Cemre Acar
Makine Öğrenmesine Giriş

Makine Öğrenmesine Giriş

Daha önceki yazılarda verinin temizlenmesinden ve modellemeye hazırlanmasından bahsetmiştik. Bu yazıda temel olarak Makine Öğrenmesine giriş yapacağız. Makine Öğrenmesi nedir ? Makine Öğrenmesi ile neler yapabiliriz ? Makine Öğrenmesine giriş yapılırken bilinmesi gereken bazı terimler nelerdir ? Bu soruların hepsine cevap bulmuş olacağız. Uzatmadan başlayalım.

Makine Öğrenmesi Nedir ? 

Makine Öğrenmesinin öncüsü olarak kabul edilen Arthur Samuel’e göre, Makine Öğrenmesi , “Bilgisayarlara açıkça programlanmadan öğrenme kabiliyeti kazandıran bir çalışma alanıdır.
Ancak makine öğrenmesinin tanımını tek başına yapmak zor. Bir başka örnek vererek daha bilimsel bir açıdan da yorumlamış olabiliriz. Örneğin Tom Mitchell makine öğrenmesini daha farklı bir şekilde tanımlamıştır. Mitchell’e göre “Bir bilgisayar programı, T görevlerdeki, P performansını E tecrübesi ile artırırsa, bir bilgisayar programı, bazı T görevleri, P performans ölçüsüne göre E deneyimlerinden öğrenerek yerine getirir.” Bu size oldukça karmaşık gelmiş olabilir. Buradaki bileşenler (P) Performans , (T) Task (Görevler) - (E) Experience (Deneyim) olarak tanımlanır.

Machine Learning

Makine Öğrenmesi ile Neler Yapabiliriz ? 

Her işte olduğu gibi Makine öğrenmesinde de neler yapabileceğimizi bilmek isteriz. Burada neyi yapmak istediğimiz de önemi oldukça fazla. Makinelere öğretmeye başlamadan önce, ne yapmak istediğimize karar vermeliyiz. 

-    Değer Tahmin Etmek İstiyoruz (Regresyon) 

-    Nadir Gerçekleşen Bir Olayı Bulmak İstiyoruz (Anormallik Tespiti) 

-    Örüntüleri Keşfetmek İstiyoruz (Kümeleme) 

-    Verileri Sınıflandırma Tahmini Yapmak İstiyoruz (Sınıflandırma)



Makine Öğrenmesine Başlarken Bilinmesi Gerekenler Nelerdir ? 

Bağımlı Değişken & Bağımsız Değişken :
Değişkenler neden sonuç ilişkisi içinde bulunuyorsa bağımsız ve bağımlı değişken olarak sınıflandırılır.
-    Bağımsız değişken araştırmacının bağımlı değişken üzerindeki etkisini test etmek istediği değişkendir.
-    Bağımlı değişken üzerimde bağımsız değişkenin etkisi incelenen değişkendir.


Makine Öğrenmesi Türleri :
-    Gözetimli(Denetimli) Öğrenme :

Denetimli öğrenme, makine öğreniminin en temel türlerinden biridir. Bu türde, makine öğrenimi algoritması etiketli veriler üzerinde eğitilir. Bu yöntemin işe yaraması için verilerin doğru bir şekilde etiketlenmesi gerekmesine rağmen, denetimli öğrenme, doğru koşullarda kullanıldığında son derece güçlüdür.

-    Gözetimsiz(Denetimsiz) Öğrenme :

Denetimsiz öğrenme, etiketlenmemiş verilerle çalışabilme avantajına sahiptir. Bu, veri kümesini makine tarafından okunabilir hale getirmek için insan emeğinin gerekli olmadığı ve program tarafından çok daha büyük veri kümelerinin üzerinde çalışılabileceği anlamına gelir.

-    Yarı Gözetimli(Pekiştirmeli/Takviye) Öğrenme :

Takviye öğrenme, bir makine öğrenmesi algoritmasına bir dizi eylem, parametre ve son değer içeren, düzenli öğrenme süreçlerine odaklanmaktadır. Kuralları belirleyerek, makine öğrenme algoritması farklı seçenekleri ve olasılıkları keşfetmeye çalışır, hangisinin en uygun olduğunu belirlemek için her bir sonucu izleyerek ve değerlendirmektedir.



Regresyon & Sınıflandırma Problemleri : 
Elbette ki giriş için detaylı bir şey söylemek çok güç ancak temel olarak,
-    Sınıflandırma probleminde, sıralı olmayan kategorik bir hedef değişken vardır. 
-    Regresyon probleminde ise sürekli ya da sıralı bir hedef değişken vardır.

Değişken Türleri :
-    Sayısal Değişkenler (Nicel – Kantitatif) :
Eğer bir değişkenin özelliği sayı ve miktar olarak
açıklanabiliyorsa bu değişkene Sayısal Değişken denir. Sayısal değişkenin ölçek türü Aralık ve Oran’dır.

-    Kategorik Değişkenler (Nitel – Kalitatif) :
Eğer bir değişkenin özelliği sınıflandırılıyorsa buna
Kategorik Değişken denir.Kategorik değişkenin ölçek türü Nominal ve Ordinal’dir.
 

Heyy ! Blog'a abone olup yazılarımdan ilk sen haberdar olmak ister misin ?

ABONE OL!

Yorumlar

Yorum Ekle

Yorumunuz onaylandıktan sonra yayınlanacaktır.