Makine Öğrenmesi Nedir?

Öğrenme, canlının yaşantıları sonucu hayatın da meydana gelen sürdürülebilir değişikliklerdir. Çevreye uyum sürecidir. Makine öğrenmesi (Machine Learning) ise geçmişteki verileri inceleyerek gelecek için tahminlerde bulunma ve olası problemlere çözümler üretme amacıyla ortaya çıkmış, otomatik olarak kendisini geliştiren bilgisayar programlarını nasıl elde ederiz sorusuyla ilgilenen, bilgisayarın öğrenme işlemini gerçekleşmesini sağlayacak algoritma ve tekniklerin gelişmesini sağlayan bir çalışma alanıdır. Makine öğrenmesi, bir çok alanda kullanımı mevcuttur. Örneğin, Spam/Spam değil, Youtube video önerisi, el yazısı tanıma, tıbbi tanı, borsa çözümleyicisi, DNA dizileri sınıflandırılması, bilgisayarla görme gibi ...
Makine öğrenme metodlarını algoritmaya göre sınıflandırdığımızda 6 ana başlıktan oluşmaktadır.

Gözetimli Öğrenme: Bu yöntem çıktı verilerinin kullanmadan sadece girdiler üzerinden öğrenme işlemini gerçekleştirmeye çalışır. Bu yöntem özellikle veri nesneleri kümesini toplamada kullanılır.

Gözetimsiz Öğrenme: Bu öğrenme tekniğinde algoritma girdilerle (etiketlenmemiş veri) çıktılar (etiketlenmiş veri) arasında eşleme yapan bir fonksiyon üretir. Eğitim verisi, girdi nesneleri ve istenilen çıktılarından oluşur.

Yarı-Gözetimli Öğrenme: Yarı-Gözetimli Öğrenme uygun sınıflama veya fonksiyonu bulmak için etiketlenmiş ve etiketlenmemiş örneklerin her ikisi de kullanılır. Genelde etiketlenmiş veri miktarı etiketlenmemiş veri miktarına göre daha azdır. Tüm etiketlenmemiş verileri de etiketlemek zordur. Bu sebeplerden dolayı yarı-gözetimli öğrenme pratik bir çözüm olarak düşünülebilir.

Ödüllü Öğrenme: Ödüllü Öğrenme, yöntemi öğreticili öğrenme yöntemine benzemekle birlikte, ağa hedef çıktılar yerine, ağın çıktılarının ne ölçüde doğru olduğunu belirten bir skor veya derece bildirilir.

Uyum Sağlama ile Öğrenme: Bu yöntem gözetimli öğrenme yöntemine benzer fakat kesin bir fonksiyona dayanmaz. Bunun yerine, yeni girdi ve çıktıları tahmin etmeye çalışır.

Öğrenme ile Öğrenme: Öğrenmek için öğrenme önceki deneyimleri temel alarak kendi tümevarımsal eğilimi ile öğrenen bir algoritmadır.

Makine öğrenme metodlarını sonuca göre sınıflandırdığımızda 5 ana başlıktan oluşmaktadır.

Eğri Uydurma: Geçmiş bilgilerin hangi sınıflara ait olduğu verildiğinde yeni gelen bilginin hangi sınıfa ait olduğunun bulunması işlemidir.

Kümeleme: Geçmiş bilgilerin bilinmediği durumlarda verilerden birbirine benzerlerin yer aldığı kümelerin bulunması işlemidir.

Sınıflandırma: Geçmiş bilgilere karşılık gelen sınıflar yerine sürekli değerlerin yer aldığı problemlerdir

Özellik seçimi: Veriye ait birçok özellikten verinin kümesinin veya sınıfının değerlerini belirleyen özelliklerin belirlenmesidir.

İlişki belirleme: Bulunan sınıf veya kümeler arasında ilişkilerin çözümlemesidir.

Terminoloji

Eğitim Verisi (Eğitim Kümesi – Örnekleme Kümesi)(Training Set): Girdi vektörlerinin ve cevap (çıktı) vektörlerini içerir ve özellikle gözetimli öğrenme yönteminde kullanılır.

Çapraz Doğrulama (Cross Validation): Eğitim verisi alt kümelere ayrılır. Tek alt kümeyi eğitim için kullanıp diğer kalan kümeleri doğrulama işlemi için kullanılır. Bu işlem çapraz bir şekilde tüm alt kümeler için tekrarlanır. Bu işleme çapraz doğrulama denir.

Gürültü (Noise): Konusu dışı ve anlamsız bilgi anlamına gelir. Makine öğrenmesi algoritmalarının amacı gürültüyü azaltıp doğru sınıflara ulaşmayı amaçlar. Gürültü, eğitim verisi açısından çok önemlidir. Eğer seçilen eğitim verisi az gürültülü ise bu durumda yeni gelen eğitim verilerinin tahmini zorlaşır.

Aşırı Beslenme (Over fitting): Örnek verinin çok küçük veya büyük olması, gürültü miktarı ve çakışmalar gibi sebeplere aşırı yüklenme denir.