Makine öğrenmesi (Machine Learning )
M akine öğrenmesi orijinal adı ile Machine Learning günümüzde çok sık karşımıza çıkan bir terim olmaya başladı.Ne Kadar Yeni Bir kavram gibi görünse de kökleri 1959 Yılına dayanmaktadır.Bilgisayar oyunları yapay zeka Alanında uzman Arthur Samuel makine öğrenmesini 1959 Yılında şu şekilde tanımlamıştır “Bilgisayarın açıkça programlamadan öğrenme yeteneği ”. Peki programlamadan öğrenme ne demektir?
Örneğin yeni bir dil öğrendiğimizi varsayalım.Dilin genel yapısı, kelimeler ve okunuşlarını öğrenip, daha sonra öğrendiğimiz bu yapıları kullanarak anlamlı cümleler kurmaya başlarız ve dili konuşuyor oluruz aynı bu mantık da düşünebiliriz.Bilgisayara biz bir takım veriler verip onu besliyoruz sonra bu girdi ve çıktılara bakara sonuçlar üretmesini bekliyoruz.
Makine öğrenimi uygulamalarını, öğrenme eğitimi için kategoriler ayıracak olursak.Karşımıza Denetimli Öğrenme, Denetimsiz Öğrenme , Takviye Öğrenme ve Yarı Denetimli Öğrenme kategorileri çıkacaktır.
Denetimli Öğrenme
Giriş giriş ve çıkışlarının makineye verildiği ve makinenin bu durumlara göre yeni çıkarımlar elde etmesidir.Sık kullanılan denetimli öğrenme algoritmaları Sınıflandırma, Regresyon dediğimiz algoritmalardır.
Sınıflandırma
Sınıflandırma dediğimiz kavram, elimizde bulunan verilerin kabaca tahmini diyebiliriz.Hava soğuk ve bulutlar var ise yağmur yağlanması deriz.Yada bir mailin daha önceki maillere göre gerekli veya gereksiz olduğunu ayırt edebiliriz.
Sınıflandırma algoritmalarına bakacak olursak.
- Linear Classifiers
- Logistic regression
- Naive Bayes classifier
- Fisher’s linear discriminant
- Support vector machines
- Least squares support vector machines
- Quadratic classifiers
- Kernel estimation
- k-nearest neighbor
- Decision trees
- Random forests
- Neural networks
- Learning vector quantization
Regresyon
Bu yöntem ise daha çok sayısal değerler arasında ilişkiyi bulup çözümleme üzerinedir.Mesela bir evin değerini belirlerken büyüklük,konum ve yaş bilgilerine göre değerinin hesaplanmasıdır.Günümüzde özellikle finansal tahminler,trend analizi , pazarlama alnında oldukça popülerdir.
Bazı Regresyon örneklerine bakacak olursak.
· Linear Regression
· Lasso Regression
· Logistic regression
· Support Vector Machines
· Multivariate Regression
· Multiple Regression
Denetimsiz öğrenme
Denetimli öğrenmenin aksine denetimsiz öğrenmede amaç eldeki verileri kullanarak daha fazla bilgi edinmektir.Yani bir sonuç yoktur aslında.Denetimsiz öğrenme türleri Clustering, Exclusive, Agglomerative, Overlapping, Probabilistic dir.
Kümeleme
Bir girdi grubunu ,daha küçük gruplara bölerek anlamlandırmadır.Mesela bir lokanta işletiyorsunuz ve işletmenizi büyütmeniz gerekiyor.Bu durumda ilk olarak müşterilerinizi en fazla 7 veya 8 ana gruba ayırırsınız.Bu gruplar sizin gündelik müşteri profiliniz den oluştuğu için daha sonra bunların ortak noktalarını bulup onun üzerine küme sayısını 2 veya 3 adete düşürüp ortak bir yol bulunabilir.
Takviyeli Öğrenme
Takviyeli öğrenme,sistemin bulunduğu ortam ile etkileşime girip kendi başına kararlar alıp,sonuca ulaşabilmek adına doğru kararlar alması üzerine kuruludur.Yöntem daha çok fabrika otomasyonu,oyun programlama da sık sık kullanılmaktadır.
Denetimli öğrenmede olduğu gibi çok fazla veri verilmez.Daha çok sistem doğru tahmin ürettiğinde ödüllendirilir.Aksi taktirde cezalandırılarak öğrenme sağlanır.
Yarı Denetimli Öğrenme
Yarı denetimli öğrenme, denetimli ve denetimsiz öğrenmenin arasında yer alır.Çok fazla etiketlenmemiş veri ile etiketlenmiş küçük boyutlu verinin birlikte kullanılmasından oluşur.
Daha çok genetik sıralama, Web sayfası sınıflandırmada kullanılır.