Makine Öğrenimi Nedir? Kısa bir tanım.
Makine öğrenimi, sistemlere doğrudan programlanmadan tecrübe yoluyla kendiliğinden öğrenme ve gelişme yetisi kazandıran bir yapay zeka (AI) uygulamasıdır. Makine öğrenimi, veriye erişim sağlayabilen ve bu verileri kendi kendine öğrenebilmek için kullanabilen bilgisayar programlarını geliştirme üzerine odaklanır.
Öğrenme süreci, verilerde kalıplar aramak ve sağladığımız örnekleri temel alacak şekilde ilerde daha iyi kararlar verebilmek adına gözlemler veya veriler, doğrudan deneyimleme ya da yönlendirmelerle başlar. Temel amaç bilgisayarların insan müdahalesi veya yardımı olmaksızın kendiliğinden öğrenmelerine ve eylemlerini aynı doğrultuda düzenlemelerine olanak sağlamaktır.
Bazı Makine Öğrenimi Metodları
Makine öğrenim algoritmaları genellikle güdümlü (supervised) veya güdümsüz (unsupervised) öğrenme şeklinde sınıflandırılır.
1. Güdümlü (supervised) Makine Öğrenimi
Güdümlü makine öğrenim algoritmaları, gelecekteki olayları tahmin edebilmek için etiketlenmiş örnekleri kullanarak geçmişte öğrenilmiş bilgileri yeni verilere uygulayabilir. Öğrenme algoritması, çıktı değerleri hakkında tahminler yapabilmek için bilinen bir eğitim veri seti analizinden yola çıkarak çıkarım yapabilen bir fonksiyon üretir. Sistem, yeterli eğitimden sonra herhangi bir yeni girdi için hedefler sunabilir. Öğrenme algoritması, çıktısını doğru ve amaçlanan çıktı ile karşılaştırabilir ve modeli buna göre değiştirmek için hatalar bulabilir.
2. Güdümsüz (unsupervised) Makine Öğrenimi
Güdümsüz (unsupervised) makine öğrenimi algoritmaları ise eğitim için kullanılan bilgilerin sınıflandırılmadığı ve etiketlenmediği zamanlarda kullanılır. Güdümsüz öğrenme, sistemlerin gizli bir yapıyı tanımlayan bir fonksiyonu etiketlenmemiş verilerden nasıl çıkardığını araştırır. Sistem doğru çıktıyı hesaplamaz ancak verileri araştırır ve etiketlenmemiş verilerden gizli yapıları tanımlamak için veri kümelerinden çıkarımlar yapar.
3. Yarı Güdümlü (semi-supervised) Algoritmalar
Yarı güdümlü (semi-supervised) makine öğrenme algoritmaları eğitim için hem etiketlenmiş hem de etiketlenmemiş verileri kullandıkları için güdümlü ve güdümsüz öğrenme arasında bir noktada yer alır. Genel olarak az miktarda etiketlenmiş ve çok miktarda etiketlenmemiş veri kullanırlar. Bu yöntemi kullanan sistemler, öğrenmedeki doğruluk oranını önemli ölçüde iyileştirebilmektedir. Yarı güdümlü öğrenme genellikle edinilmiş etiketli veriyi eğitmek ve bu verilerden öğrenebilmek için nitelikli ve ilgili kaynaklara ihtiyaç duyduğunda seçilir. Bunun dışında etiketlenmemiş verinin toplanması genellikle ek kaynaklar gerektirmez.
4. Takviye Algoritmaları
Takviye makine öğrenimi algoritmaları eylemler üreterek çevresiyle etkileşime giren ve hataları veya ödülleri keşfeden bir öğrenme yöntemidir. Deneme yanılmayla arama ve gecikmeli ödül, takviye öğreniminin en önemli özellikleridir. Bu yöntem, makinelerin ve yazılım birimlerinin performanslarını en üst düzeye çıkarmak için belirli bir bağlamdaki ideal davranışı otomatik olarak belirlemelerini sağlar. Birimin hangi eylemin en iyi olduğunu öğrenmesi için basit bir geri bildirim gereklidir, bu da takviye sinyali olarak bilinir.
Makine öğrenimi büyük miktarda veri analizini mümkün kılar. Karlı fırsatları veya tehlikeli riskleri belirlemek için genellikle daha hızlı ve daha doğru sonuçlar sunabilirken, uygun şekilde eğitmek için ek zaman ve kaynak da gerektirebilir. Makine öğrenimini yapay zeka (AI) ve bilişsel teknolojilerle birleştirmek, büyük miktardaki bilginin işlenmesinde daha da etkili olabilir.
Kaynak: expertsystem.com
