{"id":28132,"date":"2020-12-18T11:36:43","date_gmt":"2020-12-18T08:36:43","guid":{"rendered":"https:\/\/www.turhost.com/blog\/?p=28132"},"modified":"2021-11-26T10:30:26","modified_gmt":"2021-11-26T07:30:26","slug":"makine-ogrenmesi-machine-learning-nedir","status":"publish","type":"post","link":"https:\/\/www.turhost.com/blog\/makine-ogrenmesi-machine-learning-nedir\/","title":{"rendered":"Makine \u00d6\u011frenmesi (Machine Learning) Nedir?"},"content":{"rendered":"\n

Evdeki herkesin Netflix’te farkl\u0131 ana sayfaya sahip olmas\u0131n\u0131n arkas\u0131nda, \u00f6nerilen programlar\u0131n do\u011frudan tercihlerimizle \u00f6rt\u00fc\u015fmesini sa\u011flayan bir teknoloji ve bu teknolojinin arkas\u0131nda da Makine \u00d6\u011frenmesi Nedir? sorusunun yan\u0131t\u0131 yer al\u0131yor. <\/p>\n\n\n\n

Verilere eri\u015febilen ve beklenen g\u00f6revleri; tahminler ve tespitler yoluyla otomatik olarak ger\u00e7ekle\u015ftirebilen bilgisayar programlar\u0131n\u0131n geli\u015ftirilmesi \u00fczerinde \u00e7al\u0131\u015fan bu teknoloji; bilgisayar sistemlerinin deneyimlerden \u00f6\u011frenmesine ve geli\u015ftirilmesine odaklan\u0131yor.<\/p>\n\n\n\n

\"makine<\/figure><\/div>\n\n\n\n

Makine \u00f6\u011frenmesi (Machine Learning), bilgisayar programlar\u0131n\u0131n algoritmalar ve e\u011fitim verileri arac\u0131l\u0131\u011f\u0131yla kal\u0131plar\u0131 \u00f6\u011frenebildi\u011fi bir yapay zeka uygulamas\u0131d\u0131r. <\/p>\n\n\n\n

Makine \u00f6\u011frenimi de denen makine \u00f6\u011frenmesi uygulamalar\u0131, do\u011frudan programlama olmadan t\u0131pk\u0131 insanlar\u0131n yapt\u0131\u011f\u0131 gibi deneyim yoluyla \u00f6\u011frenir. Algoritmaya sa\u011flanan e\u011fitim verilerine ba\u011fl\u0131 olarak bir makine \u00f6\u011frenimi yaz\u0131l\u0131m\u0131; verileri alg\u0131layabilir, tahminler yapabilir ve nas\u0131l iyile\u015ftirilebilece\u011fini \u00f6\u011frenerek g\u00f6revleri otomatik olarak tamamlamayabilir.<\/p>\n\n\n\n

Siri, Google Assistant ve Alexa gibi dijital asistanlar\u0131n da hayat\u0131m\u0131za girmesini sa\u011flayan makine \u00f6\u011frenmesi ilk kez terim olarak 1959’da IBM ara\u015ft\u0131rmac\u0131s\u0131 Arthur Samuel taraf\u0131ndan kullan\u0131lm\u0131\u015f. \u00c7al\u0131\u015fmalar\u0131 ancak 1966’da IBM’den emekli olduktan sonra geni\u015f \u00e7apta kabul g\u00f6ren Samuel’e her bir insan te\u015fekk\u00fcr bor\u00e7lu \u00e7\u00fcnk\u00fc son zamanlarda inan\u0131lmaz derecede \u00f6nemli hale gelen makine \u00f6\u011frenmesi; karma\u015f\u0131k sorunlar\u0131 \u00f6l\u00e7eklenebilir bir \u015fekilde \u00e7\u00f6zebilen b\u00fcy\u00fck bir deha.<\/p>\n\n\n\n

Art\u0131k doktorlar do\u011fru te\u015fhis ve tedavi i\u00e7in makine \u00f6\u011frenimini kullan\u0131yor, perakendeciler do\u011fru \u00fcr\u00fcn\u00fc do\u011fru zamanda do\u011fru ma\u011fazalara ula\u015ft\u0131rmak i\u00e7in makine \u00f6\u011frenimini kullan\u0131yor ve ara\u015ft\u0131rmac\u0131lar bu teknolojiyle daha etkili yeni ila\u00e7lar geli\u015ftirmeye \u00e7al\u0131\u015f\u0131yor. \u00c7arp\u0131c\u0131 \u00f6rneklere yaz\u0131m\u0131z\u0131n ilerleyen b\u00f6l\u00fcmlerinde yer verdik ama \u00f6nce makine \u00f6\u011frenmesinin bunlar\u0131 nas\u0131l ba\u015fard\u0131\u011f\u0131n\u0131 a\u00e7\u0131klayal\u0131m:<\/p>\n\n\n\n

Makine \u00d6\u011frenmesi Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h2>\n\n\n\n
\"makine<\/figure>\n\n\n\n

Makine \u00f6\u011frenmesi algoritmalar\u0131, makinelerin \u00f6\u011frenmesine izin vererek onlar\u0131 daha ak\u0131ll\u0131 hale getiren beyinler olarak tan\u0131mlanabilir. Bu algoritmalar\u0131n d\u00fczenli olarak yeni verilere ve deneyimlere maruz b\u0131rak\u0131lmas\u0131; s\u0131n\u0131fland\u0131rma, tahmine dayal\u0131 modelleme ve verilerin analiziyle ilgili \u00e7e\u015fitli g\u00f6revler konusunda b\u00fcy\u00fck i\u015fler ba\u015far\u0131lmas\u0131na olanak tan\u0131r.<\/p>\n\n\n\n

\u00d6\u011frenme s\u00fcreci, verilerdeki kal\u0131plar\u0131 aramak i\u00e7in \u00f6rnekler, do\u011frudan deneyim, talimatlar, g\u00f6zlemler gibi e\u011fitim verilerinin se\u00e7ilen algoritmaya girilmesiyle ba\u015flar. Bu algoritman\u0131n do\u011fru \u00e7al\u0131\u015f\u0131p \u00e7al\u0131\u015fmad\u0131\u011f\u0131n\u0131 test etmek i\u00e7in, yeni girdi verileri makine \u00f6\u011frenimi algoritmas\u0131na eklenir. Tahmin ve sonu\u00e7lar daha sonra kontrol edilir.<\/p>\n\n\n\n

Birincil ama\u00e7, bilgisayarlar\u0131n insan m\u00fcdahalesi olmadan otomatik olarak \u00f6\u011frenmesine izin vermektir.<\/p>\n\n\n\n

Makinenin daha fazla veriyle beslenmesi, “\u00f6\u011frenmesine” neden olan algoritmalar\u0131n etkinle\u015ftirilmesi ve elde edilen sonu\u00e7lar\u0131n iyile\u015ftirilmesi demektir.<\/p>\n\n\n\n

Tahmin beklendi\u011fi gibi de\u011filse, algoritma, istenen \u00e7\u0131kt\u0131 bulunana kadar bir\u00e7ok kez yeniden e\u011fitilir. Bu, makine \u00f6\u011frenimi algoritmas\u0131n\u0131n s\u00fcrekli olarak kendi ba\u015f\u0131na \u00f6\u011frenmesini ve zaman i\u00e7inde do\u011frulu\u011fu kademeli olarak artacak en uygun cevab\u0131 \u00fcretmesini sa\u011flar.<\/p>\n\n\n\n

Algoritma \u00f6\u011frenme a\u015famas\u0131n\u0131 ge\u00e7tikten sonra, edindi\u011fi bilgileri farkl\u0131 veri k\u00fcmelerine dayal\u0131 benzer problemleri \u00e7\u00f6zmek i\u00e7in kullanabilir.<\/p>\n\n\n\n

Makine \u00d6\u011frenmesi Algoritma T\u00fcrleri<\/h2>\n\n\n\n

Makine \u00f6\u011frenimi algoritmalar\u0131 her biri farkl\u0131 bir ama\u00e7 i\u00e7in tasarlanm\u0131\u015f 4 kategoriye ayr\u0131l\u0131r. \u00d6rne\u011fin, denetimli \u00f6\u011frenme verilerin kapsam\u0131n\u0131 \u00f6l\u00e7eklendirmek ve buna dayal\u0131 olarak tahminlerde bulunmak i\u00e7indir. \u00d6te yandan, verileri bir anlam ifade etmesi amac\u0131yla d\u00fczenlemek ve filtrelemek i\u00e7in denetimsiz algoritmalar kullan\u0131l\u0131r.
<\/p>\n\n\n\n

Denetimli Makine \u00d6\u011frenmesi (Supervised Algorithms)<\/h3>\n\n\n\n
\"makine<\/a><\/figure>\n\n\n\n


\u0130\u015flem s\u0131ras\u0131nda geli\u015ftiricinin bir miktar denetimini gerektiren algoritmalar, denetimli makine \u00f6\u011frenmesi olarak bilinir. Geli\u015ftirici e\u011fitim verilerini etiketler, algoritman\u0131n izleyece\u011fi kat\u0131 kurallar\u0131 ve s\u0131n\u0131rlar\u0131 belirler. B\u00f6ylece algoritmalar, gelecekteki olaylar\u0131 tahmin etmek i\u00e7in etiketli \u00f6rnekleri kullanarak ge\u00e7mi\u015fte \u00f6\u011frenilenleri yeni verilere uygulayabilir. <\/p>\n\n\n\n

Denetimli makine \u00f6\u011freniminde ama\u00e7, bir dizi ba\u011f\u0131ms\u0131z de\u011fi\u015fken \u00fczerinden tan\u0131mlanan bir i\u015flevi kullanarak hedef de\u011fi\u015fkeni tahmin etmektir.<\/p>\n\n\n\n

Denetlenen algoritmalar bir dizi giri\u015f verisini ve beklenen sonu\u00e7lar\u0131 tan\u0131mlayarak \u00e7al\u0131\u015f\u0131r Algoritma, e\u015flemeleri ve tahminleri do\u011fru bulundu\u011funda ba\u015far\u0131l\u0131 olarak kabul edilir. \u00d6\u011frenme algoritmas\u0131 ayn\u0131 zamanda \u00e7\u0131kt\u0131s\u0131n\u0131 do\u011fru \u00e7\u0131kt\u0131yla kar\u015f\u0131la\u015ft\u0131rabilir ve modeli buna g\u00f6re de\u011fi\u015ftirmek i\u00e7in hatalar\u0131 bulabilir.<\/p>\n\n\n\n

Denetimli makine \u00f6\u011freniminin en \u00fcnl\u00fc \u00f6rneklerinden biri, Boston konut fiyatlar\u0131 veri k\u00fcmesidir. Sat\u0131\u015f\u0131 yap\u0131lm\u0131\u015f evleri, \u00f6zelliklerini ve sat\u0131\u015f fiyatlar\u0131n\u0131 i\u00e7eren bu veri k\u00fcmesi herhangi bir evin sat\u0131\u015f fiyat\u0131n\u0131 tahmin edebilen bir makine \u00f6\u011frenimi modeli olu\u015fturmay\u0131 ama\u00e7lam\u0131\u015ft\u0131r.<\/p>\n\n\n\n

Denetimsiz Makine \u00d6\u011frenmesi (Unsupervised Algorithms)<\/h3>\n\n\n\n
\"makine<\/a><\/figure>\n\n\n\n

Denetimsiz makine \u00f6\u011frenimi algoritmalar\u0131; e\u011fitmek i\u00e7in kullan\u0131lan bilgilerin s\u0131n\u0131fland\u0131r\u0131lmad\u0131\u011f\u0131 veya etiketlenmedi\u011fi durumlarda kullan\u0131l\u0131r. Denetimsiz \u00f6\u011frenme, sistemlerin etiketlenmemi\u015f verilerden gizli bir yap\u0131y\u0131 a\u00e7\u0131klamak i\u00e7in bir i\u015flevi nas\u0131l \u00e7\u0131karabilece\u011fini inceler. <\/p>\n\n\n\n

Sistem do\u011fru \u00e7\u0131kt\u0131y\u0131 bulamad\u0131\u011f\u0131nda verileri ara\u015ft\u0131rmaya devam eder ve etiketlenmemi\u015f verilerden gizli yap\u0131lar\u0131 a\u00e7\u0131klamak i\u00e7in veri k\u00fcmelerinden \u00e7\u0131kar\u0131mlar yapar.<\/p>\n\n\n\n

Yar\u0131 Denetimli Algoritmalar (Semi-supervised Algorithms)<\/h3>\n\n\n\n
\"makine<\/a><\/figure>\n\n\n\n

Hem denetlenen hem de denetlenmeyen algoritmalar\u0131n \u00f6zelliklerini birle\u015ftiren algoritmalar, yar\u0131 denetimli makine \u00f6\u011frenmesi olarak tan\u0131mlan\u0131r. E\u011fitim verilerinin t\u00fcm\u00fc etiketlenmemi\u015f ve algoritma ba\u015flat\u0131l\u0131rken t\u00fcm kurallar sa\u011flanmam\u0131\u015f olabilir.<\/p>\n\n\n\n

Yar\u0131 denetimli makine \u00f6\u011frenimi algoritmalar\u0131, e\u011fitim i\u00e7in hem etiketli hem de etiketlenmemi\u015f verileri kullan\u0131r. Tipik olarak az miktarda etiketli veri ve b\u00fcy\u00fck miktarda etiketlenmemi\u015f veri kullanan sistemler, \u00f6\u011frenme do\u011frulu\u011funu \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir. <\/p>\n\n\n\n

Takviye Algoritmalar\u0131 (Reinforcement Algorithms)<\/h3>\n\n\n\n
\"makine<\/a><\/figure>\n\n\n\n

Bu t\u00fcr algoritmalarda, ke\u015fif ad\u0131 verilen bir teknik kullan\u0131l\u0131r; makine eylemler \u00fcreterek \u00e7evresi ile etkile\u015fime girer, sonu\u00e7lar\u0131 g\u00f6zlemler ve ard\u0131ndan bir sonraki eylemi ger\u00e7ekle\u015ftirirken bu sonu\u00e7lar\u0131 dikkate al\u0131r ve s\u00fcre\u00e7 algoritma geli\u015fip do\u011fru stratejiyi se\u00e7ene kadar bu \u015fekilde devam eder. <\/p>\n\n\n\n

Bu y\u00f6ntem makinelerin ve yaz\u0131l\u0131m arac\u0131lar\u0131n\u0131n; performans\u0131 en \u00fcst d\u00fczeye \u00e7\u0131karmak i\u00e7in belirli bir ba\u011flamdaki ideal davran\u0131\u015f\u0131 otomatik olarak belirlemesine olanak tan\u0131r. <\/p>\n\n\n\n

\u00d6zel Algoritmalar<\/h3>\n\n\n\n

S\u00f6z\u00fcn\u00fc etti\u011fimiz kategorilerin her birinin alt\u0131nda, belirli g\u00f6revleri ger\u00e7ekle\u015ftirmek i\u00e7in tasarlanm\u0131\u015f \u00e7e\u015fitli \u00f6zel algoritmalar bulunur. Bu algoritmalar farkl\u0131 g\u00f6revleri yerine getirebilir veya di\u011fer algoritmalarla senkronize olarak \u00e7al\u0131\u015fabilir. Her veri bilimcisinin makine \u00f6\u011freniminin temellerini anlamas\u0131 i\u00e7in bilmesi gereken bu 5 temel algoritmay\u0131 \u015fu \u015fekilde s\u0131ralayabiliriz:<\/p>\n\n\n\n