Makine Öğrenmesi
Makine öğrenmesi, sistemin geçmişteki deneyimlerinden elde edilen öğrenmelerini kullanarak bir model oluşturması ve gelecekteki karşılaşacağı durumlar karşısında bir tahminde bulunmasını sağlayan bir yapay zeka alanıdır. Bilgisayarın eldeki veriler üzerinden geliştirilen bir model yardımıyla oluşturdukları öğrenmeleri, ileride karşılaştıkları yeni veriler üzerinde kullanarak kararlar verebilmesini ve ilgili problemlere çözümler üretmesi olarak tanımlanabilir.
Bir makine öğrenmesi görevinin gerçekleştirilmesi için beş temel adım vardır. Bunlar:
- Veri toplama (Collecting data)
- Verilerin hazırlanması (Preparing the data)
- Modeli eğitmek (Training a model)
- Modelin değerlendirilmesi (Evaluating the model)
- Performansı değerlendirmek ve artırmak (Improving the performance)
Makine öğrenmesinin amaçları üç açıdan incelenebilir: [Machine learning : paradigms and methods, Carbonell, 1989]
- Hedef Tabanlı Çalışmalar: “Öğrenme sisteminin gelişimi ve analizi, belirlenmiş görevleri yerine getirmek için gerçekleştirilir. Bu yaklaşım, makine öğrenmesinin mühendislik yaklaşımı olarak tanımlanmıştır.”
- Bilişsel Simülasyon: “İnsanın öğrenme sürecini araştırıp bilgisayar ortamında benzetimini gerçekleştirmek olarak tanımlanmıştır. Bu ise, makine öğrenmesinin bilişsel modelleme yaklaşamıdır.”
- Teorik Analiz: “Uygulama alanlarından bağımsız olarak teorik olabilecek öğrenme metotları ve ve algoritmaları incelemek içindir.”
Makine Öğrenmesi Algoritma Türleri
Makine öğrenmesi algoritmaları eldeki verileri kullanarak en iyi modeli oluşturmaya çalışırlar. Yeni veriler geldiğinde önceki verilerle oluşturulan modeli kullanarak yeni gelen verileri analiz etmeye çalışırlar. Eldeki verilerin işlenerek içerisinden anlamlı ve kullanışlı bilgilerin oluşturulmasına veri madenciliği denir denilmektedir. [Makine Öğrenmesi Yöntemlerinin Polisomnografik Verilere Uyarlanması, Güven Çentik, 2013]
- Denetimli Öğrenme: Basit bir makine öğrenimi modelinde öğrenme süreci iki adıma ayrılır: eğitim ve test. Eğitim sürecinde, öğrenme algoritması veya öğrenen tarafından özelliklerin öğrenildiği ve öğrenme modelinin oluşturulduğu eğitim verilerindeki örnekler girdi olarak alınır. Test sürecinde, öğrenme modeli, test veya üretim verileri için tahmin yapmak için yürütme motorunu kullanır. Etiketlenmiş veriler, nihai tahmini veya sınıflandırılmış verileri veren öğrenme modelinin çıktısıdır.
- Denetimsiz Öğrenme: Denetimsiz öğrenme, verilerdeki ilişkileri tanımlamak veya çıkarmak için bir model kullanmayı içeren bir sorun sınıfını tanımlar. Denetimli öğrenme ile karşılaştırıldığında, denetimsiz öğrenme, çıktılar veya hedef değişkenler olmadan yalnızca girdi verileri üzerinde çalışır. Bu nedenle, denetimsiz öğrenme, denetimli öğrenme durumunda olduğu gibi modeli düzelten bir öğretmene sahip değildir.
- Yarı-Denetimli Öğrenme: Yarı denetimli öğrenme, eğitim verilerinin çok az etiketli örnek ve çok sayıda etiketlenmemiş örnek içerdiği denetimli öğrenmedir. Yarı denetimli öğrenme modelinin amacı, denetimli öğrenmede olduğu gibi yalnızca etiketlenmiş verileri değil, mevcut tüm verileri etkili bir şekilde kullanmaktır.
- Takviyeli Öğrenme: Takviyeli öğrenme, bir aracının bir ortamda çalıştığı ve geri bildirim kullanarak çalışmayı öğrenmesi gereken bir problem sınıfını tanımlar.
Bu yazı sadece makine öğrenmesi hakkında genel bilgiler içermektedir. Araştırma yapmak isteyenlere önayak olması amacıyla yazılmıştır.
Yazıyı beğendiyseniz Medium üzerinden takip ederek desteğinizi gösterebilirsiniz.
