Makine Öğrenmesi Nedir?
Makine Öğrenmesi, Arthur Samuell ‘e göre “Bilgisayarı, açık bir şekilde programlanmadan kendi kendine öğrenebilme yeteneği veren bir çalışma alanıdır”.
Makine Öğrenmesi Niçin Gerekli?
Çok büyük miktarlardaki verinin elle işlenmesi ve analizinin yapılması nerdeyse olanaksızdır.
Amaç geçmişteki verileri kullanarak gelecek için tahminlerde bulunmaktır.
Makine öğrenmesi yöntemleri, geçmişteki veriyi kullanarak yeni veri için en uygun modeli bulmaya çalışır.
Makine Öğrenmesinin Yeri
Makine Öğrenmesinde Yer Alan Terimler
Example (Örnek)
- Kullanılan bir nesnenin örneği.
Features (Öznitelik)
- Bir örneğe (örneğin; Cinsiyet tahmini için boy ve ağırlık) bağlı bir vektör olarak temsil edilen öznitelik seti.
Labels (Etiketler)
- Sınıflandırmada, bir nesneyle ilişkili kategori (örneğin; İkili sınıflandırmada pozitif veya negatif), regresyonda ise gerçek değer.
Training data (Eğitim Verileri)
- Eğitim için kullanılan verilerdir (genellikle etiketlenmiş verilerdir).
Test data (Test Verileri)
Makine Öğrenmesi Türleri
- Öğrenme algoritmasını test etmek için kullanılan verilerdir (etiketlenmemiş veriler).
- Supervised (Denetimli)
- Unsupervised (Denetimsiz)
Supervised (Denetimli)
Denetimli öğrenme, modelin etiketli bir veri setinde eğitilmesidir. Etiketli veri kümesi, hem giriş hem de çıkış parametrelerine sahiptir. Bu tür bir öğrenmede hem eğitim hem de test veri setleri etiketlenir.
Unsupervised (Denetimsiz)
Denetimsiz öğrenme, verilerimizden elde etmek istediğimiz çıktının nasıl göründüğü hakkında çok az ya da hiç fikir sahibi olmadığımızda kullandığımız yaklaşımdır.
“Denetimsiz öğrenmede” sadece veriler vardır. Onlar hakkında bilgi verilmez.
Songül ERDEM
Stajyer
