Yapay Zeka ‘nın ne kadar geniş bir alan olduğunu anlatmama gerek yok. Şuanda kavramlar o kadar havada ki nereden başlayacağımı bulmakta zorlanıyorum. Bu konuda biraz araştırma yapınca Andrew Ng adında Stanford Üniversitesi’nde çalışan bir profesör ilk olarak karşıma çıkıyor. Daphe Koller ile kurduğu online öğrenme platformu coursera sitesindeki kendi kursu bu alanda eğitim almak isteyenler için bir başlangıç noktası oluyormuş. Biraz arama yapınca Özkan Yılmaz ‘ın youtube ‘da Andrew Ng nin kursunu izleyerek öğrendiklerini anlattığı 52 videodan oluşan Türkçe bir oynatma listesi buldum. Aşağıdaki notlarım çoğunlukla bu videolardan öğrendiklerimden oluşuyor:
Makine Öğrenmesi Nedir?
Makine öğrenmesi (MO), bilgisayarların veri veya deneyimlerden öğrenerek performanslarını otomatik olarak iyileştirebilmeleri için tasarlanan algoritmaların ve modellerin bir alt dalıdır. Temelde, makine öğrenmesi, bir bilgisayarın açıkça programlanmadan öğrenmesini sağlar.
Makine öğreniminin iki ana türü vardır:
Gözetimli Öğrenme (Supervised Learning): Bu yöntemde, model bir girdi ve çıktı çiftleri kümesinden öğrenir. Girdi-çıktı çiftleri üzerinden eğitim yapılarak, modelin yeni verilere nasıl tepki vereceği tahmin edilmeye çalışılır.
Gözetimsiz Öğrenme (Unsupervised Learning): Bu yöntemde, model girdi verilerini çıktı etiketleri olmadan analiz eder. Bu tür öğrenme, veri kümesindeki gizli yapıları veya örüntüleri bulmayı amaçlar.
diğer bir türde : Pekiştirmeli Öğrenme (Reinforcement Learning): ?
Makine öğrenimi, yapay zekanın bir dalı olarak, son yıllarda büyük bir popülerlik kazanmış ve birçok uygulama alanında, örneğin tıbbi teşhislerden otomatik araç sürüş sistemlerine kadar, kullanılmaktaymış.
Gözetimli Öğrenme Algoritmaları :
Regresyon (Regression) nedir?
Makine öğrenmesinde regresyon, girdi özelliklerinden bir çıktı değerini tahmin etmeye çalışan bir süreçtir. Regresyon problemleri tipik olarak sürekli veya kesintisiz bir çıktıyı tahmin etmeye odaklanır.
Örneğin :
Bir evin özelliklerine (örn. alan, yatak odası sayısı) dayanarak fiyatını tahmin etme.
Bir otomobilin yaşına ve kilometreye dayanarak yakıt tüketimini tahmin etme.
Bir kişinin eğitim seviyesi, deneyimi ve sektörüne dayanarak maaşını tahmin etme.
Makine öğrenmesinde kullanılan bazı yaygın regresyon türleri şunlardır:
Doğrusal Regresyon (Linear Regression): Çıktı değeri ile bir veya daha fazla bağımsız değişken arasında doğrusal bir ilişki varsayılır.
Yukarıdaki örneklerden ilkinde olduğu gibi evin alanına göre fiyatı tahmini yapan bir regresyon Doğrusal Regresyon ‘a örnek olabilir. Bir grafik üzerinde x eksenine alanları, y eksenine fiyatları yazarsak kesiştikleri noktalar doğrusal olacaktır. Bilgisayarı eğitmek içn kullandığımız her bir çift değer yani (alan, fiyat) bilgisi yani (x,y) bir eğitim örneği (one training example) olarak değerlendirilir. Bu çiftlerin yani eğitim örneklerinin sayısı m ile gösterilir. x giriş değişkeni (input variable / features) y çıkış değişkeni (output / target) olarak değerlendirilir. (x(i),y(i)) yazımı i numaralı satırdaki veri örneğini gösterir. Yazılımcı olarak anatmak gerkirse (x[i],y[i]) gibi düşünülebilir. i indisli x ve y. Verdiğimiz eğitim seti (trainin set) yani x,y listesinden öğrenme algoritmasının bir h ( hipotez) çıkarır. Yani hθ(x) = θ0+θ1x.
Yani bu model iki veri arasındaki en uygun doğrusal çizgiyi çizen hipotezi bulacaktır.
Sınıflandırma (Classification) nedir?
Makine öğrenmesinde sınıflandırma, girdi verisinin belirli kategorilere veya sınıflara ait olup olmadığını tahmin etmek için kullanılan bir süreçtir. Yani, sınıflandırma, girdi özelliklerini kullanarak çıktının hangi sınıfa ait olduğunu tahmin eder. Bu tür problemler, genellikle kesin bir çıktı sınıfını tahmin etmeye odaklanır.
Örneğin :
E-postaların “spam” veya “spam değil” olarak sınıflandırılması.
Banka işlemlerinin “sahtekarlık” veya “sahtekarlık değil” olarak sınıflandırılması.
Hayvanların resimlerine dayanarak “kedi”, “köpek” veya “kuş” olarak sınıflandırılması.
Hastaların belirli özelliklere göre “hastalıklı” veya “sağlıklı” olarak sınıflandırılması.
Gözetimsiz Öğrenme Algoritmaları :
Kümeleme (Clustering) nedir?
Makine öğrenmesinde “kümeleme” (clustering), benzer özelliklere sahip veri noktalarını otomatik olarak gruplara ayırmak için kullanılan bir tür gözetimsiz öğrenme yöntemidir. Kümeleme, veri içindeki doğal grupları veya yapıları keşfetmeyi amaçlar.
Kümeleme algoritmaları, veri noktaları arasındaki benzerlikleri veya farkları ölçerek çalışır ve bu benzerliklere göre veri noktalarını kümeler halinde gruplar.
Örneğin:
Pazarlama (müşteri segmentasyonu)
Gen ifadesi analizi
Sosyal ağ analizi
Şehir planlaması
Devam edecek …