🏂 Makine Öğrenimine Giriş

Çok hevesle yaklaşılan makine öğreniminin ne olduğuna basitçe bir yaklaşım.

👀 Kavramlara Göz Atalım

  • Öğrenmeyi, daha önceki tecrübelerimizden yola çıkarak, yeni olaylar için öngörüde bulunmak olarak nitelendirebiliriz

    • Örneğin otobüse her seferinde geç kalma durumunda, biraz daha erken çıkmamız gerektiğini öğrenebiliriz

  • Genelde insanların öğrenme hususunda makinelerden daha hızlı olduğu söylense de, makineler çok yüksek miktardaki verileri daha iyi öğrenirler

    • Bu veriler csv dosyaları veya resimler olabilir

🎯 Makine Öğreniminin Amacı

  • Daha önceden sahip olduğumuz verileri analiz etme ve anlama

  • Bu anlayışı kullanarak anlamsız verileri mantıksal olarak anlamlandırma

  • Örnek olarak "Kedi resimlerini öğrenip, kedileri bulan bir model" verilebilir

Verilerin aynı dağıtımdan olması gerektiğini unutmayalım. Kedileri öğretip, köpekleri bulması beklenilemez.

💪 Makine Öğreniminin Gücü

Makine öğreniminin gücü iki temel sebebe dayanır

  • Günümüzde, çok yüksek miktarda üretilen verilere

  • Gelişen bilgisayar teknolojisi işlem gücünün artmasına

🌟 Makine Öğrenimi Uygulamalarına Örnekler

📈 Grafiksel Bir Örnek

Soldaki tablo verilerinden oluşan bir seti makineye öğrettiğimizde:

  • Sağdaki yeşil çizgi makinenin öngördüğü sınırdır

    • Bu sınırın altında kalanlar Kedi, üstünde kalanlar Köpek olarak nitelendirilebilir

  • Sağdaki kırmızı çizgi ise gerçek sınır çizgisini temsil eder

Bu öğrenme yönetimi Lineer Regression olarak adlandırılmaktadır.

🚢 Online Bir Örnek

Alttaki uygulama verilen tablodaki verileri öğrenen bir modelin çalışmasına örnektir

🌌 Makine Öğrenimi Öğrenme Tipleri

Supervised

Unsupervised

Daha önceden anlamlandırılmış verileri öğrenme

Anlamlandırılmamış verilerden anlam ve benzerlik bulma

Fotoğrafların kedi olduğu bilinir

Fotoğrafların ne olduğu bilinmez

Temel amacı öğrenmektir

Temel amacı gruplamaktır

Öğrendiği verilerin ne olduğunu bilir

Verilerin ne olduğunu bilmez sadece benzer olanları gruplar

Bizim odaklanacağımız teknik Supervised Learning tekniğidir.

👨‍🏫 Supervised Learning

Temel amaç, verilen XX ile istenen YYverisini bulmaktır.

f(x)yf(x) \approx y

  • XX, feature matrix olarak adlandırılan özellik matrisi

  • YY, labels olarak adlandırılan x'in anlamlandırılmış halidir

🐞 Makine Öğrenimindeki Sıkıntılar

Makine öğrenimi sonucunda oluşan modeller verileri genelleştirmede yeteri kadar başarılı olmayabilmekte

  • Sadece verilen bilgilerden öğrendikleri için sınırlı tahminler yapabilmekteler

  • Ayrıca verilen bilgileri aşırı öğrenmeleri (over-fitting) durumunda genelleştirmede zayıf kalmaktadır

🔗 Harici Bağlantılar