Makine Öğrenimi (ML), bilgisayarların örüntü tanımayı geliştirme sürecini, verilere dayalı olarak sürekli öğrenme ve tahminlerde bulunma, insan müdahalesi ile programlanmadan ayarlamalar yapabilme yeteneğini ifade eden yapay zekâ dalıdır.
Yapay zekâ her ne kadar insanı taklit etse de, makineöğrenimi, bir makineye nasıl öğreneceğini öğreten bir teknolojidir.
Makineöğrenimi algoritmaları, yeni çıktı değerlerini tahmin etmek için geçmiş verileri girdi olarak kullanır. Yani, Ne kadar fazla veri elde ederseniz, yapay zekâ dalı o kadar iyi çalışır.
Makine öğrenimi nerede kullanılıyor?
Makineöğrenimi günümüzde birçok uygulamada kullanılıyor. Örneğin Meta şirketi, Facebook Haber Kaynağı‘nda, her kullanıcının özet akışını kişiselleştirmek için makine öğrenimini kullanıyor.
Teknoloji devi Tesla da, otomobillerindeki otonom sürüş teknolojisi için makine öğrenimi kullanıyor. Araç kullanıldıkça toplanan video verileri, süper bilgisayar tarafından toplanıyor ve ML için hatalar düzeltilerek kullanılıyor.
Aslında günlük hayatımızda makineöğrenimiyle, istenmeyen e-posta filtreleme, kötü amaçlı yazılım tehdidi tespiti gibi tercihlerde karşılaşıyoruz.
Temelde 4 farklı makine öğrenimi türü bulunuyor.
Kullanacak firma veya kişinin, seçtikleri makine öğrenimi türü, tahmin etmek istedikleri veri türüne bağlıdır. Algoritmalar genelde, tahminlerde doğruya ulaşmayı nasıl öğrendiğine göre sınıflandırılır.
Denetimli öğrenme, denetimsiz öğrenme, yarı denetimli öğrenme ve pekiştirmeli öğrenme şeklinde dört temel algoritma yaklaşımı bulunuyor.
- Denetimli makineöğrenimi, en az karmaşık olandır ve bilgisayara, bir insan görevini nasıl yapacağını öğrenmesini sağlayan etiketli bir veri seti oluşturulur. Algoritmanın hem girdisi hem de çıktısı belirtilir ve verileri ikiye ayırmanız veya birden çok makine öğrenimi tahminlerini birleştirmeniz durumunda oldukça kullanışlıdır.
- Denetimsiz makineöğreniminde, etiketli bir veri seti oluşturmak gerekmez. Algoritma, alt kümeler halinde gruplamak için kullanılabilecek kalıpları aramak için etiketlenmemiş verileri gözden geçirir. Daha önce bilinmeyen kalıpları ve/veya iç görüleri çıkarır. Veri setindeki anormallik tespitinde oldukça kullanışlıdır.
- Yarı denetimli makineöğreniminde, kısmen etiketli bir dizi veri seti oluşturmak gerekir. Etiketlenmemiş verileri yorumlamak için etiketlenmiş verileri kullanır. Birkaç olumlu örnek olduğunda dolandırıcılık vakalarını belirlemede oldukça kullanışlıdır.
- Güçlendirme makineöğrenimi, farklı bir amaca hitap eden algoritmayı hedefe ulaştırmak için önceden belirlenmiş bir dizi kuralı programlayarak çalışır. Verilerdeki riski en aza indirecek ve/veya faydayı en üst düzeye çıkaracak ideal davranışı belirlemek için kullanılır. Robotlar bu öğrenim algoritmasını kullanarak görevleri yerine getiriyor.
Makineöğrenimi büyük teknoloji devi firmaları, yazılım firmaları, ürün/hizmet satan firmalar ve bireysel kullanıcılar için hayatı kolaylaştırıyor ve sonuca yaklaşmayı hızlandırıyor. Belki aylar sürecek programları yazmak yerine bir algoritmayı yeni verilerle yenilemek tüm iş sürecinin otomatikleşmesini ve şirketlerin, zamandan tasarruf etmesini sağlıyor.
3 Yorum