Makine öğrenimi, bilgisayar biliminin ve yapay zekânın çekirdek bir parçası olan, verilerden öğrenen sistemler inşa etmeye odaklanan bir alanıdır. Bir programcının yazdığı adım adım talimatları izlemek yerine, makine öğrenimi modeli örneklerdeki istatistiksel kalıpları tespit eder ve bu kalıpları yeni, daha önce görülmemiş veriler üzerinde tahminler ya da kararlar vermek için kullanır. İlgili veri gördükçe, performansı da genellikle artar.
Makine Öğrenimi Nasıl Çalışır
Üst düzeyde bakıldığında, makine öğrenimi her biri genellikle özellikler (girdiler) ve çoğu durumda bir etiket (istenen çıktı) içeren örneklerden oluşan bir veri kümesiyle başlar. Bir karar ağacı, sinir ağı ya da doğrusal regresyon gibi bir model, rastgele veya varsayılan parametrelerle başlatılır ve ardından tahminleri bilinen yanıtlarla tekrar tekrar karşılaştırılarak eğitilir. Genellikle gradyan inişi olan bir optimizasyon süreci, tahmin hatasını azaltmak için parametreleri ayarlar. Eğitim, modelin performansı ayrılan bir doğrulama kümesinde iyileşmeyi bırakana kadar devam eder.
Basit bir spam filtresini düşünün. Eğitim kümesi, "spam" veya "spam değil" şeklinde etiketlenmiş binlerce e-posta içerir. Model, belirli kelimelerin, gönderici kalıplarının ve bağlantı yapılarının spam ile ilişkili olduğunu öğrenir. Yeni bir e-posta geldiğinde, model onu puanlar ve buna göre yönlendirir; her spam kalıbı için kimse açık kurallar yazmadan.
Neden Önemlidir
Makine öğrenimi, sesli asistanlardan tıbbi görüntü analizine, kredi skorlamadan talep tahminine ve öneri motorlarına kadar çoğu modern yapay zekâ uygulamasının arkasındaki motordur. Kalıpların çok karmaşık, çok ince veya çok fazla olması nedeniyle elle yazılmış kuralların pratik olmayacağı görevlerde son derece başarılıdır. Bu disiplin, çok katmanlı sinir ağlarının hiyerarşik temsiller öğrendiği ve bilgisayarlı görü ile doğal dil işleme gibi alanlarda çarpıcı ilerlemeler sağladığı derin öğrenme alanındaki atılımların da temelini oluşturur. Mitchell'ın temel ders kitabında ve IBM'nin makine öğrenimine genel bakışında daha ayrıntılı bir inceleme bulabilirsiniz.
Temel Türler
- Denetimli öğrenme: model, görüntüleri sınıflandırmak veya ev fiyatlarını tahmin etmek gibi etiketli örneklerden öğrenir.
- Denetimsiz öğrenme: model, müşteri segmentasyonu veya anomali tespiti gibi etiketlenmemiş verilerdeki yapıyı bulur.
- Pekiştirmeli öğrenme: model, bir ortamla etkileşime girerek ve ödüller alarak öğrenir; oyun oynamada ve robotikte kullanılır.
- Yarı denetimli ve öz denetimli öğrenme: az miktarda etiketli veriyi büyük etiketlenmemiş veri havuzlarıyla birlikte kullanan melez yaklaşımlardır; modern dil ve görüntü modellerinde yaygındır.
Makine öğrenimi en iyi şekilde, verileri davranışa dönüştüren bir teknikler bütünü olarak anlaşılır. Etkinliği, eğitim verisinin kalitesine ve miktarına, model seçimine ve öğrenme hedefi ile hizmet ettiği gerçek dünya görevi arasındaki uyuma bağlıdır.