Makine Öğrenmesi Nedir?

Günümüzde verinin artışıyla beraber popülerliği gittikçe artan bir alan olan makine öğrenmesi hakkında sizlere elimden geldiğince, bildiğimi aktarmaya çalışacağım.

İnsan ile makineyi ayıran şey; insan geçmiş tecrübelerinden öğrenirken, en azından denerken, bilgisayarlar söylenileni yapmakla mükelleftir. Eğer bilgisayara bir şey yaptırmak istiyorsak, onlara tam olarak ne yapacakları konusunda ayrıntılı, adım adım talimatlar vermemiz gerekir.

Bu talimatları yerine getirmesi için script ya da programlar yazıyoruz. İşte burada makine öğrenmesi devreye giriyor. Makine öğrenmesi konsepti, bilgisayarların geçmiş verilerden öğrenmesinden ibarettir.

Makine öğrenmesi, açıkça programlanmadan, verilerden öğrenme ve geliştirme yeteneğine sahip bir yapay zeka uygulamasıdır. Makine öğrenimi, verilere erişebilen ve bunları kendileri öğrenmek için kullanabilen bilgisayar programlarının geliştirilmesine odaklanır. Asıl amaç, insan müdahalesi olmadan, bilgisayarların otomatik öğrenmesini sağlamaktır.

Makine Öğrenmesi Metotları

Makine öğrenmesi metotları genelde iki kategoriye ayrılabilir.

1-Supervised(Gözetimli)

2-Unsupervised(Gözetimsiz)

1-Supervised(Gözetimli) Öğrenme

Geçmişte öğrenilenleri gelecekteki olayları tahmin etmek için etiketli(labelled) örnekler kullanarak yeni verilere uygulanabilir. Bilinen bir eğitim veri kümesinin analizinden başlayarak, öğrenme algoritması, çıktı (output) değerleri hakkında tahminler yapmak için çıkarım fonksiyonu üretir.

Sık kullanılan gözetimli öğrenme metotları şunlardır:

1-Regression(Regresyon)

Bir regresyon probleminin çıktı değerleri, “dolar” , “ağırlık” gibi gerçek değerlerdir.

Bu problemin anlaşılması için verilen örnek, ev satış problemidir. Elimizde bir veri seti olduğunu düşünelim. Bu veri setinde, evin konumu, yaşı, büyüklüğüne göre bir fiyatı olsun. Makine öğrenmesi algoritması, bu öğrendiği ev fiyatlarını veri setinde olmayan bir evin fiyatını tahmin etmekte kullanılır.

Problemin türüne göre kullanılacak belli başlı regresyon algoritmaları vardır. Bunlar:

· Linear Regression

· Logistic Regression

· Polynomial Regression

· Random Forest Regression

· Decision Tree Regression

2-Classification(Sınıflandırma)

Bildiğimiz sınıflandırma işlemini yapmak için kullanılır. Çıktı değişkeninin “kırmızı” veya “mavi” , “hastalık” ve “hastalık yok” gibi bir kategori olması durumudur.

Sınıflandırma algoritmaları şunlardır:

• Logistic Regression
• Naive Bayes
• Support Vector Machines
• K-Nearest Neighbor
• Decision Trees
• Random Forests
• Neural Networks

2-Unsupervised(Gözetimsiz) Öğrenme

Gözetimsiz öğrenmede, sadece giriş verileri bulunup herhangi bir çıkış değeri yoktur. Denetimsiz öğrenmenin amacı,veriler hakkında daha fazla bilgi edinmek için verilerin temelini oluşturan yapıyı veya dağılımı modellemektir.

Clustering(Kümeleme)

Adında anlaşılacağı gibi veri setlerinde özelliklerin benzerliklerine göre yapılan kümele işlemidir.

K-Means ve Hiearcical Clustering algoritmaları bu problemi çözmek için kullanılır.

Genel hatları itibariyle, yazacaklarım bu kadar. Bir sonraki yazımda, sınıflandırma problemlerini ayrıntılı bir şekilde teorik olarak öğrenip aynı zaman da Python’da makine öğrenmesi kütüphanelerini kullanmayarak kodlayacağız. O zamana kadar herkese iyi çalışmalar dilerim.