Makine Ögrenmesi-1

24 Ocak 2023 Salı

Makine ögrenmesi, insanlarin ögrenme sekillerini taklit etmek için veri ve algoritmalarin kullanimina odaklanip dogrulugunu kademeli olarak artiran bir yapay zekâ (AI) ve bilgisayar bilimi dalidir.

Makine ögrenimi (ML), tükettikleri verilere göre ögrenen ya da performansi iyilestiren sistemler olusturmaya odaklanan bir yapay zeka (AI) alt kümesidir. Yapay zekâ, insan zekasini taklit eden sistemler veya makineler anlamina gelen kapsamli bir terimdir. Makine ögrenimi ve yapay zekâ genellikle bir arada degerlendirilir. Kimi durumlarda birbirinin yerine kullanilir ancak ayni anlama gelmezler. Tüm makine ögrenimi çözümleri yapay zekâ iken tüm yapay zekâ çözümlerinin makine ögrenimi olmamasi önemli bir ayrimdir.

Günümüzde makine ögrenimi her yerde çalisiyor. Bankalarla etkilesim kurdugumuzda, online alisveris yaptigimizda veya sosyal medyayi kullandigimizda verimli, sorunsuz ve güvenli bir deneyim elde etmemiz için makine ögrenimi algoritmalari devreye giriyor. Makine ögrenimi ve bu çerçevedeki teknoloji hizla gelisiyor ve kesfettigimiz özellikleri buz daginin yalnizca görünen yüzü.

Makine ögrenmesi, büyüyen veri birimi alaninin önemli bir bilesenidir. Istatistiksel yöntemler kullanilarak, algoritmalar; siniflandirmalar veya tahminler yapmak üzere egitilir ve veri madenciligi projelerinde temel iç görüleri ortaya çikarmaktadir. Bu içgörüler, sonrasinda uygulamalar ve isler dahilinde karar verme sürecini tesvik ederek, ideal anlamda önemli büyüme ölçütlerini etkiler. Büyük veri genisleyip büyümeye devam ederken, veri mühendislerine yönelik piyasa talebi artacak ve bu mühendislerin en önemli is sorularini ve nihayetinde bu sorulara yanit vermek için kullanilacak verilerin tanimlanmasina yardimci olmalari gerekecek.

Makine ögrenimi türleri: ögrenmeye yönelik iki yaklasim

Denetimli (Gözetimli) Makine Ögrenimi (Supervised)

Denetimli makine ögrenimi algoritmalari en yaygin olarak kullanilanlardir. Bu model sayesinde, veri uzmani bir kilavuz olarak hareket eder ve algoritmaya hangi sonuçlara varmasi gerektigini ögretir. Denetimli ögrenim sirasinda algoritma tipki resimli bir kitaptan ezberleyerek meyveleri ögrenmeye çalisan bir çocuk gibi, daha önceden etiketlenmis ve önceden tanimlanmis bir çiktisi olan veri kümeleri ile egitilir.

Denetimli makine ögreniminin örnekleri arasinda dogrusal ve lojistik regresyon, çoklu sinif siniflandirmasi ve destek vektör makineleri gibi algoritmalar bulunur.

Denetlenmeyen (Gözetimsiz) Makine Ögrenimi (Unsupervised)

Denetlenmeyen makine ögrenimi, bir insan tarafindan sürekli ve yakin kilavuzluk saglanmadan bilgisayarin karmasik süreçleri ve modelleri ögrendigi daha bagimsiz bir yaklasimdan yararlanir. Denetlenmeyen makine ögrenimi, etiketleri veya spesifik, tanimlanmis bir çiktisi olmayan verilere dayali egitimi içerir.

Çocukluk döneminde egitim benzetmesinden devam edecek olursak, denetlenmeyen makine ögrenimi bir çocugun ögretmenin yardimiyla adlarini ezberlemeden renkleri ve desenleri gözlemleyerek meyveleri tanimlamayi ögrenmesine benzer. Çocuk görüntüler arasinda benzerlikler arar ve bunlari gruplara ayirarak her bir gruba kendi yeni etiketini verir. Denetlenmeyen makine ögrenimi örnekleri arasinda k-ortalamalar kümelemesi, temel ve bagimsiz bilesen analizi ve iliskilendirme kurallari yer alir.