Makine Öğrenmesi Yöntemleri

Yapay zeka hız kesmeden gelişmeye devam ediyor ve geliştikçe insan özelliklerini kendine katıyor. Herkesin aşina olduğu makine öğrenmesi bu gelişimlerin en somut sonuçlarından biri. Makine öğrenmesinin yöntemleri hakkındaki detaylar yazımızda.

A- A+

18.09.2021 tarihli yazı 6138 kez okunmuştur.

Makine öğrenimini, insanların öğrenme şeklini taklit etmek için veri ve algoritmaların kullanımına odaklanan bir yapay zeka olarak tanımlayabiliriz. Makine öğrenimi, doğruluğunu kademeli olarak artıran bir yapıya sahip olduğu için insanların öğrenme biçimine oldukça benzerdir. Bu yazımızda gözetimli, gözetimsiz ve takviyeli makine öğrenmelerini inceleyeceğiz.

Gözetimli Öğrenme (Supervised Learning)

Gözetimli öğrenme yönteminde bilgisayarın öğrenme gerçekleştirebilmesi için bilgisayara önceden bir veri kümesi tanıtılır. Bu veri kümesini iyice öğrenen bilgisayar öğrenim işlemi gerçekleştikten sonra bir tahmin oluşturur. Yani bu yöntemde verilen bir veri kümesi için bir çıktı oluşturulur.

►İlginizi Çekebilir: Yapay Zeka, Makine Öğrenimi ve Derin Öğrenme Arasındaki Farklar

Yukarıdaki görselde gösterildiği gibi ilk başta etiketlenmiş veri makineye verilir. Eğitim kümesi ile makine, gözetimli öğrenme algoritmalarını kullanarak veri setini öğrenir. Veri kümesi öğrenildikten sonra bir tahmin oluşturur. Gözetimli öğrenme yönteminde başarı oranı yüksektir. Çünkü makine ilk başta verileri öğrenir ve mantıklı bir tahmin yapar.

Bu alanda en sık kullanılan algoritmalar ise şu şekilde:

► Karar Ağaçları
► Lineer Regresyon
► Destek Vektör Makineleri (SVM)
► Lojistik Regresyon’dur.

Örnek olarak hava durumunun trafiği nasıl etkileyeceğini bulmak isteyen bir makine öğrenimi projesi düşünelim. Bilgisayarın trafik ile ilgili bir sonuç üretebilmesi için hava durumlarının eğitilmesi gerekmektedir. Yani bilgisayar bir eğitim kümesine ihtiyaç duyar.

Eğitim kümesinde havanın güneşli, yağmurlu, sisli vb. gibi durumlarda trafiği nasıl etkilediği bulunmalıdır. Bunları öğrenen bilgisayar en sonunda diğer günkü trafik için bir tahmin oluşturabilir.

Gözetimsiz Öğrenme (Unsupervised Learning)

Gözetimsiz öğrenme ise gözetimli öğrenmeden oldukça farklıdır. Bu öğrenme yönteminde eğitim veri kümesine ihtiyaç yoktur. Bilgisayara başlangıçta eğitim kümesi verilmez. Bilgisayar verilerin arasındaki ilişkileri ve yapıları kendi kendine öğrenerek bir tahmin oluşturur.

►İlginizi Çekebilir: Kanser Tedavisinde Makine Öğrenimi Kullanılıyor

Veriler arasındaki uzaklıkları, komşuluk ilişkileri ve yoğunlukları kullanarak veri ile ilgili bir tahmin oluşturabilir. Gözetimsiz öğrenme daha çok sınıflandırma problemlerinde kullanılır. Gözetimsiz öğrenmede bazı yaklaşımlar kullanılır.

Kümeleme

Kümeleme yöntemi verileri benzerliklerine veya farklılıklarına göre gruplandırmak için kullanılır. Verilerin bir kümede yer alması için birbirine benzer olması gerekir.

►İlginizi Çekebilir: Makine Öğrenimi için 6 Araç

Kümeleme tekniği, örüntü tanıma ve görüntü analizi gibi alanlarda kullanılır.

Boyut İndirgeme

Eğer bir veri çok yüksek bir boyuta sahipse makinenin doğru tahmin oluşturabilmesini kötü etkileyebilir. Çünkü yüksek boyutlu bir veriyi işlemek daha fazla işlem yükü gerektirir. Bundan dolayı veri, çok yüksek boyutlu bir uzaydan düşük boyutlu bir uzaya anlamını kaybetmeden dönüştürülmelidir. Bu olaya boyut indirgeme denir.

Gözetimsiz öğrenmeye, müşteri segmentasyonu örnek olarak verilebilir. Bu yöntem ile birlikte doğru iş stratejileri oluşturmak için müşteri gruplarını anlayabiliriz.

Gözetimli ve Gözetimsiz Öğrenme Arasındaki Farklar

► Gözetimsiz öğrenme gözetimli öğrenmeye göre daha az efor gerektirir.
► Gözetimsiz öğrenmede eğitim kümesine ihtiyaç yoktur. Makine veriyi kendisi öğrenir.
► Gözetimli öğrenme veri kümesi şarttır. Veri kümesi oluşturmak uzun vakit alabilir.
► Gözetimli öğrenme gözetimsiz öğrenmeye göre daha başarılı olabilir.

Takviyeli Öğrenme (Reinforcement Learning)

Takviyeli (Yinelemeli, Pekiştirmeli ) Öğrenme yöntemi de makine öğrenimi yöntemlerinden bir diğeridir. Bu öğrenme yöntemi RNN Ağlarında kullanılır.

Bu öğrenme yönteminde “Agent (Ajan) ve Reward (Ödül)” sistemi üzerine işler. Ajan belirsiz bir yol içerisinde hedefe ulaşmayı öğrenir. Hedefe ulaşmak için yani bir tahmine ulaşabilmek için deneme yanılma yöntemi kullanır. Ajanın yani yapay zekanın bu hedefe ulaşabilmesi için yaptığı eylemlere göre “Ceza” (Penalty) veya “Ödül” alır. Makinenin asıl amacı en az cezayı alarak ödülü maksimize etmektir. Bunu yapabilmesi için programcının veya gözlemcinin Ajanın uyması gereken kuralları belirlerken, çözüme nasıl ulaşacağının bilgisini belirlemez. Tamamen rastgele denemeler ile ödülü en üst seviyeye çıkarmak tamamen modele bağlıdır.

Reinforcement learning, makinenin yaratıcılığını test etmenin en etkili yollardan biridir.

Bu öğrenme yöntemi otonom araçlarda kullanılabilir. Olağan koşullarda güvenliği ön planda tutan, sürüş süresini en aza indiren, kirliliği azaltan, yolculara konfor sunan ve hukuk kurallarına uyan otonom bir araca ihtiyaç duyarız. Otonom aracı programlayan programcı yoldaki gerçekleşecek her şeyi tahmin edemez. Programcı “if-else” önergeleri yerine, bir öğrenme süreci belirleyerek bu süreci ödül veya ceza sistemi olarak belirler. Böylece belirli hedeflere göre makine ödül veya ceza alarak öğrenimini sürdürür. Bunun yanında ayrıca RNN ağlarında sıkça kullanılır. RNN ağlarını bir önceki yazımızda anlattık.

Gözetimli ve Takviyeli Öğrenme Arasındaki Farklar

► Takviyeli öğrenmede kararlar birbirine bağımlıdır. Bir girişin çıktısı, sonraki girişe etki etmektedir. Fakat gözetimli öğrenmede ise kararlar birbirinden bağımsızdır.
► Örneğin bir satranç oyununda bir önceki hamleniz sonraki hamlenize bağlıdır. Yani siz bir hamle yaptıktan sonra karşı yapay zeka sizin hamlenize göre bir hamle yapar. Bu örnekte takviyeli öğrenme kullanılır. Fakat bir Obje Tanıma söz konusu olduğunda gözetimli öğrenme yöntemi bu konunun çözümü için en idealidir.

Kaynak:

► machinelearningmastery.com
► ibm.com
► towardsdatascience.com