Yapay zekanın temelleri olan makine öğrenimiyle tanışın

Dev firmaların başarısının anahtarı, uzman ekiplerinin ve analistlerinin makine öğrenimi tekniklerini ustalıkla kullanmasından geçiyor. Bilgisayarlar, akıllı telefonlar ve diğer teknolojik cihazlarla her gün üretilen muazzam veri yığını, özellikle bu veriden nasıl yararlanılacağını bilmeyenler için bunaltıcı olabiliyor.

Veriyi en etkin şekilde değerlendirmek için araştırmacılar ve programcılar, kullanıcıyı etkileyen deneyimler yaratmak üzere makine öğreniminden faydalanıyorlar.

Makine öğrenimi nedir?

Makine öğrenimi, bilgisayarların açıkça programlanmadan deneyimlerden ve verilerden öğrenmesini sağlayan bir yapay zeka dalı olarak karşımıza çıkıyor. Bu, bilgisayarların zamanla kendi kendilerini geliştirmelerine ve yeni bilgilere adapte olmalarına olanak tanır. Makine öğrenimi algoritmaları, örüntüleri ve ilişkileri tanımlamak için büyük miktarda veriyi analiz eder. Bu veriler, metin, resim, ses veya sensör verileri gibi farklı biçimlerde olabilir. Algoritmalar, verilerdeki örüntüleri öğrenerek gelecekteki sonuçları tahmin etmeyi veya yeni bilgiler üretmeyi öğrenebilir.

Özellikle veri bilimciler için her geçen gün geliştirilen yöntemler arasında öne çıkanlar denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme teknikleri. Yazımızda denetimli, denetimsiz, ve pekiştirmeli öğrenmenin ne olduğunu, aralarındaki farkları ve her birinin tanınmış şirketler tarafından nasıl uygulandığını inceleyeceğiz.

Denetimli öğrenme

Denetimli makine öğrenimi veriye dayalı tahminler yapmak için kullanılır. Bu tür tahminleri yapabilmek için, öngörmek istediğimiz şeyi, yani hedef değişkeni önceden bilmemiz gerekir. Hedef etiketin yer aldığı bu veri kümelerine, algoritmalara veriyi doğru kategorilere ayırabilmeyi veya sonuçları öngörebilmeyi öğretmek adına “etiketli veri kümeleri” denir. İşte denetimli öğrenmenin çalışma prensibi:

• Hedef değeri bilmek gerekir.
• Hedefler, etiketli veri kümelerinde yer alır.

Bir örnek üzerinden gidelim: Ev fiyatlarını tahmin etmek istediğimizde denetimli öğrenme imdadımıza yetişebilir. Bunun için modeli, evin metrekaresi, oda sayısı, çevredeki imkanlar gibi özelliklerin yanında en önemlisi tahmin edilmesi gereken değişken yani evin fiyatını da içeren bilgilerle eğitiriz.

Denetimli makine öğrenimi algoritması, daha önce bahsettiğimiz özelliklere dayanarak evin olası fiyatını tahmin etmek, gelecekteki satış trendlerini öngörmek gibi tahminler yapabilir. Bu bilgileri edinmek kimi zaman kolay olsa da, bazı durumlarda maliyetli, erişilemez veya elde etmesi zor olabilir; denetimli öğrenmenin en önemli dezavantajlarından biri de budur.

Garnet’de Kıdemli Direktör Analist olarak görev yapan Saniye Alabeyi, denetimli öğrenmeyi günümüz ekonomisinin bel kemiği olarak görüyor: “2022 yılı boyunca, denetimli öğrenme kurumsal bilişim liderleri tarafından en fazla kullanılan makine öğrenimi türü olmayı sürdürecek.”

Denetimli öğrenmeyle çözülen sorunlar

Denetimli öğrenme iki farklı problem türüyle ilgilenir:

• Sınıflandırma problemleri
• Regresyon problemleri

Sınıflandırma problemleri: Bu tür problemlerde, örnekler bir ya da daha fazla sınıfa ayrılır. Örneğin, bir öğrencinin geçmiş performansına dayanarak dersten geçeceğini ya da kalacağını tahmin etmeye çalışıyorsak, modelin vereceği sonuç “geçti/kaldı” şeklinde kategorik olacaktır. Sınıflandırma problemleri genellikle Naïve Bayes, Destek Vektör Makineleri, Lojistik Regresyon gibi algoritmalarla çözülür.

Regresyon problemleri: Çıktı değişkeninin gerçek veya sürekli bir değere sahip olduğu problemler, regresyon problemi olarak tanımlanır. Yine öğrenci örneğine dönecek olursak, geçmiş performansına dayanarak bir öğrencinin sınavdan ne not alacağını tahmin etmeye çalışırken, modelin vereceği sonuç “%68” gibi sayısal bir değer biçiminde olacaktır. Bir bölgedeki ev fiyatlarını tahmin etmek de bir regresyon problemidir; bu tür problemler doğrusal regresyon, doğrusal olmayan regresyon, Bayesyen doğrusal regresyon gibi algoritmalarla çözülebilir.

Denetimsiz öğrenme

Elimizde belirgin bir kalıp içermeyen devasa bir veri yığını olduğunu düşünün. Etiketlerin veya hedef değerlerin bulunmadığı bir veri kümesi, tahmin edilmesi gereken sonuca kendiliğinden ulaşamaz. Peki bu, verinin tamamen kullanışsız olduğu anlamına mı gelir? Tabii ki hayır! Bu veri kümesinin içinde keşfedilmeyi bekleyen birçok gizli örüntü bulunabilir.

İşte denetimsiz öğrenme tam da bu noktada devreye girer; verinin altında yatan örüntüleri inceleyerek sonuçları tahmin etmeye çalışır. Basitçe ifade etmek gerekirse, denetimsiz öğrenmede modele sadece veri sağlanır ve modelin görevi bu verideki gizli kalıpları kendi kendine bulması beklenir.

Denetimsiz öğrenme, veri içinde tam olarak ne aradıklarından emin olmayan araştırmacılar için son derece faydalı bir öğrenim türü olarak karşımıza çıkıyor. Verideki bilinmeyen benzerlikleri ve farklılıkları tespit ederek bunlara göre gruplar oluşturmak için kullanılır. Örneğin, denetimsiz öğrenmenin uygulamalarından biri, kullanıcıları sosyal medya aktivitelerine göre sınıflandırabilir.

Yaygın olarak kullanılan denetimsiz makine öğrenimi algoritmaları arasında K-ortalamalar kümeleme, sinir ağları, temel bileşenler analizi, hiyerarşik kümeleme ve benzeri birçok yöntem yer alır.

Pekiştirmeli öğrenme

Makine öğreniminin bir diğer türü olan pekiştirmeli öğrenmede algoritmalar bir ortamda kendi kendilerine öğrenirler. Bu alan, yıllardır popülerliğini giderek artırmakta ve çok çeşitli öğrenme algoritmalarının geliştirilmesini sağlıyor. Pekiştirmeli öğrenme, etiketli veri veya eğitim seti gerektirmediğinden ne denetimli ne de denetimsiz öğrenme kategorisine girer. Pekiştirmeli öğrenmenin temelinde, öğrenen aracının eylemlerine verilen yanıtı izleme yeteneği yatar.

Çoğunlukla oyun geliştirme, robotik ve benzeri alanlarda kullanılan pekiştirmeli öğrenme bir “öğrenen aracı”dan faydalanır. Bu uygulamada bir başlangıç durumu ve bir bitiş durumu söz konusu. Öğrenme aracısının nihai amaca ulaşması için farklı yollar denenebilir. Bu süreçte aracı, içerisinde bulunduğu ortamı değiştirmeye çalışabilir, bir durumdan diğerine geçebilir. Başarılı olduğunda ödüllendirilen aracı, başarısızlık durumunda ise herhangi bir ödül almaz.

Günümüzde Amazon’un depolarında ürünleri toplayan ve taşıyan robotları varsa, bunu pekiştirmeli öğrenmeye borçluyuz. Google, IBM, Sony, Microsoft gibi sayısız bilişim şirketi pekiştirmeli öğrenmeyle ilgili projelere odaklanan araştırma merkezleri kurmuş durumda.

Facebook gibi sosyal medya platformları da diller gibi farklı girdileri hesaba katabilen, adalet, gizlilik ve güvenlik gibi gerçek dünya değişkenlerini işin içine dahil eden, insan davranışlarını ve etkileşimlerini taklit edebilen pekiştirmeli öğrenme modelleri uygulamaya başladı.

Denetimli, denetimsiz ve pekiştirmeli öğrenmenin karşılaştırması

Makine öğreniminin bu üç temel yöntemini karşılaştıralım:

Makinelerin öğrenme yöntemleri konusundaki araştırmalar tüm hızıyla devam ediyor. Gelecekte bizi daha da şaşırtıcı ve yenilikçi uygulamaların beklediğine hiç şüphe yok.

“En iyi” makine öğrenimi tekniği var mıdır?

Makine öğreniminin derin öğrenme için olmazsa olmaz üç temel yöntemini inceledik. Aslında bunların dışında yarı denetimli öğrenme, kendi kendini denetleyen öğrenme gibi başka öğrenme türleri de mevcut.

Denetimli, denetimsiz ve pekiştirmeli öğrenme yöntemlerinin tümü farklı görevleri tamamlamak için kullanılır. Her sorunu tek başına çözebilecek bir algoritma yoktur; niteliği gereği farklı sorunlar, farklı çözüm yaklaşımları gerektirebilir.

Üç öğrenme türü arasında birçok fark olsa da her biri verimli ve yüksek değerli makine öğrenimi ve yapay zeka uygulamaları geliştirmek için kullanılabilir. Tüm bu teknikler, karmaşık görevlerin çözümüne ve zorlukların aşılmasına yardımcı olmak için farklı araştırma ve geliştirme alanlarında uygulanır.

Öne çıkan kaynak görseli: Markıs Winkler / Pexels