MAKİNE ÖĞRENMESİ – MACHINE LEARNING

Makine Öğrenmesi Nedir?

Bilgisayar ve bilgisayar sistemlerinin kullanımının her geçen gün daha da artması ile bilgisayarın da insanlar gibi öğrenme işlemini gerçekleştirip gerçekleştiremeyeceği merak konusu olmaya başlamıştır. Yapay zekâ ve istatistik alanında yapılan önemli çalışmalar neticesinde öğrenme işlemini gerçekleştirebilecek algoritmalar geliştirilmiş; makine öğrenmesi kavramı hayatımıza girmeye başlamıştır.

Öğrenme, kelime anlamı olarak; belli durumlar ve sorunlar karşısında tepki ve davranış oluşturma, bunları değiştirerek yenilerini edinebilme yeteneği şeklinde tanımlanmaktadır. Bu tanımdan yola çıkarak; Makine öğrenmesi kavramı, makinelerin karşılaştıkları durumlar karşısında kendini eğiterek daha iyi kararlar verebilmesini sağlayan algoritmaların geliştirilmesidir.

Makine öğrenmesi, bilgisayar yazılımlarıyla mevcut verilerden elde edilen deneyimlerin, gelecekteki olayları tahmin etmesine ve modelleme yapmasına imkân veren bir yapay zekâ alanıdır. Yapay Zekânın bir alt disiplini olan Makine Öğrenmesinin gelişimi son yıllarda hızla artmış ve bu konuda birçok algoritma geliştirilmiştir [Bilgin, 2017]. Makine öğrenmesi yapay zeka sistemlerinin kendi kendine öğrenmesini ifade etmektedir [Hidayet Takçı; Makine Öğrenmesi Ders Notları].

Makine Ögrenmesi Terimleri:

Tahmin (Prediction): Veriden öğrenen modellerde sistem çıkışının nicel olması durumunda kullanılan yöntemlerin ürettiği değerlerdir.

Sınıflandırma (Classification): Giriş verisine ait çıkışların nitel olduğu durumlarda kullanılan yöntemlerin her veri örneğinin hangi sınıfa ait olduğunu belirlemesidir. Sınıflandırma modeli, tahmin değişkenleri (predictors) yardımıyla, hedef (class) değişkeninin hesap edildiği fonksiyondur. Genellikle, veri seti eğitim ve test setlerine ayrılmakta; eğitim seti ile model oluşturulmaktadır. Test seti ile model doğrulama yapılmaktadır.

Kümeleme (Clustering): Veri setinde benzer özellikler gösteren verilerin gruplara ayrılmasına kümeleme denir. Denetimszi öğrenmeyi baz alan Kümelemede amaç veri kümesi içerisindeki veri örneklerini sadece özellik (feature) vektörlerine göre gruplamaktır [Orhan, U; Ders Notları].

Makine Öğrenmesi Algoritmaları [Ayodele, 2010]:

• Denetimli Öğrenme (Supervised Learning): Algoritma girdileri istenen çıktılara göre etiketleyen bir fonksiyon oluşturmaktadır.
• Denetimsiz Öğrenme (Unsupervised Learning): Bir dizi girdiyi modelleme ve girdilere bağlı olmadan çıkarım yapılması işlevidir.
• Yarı-denetimli Öğrenme (Semi-supervised Learning): Uygun bir işlev veya sınıflandırıcı oluşturmak için hem etiketli hem de etiketlenmemiş örnekleri birleştirmektedir.
• Takviyeli (Pekiştirici) Öğrenme (Reinforcement Learning): Her eylemin çevrede/ortamda bir etkisi oluşmaktadır ve bu çevre öğrenme algoritmasına yol gösterici geri bildirimler sağlamaktadır.
• Transdüksiyon (Transduction): Denetimli öğrenmeye benzer, ancak açıkça bir işlevi oluşturmaz: bunun yerine, eğitim girdilerine, eğitim çıktılarına ve yeni girdilere dayalı olarak yeni çıktıları tahmin etmeye çalışmaktadır.
• Öğrenmeyi Öğrenme (Learning to Learn): Algoritma daha önceki deneyimlerine dayanarak tümevarımsal bir öğrenme gerçekleştirir.

Tüm sınıflandırma ve regresyon metodları denetimli öğrenme altında değerlendirilebilir.

Şekil 1: Denetimli Makine Öğrenmesi

Denetimli öğrenme algoritmalarından bazıları şu şekildedir:

• Lojistik Regresyon
• Karar Ağaçları
• Destek Vektör Makinesi (Support Vector Machine -SVM)
• k-En Yakın Komşuluk Algoritması
• Naive Bayes Sınıflandırma Algoritması
• Random Forests (Rassal Orman) Algoritması
• Lineer Regresyon
• Polinom Regresyon
• Destek Vektör Regresyonu (Support Vector Regression – SVR)

Kümeleme algoritmaları denetimsiz öğrenme altında değerlendirilebilir.

Şekil 2: Denetimsiz Makine Öğrenmesi

Denetimsiz öğrenme algoritmalarından bazıları şu şekildedir

• Gizli Markov Modeli
• Hiyerarşik Kümeleme
• K-Means Algoritması

Makine Öğrenmesinin Kullanım Alanları:

Makine öğrenmesi, teknolojik ilerlemeler sayesinde her geçen gün artan becerileri ile birçok alan ve sektörde kendisine yer bulmaya devam etmektedir. Verimliliği artırma, güvenlik hizmeti sağlama, finansal tahminlerde bulunma gibi çeşitli hizmetlere katkı sunan bu teknolojinin gerçek hayattaki kullanımına bazı örnekler şu şekildedir:

• Görüntü Tanıma
• Siber Güvenlik
• Duygu Analizi
• Trafik Bildirimleri
• Borsa Sinyalleri
• Trafik Bildirimleri
• Ürün Tavsiyesi
• Sağlık
• Gerçek Zamanlı Dinamik Fiyatlandırma

KAYNAKLAR

Akdoğan, E. Mekatronik Mühendisliği Uygulamalarında Yapay Zeka.

Ayodele, T. (2010). Types of Machine Learning Algorithms. Computer Science, 3-32. DOI:10.5772/9385.

Bilgin, M. (2017). Makine Öğrenmesi: Teorisi ve Algoritmaları. 2. Basım. ISBN: 978-605-9594-25-7.

Orhan, U. Makine Öğrenmesi Ders Notları.

Takçı, H. Makine Öğrenmesi Ders Notları.