyulma nedeni ise dünyada bazı problemleri çözecek formüller geliştirilemiyor. Bu gibi durumlarda problemin belli başlı çözüm verileri ile eğitilen modeller sayesinde büyük sayıdaki problemleri çözebilme yetisi sağlanıyor.

Geleneksel programlama yöntemi ile programlayamadığımız bazı uygulamaları makine öğrenmesi algoritmaları ile gerçekleyebiliyoruz. Örneğin; el yazısı tanıma, doğal dil işleme (NLP), computer vision (bilgisayarlı görü).

Günümüzde uygulamalar kullanıcıya özgü kişiselleştirilmeye çalışılıyor. Bu amaç doğrultusunda uygulamadan kişiye özgü edinilen verilerin eşliğinde makine öğrenmesi algoritmaları ile size özgü bir uygulama yaratıyorlar. Bu uygulamalara örnek olarak Amazon, Hepsiburada, Trendyol, vb. alışveriş uygulamaları, Netflix gibi film-dizi uygulamaları verilebilir.

Machine Learning Uygulamaları

1.Amazon‘un echo ürünü gibi sizin sesinizi tanıyarak işlem yapan uygulamalar,

2. Robotların hareketleri,

3. Instagram, facebook, google gibi şirketlerin dijital pazarlama alanında kullanması,

4. Netflix, Spotify gibi uygulamalarda kullanıcıya dönük listeler oluşturma,

5. Sağlık, sahtekarlık yakalama, iot gibi alanlarda da uygulamalarını görmekteyiz.

Makine Öğrenmesindeki Yaklaşımlar

1. Denetimli Öğrenme (Supervised Learning)

Günümüzde verinin çoğalması ile denetimli öğrenme algoritmaları oldukça yaygın kullanılmaya başlanmıştır. Bu algoritmalar etiketli verilerin gözleminde yeni verilerin çıktısı için rehberlik yapar. Yani şu şu veriler bu çıktıyı veriyorsa veri kümesinde bulunmayan bu veride şu sonuç çıktısını verebilir tahmininde bulunurlar. Burada etiketli veriden kastımız şudur: Elimizde uçağı ve arabayı tanımlayan 100 adet veri var. (yükseklik, genişlik, ağırlık, vb.) Bu her veri satırının karşısında bu özelliklere sahip araç uçaktır ya da arabadır diye belirtiyorsak elimizdeki veri seti etiketli bir veri setidir. Denetimli öğrenme problem tipine göre kendi içinde ikiye ayrılır:

Regresyon (Regression) : Bir regresyon probleminde sürekli bir çıktı içindeki sonuçları tahmin etmeye çalışırız. Bu problemler çıktı olarak reel bir sayı tahmini isterler. Örneğin belli bir muhitteki evlerin piyasa değerinin ne olabileceği güzel bir regresyon problemi örneğidir. Bu problemdeki veriler ile sürekli bir fonksiyon oluşturulur yeni verilerin çıktıları bu fonksiyon üzerinden tahmin edilir.

Sınıflandırma (Classification) : Sınıflandırma probleminde girdi (tahmin) değişkenlerini ayrık kategorilere sınıflandırmaya çalışırız. Örneğin bir tümörün kötü huylu olup olmadığı sınıflandırma problemi olabilir. Girdi değişkenleri kötü huylu tümörü ifade ediyorsa 1 çıktısı, etmiyorsa 0 çıktısını modelimiz üretir. Çıktılar tam tersi de olabilir. Size kalmış.

Gözetimli öğrenme algoritmalarına lineer regresyon, lojistik regresyon, destek vektör makineleri (SVM), decision tree, vb. örnek verilebilir.

2. Denetimsiz Öğrenme (Unsupervised Learning)

Denetimli öğrenmenin tam tersi etiketsiz veriler ile çalışan algoritmalardır. Elimizde bir veri seti var ancak her bir verinin neyi temsil ettiği bilinmiyor. Bu yaklaşım altındaki algoritmaların verinin özellikleri ile gözlem yapıp ilişkileri saptaması beklenir. Bir nevi çocuğun hayattaki nesneleri kendi kendine kavramaya çalışması denebilir. Bu öğrenme yönteminde temel olarak veriler uzaydaki uzaklıklarına göre sınıflandırılır ve yeni gelen veriler bu sınıflandırılan verilere olan uzaklıklarına göre tahminde bulunulur. Hangi sınıf veriye daha yakınsa o sınıfa dahil edilir. Gözetimsiz öğrenme algoritmalarına k-means, SVD, aPriori, vb. örnek verilebilir.

3. Yarı Denetimli Öğrenme (Semi Supervised Learning)

Bu makine öğrenmesi yaklaşımı denetimli öğrenme ve denetimsiz öğrenme yaklaşımının karışımı denilebilir. Büyük miktarda etiketsiz veriyle birlikte küçük miktardaki etiketli veri ile çalışan yaklaşımdır.

4. Takviyeli Öğrenme (Reinforcement Learning)

Sistemin bir eylem gerçekleştirdiği ve bu eylemin sonucuna göre ödüllendirilerek öğrenme adımlarının devam ettirildiği makine öğrenmesi alt disiplinidir. Bu sayede belli bir eğitim döngüsünden sonra sistem neyin doğru neyin yanlış olduğunu öğrenebilecektir. Günümüzde robotik, finans ve oyun alanlarında sıkça kullanılmaktadır.

Makine Öğrenmesi Çalışmalarında Sıkça Kullanılan Kelimeler

Algorithm (Algoritma) : Belli bir problemi çözmek veya belirli bir amaca ulaşmak için tasarlanan yol. 

Model : Problemin şekline göre makine öğrenme algoritmaları ile oluşturulan yapılardır.

Dataset : Veriler kümesine verilen isimdir.

Predictor Variable (Tahmin Değişkeni) & Response Variable (Cevap Değişkeni) : Bir insanın boyunu kilosuna göre tahmin edeceksiniz. Burada kilo predictor variable iken boy response variable’dır.

Training Data (Eğitim Verisi) : Modeli eğitmede kullanılan verilerdir.

Testing Data (Test Verisi) : Modeli değerlendirmek için kullanılan verilerdir.

Gözlemler (Observations): Öğrenmek ya da değerlendirmek için kullanılan her bir veri parçası.

Etiketler (Labels): Gözlemlere atfedilen kategoriler.

Features / Attributes : Yapay zeka ile öğrenmede birbirinden bağımsız her bir ölçülebilir ve gözlemlenebilir özelliğe feature” denir.

Model Eğitim Süreci
Model Eğitim Süreci

Makine Öğrenmesi Kullanılırken İzlenmesi Gereken Adımlar

1. Problemin amacı tanımlanmalı.

2. Problemle ilgili veriler toplanmalı,

3. Veriler hazırlanmalı (temizleme, etiketleme işlemleri)

4. Model oluşturma,

5. Model değerlendirme,

6. Tahminlerde bulunma (uygulamalarda kullanım)

Happy
Happy
0 %
Sad
Sad
0 %
Excited
Excited
0 %
Sleepy
Sleepy
0 %
Angry
Angry
0 %
Surprise
Surprise
0 %

Enes Sönmez

Lise eğitimimi Otocenter Mesleki ve Teknik Anadolu Lisesi’nde tamamladım. Bilgisayar programcılığı ve veri tabanı bölümü üzerine liseyi bitirdim. 2017 yılında Karadeniz Teknik Üniversitesi Bilgisayar Mühendisliği bölümünü kazandım. Hala eğitim hayatımı burada sürdürmekteyim. Makine öğrenmesi, derin öğrenme, görüntü işleme ve veri bilimi üzerine çalışmaktayım. Ek olarak Deep Learning Türkiye ve KTÜ Yapay Zeka Topluluğu üyesiyim.

Average Rating

5 Star
0%
4 Star
0%
3 Star
0%
2 Star
0%
1 Star
0%

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir