MAKİNE ÖĞRENMESİ (MACHINE LEARNING) YÖNTEMLERİ

Merhabalar, ilk yazı dizimde en basit şekilde makine öğrenmesi yöntemlerini açıklamak istedim. İlerleyen yazılarımda makine öğrenmesi algoritmalarını açıklamayı ve uygulamayı düşünüyorum, umarım yardımcı olabilirim.

MAKİNE ÖĞRENMESİ (MACHINE LEARNING)

Makine Öğrenmesi, matematiksel ve istatistiksel işlemler ile veriler üzerinden çıkarımlar yaparak tahminlerde bulunan sistemlerin bilgisayarlar ile modellenmesidir. Makine öğrenmesi, Yapay Zekanın (AI) bir alt kümesi olarak kabul edilir. Makine öğrenmesi algoritmalarıyla değerler tahmin edilir. Sahip olduğumuz veri setine ve elde etmek istediğimiz sonuca bağlı olarak farklı algoritmalar kullanabiliriz.

Makine, kendisine verilen verilerden bir tanesini tanıdığı zaman öğrenmiş demektir. Veri sayısı, öğrenme aşamasında ne kadar çok olursa makine da o kadar hızlı öğrenecektir. Tıpkı insanların daha fazla araştırma yaptıkça gelişmesi gibi düşünebiliriz. Veri ve deneyim arttıkça makine öğrenmesinin sonuçları da daha doğru hale gelmektedir. Örneğin yüzlerce araba resmini makineye verip araba olduğunu etiketlersek ve yeni gelen bir resmin “araba” olduğunu kendisi tespit ederse, makine öğrenmiş demektir. Bu öğrenme çeşitli algoritmalar sayesinde gerçekleştirilmektedir.

Günümüzde ML için bir çok algoritma mevcuttur. ML temelde öğrenme yöntemine göre üç gruba ayrılır; Supervised(Gözetimli), Unsupervised(Gözetimsiz) ve Reinforcement(Takviyeli).

Makine Öğrenmesi Algoritmaları aşağıdaki şekildeki gibidir. Buna bir sonraki yazımda uygulamalı olarak değineceğim.

Denetimli Öğrenme(Supervised Learning)

Bu öğrenme tekniğinde giriş değerleri (işaretlenmiş veri — labelled data) ile istenen çıkış değerleri arasında eşleme yapan bir fonksiyon oluşturulur.

Girdi değişkenlerimizi X, çıktı değişkenlerimizi Y olduğunu düşünelim. X değişkenlerini, Y değişkenlerine eşleme işlevini öğrenmek için etiketli eğitim verileri kullanılmaktadır.

Y = f (X)

Denetimli Öğrenme problemleri iki tür olabilir:

• Sınıflandırma: Kategoriler halinde çıktı değişkenlerinin olduğu belirli bir örneğin sonucunu öngörür. Kadın ve erkek, hasta ve sağlıklı örneklerinde olduğu gibi.
• Regresyon: Verilen değişkenin gerçek değerler biçiminde olduğu belirli bir örneğin sonucunu öngörmektir. Buna örnek olarak belirli bir bölgenin yağış miktarı ya da bir insan boyu verilebilir.

Bu öğrenme türünde bilgisayara bir girdi ve bir çıktı değeri veriyoruz ve bundan kontrollü bir anlam çıkartmasını bekliyoruz. Örneğin Ikea mağazasından alınan bir mobilyamız olsun. Bu mobilyanın birçok parçası bulunmakta ve bunlar da verilerimiz olsun. Bu parçalar tek başına bir anlam ifade etmeyecektir. Fakat mobilya kutusunun içinden çıkan talimat ile o parçalardan anlamlı bir mobilya ortaya çıkartabiliriz. Makine öğrenmesinde ise bilgisayara bu talimat kağıdını vererek verileri nasıl birleştirmesi gerektiğini söyleriz. Bu tür öğrenme şekline Supervised(Denetimli) Learning denir.

Denetimli öğrenme modeline Lineer Regresyon, Naive Bayes, KNN, Lojistik Regresyon,Karar Ağaçları gibi örnekler verilebilir.

Denetimsiz Öğrenme(Unsupervised Learning)

Denetimsiz öğrenme yönteminde, etiketlenmemiş veri kümelerini analiz etmek ve kümelemek için yapay öğrenme algoritmaları kullanır. Öğrenmede çıktı yoktur. Burada giriş verisinin hangi sınıfa ait olduğu belirsizdir.

Denetimsiz öğrenme problemleri yalnızca girdi değişkenlerine (X) sahiptir. Y, yani çıktı değişkenlerimiz yoktur. Temel görevi sınıflandırmadır. Örneğin resimde at mı var kedi mi var? Bunu örneklerle karşılaştırıp sınıflandırır ve etiketleriz.

Akademik, bilimsel yazılarda kaynak göstermeksizin başka metinlerle benzerlik oranlarının tespiti de gözetimsiz öğrenme teknikleri ile yapılabilmektedir.

Takviyeli Öğrenme(Reinforcement Learning)

Takviyeli öğrenme (Reinforcement Learning), bulunduğu ortamı algılayan ve kendi başına kararlar alabilen bir sistemin, hedefine ulaşabilmesinde doğru kararlar almayı nasıl öğrenebileceğini gösterir.

Takviyeli öğrenmede bir eğitmen bulunur fakat denetimli öğrenmedeki gibi sisteme çok detay vermez veya veremez. Takviyeli öğrenmede ajan(agent) adı verilen öğrenen makinemiz vardır. Ajan karşılaştığı durumlara tepki verir ve bunun karşılığında sayısal bir ödül sinyali almaktadır. Yanlışlar için ise yine aynı şekilde cezalandırılmaktadır. Amaç, öğrenen sistemin denediği olası durumların hedef olup olmadığının kontrolü ve denenen doğru veya yanlış tüm durumların hatırlanmasıdır. Bu yöntem robotik, oyun programlama, hastalık teşhisi gibi alanlarda sıklıkla kullanılır. Bu şekilde çalışan deneme yanılma yöntemi, Takviyeli öğrenmenin en ayırt edici özelliğidir.

Yukarıdaki resimde Makine Öğrenmesi uygulamaları için sınıflandırmalar yer almaktadır. İleriki yazılarımda bunları detaylı ve uygulamalı şekilde göstermeyi amaçlıyorum :)

Geri dönüşleriniz benim için çok değerli, Bu nedenle yorum yazarsanız çok mutlu olurum.