Makine Öğrenmesi nedir?

Machine Learning ya da Makine Öğrenmesi , Yapay Zeka ile ilgili duyduğunuz ve karşılaştığınız uygulamalardaki algoritmalardan sorumlu olan yöntem ya da yöntemlerdir. Yapay zeka ile ilgili daha önce yaptığımız çeviriye göz atmak isterseniz tıklayınız.

Makine Öğrenmesi nedir?

Makine öğrenmesi algoritmaları, istatistiği kullanarak büyük miktardaki veriden kalıplar bulmaya çalışır. Veriler, sayı, kelime, görüntü, tıklama gibi birçok şeyi kapsar. Eğer veri dijital olarak saklanabiliyorsa, bir makine öğrenmesi algoritmasında işlenebilir.

Makine öğrenmesi bugün kullandığımız hizmetlerin çoğunu destekleyen süreçtir – Netflix, YouTube ve Spotify’daki gibi öneri sistemleri; Google ve Baidu gibi arama motorları; Facebook ve Twitter gibi sosyal medya beslemeleri; Siri ve Alexa gibi sesli asistanlar. Tüm bu uygulamalarda, her platform sizinle ilgili olabildiğince çok veri toplar – hangi türleri izlemekten hoşlanırsınız, hangi bağlantılara tıklarsınız, hangi durumlara tepki verirsiniz – ve ne olduğunuz hakkında oldukça eğitimli bir tahmin yapmak için makine öğrenimini kullanır ve daha sonra ne isteyebileceğinizi tahmin eder. Ya da bir ses asistanı ağzınızdan çıkan komik kelimelerin hangi kelimelerle uyuştuğunu gösterebilir.

Bu süreçler açık konuşmak gerekirse oldukça basittir. “Find the pattern, apply the pattern” yani “Kalıbı bul, kalıbı uygula” mantığıyla çalışır. Dünyamızı yönetmeye niyetlenen bu metodlar, büyük ölçüde 1986’da derin öğrenmenin babası olarak bilinen Geoffrey Hinton’un çalışmalarıyla önemsenmeye başlanmıştır.

Derin Öğrenme nedir?

Derin öğrenme, verilerle daha yoğun işlemler yapan bir makine öğrenmesi biçimidir: makinelere en küçük kalıpları bile bulma ve büyütme konusunda gelişmiş bir yetenek sağlayan bir teknik kullanır. Bu tekniğe derin sinir ağı (Deep Neural Network) adı verilir – derin çünkü verileri incelemek ve tahmin biçiminde nihai bir sonuç vermek için birlikte çalışan birçok basit hesaplama düğümü katmanına sahiptir.

Yapay Sinir ağı (Neural Network) nedir?

Yapay sinir ağları insan beyninin iç işleyişinden ilham alan bir yöntemdir. Sinir sistemindeki düğümler bir tür nöron gibidir ve ağ da beynin kendisidir. 30 yıl öncesine kadar bu yöntemle ilgili çalışmalar başlamıştı. Ancak kimse nasıl eğitileceklerini tam olarak bilemiyor ve iyi sonuçlar üretemiyordu. Şimdilerde ise teknik yeniden popülerleşti ve istenen sonuçlar elde edilmeye başlandı.

Makine ve derin öğrenme tekniklerinin üç farklı türü vardır: Denetimli (Supervised), denetimsiz (Unsupervised) ve Güçlendirilmiş ya da Pekiştirmeli (Reinforcement) öğrenme.

Denetimli Öğrenme (Supervised Learning) nedir?

Denetimli Öğrenmede en yaygın olanı, makineye tam olarak hangi kalıpları araması gerektiğini söylemek için veriler etiketlenir. Bunu peşinde olduğu kokuyu bildiğinde hedefleri avlayacak bir koklayıcı köpek gibi düşünebilirsiniz. Bir Netflix şovunda oynat düğmesine bastığınızda yaptığınız şey budur — algoritmaya benzer şovlar bulmasını söylüyorsunuz demektir.

Denetimsiz Öğrenme (Unsupervised Learning) nedir?

Denetimsiz öğrenmede, verilerin etiketi yoktur. Makine, bulabildiği her türlü kalıbı ya da deseni (pattern) arar. Bu, bir köpeğin tonlarca farklı nesneyi koklamasına izin vermek ve bunları benzer kokulara sahip gruplara ayırmak gibidir. Denetimsiz teknikler, daha az belirgin uygulamaları olduğu için popüler değildir. İlginç bir şekilde, siber güvenlikte ilgi görmüştür.

Pekiştirmeli öğrenme (Reinforcement Learning) nedir?

Son olarak makine öğrenmesinin en yeni sınırı pekiştirmeli öğrenmedir. Bir güçlendirme ya da pekiştirme algoritması, net bir hedefe ulaşmak için deneme yanılma yoluyla öğrenir. Pek çok farklı şeyi dener ve davranışlarının amacına ulaşmasına yardım edip etmediğine bağlı olarak ödüllendirilir veya cezalandırılır. Bu, bir köpeğe yeni bir numara öğretirken ikramlar vermek ve vermemek gibidir. Takviyeli öğrenme, Go oyununda en iyi insan oyuncuları geride bırakan program Google AlphaGo’nun temelini oluşturur.

Son bir not olarak küçük miktardaki veri üzerinde de makine öğrenmesi yöntemleri uygulanabilir ancak iyi sonuçlar elde etmek için büyük veri yığnlarına ihtiyaç vardır.

İşte bu kadar. Makine Öğrenmesi için temel bilgiler bunlardır. Son bir özet için ise akış şemasına bakınız.

Kaynak:  https://www.technologyreview.com/2018/11/17/103781/what-is-machine-learning-we-drew-you-another-flowchart/
Karen Hao