Bu yazımızda yapay zekânın son yıllarda ivmelenerek gelişmesiyle hayatımıza giren terimlerden yalnızca biri olan Makine Öğrenmesini inceleyeceğiz. Birbirleriyle ilgili olmaları nedeniyle oluşabilecek soru işaretlerini cevaplamak ve konuyu daha kavranabilir kılmak amacıyla metnin sonunda Derin Öğrenme yazımı da okumanızı öneriyorum.

Makine Öğrenmesi

Makine Öğrenmesi (Machine Learning) Nedir?

Makine öğrenmesi, sistemlere açıkça programlanmadan edindiği deneyimlerden otomatik olarak öğrenme ve kendini geliştirme becerisi sunan bir yapay zekâ uygulamasıdır. Makine öğrenmesi bilgisayar programlarının verilere ulaşarak ve onları kullanarak kendini geliştirmesi üzerine yoğunlaşır. Öğrenme süreci, gözlem veya örneklemler, deneyimler ya da talimatlar gibi verileri gelecekte daha iyi kararlar vermek amacıyla kullanması ile başlar. Birincil amacı bilgisayarların insan eli değmeden veya yönlendirme olmadan kendi kendine öğrenmesini ve buna göre düzeltmeler yapmasını sağlamaktır. Biraz daha özetlemek gerekirse yapay zekânın bir alt dalı olan makine öğrenmesi tahmine dayalı bir öğrenme metodudur. Bu metot uyarlanabilirliği sayesinde verilerin, isteklerin veya görevlerin sürekli değiştiği senaryolarda veya bir çözümün etkili bir şekilde kodlanmasının mümkün olmadığı durumlarda harika bir seçenektir.

Peki makine öğrenmesinin bu bahsettiğimiz otomatik öğrenme mekanizması tam olarak nasıl çalışıyor. İşte burada üç tip öğrenme şeklinden bahsedeceğiz. Gözetimli (supervised), gözetimsiz (unsupervised) ve takviyeli (reinforced) öğrenme tipleri.

Gözetimli (Supervised) Öğrenme

Birinci öğrenme mekanizması olan gözetimli öğrenme tekniğinde giriş değerleri ile çıkış değerleri arasında eşleştirme yapan bir fonksiyon oluşturulur. Yapay zekâya eğitim verdiğimiz veriler girdi ve çıktılardan oluşur ve oluşturulan bu fonksiyonlar sınıflandırma veya eğri uydurma algoritmaları ile belirlenebilir. Konuyu biraz daha açarsak, sınıflandırma algoritmasını bir kullanıcının müzik zevkini öğrenme üzerine programlanmış bir yapay zekâ uygulaması üzerinden örneklendirebiliriz.

Makine Öğrenmesi

Yukarıdaki görselin bir dinleyicinin dinlediği müziklere göre şarkıları beğenip beğenmeme grafiği olduğunu farz edelim. Makine öğrenmesinin gözetimli öğrenme sistemi ile tasarlanmış bir programda Yapay zekânın görevi başta kullanıcının karşısına farklı tarzlarda rastgele müzikler çıkararak beğenme ve beğenmeme durumlarını veri tabanında sınıflandırmak. Daha sonra oluşturduğu bu sınıflandırma sistemine göre kullanıcının karşısına beğenebileceği tarzlardaki müzikleri çıkararak tercih etmeyeceği müziklerin karşısına çıkmamasını sağlamaktır.

Gözetimsiz (Unsupervised) Öğrenme

Bir diğer öğrenme mekanizması olan gözetimsiz öğrenme etiketlenmemiş veriler üzerinden bilinmeyen bir yapıyı tahmin etmek için bir algoritma kullanan makine öğrenmesi tekniğidir. Daha anlaşılabilir olması açısından burada da bir örnek vermek istiyorum. Bir gün balkonda otururken vakit geçirmek için sokaktan geçen insanların mesleklerini tahmin etmeye çalışmaya karar verdiğinizi varsayalım. Sokaktaki insanların giyimlerine veya hareketlerine bakarak hepsini bir şekilde kafanızda gruplandırıp meslekleri hakkında fikir yürütmeye başladınız. Siz burada kendileri hakkında hiçbir bilgiye sahip olmadığınız insanlar hakkında, etiketlenmemiş veriler üzerinden tahmin yürütmüş oluyorsunuz. Yaptığınız tahminler üzerinden insanları meslekleri üzerinden gruplandırmanız da gözetimsiz öğrenme tipine bir örnek oluyor.

Takviyeli (Reinforced) Öğrenme

Son öğrenme tipi olan takviyeli öğrenmede ise yöntem diğer öğrenme yöntemlerine göre biraz daha farklıdır. Bu öğrenme mekanizması diğer öğrenme tiplerine kıyasla amaç odaklı bir öğrenme tipidir. Öğrenen etken (Agent) çevreyle etkileşerek geri bildirim alır (bu geri bildirimler “Ödül” olarak tanımlanır). İşin öğrenme kısmına gelirsek, özetle bu öğrenme mekanizmasının sistemi çevreyle etkileşime geçerek elde ettiği ödülleri maksimuma çıkartarak Optimum Policy olarak adlandırdığımız en verimli hareket tarzını bulması olarak tanımlanabilir. Yine gerçek hayattan bir örnekle açıklamamız gerekirse, bir bebeğin sıcak bir objeye dokunduktan sonra elinin yandığını ve daha sonraki süreçte bu şeye dokunmaktan çekinmesini örnek verebiliriz. Buradaki “obje”” çevre yerine geçerken “bebeğin elinin yanması” ise ödüldür.

Veri Madenciliği – Makine Öğrenmesi İlişkisi

Makine öğrenmesi tüm bu öğrenme çeşitlerinde edindiği bilgileri veri tabanına kaydederek daha sonra bu veri tabanındaki bilgileri kullanması nedeniyle veri madenciliğiyle birbirine benzeyen sistemlerdir. Sık sık aynı yöntemlere başvurmalarına rağmen makine öğrenmesi bilinen özelliklerle, eğitim verilerinden öğrenilen tahminlere odaklanırken; veri madenciliği daha önce keşfedilmemiş bilinmeyen özelliklere odaklanır. Veri madenciliği birçok makine öğrenmesi metodu kullanır ancak bunu farklı amaçlar için yapar. Diğer bir tarafta ise makine öğrenmesi de Gözetimsiz Öğrenme gibi birçok veri madenciliği metodunda ya da öğrenim doğruluğunu geliştirmek için ön hazırlık adımlarına başvurur. Bu iki araştırma topluluğundaki karışıklığın büyük nedeni birlikte çalıştıkları temel varsayımlardır. Makine öğrenmesi bilinen bilgiyi yeniden üretme yeteneği bakımından değerlendirilir, veri madenciliğinde ise ana görev öncelikli olarak bilinmeyen bilginin keşfidir.

Makine Öğrenmesi

Yapay Zekâ – Makine Öğrenmesi İlişkisi

Makine öğrenmesi, yapay zekânın bir alt kümesi olarak değerlendirilir ve akıllı bir bilgisayar, insan gibi düşünür ve görevleri kendi başına gerçekleştirir. Bir bilgisayarı insanların düşünce mekanizmasını taklit edecek şekilde eğitmenin bir yolu da insan beyni temel alınarak modellenen bir dizi algoritmadan oluşan sinir ağı kullanmaktır. Bu sinir ağı mekanizması da derin öğrenme ile kurulur.

Derin Öğrenme– Makine Öğrenmesi İlişkisi

Yanıtlara ulaşmak için “Sinir Ağı (Neural Network)” kullanan derin öğrenme, makine öğrenmesinin özel bir biçimidir. Doğruluğa kendi başına karar verebilen derin öğrenme, bilgileri tıpkı bir insan beyni gibi sınıflandırır ve insan zekasına en çok benzeyen yapay zekanın oluşturulmasına olanak tanır.

2 Comments

  1. Nida Gündoğdu Reply

    Çok bilgilendirici bir yazı olmuş. Yazarın ellerine sağlık.

  2. Damla Uncu Reply

    Yazarın ellerine sağlık, oldukça faydalı bir yazı olmuş.

Bir Cevap Yazın

Yeni içeriklerden haberdar olmak ister misiniz?

Mail adresinizi bırakın ve yeni blog yazılarından haberdar olun!
ABONE OL
KVKK kanununa göre e-posta adresimden iletişime geçilmesine izin verilmiş sayılacaktır
close-link
Blog yazımızı beğendiniz mi?
%d blogcu bunu beğendi: