Adım Adım Makine Öğrenmesi Bölüm 1: Makine Öğrenmesi Nedir?
Machine Learning Step-by-Step Part 1 : What is Machine Learning?
Merhabalar herkese, geleceğin makine öğrenmesi mühendisi olma yolunda ilk adımlarımı atarken öğrendiğim bilgi ve birikimleri sizlerle de paylaşmak için bu içerik serisine başlama kararı aldım. Kuantum fiziğinde devrim yaratan nobel ödüllü fizikçi Richard Feynman’ın “ Eğer bir şeyi basitçe açıklayamıyorsan, onu yeterince iyi anlamamışsın demektir. ” sözünden yola çıkarak öğrendiklerimi paylaşmaya, araştırdıkça öğrenmeye ve öğretmeye başlıyorum. Şimdiden hepinize keyifli ve verimli okumalar…
Makine Öğrenmesi Nedir?
En basit haliyle makine öğrenmesi insanın düşünme ve karar verme yeteneğini makinelere kazandırmaktır. Burada makineden kastımız elbette ki bilgisayarlardır. Makine öğrenmesi sayesinde bilgisayarların ham veriden bilgi çıkarmasını, çıkardığı bilgileri öğrenmesini ve kendini geliştirerek çıkarım yapmasını sağlayabilmekteyiz ( Vaov ! dediğinizi duyar gibiyim ).
Makine öğrenmesi yeni bir teknoloji gibi görünse de ya da isim olarak havalı gelse de hayatımızda bir süredir zaten bu teknolojiyi kullanmaktayız. Örneğin akıllı telefonlarınız parmak izinizi ya da yüzünüzü bu şekilde tanımaktadır. Siri veya Google Assistant sizinle makine öğrenmesi teknolojisi sayesinde iletişim kurar, Google sesinizi makine öğrenmesi teknolojisi sayesinde konuşma metnine çevirir ya da otonom araçlarda bu şekilde sürüş yapılmaktadır.
Makine öğrenmesi esasında yapay zekânın bir alt dalıdır (Şekil 1) . Makine öğrenmesi, derin öğrenme ve yapay zekâ arasındaki ilişkiye bir sonraki yazımda detaylı olarak bahsedeceğim. Dolayısıyla şu an için bu konuyu geçiyorum.
Makine öğrenmesindeki asıl ve temel soru öğrenmenin ne olduğu sorusudur. Makine öğreniminde gelecekteki performansı iyileştirmek için geçmişteki deneyimler kullanılır. Yani görmediğimiz veriler hakkında bir karar verebilmek için elimizde var olan veriler kullanılır. Genel olarak, makine öğrenmesi algoritmaları elimizdeki etiketli ya da etiketsiz verilere dayanarak bir tahmin ya da sınıflandırma yapmak için kullanılır.
Makine Öğrenmesi Türleri
Genel olarak makine öğrenmesi problemlerini çözmek için 4 farklı öğrenme yöntemi ile karşılaşılmaktadır. Bunlar sırasıyla : Denetimli Öğrenme, Denetimsiz Öğrenme, Yarı Denetimli Öğrenme ve Pekiştirmeli Öğrenmedir. Gelin bunlara sırayla bakalım.
1)Denetimli Öğrenme (Supervised Learning)
Denetimli Öğrenmede algoritma eğitmek için etiketli veri kümesi kullanılır. Yani hangi verinin hangi bilgiye karşılık geldiği bilinmektedir. Algoritmanın olası çıktıları hâlihazırda bilindiği gibi algoritmayı eğitmek için kullanılan veriler de doğru cevaplarla etiketlenmiştir (Şekil 2) .
Denetimli öğrenme genellikle Regresyon ve Sınıflandırma problemlerine uygulanır.
Regresyon problemleri, girdi değişkenlerini sürekli değerli (continuos) bir çıktıyı tahmin etmek için kullanan problemlerdir. Örneğin hisse senedi fiyatlarını tahmin etmek, bir makaleyi beğenecek kullanıcı sayısını tahmin etmek vb.
Sınıflandırma problemleri, girdi değişkenlerini ayrık değerdeki çıktı verisine eşleyen problemlerdir, çıktı kategorik veri tipindedir. Örneğin göğüs kanseri tahmini, bir resmin kedi içerip içermediği, cinsiyet tahmini vb.
2) Denetimsiz Öğrenme (Unsupervised Learning)
Denetimsiz Öğrenmede etiketsiz veriler arasında bir örüntü oluşturmayı hedeflemektedir. Denetimsiz Öğrenme algoritmasının çıktısı tahmin edilemez.
Denetimsiz öğrenme genellikle Kümeleme (Clustering) ve İlişkilendirme (Association) problemlerine uygulanır.
Kümeleme problemlerine örnek olarak sosyal ağ analizi, bilgi işlem kümelerinin düzenlenmesi, webde bulunan bir dizi haberin aynı hikayeyle bağlantılı olanların gruplandırılması vb.
İlişkilendirme problemlerine örnek olarak bir veri tabanındaki müşteri bilgilerinden müşterileri Pazar segmentlerine göre ilişkilendirmek, bir makinaya ait sensör okumalarından makine için normal okuma değerlerinin anlaşılması vb.
3) Yarı Denetimli Öğrenme (Semi — supervised Learning)
Yarı Denetimli Öğrenme, bir dizi etiketlenmiş veri kümesini kullanarak etiketi bilinmeyen verileri sınıflandırmayı hedefler. Bu yönüyle bakıldığında yarı denetimli öğrenme, denetimli ve denetimsiz öğrenme modellerinin orta noktasında yer almaktadır (Şekil 3).
Yarı denetimli öğrenme problemlerinin en bilinen örnekleri konuşma analizi, protein dizi sınıflandırması ve web içeriği sınıflandırmasıdır.
4) Pekiştirmeli Öğrenme ( Reinforcement Learning)
Pekiştirmeli Öğrenmede ajan (agent) adı verilen öğrenici çeşitli eylemler gerçekleştirerek ve sonuçları görerek bir ortamda amaca yönelik ne yapılması ve nasıl davranılması gerektiğini öğrenir. Bunun karşılığında da verdiği tepkiler üzerinden sayısal bir ödül sinyali alır ve bu ödüllerini maksimuma çıkartmak için çalışır. Sonuç olarak deneme yanılma yöntemi pekiştirmeli öğrenmeyi diğer öğrenme türlerinden ayıran en önemli özelliktir. Burada kastedilen ajan bir organizma veya robot değil eylemi gerçekleştiren ve öğrenen etkendir.
Pekiştirmeli öğrenme problemlerinin örnekleri şu şekilde verilebilir:
- Bir robot süpürge daha fazla süpürme yapabilmek için yeni bir odaya girip girmeyeceğine bataryasının şarjına, geçmişte şarjını ne hızla tükettiğine ve geri dönüş yolunu bulabilmek için ne kadar şarj gerektiğine karar vermesi
- Satranç oynayan bir robotun rakibi bir hamle kararı aldığında gelecekteki hamleleri ve bu hamlelere karşılık vereceği cevapları planlaması
- Nörobilim açısından, beyinde hangi bölgelerin yer aldığı ve bu bölgelerin birbirleriyle bağlantılarının neler olduğu vb.
Son Söz ve Kapanış
Eveett makine öğrenmesine kısa bir giriş yaptığımızı ve makine öğrenmesi nedir sorusunun kafamızda az da olsa cevaplarını bulduğunu düşünmekteyim. Umarım faydalı olmuştur. Gelecek yazımda Denetimli Öğrenmeyi ayrıntılarıyla anlatıyor olacağım.
Kısaca etkilerini bugün dahi gördüğümüz makine öğrenmesi, çok kısa bir gelecekte hayatımızda önemli bir rol oynayacak. Amazon, Apple, Google, Microsoft, Tesla gibi dünyanın en büyük şirketleri makine öğreniminin gelecekteki önemini bildiklerinden, bu alana ciddi yatırımlar yapıyorlar. Eğer biz de bu teknolojinin içinde kalır ve kendimizi geliştirirsek ilerleyen teknolojiye yön verme şansı bulabileceğimizi düşünmekteyim.
Kendinize cici bakın :)
