Denetimli Öğrenme

Denetimli öğrenme, denetimli makine öğrenmesi olarak da bilinir ve makine öğrenmesi ile yapay zekanın bir alt kategorisidir

Giriş:

Zaman geçtikçe insanlar deneyimlerinden öğrenir ve bu deneyime dayanarak karar verir. Makine öğrenmesinin çalışmasına benzer şekilde, bir bilgisayar önceki kayıtlardan elde edilen örüntüleri ve algoritmaları kullanarak öğrenebilir ve uyum sağlayabilir. Bilgisayarınız açık yönlendirmeler olmadan önceki verileri analiz eder ve onlardan çıkarım yapar; mevcut kayıtların temellerine dayanarak gelecekteki sonuçları öngörür.

Makine öğrenmesi nedir?

Makine öğrenmesi , tanısal modellerin oluşumunu otomatikleştiren bir veri inceleme kategorisidir. Bu, verilerden bilgi çıkarabilen, örüntüleri teşhis edebilen ve çok az insan müdahalesiyle veya hiç müdahale olmadan sonuçlara varabilen bir sistemdir. Sistem, yapay zeka kullanımı sayesinde açıkça kodlanmadan öğrenebilir ve gelişebilir.

Denetimli öğrenme nedir?

Yapay zeka, denetimli öğrenme yoluyla oluşturulur. Bu yöntemde bir bilgisayarın algoritmaları, belirli bir sonuç için ona (uygun şekilde etiketlenmiş) veriler verilerek eğitilir. Veriler, örüntüleri tanıyabilene ve girdi verileri ile çıktı etiketleri arasındaki bağlantıyı belirleyebilene kadar eğitilir. Bunu, belirli bir etiket için tam çıktıyı belirlemekte kullanabiliriz.

Denetimli öğrenmeye bazı örnekler nelerdir?

Kısacası denetimli öğrenme, iyi etiketlenmiş verilerle bir makineyi eğiten bir eğitmenimizin olduğu durumdur. Denetimli öğrenme yöntemi kullanılarak bilgisayara, eğitim verilerini (eğitim veya hazırlık örnekleri kümesi) analiz etmesi ve etiketli verilerden uygun bir sonuç oluşturması için yeni bir grup veya sayıda örnek (veri) verilir.

Denetimli öğrenme nasıl çalışır?

Denetimli öğrenmede modeli etiketli bir veri kümesi kullanarak eğitiriz. Model her veri türüne göre eğitilir. Eğitim süreci tamamlandığında, eğitilen modeli test verileriyle test ederiz. Makine, önceki eğitime dayanarak çıktıyı tahmin eder.

Kare, dikdörtgen ve çokgen gibi çeşitli üçgen biçimlerinden oluşan bir veri kümemiz olduğunu varsayalım. Klasik model şu anda ilk aşama olarak her şekil için eğitilmelidir.

• Belirli bir şeklin dört ucu veya köşesi varsa ve hepsi eşitse, bu bir kareye aittir.
• Tüm prosedür, üç kenarı varsa üçgen olarak etiketlenecektir.
• Girilen şeklin altı eşit kenarı varsa, bu bir altıgene aittir.

Eğitimden sonra, mükemmel modelimizi sınamak için test kümesini kullanırız ve modelin hedefi şekli tanımaktır.

Sistem daha önce çeşitli biçimlerde eğitilmiştir ve yeni bir biçim keşfettiğinde onu sınıflandırır.[1]

Makine öğrenmesinde hangi adımlar vardır?

• Önce kullanacağınız eğitim veri kümesinin türünü belirleyin.
• Etiketli eğitim verilerini toplayarak ve bir araya getirerek elde edin.
• Eğitim veri kümesini üç parçaya bölün: eğitim, test ve doğrulama.
• Eğitim veri kümesinin girdi özelliklerini belirleyin; bunlar modelin çıktıyı başarıyla tahmin etmesi için yeterli bilgiyi içermelidir.
• Model için destek vektör makinesi veya karar ağacı gibi uygun bir algoritma seçin.
• Algoritmayı çalıştırmak için eğitim veri kümesini uygulayın. Eğitim veri kümelerinin bir alt kümesi olan doğrulama kümeleri, zaman zaman düzenleyici veya kontrol parametreleri olarak gereklidir.
• Test kümesini vererek modelin doğruluğunu değerlendirebilirsiniz. Model sonucu doğru tahmin ederse modelimiz doğrudur.

Denetimli öğrenmenin kategorileri nelerdir?

Denetimli öğrenmenin sahip olduğu kategoriler aşağıdadır.

1. Regresyon
2. Sınıflandırma

Denetimli öğrenmenin avantajları nelerdir?

• Eğitim verilerinde dönemlere ilişkin ayrıntılı bir görüşünüz olacaktır.
• Denetimli öğrenmenin nasıl çalıştığını anlayabilmelisiniz. Denetimsiz öğrenmeye gelince, makinenin içinde neyin çalıştığını, nasıl öğrendiğini vb. her zaman ayırt edemeyiz.
• Alıştırma verilerine geçmeden önce sınıfların ayrıntılı sayısını düzenleyebilirsiniz.
• Sınıfların anlamı konusunda gerçekten kesin olabilirsiniz; yani sınıflandırıcıyı kusursuz bir karar sınırına sahip olacak ve farklı sınıflar arasında güvenilir biçimde ayrım yapabilecek şekilde eğitebilirsiniz.
• Tüm programı tamamladıktan sonra eğitim verilerini belleğinizde tutmanıza gerek yoktur. Bunun yerine karar sınırlarını korumak için matematiksel bir formül kullanabilirsiniz.[2]

Denetimli öğrenmenin dezavantajları nelerdir?

• Denetimli öğrenme çeşitli açılardan yapaydır ve makine öğrenmesindeki daha zor görevlerin bazılarını gerçekleştiremez.
• Denetimli öğrenme, denetimsiz öğrenmenin aksine, eğitim verilerinden bilinmeyen bilgileri çıkaramaz.
• Denetimsiz öğrenmeden farklı olarak; verileri kendi başına özelliklerini belirleyerek kümeleyemez veya kategorize edemez.
• Sınıflandırmaya gelince, eğitim verilerindeki sınıfların hiçbirinden olmayan bir girdi verirsek sonuç yanlış bir sınıf etiketi olabilir. Bir görüntü sınıflandırıcıyı eğitmek için kedi ve köpek verileri kullandığınızı düşünelim. Bir zürafa görüntüsü verirseniz sonuç ya kedi ya da köpek olabilir; bu yanlıştır.
• Diyelim ki eğitim kümenizde bazı örnekler eksik ve bir ders eklemek istiyorsunuz. Bu durumda, öğrendikten sonra bu örnekleri kullandığınızda girdi olarak doğru sınıf etiketini elde edemeyebilirsiniz.

Sonuç:

Denetimli öğrenme, bir haber makalesinin sınıflandırmasını belirlemek veya gelecekteki bir tarih için işlem sayısını tahmin etmek gibi sınıflandırma ve regresyon sorunlarında üstündür. Denetimli sürecin amacı, verilerin anlamını belirli bir sorun bağlamında öğrenmektir.

1. Supervised Machine Learning. Kaynak: https://www.javatpoint.com/supervised-machine-learning.
2. Petersson, D.supervised learning. Kaynak: https://www.techtarget.com/searchenterpriseai/definition/supervised-learning.

 

Denetimli öğrenmenin iki ana türü

• Sınıflandırma: spam veya spam değil gibi bir kategoriyi ya da bir işlemin dolandırıcılık olup olmadığını tahmin etme.
• Regresyon: ev fiyatı veya gelecek ayın satışları gibi bir sayıyı tahmin etme.

Yaygın algoritmalar

Doğrusal ve lojistik regresyon, karar ağaçları, rastgele ormanlar, destek vektör makineleri, k-en yakın komşu ve sinir ağları.

Basit bir örnek

Bir müşterinin taksitini geç ödeyip ödemeyeceğini tahmin etmek için, sonucun bilindiği (zamanında ödedi veya geç ödedi) geçmiş müşteriler üzerinde, gelir aralığı, ödenen peşinat ve önceki davranış gibi özellikler kullanarak bir model eğitirsiniz. Model daha sonra yeni müşterileri puanlar. Installment Management System gibi taksit araçları tam olarak bu tür verileri tutar.

Güçlü yönler ve sınırlar

Denetimli öğrenme, iyi etiketli verileriniz olduğunda doğrudur; ancak etiketleme pahalıdır ve model yalnızca etiketlerin gösterdiğini öğrenir. Denetimsiz öğrenme ve pekiştirmeli öğrenme ile karşılaştırın.

Kısa yanıtlar

Aşırı öğrenme (overfitting) nedir?

Aşırı öğrenme, bir modelin eğitim verilerini ezberleyip yeni verilerde kötü performans göstermesidir. Daha fazla veri, daha basit modeller ve doğrulama ile azaltılır.