Makine Öğrenmesi Türleri
Herkese merhabalar, bu yazıda makine öğrenmesine bir adım daha yaklaşarak öğrenme türlerinden bahsedeceğim. Öğrenme türlerine geçmeden çok karışan Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme kavramlarını açıklayarak başlayalım.
YAPAY ZEKA
Makine öğrenmesi ve yapay zeka çok karıştırılan iki kavram. Yapay zekayı net öğrenilmiş bir sistem yerine insan zekasını taklit eden bir sistem olarak düşünebiliriz. İnsan beyni birçok yönergeyi takip eder ve karmaşık bir yapıya sahiptir. Yapay zekada da bu yönergeler ve karışık kavramlar algoritmalara öğretilerek insan beyni ve davranışlarının taklit edilmesi beklenir. Peki yapay zekayı biz şuan kullanıyor muyuz? Evet kullanıyoruz ve çoğunlukla bunun farkında bile değiliz. Tavsiye ve öneri sistemlerinin hemen hemen hepsinde yapay zeka arka tarafta işliyor ve bizler bunları günlük hayatımızda kullanıyoruz. Örneğin YouTube’da zevkinize göre birkaç video izlediğinizde yan tarafta size öneri olarak hoşunuza gidebilecek videolar gönderilir ya da Instagram’da keşfet kısmına girdiğinizde ilginizi çeken bir dizi gönderi ile karşılaşırsınız sayfayı her yenilediğinizde ilgi çekici içerikler artmaya devam eder. Yapay zeka uygulama alanı çok geniş olan ve altında birçok öğrenme çeşidi barındıran derin bir kavramdır.
MAKİNE ÖĞRENMESİ
Makine öğrenmesi ise yapay zekanın alt dalıdır. Makine öğrenmesinde yapay zekada olduğu gibi bir sürü yönerge ve karmaşıklık yoktur. Burada temel olan şey makineye düzgün kavramlar vermek ve daha sonra bu kavramları özümsemesini beklemektir. Burada düzgün kavramdan kasıt öğrenilmeye hazır temiz ve anlaşılır veri setidir. Makine öğrenmesi yeni doğmuş bir bebeği hayata hazırlamak gibidir. Hayata hazırlanan bir bebeğe ne kadar temiz bilgi verirsek bir süre sonra bebek onu neredeyse %100 doğrulukla öğrenir. Makine öğrenmesi 4 farklı çeşitle gerçekleşebilir.
- Denetimli (Supervised) Öğrenme
Denetimli öğrenme adından da anlaşılacağı gibi bir denetim mantığına sahiptir. Yukarıda verdiğimiz bebek örneği üzerinden devam edelim. Bizim elimizde elma, muz, çilek olarak üç farklı meyve olduğunu varsayalım. Bu meyveleri bebeğe anlatırken ne olduğunu devamlı tekrar ederek anlatmamız denetimli öğrenme kavramına karşılık gelir. Durun şuan bazı şeyleri hem anlamış hem de anlamamış gibi hissettiğinizi biliyorum telaşlanmayın gelin devam edelim. Henüz yeni konuşmaya başlayan bir bebek meyvelerin isimlerini ne olduğunu anlayabilecek düzeyde değildir çünkü bunlar kısa hayatında ilk defa karşılaştığı şeylerdir. Bizim buradaki amacımız meyveleri isimleriyle birlikte doğru şekilde öğretebilmektir. Bunun için sarı, kırmızı, yeşil yani elmanın her türlüsünü bebeğe gösteririz ve her seferinde bunun elma olduğu bilgisini veririz yine aynı şekilde diğer meyvelerinde büyük-küçük, olmuş-olmamış gösterebildiğimiz tüm hallerini bebeğe meyvenin ismi ile birlikte tanıtırız ve en az yanlış ile öğrenmesini bekleriz. Denetimli öğrenme kapsamında bir örnek daha verelim, ani bir karar ile bardak üretimi yapan bir fabrika açtığınızı düşünün. Ancak piyasayı bilmediğiniz için ürettiğiniz bardakların pazar fiyatını bilmiyorsunuz ve doğru bir tahmin mekanizmasına ihtiyacınız var. İşte makine öğrenmesi tam burada imdadınıza yetişiyor. Peki nasıl? Eğer elimizde şuan pazarda satışta olan bardakların özelliklerini (ham madde kalitesi, yükseklik, genişlik, bardak çapı, kulp varlığı, cam kalınlığı) ve satış fiyatlarını içeren bir veri seti varsa bir model kurarak sizin bardağınızın piyasa değerini bulabiliriz. Burada makineye farklı özelliklere sahip bardakların fiyatlarını tanıtmış oluruz ve öğrenme sonrasında başka bir bardak için gerekli özellikleri belirterek ortalama bir fiyat çıkarırız.
Denetimli Öğrenme Yöntemleri de kendi içerisinde iki gruba ayrılır ;
- Sınıflandırma
- Regresyon
Bu iki kavramdan bir sonraki yazıda bahsedeceğim ancak yukarıda verdiğim ilk örnek elma, muz, çilek sınıflandırma problemi ikinci örnek olan bardak fiyatı tahmini ise regresyon problemine örnektir.
- Denetimsiz (Unsupervised) Öğrenme
Denetimsiz öğrenme, makineye öğrenmesi gereken etiketin verilmediği zaman kullanılan kavramdır. Yine bebek örneği üzerinden devam edelim. Bu sefer elimizde bir meyve-sebze sepeti olduğunu varsayalım. Bu sepette elma, muz, portakal, şeftali, salatalık, havuç olduğunu düşünelim. Burada meyvelerin isimlerini makineye vermediğimizde farklı algoritmalar ile sınıflandırma yapmasını bekleriz. Örneğimize dönecek olursak bebekten burada meyveleri şekillerine göre elma, portakal, şeftali olarak bir tarafa muz, havuç, salatalık olarak diğer tarafa ayırmasını bekleriz. Bu konuda daha ayrıntılı bilgi ve örnek proje için buraya bakabilirsiniz.
- Yarı Denetimli (Semi-Supervised) Makine Öğrenmesi
Yarı denetimli öğrenme tam olarak denetimle ve denetimsiz öğrenmenin ortasıdır. Burada veri setinde verilerin büyük çoğunluğunu etiketli veriler küçük kısmını ise etiketsiz veriler oluşturur ve makineye öğrenmeyi yarı etiketli veriler aracılığıyla gerçekleştirir.
- Takviyeli / Pekiştirmeli (Reinforced) Makine Öğrenmesi
Takviyeli öğrenme sistemi diğer öğrenme sistemlerinden farklıdır. Burada çevreyle birebir bir ilişki bulunur ve ceza-ödül sistemine göre öğrenme gerçekleşir. Makine bir olay karşısında gözlem yapar ve harekete geçer yaptığı harekete karşılık bir ceza puanı alır amacı en az cezayı alarak öğrenmeyi gerçekleştirmesidir. Eğer yaptığı eylemden aldığı ceza puanı yüksekse yeniden bu olay ile karşılaştığında aynı aksiyonu göstermez farklı bir harekette bulunur ve en iyi sonuca ulaşana kadar bu döngü devam eder. Örneğin bir çiftçi olduğunuzu ve daha önce bu konuda bilgi sahibi olmadığınızı varsayın. İlk ekiminizi toprak iyileştirmesi (gübre, vitamin vs.) yapmadan yaptınız ve istediğiniz verimi alamadıysanız bu size ceza puanı olarak yansır bir sonraki ekimde toprak iyileştirmesi yapıp bu sefer fazla sulama gerçekleştirdiğinizi düşünelim. Fazla sudan kaynaklı yine istediğiniz verimi alamayabilirsiniz ve bu da size ceza puanı olarak yansır. Sıfır çiftçilik bilgisiyle çıktığınız yolda artık toprak iyileştirmesi yapmanız gerektiğini ve fazla sulamadan kaçınmak gerektiğini biliyorsunuz. Takviyeli öğrenme bu şekilde çevreyle etkileşimli olarak gerçekleşir. Günün sonunda makine en az ceza ile hiç bilmediği bir konuda bir sürü deneyim sahibi olmuş olur.
DERİN ÖĞRENME
Derin Öğrenme kavramı makine öğrenmesinin alt dalıdır. Burada da etiketli ve etiketsiz verilerden öğrenim gerçekleşebilir. Derin öğrenme yapısı beyin hücrelerinin çalışma şekline benzer. Öğrenme için sayısız katman ve nöron bulunur. Veri ve katman ne kadar fazlaysa öğrenme o kadar iyi gerçekleşir çünkü derin öğrenme yönteminde makine her katmanda daha derine inerek daha fazla ayrıntıyı öğrenme imkanı bulur. Çok fazla derin öğrenme mimarisi vardır ancak yaygın olarak kullanılanlar şunlardır:
- Evrişimli Sinir Ağları (CNN)
- Tekrarlayan Sinir Ağları (RNN)
- Uzun / Kısa Dönemli Bellek (LSTM)
Makine öğrenmesi başlığı altında yapay zeka ve derin öğrenme konuları üzerinde pek durmasam da ilerleyen dönemlerde beraber bu kavramları daha detaylı inceleyebileceğimizi düşünüyorum. Bir sonraki yazıda görüşmek dileğiyle.
Keyifli Çalışmalar 🙂