Machine Learning | 1- Makine Öğrenmesi Kavramsal Giriş ve Terminolojisi



Original Source Here

Machine Learning | 1- Makine Öğrenmesi Kavramsal Giriş ve Terminolojisi

Makine öğrenmesi nedir?

Son dönemlerde pek çok insanın ilgi odağı olan makine öğrenmesi en kısa tabir ile bilgisayar programları ile oluşturulan, matematiksel ve istatiksel verilerin kullanılarak çıkarımlar yapılmasını sağlayan bir araçtır. Mevcut veriyi kullanarak, oluşturacağı yeni veri için en uygun modeli bulmaya çalışır. Burdaki amaç mevcut verileri değerlendirerek gelecek için tahminlerde bulunmaktır. Günümüzde pek çok alanda kullanılmaktadır ;

Örneğin;

►Spam tespiti yapılması

►Birkaç tasvir ile robot resim çizilmesi

Photo on insurtech

Bir alandaki kavramların ve belirtilerin bir bütün haline getirilmesi olarak açıklanan terminolojinin makine öğrenmesi sürecindeki yeri oldukça önemlidir. Terminoloji gerçekleştirilirken;

►Gözlem yapılarak öğrenmek ve değerlendirmek amacıyla bütün veriler toplanır.

►Yapılan gözlemler sayısal olarak temsil edilir ve bu sayısal veriler muhafaza edilir.

►Gözlemler sonucunda kategorileştirme yani etiketleme yapılır.

►Algoritmanın gözlemler dizisi halinde olan verilere bakarak çıkarım yapması gerçekleştirilir.

►Çıkarım sonucu algoritmanın modelinin ne kadar gerçekçi olduğu test edilir.

Kısacası terminoloji machine learning olarak da adlandırılan bu sistemin en önemli unsurlarından biridir.

Photo on Makers Turkiye

Gelişmekte olan teknolojilerden biri olan makine öğrenmesi terminolojiye yeni kavramlar katmıştır. Bu kavramlara örnek vermek gerekirse;

►Denetimli — Gözetimli Öğrenme (Supervised Learning)
►Yarı Denetimli Öğrenme (Semi Supervised Learning)
►Takviyeli Öğrenme (Reinforcement Learning)
►Denetimsiz — Gözetimsiz Öğrenme (Unsupervised Learning)

Denetimli-gözetimli öğrenme

Denetimli makine öğrenimi , belirsizlik dahilinde kanıta dayalı tahminler yapan bir model oluşturur. Denetimli bir öğrenme algoritması bilinen bir girdi verisi seti ve verilere bilinen yanıtları alır, ardından yeni verilere yanıt için makul tahminler oluşturmak üzere bir modeli eğitir.

Yarı Denetimli Öğrenme

Yarı denetimli öğreniminde, bir algoritmaya az kısmı etiketlenmiş eğitim verileri beslenir. Algoritma bu sayede veri kümesinin boyutlarını öğrenir ve daha sonra bunları yeni, etiketlenmemiş verilere uygulayabilir. Algoritmaların performansı, genellikle etiketli veri kümeleri üzerinde eğitim aldıklarında artar.

Takviyeli Öğrenme

Takviyeli(pekiştirmeli) öğrenme, davranışçılıktan esinlenen, öznelerin bir ortamda en yüksek ödül miktarına ulaşabilmesi için hangi eylemleri yapması gerektiğiyle ilgilenen bir makine öğrenmesi yaklaşımıdır. Bu problem, genelliğinden ötürü oyun kuramı, kontrol kuramı, yöneylem araştırması, bilgi kuramı, benzetim tabanlı en iyileme ve istatistik gibi birçok diğer dalda da çalışılmaktadır.

Denetimsiz -Gözetimsiz Öğrenme

Gözetimsiz (denetimsiz) öğrenme, modeli denetlemenize gerek olmayan bir makine öğrenme tekniğidir. Bunun yerine, modelin bilgileri keşfetmek için kendi başına çalışmasına izin vermeniz gerekir. Denetimsiz öğrenme algoritmaları, denetimli öğrenmeye kıyasla daha karmaşık işleme görevleri gerçekleştirmenizi sağlar. Dentimsiz öğrenmede sistem öğretilmiyor, verilerden öğreniyor. Denetimsiz makine öğrenimi, verilerdeki bilinmeyen her türlü paterni bulur. Denetimsiz yöntemler, kategorizasyon için yararlı olabilecek özellikleri bulmanıza yardımcı olur.

Kaynakça

[1] [2] [3] [4] [5] [6]

Hesaplarım ve İletişim için :

Gmail: sametcanunceee@gmail.com

Linkedin

Bir sonraki yazımızda makine öğrenmesi sürecine ve makine öğrenme modelinin başarısını değerlendirme yöntemleri / ölçekleri konusuna değineceğiz.

AI/ML

Trending AI/ML Article Identified & Digested via Granola by Ramsey Elbasheer; a Machine-Driven RSS Bot

%d bloggers like this: