Makine öğrenmesinin ortaya çıkış nedeniyle ilgili konuşarak yazımıza başlayalım. Bildiğiniz ya da tahmin edebileceğiniz gibi çok büyük verilerin insan gücü ile işlenmesi ve bu verilerin analizinin yapılması mümkün değildir. Bu verilerin çözülebilmesi ve analizinin yapılabilmesi için makine öğrenmesi ( machine learning) ortaya çıkarılmıştır. Birçok makine öğrenmesi metodu vardır. Bu metotların ortak amacı ise, geçmişteki verileri kullanarak yeni veriler için en uygun modelleri oluşturmaktır. Kısaca geçmişteki verileri kullanarak gelecek tahmini yapmaktır. Tabii ki bu verilerin hepsi faydalı veriler değildir. Bu verileri işe yarayan ve işe yaramayan diye ayrılmasına da Veri madenciliği (data mining) adı verilir. Makine öğrenmesi ile ilgili kısaca bir anlatım yaptım gelin şimdi metotlar üzerinde konuşalım.
makine öğrenmesi metot türleri
- Gözetimli Öğrenme ( supervised learning)
- Gözetimsiz Öğrenme ( unsupervised learning )
- Pekiştirmeli Öğrenme ( reinforcement learning )
- Yarı Gözetimli Öğrenme ( semi supervised learning)
- Öğrenmeyi Öğrenme ( self learning )
Metot türlerimiz genel olarak bunlardır. Şimdi gelin her metodu ayrı ayrı inceleyelim.
gözetimli öğrenme
Makine öğrenmesi konusun bir alt konusu olan gözetimli öğrenme ya da diğer kullanılan adıyla denetimli öğrenme çoğunlukla makine öğrenme ve yapay zeka konularında kullanılır. Detaylı anlatıma geçmeden kısa bir anlatım yapmam gerekirse, yapay zekalı makinelerimizin öğrenebilmesi ve gelişebilmesi için tasarlanmış bir makine öğrenme algoritmasıdır.
Yapay zekaya bir şeyler öğretebilmemiz için tasarlanan bu algoritmayı kullanırken, yapay zekayı daha önceden etiketlenmiş verileri kullanarak eğitirsiniz. Yani kullandığınız verilerden bazılarının çıkış verileri (cevapları) etiketlenmiştir. Oluşturduğumuz bu algoritma etiketlediğimiz veriler sayesinde öğrenir ve bu sayede bilinmeyen veriler için çıktıları tahmine etmemize olanak sağlar. Fakat bu işlem yukarıda yazıldığı kadar kolay değildir. Makine öğrenmesi için yeterince iyi bir algoritma yazabilmek işinde uzman ve yetenekli veri bilimcilerinden oluşan bir ekip sayesinde geliştirilebilir. Sizlere gözetimli öğrenmenin ne olduğunu anlattık gelin beraber nasıl çalıştığına göz atalım.
gözetimli öğrenme nasıl çalışır ?
Yapay zekaya eğitim verilirken gözetimli makine öğrenmesi çok büyük rol oynar. Eğitim sırasında, yapay zekaya gönderilen çok sayıda etiketlenmiş veri ile yapay zeka beslenir. Biraz önce bahsettiğimiz gibi, eğitim verileri, yapay zekamıza farklı girdilerin, doğru çıktılarının nasıl olması gerektiği hakkında bir bilgi girişi sağlar. Öğrenme kısmı bittikten sonra yapay zekamızı test etmek için test verileri gönderilir. Bu veri akışında araştırmacıların yapay zekanın eğitimi ve doğrulu hakkında bilgi edinmesi sağlanır. Fakat şunu unutmamak gerekir bu test verilerinin kümesinin büyüklüğü, kalitesi ve oluşturulan algoritmaya bağlı olarak değişiklik gösterir. Test verileri oluşturulurken eğitim verilerinden farklı veriler sayesinde oluşturulması önemli bir unsurdur. Çünkü eğitim verilerine sahip büyük kapasitedeki test verilerinde başarılı sonuçlar alırken eğitim verilerinden farklı düşük kapasitede verilerde başarıyı sağlayamazlar bu yüzden test verilerinde eğitim verileriyle benzerlik olmaması proje için iyi bir şeydir.
gözetimsiz öğrenme
Gözetimsiz makine öğrenmesi gözetimli öğrenmenin aksine, gözetimsiz öğrenmeyi kullanırken bir insana gerek yoktur. Algoritmayı oluşturan veri bilimcisi, verileri oluşturarak algoritmanın kendi başına inceleyerek kendi başına öğrenmesini sağlar. Başka bir açıklama yaparsak, makine öğrenmesi alt konusu olan gözetimsiz öğrenmede sisteme dışarıdan rehberlik edilmesine ihtiyaç yoktur yani veriler girilirken gözetimli öğrenmede olduğu gibi etiketlenmiş veriler girilmez.
Gözetimsiz makine öğrenmesi ile oluşturulmuş bir yapay zeka verilerin gruplandırılması için belirli bir kategori verilmese bile verileri kendi aralarında benzerlik oranlarına göre gruplara ayırabilir. Gözetimsiz makine öğrenmesi gözetimli öğrenmeye göre karmaşık işleri gerçekleştirmede daha verimlidir.
gözetimsiz öğrenme nasıl çalışır
Gözetimsiz öğrenmenin başlayabilmesi için gerekli olan işlem, makine öğrenimi mühendislerinin ya da veri bilimcilerinin öğrenme için gerekli olan verileri önceden bir algoritmadan geçirmeleri gerekmektedir.
Burada anlatmak istediğimiz daha önce de belirttiğimiz gibi bu tür bir gözetimsiz öğrenme sürecinde kullanılan verilerin veri setlerinde hiçbir etiketlenen veri bulunmamaktadır. Eğitim sırasında da algoritmadan geçirilen her bir girdi, etiketlenmemiş ya da kategorilendirilmemiş verilerdir.
Gözetimsiz öğrenmemin amacı, oluşturulan algoritmanın eğitim sürecince aldığı veri kümeleri içindeki kalıpları anlamasını ve yeni girilen girdilerin kalıplara göre kategorize edilmesini sağlar. Sonuç olarak bu kategorize etme sonucunda çıktılar oluşur. Bu öğrenme şekline bir örnek verilecek olursak, hayvan fotoğraflarının olduğu bir veri grubu oluşturduğumuzu düşünelim ve önceden gözetimsiz öğrenme ile eğitilen yapay zekamıza bu veri grubunu girdi olarak gönderelim. Yapay zekamız bu hayvanları kürklüler, pullular ve tüylüler olarak gruplandıracaktır. İleride ise daha çok gelişerek ve öğrenerek daha spesifik gruplar halinde gruplayabilir.
Gözetimsiz Öğrenme Türleri
Gözetimsiz öğrenme türleri ikiye ayrılır.
- Kümeleme
- İlişkilendirme
kümeleme
Kümeleme dediğimiz ya da kümeleme analizi olarak adlandırdığımız yöntem verileri kümeler halinde gruplar. Bu gruplamayı yaparken ise en çok benzerliğe sahip verileri bir grupta toplar. Geriye kalan veriler ise diğer kümelere ayrılır.
Kümeleme de kendi aralarında dört gruba ayrılır.
- Özel Kümeleme: Adından da anlaşılabileceği gibi veriler kümelenirken belirli verilerin yalnızca bir kümede birleştirilmesini sağlar.
- Hiyerarşik Kümeleme: İki tür hiyerarşik gruplama sistemi vardır. Bunlardan ilki aglomeratiftir. Aglomeratif aşağıdan yukarıya doğru yaklaşımı izler. Diğeri ise bölücü olarak adlandırılır. Bölücü aglomeratifin tam tersi olarak yukarıdan aşağı bir yaklaşım izler.
- Örtüşen Kümeleme: Bir veri grubunun iki ya da daha çok kümede gruplandırılmasıdır.
- Olasılıksal Kümeleme: Olasılık, küme oluşturabilmek için olasılığı kullanır.
ilişkilendirme
İlişkilendirme öğrenimi genellikle büyü veri tabanlarında kullanılır. Büyük veri tabanlarında kullanılma amacı ise değişkenler arasındaki bağlantıları bulmak için kullanılan denetlenmeyen bir öğrenme yöntemidir.
pekiştirmeli makine öğrenimi
Pekiştirmeli makine öğrenmesi sürecinde insanlar tarafından kontrol edilmez ve yapay zeka art arda kararlar verir. Denetimli makine öğrenmesine göre farkı, verilerin etiketlenmesi ya da uygun olmayan verilerin düzeltilmesi gerekmez. Bunlar yerine amaç keşiftir.
Pekiştirmeli Öğrenmenin Öne Çıkan Yönleri
- Makinelerin hızlı bir şekilde öğrenmesini ve farklı görevler için gelişmesini sağlar
- Yapay zeka yalnızca kendi hareketlerinden öğrenir.
- Bir insan gözleminde gerçekleşmez her şeyi tek başına gerçekleştirir.
- Yapay zeka bir problemi çözerken verimini arttırmak için çözümü mükemmelleştirir.
yarı gözetimli makine öğrenimi
Yarı gözetimli öğrenme, gözetimli ve gözetimsiz öğrenmenin tam arasında bir yerdedir. Çok fazla etiketlenmemiş veriye sahipken küçük boyutlu etiketlenmiş verilere de bünyesinde bulundurur.
öğrenmeyi öğrenme
Öğrenmeyi öğrenme metodunda ise yapay zekamız geçmişte topladığı verilerden ve yapmış olduğu çalışmalardan dolayı elde ettiği bilgileri kullanarak yeni şeyler öğrenir. Aslına bakarsanız bir insan zekası gibi çalışır önceden edindiği bilgileri kullanarak yeni bilgilere ulaşır ve gelişmeye sürekli olarak devam eder. Bir gün yapay zekaya sahip bir makine veya insansı bir robot yapmayı düşünürseniz bu yöntemi kullanmak sizin için yararlı olabilir. Yaptığınız makineyi sürekli güncelleyerek yeni veriler sayesinde öğrenmesini sağlamak yerine kendi başına öğrenmesini sağlayarak üzerinizden büyük bir iş atmış olursunuz.
