Makine Öğrenimi Nedir?

Makine gün geçtikçe daha akıllı hale geldiğinden makine öğrenimi artık bilim kurgu işi değil.

Makine öğrenimi (ML), bir bilgisayar sistemine bir dizi veriye dayalı tahminler yapmayı öğretme sürecidir. Makine öğrenimi araştırmacıları, bir sistemi bir dizi deneme yanılma senaryosu besleyerek, verileri analiz edebilen, soruları yanıtlayabilen ve kendi başlarına kararlar alabilen yapay olarak akıllı sistemler oluşturmaya çalışır.

Makine öğrenimi genellikle, gelecekteki kararlarda çıkarım ve örüntü tanımaya yardımcı olan test verilerine dayalı algoritmalar kullanır ve geleneksel bilgisayar yazılımının gerektirdiği açık talimatlara olan ihtiyacı ortadan kaldırır.

Makine öğrenimi, sistemin gelecekteki kararlarını tahmin ettiği bir model oluşturmak için algoritmalara beslenen büyük miktarda veriye dayanır. Örneğin, sisteme beslediğiniz veriler bir yıl boyunca her gün öğle yemeğinde yediğiniz meyveler ise, farklı meyveleri analiz etmek için bir tahmin algoritması kullanabilir ve sonraki yıl hangi meyveleri yemenizin muhtemel olduğu bir tahmin modeli oluşturabilirsiniz.

Süreç, genellikle birden fazla algoritma kullanan deneme yanılma senaryolarına dayanmaktadır. Bu algoritmalar doğrusal modeller, doğrusal olmayan modeller ve hatta sinir ağları olarak sınıflandırılır. Nihayetinde birlikte çalıştığınız veri kümesine ve cevaplamaya çalıştığınız soruya bağlı olacaklar.

Makine öğrenimi algoritmaları nasıl çalışır?

Makine öğrenimi algoritmaları, verileri kullanarak zaman içinde öğrenir ve gelişir; insan eğitimi gerektirmez. Algoritmalar üç türe ayrılır: denetimli, denetimsiz ve pekiştirmeli öğrenme. Her öğrenme türünün farklı bir amacı vardır ve verilerin farklı şekillerde kullanılmasını sağlar.

Denetimli öğrenme

Denetimli öğrenme, denklemleri çözmek için girdi değişkenlerini bir çıktı değişkenine dönüştüren haritalama işlevini öğrenmek için bir algoritma tarafından kullanılan etiketli eğitim verilerini içerir. Bunun içinde iki tür denetimli öğrenme vardır: çıktı bir kategori biçimindeyken belirli bir örneğin sonucunu tahmin etmek için kullanılan sınıflandırma ve çıktı değişkeni ‘maaş’ ve ‘ağırlık’ gibi gerçek bir değer olduğunda belirli bir örneğin sonucunu tahmin etmek için kullanılan regresyon.

Denetimli öğrenme modeline bir örnek, bir örüntü tanıma yöntemi olan K-En Yakın Komşular (KNN) algoritmasıdır. KNN, bir nesnenin yakındaki benzer nesnelerin yayılmasına dayalı olarak sınıflandırılması hakkında eğitimli bir tahmine ulaşmak için bir çizelge kullanmayı içerir.

Yukarıdaki grafikte yeşil daire, yalnızca iki olası kategoriden birine ait olabilecek henüz sınıflandırılmamış bir nesneyi temsil eder: mavi kareler veya kırmızı üçgenler. Algoritma, hangi kategoriye ait olduğunu belirlemek için bu durumda grafikte kendisine en yakın nesnelerin hangileri olduğunu analiz edecek, algoritma makul bir şekilde yeşil dairenin kırmızı üçgen kategorisine ait olması gerektiğini varsayacaktır. 

Denetimsiz öğrenme

Denetimsiz öğrenme modelleri, yalnızca girdi değişkenleri olduğunda ve karşılık gelen çıktı değişkenleri olmadığında kullanılır. Verinin temel yapısını modellemek için etiketsiz eğitim verilerini kullanır.

Üç tür denetimsiz öğrenme algoritması vardır: pazar sepeti analizinde yaygın olarak kullanılan ilişkilendirme; başka bir küme içindeki nesnelere benzer örnekleri eşleştirmek için kullanılan kümeleme; ve önemli bilgileri olduğu gibi tutarken bir veri kümesindeki değişkenlerin sayısını azaltmak için kullanılan boyutsallık azaltma.

Takviye öğrenme

Takviye öğrenme, bir temsilcinin, bir ödülü en üst düzeye çıkaracak davranışları öğrenerek mevcut durumuna göre bir sonraki eylemine karar vermesine olanak tanır. Genellikle bir algoritmanın kurallarla sağlandığı ve zorluğu mümkün olan en verimli şekilde çözmekle görevlendirildiği oyun ortamlarında kullanılır. Model ilk başta rastgele başlayacak, ancak zamanla deneme yanılma yoluyla, puanları en üst düzeye çıkarmak için oyunda nerede ve ne zaman hareket etmesi gerektiğini öğrenecek.

Bu tür eğitimde ödül, basitçe olumlu bir sonuçla ilişkili bir durumdur. Örneğin, bir arabayı yolda engellere çarpmadan tutabilen bir algoritma, görev tamamlama ile ‘ödüllendirilecek’. 

Makine öğrenimi neden faydalıdır?

Temelde, makine öğrenimi çok fazla veri sorununu çözer; İnsanlar, eylemler, olaylar, bilgisayarlar ve aygıtlar tarafından üretilen o kadar çok bilgiye sahibiz ki, onlardan bir şey öğrenmek insanlar için neredeyse imkansızdır. Tıbbi analizde, binlerce MRI taramasında kalıp bulmak bir insanın tamamlaması saatler, günler veya haftalar alır, ancak bir makine doğru şekilde etiketlenirlerse bu bilgileri alabilir ve kalıpları saniyeler içinde tespit edebilir.

Makine öğrenimi nerede kullanılır?

Makine öğreniminin en basit ve en başarılı örneklerinden biri, her gün kullandığımız bir şeydir – Google Arama. Arama motoru, koyduğunuz metni okuyan ve analiz eden, sonuçları arama geçmişinize ve çevrimiçi alışkanlıklarınıza göre uyarlayan birçok makine öğrenimi algoritması tarafından desteklenmektedir. Örneğin, ‘Java’ yazarsanız, hangisini tercih edeceğinizi belirlediğine bağlı olarak, ya programlama dili ile ilgili sonuçlar alırsınız ya da kahve daha sık ortaya çıkar.

Gelecekteki teknolojik gelişmelerimizin çoğu, sürücüsüz arabalar ve akıllı şehirler gibi makine öğreniminin gelişimine bağlı. Makine öğrenimi algoritmalarına görüntülerdeki kalıpları tanımanın ve özelliklerine göre nesneleri tanımlamanın öğretildiği yüz tanıma sistemleri gibi akıllı şehirlere güç sağlayan sistemlerin çoğu kamusal alana giriyor . Bununla birlikte, bu, özellikle her zaman doğru olmadığı ve genellikle vatandaşların bir tür düzenli gözetimini içerdiği için, ML’nin tartışmalı bir kullanımı olduğu kanıtlanmıştır.

Veri önyargısı

Makine öğrenimi geliştikçe ve daha fazla teknolojide kullanıldıkça, kritik ve halka açık yazılımlara önyargı yerleştirme endişesi de artıyor. Makine öğrenimi uygulamaları verilere bağlıdır ve önyargının kaynağı bu veriler olabilir. Örneğin, daha çeşitli şekilde işe almak isteyen ancak mevcut çalışanının özgeçmişlerini kullanan bir şirket, varsayılan olarak makine öğrenimi programı yalnızca aynısını arayacaktır.

Hükümetleri endişelendiren bu tür bir makine öğrenimi uygulamasıdır ve bu nedenle, çoğu kişi bu sorunla mücadele etmek için kuralları ve düzenlemeleri uygulamaya başvurmaktadır. Birleşik Krallık Ver Etiği ve İnovasyon Merkezi (CDEI), algoritmik karar vermede olası önyargıları araştırmak için Kabine Ofisinin Irk Eşitsizliği Birimi ile güçlerini birleştireceğini duyurdu. Benzer şekilde, ABD hükümeti, bilgisayar sistemlerinde cinsel ve ırksal önyargı riskini azaltan AI üzerinde çalışmak için çeşitlilik düzenlemelerine pilotluk yapacak.

Yazının orijinali tıklayınız.