Makine Öğrenmesinde Gözetimli ve Gözetimsiz Öğrenme Nedir?
GÖZETİMLİ ÖĞRENME
Bağımlı değişken ve bağımsız değişken, yani girdi ve çıktı bir aradaysa buna gözetimli öğrenme denir. Gözetimli öğrenmede, makineyi “etiketlenmiş” verileri kullanarak eğitirsiniz. Bu, bazı verilerin zaten doğru yanıtla eşleştirildiği anlamına gelir.
Gözetimli öğrenme algoritması, etiketli eğitim verilerinden öğrenir, öngörülemeyen veriler için sonuçları tahmin etmenize yardımcı olur. Doğru öğrenme modelini başarıyla oluşturmak, son derece yetenekli veri bilimcilerinden oluşan bir ekip, zaman ve teknik uzmanlık gerektirir. Dahası, veri bilimci verilen girdiler değiştiğinde de sonucun doğru kalmasını sağlamak için modelleri yeniden oluşturmalıdır.
En sık kullanılan gözetimli öğrenme algoritmaları Karar Ağaçları, Lineer Regresyon, Destek Vektör Makineleri ve Lojistik Regresyondur.
GÖZETİMSİZ ÖĞRENME
Gözetimsiz öğrenmede çıktılar çalışmanın içinde bulunmaz. Gözlemlenen birimler benzer özelliklerine göre bir araya getirilir. Gözetimsiz öğrenme, etiketlenmemiş veri kümelerini analiz etmek ve kümelemek için yapay öğrenme algoritmalarını kullanır. Bu algoritmalar, insan müdahalesine ihtiyaç duymadan verileri sınıflandırırlar.
Gözetimsiz öğrenme modelleri üç ana görev için kullanılır: Kümeleme, İlişkilendirme ve Boyutsallık Azaltma.
Kümeleme, etiketlenmemiş verileri benzerliklerine veya farklılıklarına göre gruplandırmak için kullanılan bir veri madenciliği tekniğidir. Örneğin, K-ortalamalı kümeleme algoritmaları, benzer veri noktalarını gruplara atar; burada K değeri, gruplamanın boyutunu ve ayrıntı düzeyini temsil eder.
İlişkilendirme, belirli bir veri kümesindeki değişkenler arasındaki ilişkileri bulmak için farklı kurallar kullanan başka bir gözetimsiz öğrenme yöntemidir. Bu yöntemler, pazar sepeti analizi ve öneri motorlarında “bu ürünü satın alan müşteriler şunları da aldı” önerilerini oluşturmak için sıklıkla kullanılmaktadır.
Boyut azaltma, belirli bir veri kümesindeki özelliklerin (veya boyutların) sayısı çok yüksek olduğunda kullanılan bir öğrenme tekniğidir. Veri bütünlüğünü korurken, veri girişlerinin sayısını yönetilebilir bir boyuta indirir.
Kısaca, gözetimli öğrenme modelleri gözetimsiz öğrenme modellerinden daha doğru olma eğilimindeyken, verileri uygun şekilde etiketlemek için önceden insan müdahalesi gerektirir.
Örneğin gözetimli öğrenme modeli, işe gidişinizin günün saatine, hava koşullarına vs. bağlı olarak ne kadar süreceğini tahmin edebilir. Ama önce, yağmurlu havanın süreyi uzattığını bilmesi için onu eğitmeniz gereklidir.
Uygulama alanlarına baktığımızda ise gözetimli öğrenme modelleri; spam algılama, duygu analizi, hava durumu tahmini ve fiyatlandırma tahminleri için idealdir. Gözetimsiz öğrenme ise öneri motorları, müşteri kişilikleri ve tıbbi görüntüleme için mükemmel bir uyum sağlar.
