Makine öğrenmesi, insanların öğrenme şeklini taklit eden, veri ve algoritmaların kullanımına odaklanan ve potansiyelini kademeli olarak artıran bir yapay zekâ dalıdır. Veri bilimi, derin öğrenme, doğal dil işleme gibi birçok teknoloji trendiyle iş birliği yaparak hemen hemen her sektörde insanlara büyük kolaylıklar sağlar. Bu yazımızda makine öğrenmesi nedir, türleri nelerdir, nasıl çalışır ve günlük hayatta ne şekillerde karşımıza çıkar bunlardan bahsedeceğiz.
Makine Öğrenmesi Nedir?
Makine öğrenmesi (ML), makinelere yapılan minimum insan müdahalesi ile tahminler yapmak için kalıplar belirlerken verilerden ve geçmiş deneyimlerden otomatik olarak öğrenme yeteneği sağlayan bir yapay zekâ türüdür. Bilgisayarların açık bir programlama olmadan otonom olarak çalışmasına olanak veren bir teknolojidir. Algoritmalar elde ettikleri yeni verilerle beslenir ve insan müdahalesi olmadan öğrenmeye devam ederek kendilerini geliştirirler.
Makine Öğrenmesi Türleri
Algoritmalara göre değişim göstermekle birlikte, öğrenme az ya da çok insan müdahalesine ihtiyaç duyarak çalışır. Makine öğrenim türleri dört ana başlık altında incelenebilir:
1. Denetimli makine öğrenmesi:
Denetimli öğrenmede, bilgisayara insana ait bir görevi nasıl yapacağını öğrenmesini sağlayan etiketli bir veri seti sağlanır. Makine sağlanan girdiyle insan öğrenmesini kopyalar ve oluşturacağı çıktıyı bu öğrenmeye eşitler. En az karmaşık olan öğrenme modelidir.
Denetimli öğrenme iki geniş algoritmaya ayrılır. Bunlardan ilki sınıflandırmadır. Sınıflandırma adından da anlaşılacağı gibi bir sınıflandırma algoritmasıdır. Evet veya hayır, doğru veya yanlış, erkek veya kadın gibi sınıflandırmaları gerçekleştirir. Bir diğer kategori ise regresyondur. Regresyon algoritmaları, girdi ve çıktı değişkenlerinin regresyon problemlerini ele alır. Sürekli olarak çıktı değişkenlerini tahmin eder. Hava tahmini, piyasa trend analizi gibi uygulamalar regresyon algoritmalarına örnektir.
2. Denetimsiz makine öğrenmesi
Denetimsiz öğrenmede, bilgisayara daha önce etiketlenmemiş veriler sağlanır. Makine bu etiketlerden bilinmeyen kalıpları ve içgörüleri herhangi bir denetim olmadan çıkarır. Denetimsiz bir öğrenme algoritması, veri kümesindeki girdileri benzerliklerine, farklılıklarına ve kalıplarına göre gruplandırmayı amaçlar. Bilgisayar bunu birçok farklı teknikle yapabilir;
- Kümeleme: Bilgisayarın bir veri kümesi içinde benzer veri noktalarını bulduğu ve bunları buna göre grupladığı tekniktir.
- Anomali tespiti: Bilgisayarın bir veri kümesi içindeki verilerin geri kalanından önemli ölçüde farklı olan veri noktalarını tanımladığı tekniktir.
- Temel bileşenler analizi: Bilgisayarın bir veri kümesini analiz etmesi ve doğru tahminler elde etmek için kullanılabilecek şekilde özetlemesi tekniğidir.
3. Yarı-denetimli makine öğrenmesi
Yarı denetimli öğrenmede bilgisayara sadece bir kısmı etiketlenmiş veri seti sağlanır. Bilgisayar etiketlenmiş veri dizilerini kullanarak etiketlenmemiş verileri anlar, yorumlar ve görevini yerine getirir.
4. Pekiştirmeli makine öğrenmesi
Denetimli öğrenmenin aksine, pekiştirmeli öğrenme etiketli verilerden yoksundur ve aracılar yalnızca deneyimler yoluyla öğrenir. Pekiştirmeli öğrenmede bilgisayar ilk olarak çevresini gözlemler. Gözlem ardından algoritma çevresini otomatik olarak algılar, harekete geçer, deneyimlerden öğrenir ve performansı artırır. Elde ettiği veriler sonucunda riski en aza indirir ve ideal davranışı belirler. Bu şekilde bilgisayarın ortaya koyabileceği en iyi eylem tanımlanmış olur.
Pekiştirmeli öğrenme kendi içinde iki geniş algoritmaya ayrılır. Bunlardan ilki olumlu pekiştirmeli öğrenmedir. Olumlu pekiştirme, algoritmanın gerçekleştirdiği bir davranıştan sonra pekiştirici bir uyaran eklemeyi ifade eder, bu da gerçekleşen davranışın gelecekte tekrar ortaya çıkma olasılığını artırır. Diğer algoritma ise negatif pekiştirmeli öğrenmedir. Negatif pekiştirme algoritması olumsuz bir sonuçtan kaçınan belirli bir davranışı güçlendirmeyi ifade eder.
Makine Öğrenmesi Nasıl Çalışır?
Makine öğrenmesi karmaşık algoritmalarla birlikte çalışır. Nasıl çalıştığı ise birlikte çalıştığı algoritmalara göre şekillenir. Basit bir şekilde açıklamak gerekirse, öğrenme modeli verilere bakan ve kalıpları tanımlayan ve ardından atanan görevi daha iyi tamamlamak için bu verileri kullanan bir yapay zekadır. Bu yapay zekâ sayesinde kurallara dayanan görevler otomatikleştirilebilir. Bir öğrenme algoritmasının öğrenme sistemi üç ana bölüme ayrılır.
- Karar Süreci: Tahmin veya sınıflandırma yapmak için algoritmalar kullanılır. Algoritma, etiketli veya etiketli olmayan verilere dayanarak, bir model hakkında tahmin üretir.
- Hata İşlevi: Hata işlevi modelin tahmininin değerlendirilmesi aşamasıdır. Eğer daha önceden bilinen modeller varsa algoritma tarafından karşılaştırmalar yapılır.
- Model Optimizasyon Süreci: Model ve daha önceden bilinen model arasındaki farklar karşılaştırılarak en aza indirgenir. Doğruluk eşiğine ulaşana kadar karşılaştırma ve fark azaltma işlemi devam eder.
Derin Öğrenme ve Makine Öğrenmesi Nasıl İlişkilidir?
Makine öğrenmesi, bir veri seti alabilen ve onu kalıpları tanımlamak, içgörüleri keşfetmek veya tahminler yapmak için kullanabilen geniş bir algoritmadır. Derin öğrenme ise makine öğrenmesinin işlevselliğini alan ve yeteneklerinin ötesine geçen bir alt daldır.
Makine öğrenmelerinde algoritma sonuçlarını inceleyen ve ayarlamalar yapan insanların müdahalesi söz konusudur. Derin öğrenmenin böyle bir müdahaleye ihtiyacı yoktur. Sonuçları kendi sinir ağını kullanarak kontrol eder. Derin öğrenme algoritmasında bulunan sinir ağı insan beyninin yapısını kopyalayan bir algoritmadır. Bu sinir ağı algoritması ilgili görevde nasıl daha iyi hale geleceğini zamanla öğrenir.
Sinir ağının gelişimi için iki ana aşama vardır; eğitim ve çıkarım. Eğitim, derin öğrenme algoritmasına bir veri seti sağlandığı ve bu veri setinin neyi temsil ettiğini yorumlamakla görevlendirildiği ilk aşamadır. Mühendisler daha sonra sinir ağına yorumunun doğruluğu hakkında geri bildirim verir ve algoritma kendini buna göre ayarlar. Çıkarım ise sinir ağının daha önce hiç görmediği bir veri setini alıp neyi temsil ettiği hakkında doğru tahminlerde bulunabildiği aşamadır.
Kullanım Alanları
Geçtiğimiz yıllarda veri işlemeyle yakından ilgilenen sektörler makine öğrenmesinin önemini fark etmeye başladı. Verimli algoritmalarla verilerden içgörüler oluşturan sektörler rakiplerine karşı büyük bir rekabet üstünlüğü sağlamaktadır.
Sağlık Sektörü
Makinelerle sağlanan algoritmalar teknolojisi, araştırmacılara hasta tanılarının ve tedavisinin iyileştirilmesine yardımcı olabilecek eğilimleri analiz etme konusunda önemi küçümsenemeyecek derecede yardımcı oluyor. Ayrıca, akıllı saat, fitness takip cihazları gibi giyilebilir teknolojilerle kullanıcıların sağlık verileri izleniyor ve analiz ediliyor.
İlaç sektörü de çok farklı ve çeşitli verinin analiz edilmesi için makine algoritmalarından faydalanıyor. Üretim sürecini hızlandırmasının yanı sıra ilacın insanlar üzerindeki etkilerinin görülmesine de yardımcı oluyor. Geleneksek kontrol aşamalarında ilaç küçük bir grup insan üzerinde deneniyorken algoritmalar daha büyük kitlelerin bireysel gen analizlerini gerçekleştirerek kişilerin ilaca verecekleri olası yanıtları belirleyebiliyor.
Finans Sektörü
Günümüzde hemen hemen tüm finansal kuruluşlar dolandırıcılık faaliyetleriyle mücadele etmek ve büyük hacimli verilerden temel bilgiler elde etmek için makine algoritmalarını kullanıyor. Elde edilen bilgiler, yatırımcıların ne zaman ticaret yapacaklarına karar vermelerine olanak sağlayan yatırım fırsatlarının belirlenmesine yardımcı oluyor.
Perakende Sektörü
Perakendeciler müşterilerine kişiselleştirilmiş alışveriş deneyimleri sunmak için çeşitli algoritmalar kullanır. Veriler toplanır, analiz edilir ve satın alma geçmişine göre yeni ürün önermeleri sağlanır.
Sosyal Medya
Sosyal medya platformlarındaki haber akışlarını kişiselleştirmekten, kullanıcıya özel reklamlar sunmaya kadar sosyal medyanın birçok bölümünde algoritmalar kullanılır. Örneğin, Facebook’ta bulunan fotoğraflara otomatik kişi etiketleme özelliği görüntü tanıma algoritmalarından yararlanır. Buna ek olarak, LinkedIn kimlerle bağlantı kurmanız gerektiğini bilir ve buna göre önermelerde bulunur.
Kazım Emre Akarsu, 2012 yılından beri Bilgisayar Mühendisi olarak çalışmaktadır. 2017 yılında Mesnet Bilişim Teknolojileri şirketini kurmuş ve Mespact Dijital İmza Uygulaması’nı geliştirmiştir.