Makine Öğrenmesi

05.04.2020
Makine Öğrenmesi

Bu yazımızın konusu Makine öğrenmesi nedir, makine öğrenmesi kitap, makine öğrenmesi algoritmaları, makine öğrenmesi pdf, makine öğrenmesi ders notları hakkında olacaktır.

Makine Öğrenmesi Nedir ?

Makine öğrenmesi, matematiksel ve istatiksel yöntemlerin bir arada kullanılarak mevcut verilerden çıkarımlar yapılmasını ve bu çıkarımlardan bilinmeyen değerlere dair tahminlerin yapılmasını sağlayan bir paradigmadır.

Bu kavrama günümüzden örnek olarak yüz tanıma sistemleri, belge sınıflandırma ve spam tespiti gibi sistemler gösterilebilir. Daha açıklayıcı bir örnek vermek gerekirse, öğrenci ders çalışmak istediği zaman önce ders kitabından konuyu çalışır daha sonrasında ise çözümlü örnekleri çözerek konuyu öğrenmiş olur. Daha sonra bu öğrenci denemeye alınarak ne kadar başarılı olduğuna karar verilir.

Eğer öğrenci ezbere dayalı bir çalışma yapmışsa bu durumda kitapta benzeri olmayan tipteki sorular geldiği zaman muhtemelen bu soruları yanlış yapacaktır. Ancak öğrenci olayın mantığını anlamak için çalışmışsa bu durumda kitaptaki örneklerden farklı sorular da gelse öğrenci başarılı sonuçlar alacaktır. Öğrenci daha sonra çözdüğü sorulara bakarak nelerde yanlış yaptığını ve bundan sonra nelere dikkat etmesi gerektiğini anlar. Daha sonra öğrenci aynı ders kitabına tekrar çalışmaya başlar. Bu iş öğrenci hatalarından ders alana kadar devam eder. Makine öğrenmesi de buna çok benzerlik göstermektedir. Süreç hemen hemen aynı ilerler.

Makine Öğrenmesi Algoritmaları

Makine öğrenmesi nedir , makine öğrenmesi algoritmaları:

Gözlemler: Öğrenmek ve değerlendirmek için kullanılan veri parçası olarak tanımlanır.

Özellikler: Gözlemi temsil eden veriler olarak tanımlanabilir. E-postanın uzunluğu ya da tarihi gibi detaylar.

Etiketler: Gözlemlere verilen kategorilerdir.

Eğitim verisi: Algoritmanın öğrenilebilmesi için verilen gözlem dizileridir. Algoritma bu veriler sayesinde bazı çıkarımlarda bulunur ve kafasında bir model belirler.

MUTLAKA OKUMALISIN:   Samsung Galaxy Note 20 Sürpriz güncellemeyle iPad Pro'ya Kafa Tutabilir

Test verisi: Algoritmanın kafasında beliren modelin gerçeğe ne kadar benzer olduğunu belirlemek için kullanılan algoritmalardır.

İki Temel Öğrenme Türü

Gözetimli öğrenme

Etiketlenmiş olan gözlemlere dayalı öğrenme sürecidir. Bu etiketler algoritmaya gözlemleri nasıl etiketlemesi gerektiğini göstermektedir.

Gözetimsiz öğrenme

Etiketlenmemiş olan gözlemlerin öğrenme sürecini göstermektedir. Bu öğrenme şeklinde algoritmanın kendi kendine keşifler yapması ana amaçtır. Bu sayede görünmeyen örüntüler keşfedilmiş olunur.

Öğrenme Süreci

En önemli sorulardan bir tanesi algoritmaların nasıl öğrendiğidir. Bunun için öncelikle ham veri bulunur. Metinler, görüntüler, genetik veriler, sayısal ölçümler vb. tüm detaylar ham veri arasında gösterilebilir.

Örneğin, elimizde hastaların sağlıklarına ilişkin bir takım veriler var. Her hasta için kolesterol, şeker seviyesi, sigara içme durumu vb. gibi bilgiler bulunuyor. Bu bilgilerden yola çıkarak 10 yıl içerisinde bir hastanın kalp krizi geçirme olasılığı tahmin edilebilir.

Özellik Çıkarımı

Gözlemleri en iyi temsil eden özellikleri kullanmak için ham veriler arasında Özellik çıkarımı yapılmaktadır. Bu süreç boyunca alan bilgisi uygulanır. Kısacası bu işi hiç bilgisi olmayan bir insana anlatacak olursak hangi özelliklere bakmamız gerekir? Yani bu özellikleri teker teker tanımlayıp hesaplamak gerekmektedir. Örneğin, bir hastanın kalp rahatsızlığı tespit edilecekse o hastanın anne adı bu tespitte bir işe yaramayacaktır. Bunun yerinde daha çok sigara içme durumu, günlük içilen sigara sayısı, kolesterol seviyesi gibi değerlere bakılır. Kısacası gereksiz kısımların teker teker temizlenmesi gerekmektedir.

Model Oluşturma

Tüm özellikler çıkartıldıktan sonra bir öğrenme algoritması bu matris üzerinde çalışmalarına başlar. Bu çalışma sonucunda bir takım kurallar ortaya çıkartılır. Basit bir algoritma az sayıda veriyi inceleyerek temel olarak “Kalp krizi olasılığı = günde kullanılan sigara sayısı * 0,05 + kolesterol seviyesi * 0,003” şeklinde bir formül ortaya çıkartabilir. Gözlem sayısı arttığında ise bu formül biraz daha karmaşık hal almaya başlayacaktır.

MUTLAKA OKUMALISIN:   iPhone Pil Ömrü Uzatma

Sonuç olarak Makine öğrenmesi nedir kimi zaman hayat kurtaran bir özellik olsa da sihirli bir değnek değildir. Farklı algoritma ve veriler ile çok sayıda deneme yanılma yöntemi ile yeni modellerin oluşumu için sabır gösterilmelidir.

YORUMLAR

Henüz yorum yapılmamış. İlk yorumu yukarıdaki form aracılığıyla siz yapabilirsiniz.