Makine Öğrenmesi Nedir?

Makine öğrenmesi, matematiksel ve istatistiksel yöntemlerle mevcut veriden örüntü çıkarıp yeni veriler için tahmin üreten yapay zekâ alanıdır. Bilinmeyene yönelik yapılan bu tahminlerin yöntem paradigması olarak bilinen bu kavram, günümüzde birçok alanda sıklıkla tercih edilmektedir.

Örneğin;

• Belirli belirtileri göstermesi nedeniyle spam tespiti yapılması,

• Birkaç tasvir ile robot resim çizimi gibi durumlar bu yöntem kullanılır.

Makine Öğrenmesinde Terminolojinin Yeri

Bir alandaki kavramların ve belirtilerin bir bütün haline getirilmesi olarak açıklanan terminolojinin makine öğrenmesi sürecindeki yeri oldukça önemlidir. Terminoloji gerçekleştirilirken;

• Gözlem yapılarak öğrenmek ve değerlendirmek amacıyla bütün veriler toplanır.

  

• Yapılan gözlemler sayısal olarak temsil edilir ve bu sayısal veriler muhafaza edilir.

• Gözlemler sonucunda kategorileştirme yani etiketleme yapılır.

• Algoritmanın gözlemler dizisi halinde olan verilere bakarak çıkarım yapması gerçekleştirilir.

• Çıkarım sonucu algoritmanın modelinin ne kadar gerçekçi olduğu test edilir.

Kısacası terminoloji machine learning olarak da adlandırılan bu sistemin en önemli unsurlarından biridir.

Makine Öğrenme Türleri

Makine öğrenmesi iki farklı şekilde yapılır. Bunlar;

• Gözetimli öğrenme ve

• Gözetimsiz öğrenme şeklindedir.

Gözetimli öğrenme sürecinde etiketlenmiş olan gözlemler ele alınır. Etiketler algoritmayı yönlendirerek çıkarım yapmasını sağlamaktadır.

Bu duruma çok basit bir örnek verebiliriz. Akıllı telefonlarda bulunan spam özelliği kullanılarak 444’lü bir numara spam olarak işaretlenirse; cihazın algoritması 444’lü bütün telefon numaralarını spam olarak etiketler. Numaranın devamı ya da kime ait olduğu burada dikkate alınmaz.

Bu süreçte kullanılan diğer yöntemler ise;

• Sınıflandırma,

• Regresyon şeklinde gerçekleştirilen gözlemlerdir.

Diğer bir makine öğrenme türü olan gözetimsiz öğrenme sürecinde etiketsiz gözlemler kullanılır. Burada algoritmanın kendisi görünmeyeni görmeye çalışarak keşifler yapar. Bu çalışmalar esnasında;

• Kümeleme,

• Boyut azaltımı gibi yöntemler kullanılır.

Makine Öğrenmesi Süreci

Algoritmaların öğrenme sürecinde öncelikle ham veriler bulunur ve algoritmaya iletilir. Bu veriler genel olarak sayısal ölçümler, puanlamalar, metin gibi bilgilerdir.

Ardından sırası ile şu adımlar atılır:

• Özellik Çıkarımı

• Model Oluşturma

• Değerlendirme

• Tahmin

Değerlendirme süreci oldukça önemlidir ve başarılı sonuçlar elde edilebilmesi için gereklidir. Bu aşamada;

• Accuracy (Doğruluk)

• Sensitivity (Hassaslık)

• Specificity (Belirginlik) gibi testler gerçekleştirilir ve yapılan çıkarımların en iyisi olduğu kanıtlanır.

Şayet değerlendirme sonucunda istenilen sonuçlara ulaşılamaz ve modelin başarılı olmadığı düşünülürse iyileştirme yapılır. Bazı eklemeler yapılarak yeniden model oluşturulur ve oluşturulan model tekrar testlerden geçirilir. Bu süreç istenilen sonuç elde edilene kadar devam edebilir.