Giriş:
İnsan, daha az insan işçi kullanırken üretkenliği artırmanın yollarını her zaman arar. Bugün makine çağıdır. Günlük hayatımızda görevlerimizi daha verimli yapmamıza yardımcı olan birçok makine türü kullanıyoruz. Önceki tüm şirket kayıtlarınızı bilgisayarınızda sakladığınızı varsayın. Bilgisayarınız, önceki kayıtlardaki kalıpları ve algoritmaları kullanarak öğrenebilir ve uyum sağlayabilir. Açık komutlar olmadan bilgisayarınız önceki verileri inceler ve bunlardan çıkarım yapar; mevcut kayıtların temelinde gelecekteki sonuçları tahmin eder. Bunların hepsi makine öğrenimi sayesinde mümkündür.
Makine öğrenimi nedir?
Sistemin açıkça programlanmadan deneyim yoluyla öğrenmesini ve gelişmesini sağlayan yapay zekâ kullanımıdır. Bu, temelde verilerden öğrenebilen, kalıpları belirleyebilen ve çok az insan katkısıyla ya da hiç katkı olmadan seçimler yapabilen bir sistemdir.
Makine öğreniminin perde arkası hikâyesi nedir?
Alan Turing, Turing testini 1950'de geliştirdi. Alan Turing, hem zeki hem de etkili bir İngiliz matematikçi ve bilgisayar bilimcisiydi. Bu test, bir makinenin insan zekâsına sahip olup olmadığını belirlemek için oluşturuldu.
Makine öğrenimini kim yarattı?
Birçok kişi makine öğreniminin ilerlemesine katkıda bulundu, ancak "makine öğrenimi" ifadesini 1952'de IBM'de çalışan bilgisayar bilimcisi Arthur Samuel ortaya attı.
Makine öğreniminin amacı nedir?
Makine öğreniminin amacı, verilerinizdeki kalıpları yakalamak veya bulmak ve ardından iş sorunlarını yanıtlamak için genellikle karmaşık olan bu kalıplara dayalı tahminler yapmaktır. Sorunların çözümüne yardımcı olan kalıpları ve tasarımları belirleyin ve analiz edin.
İş dünyasında ve diğer sektörlerde makine öğrenimi, özünde veri modelleri oluşturma sürecini otomatikleştirerek çalışan bir veri analizi teknolojisidir.
Makine öğrenimi nasıl çalışır?
Kaç tür makine öğrenimi vardır?
Makine öğreniminin dört türü vardır.
Denetimli Öğrenme:
Bu tür makine öğreniminde veri bilimcileri algoritmalara etiketli eğitim verileri sağlar ve programcının aralarında bağlantı aramasını istedikleri değişkenleri belirtir. Algoritmanın girdisi ve çıktısı birlikte sağlanır.[1]
Denetimsiz öğrenme:
Bu tür makine öğreniminde, etiketlenmemiş veriler üzerinde eğitilen algoritmalar kullanılır. Programcı, veri kümelerindeki ilgili ilişkileri arar. Algoritmaları eğitmek için kullanılan veriler ile bunların sağladığı tahminler veya öneriler önceden tanımlanmıştır.[1]
Yarı denetimli:
Bu makine öğrenimi yöntemi, önceki iki yöntemi birleştirir. Veri bilimcileri bir algoritmaya çoğunlukla "eğitim verisi" sağlasa da modelin verileri kendi başına keşfetmesine ve veri kümesine dair kendi bilgisini oluşturmasına izin verilir.[1]
Pekiştirmeli öğrenme:
Pekiştirmeli öğrenme, veri bilimcileri tarafından genellikle bir makineye iyi tanımlanmış ölçütlerle çok adımlı bir prosedürü yürütmeyi öğretmek için kullanılır. Veri bilimcileri bir algoritmayı bir görevi başarması için eğitir ve görevi nasıl tamamlayacağını yönetirken ona olumlu veya olumsuz ipuçları verir. Ancak çoğunlukla algoritma, yol boyunca hangi eylemleri yapacağını kendisi seçer.[1]
Makine öğrenimi hangi avantajları sağlar?
- Her Şeyin Otomasyonu
- Eğilim ve kalıpların belirlenmesi
- Geniş Uygulama Yelpazesi
- İyileştirme Kapsamı
- Verilerin Verimli İşlenmesi
- Eğitim ve Online Alışveriş İçin En Uygunu
Makine öğreniminin dezavantajları nelerdir?
- Yüksek Hata Olasılığı
- Algoritma Seçimi
- Veri Edinimi
- Zaman ve Alan
Sonuç:
Makine öğrenimi, yapay zekânın bir alt alanıdır. Bilgisayarların çok miktarda veri kullandığı ve açık programlamaya bağlı kalmadan kendilerini "eğitmek" ve tahminler üretmek için algoritmalar kullandığı bir sistemdir. Makine öğrenimi, iş dünyasında ve diğer alanlarda veri modelleri geliştirme sürecini otomatikleştirerek çalışan basit bir veri analizi tekniğidir.
- Burns, E.machine learning. Erişim adresi: https://www.techtarget.com/searchenterpriseai/definition/machine-learning-ML.
Makine öğrenimi türleri
| Tür | Şuradan öğrenir | Örnek |
|---|---|---|
| Denetimli | Etiketli örnekler | Spam tespiti, fiyat tahmini |
| Denetimsiz | Etiketsiz veri | Müşteri segmentasyonu |
| Yarı denetimli | Az etiket + çok etiketsiz veri | Sınırlı etiketle görsel sınıflandırma |
| Pekiştirmeli | Eylemlerden elde edilen ödüller | Oyun oynama, robotik |
Zaten kullandığınız makine öğrenimi
E-posta spam filtreleri, harita trafik tahminleri, video ve alışveriş önerileri, sesle yazma ve yüz tanıma ile kilit açma, hepsi makine öğrenimine dayanır.
Makine öğrenimi, yapay zekâ ve derin öğrenme karşılaştırması
Yapay zekâ, akıllı makinelerin geniş hedefidir; makine öğrenimi, verilerden öğrenme yaklaşımıdır; derin öğrenme ise çok katmanlı sinir ağlarını kullanır. Bkz. yapay zekâ nedir.
