Makine Öğrenmesi
Giriş
Ders Hangi Soruyu Sorar?
Makine öğrenmesi, açıkça programlanmadan örneklerden öğrenen ve öğrendiğini yeni örneklere genelleyen algoritmaları inceler. Mitchell'in tanımıyla bir program, T görevindeki P ile ölçülen başarımı E deneyimiyle artıyorsa öğreniyordur.
Bir bakışta
istatistiksel öğrenme
etiketli ya da etiketsiz örnekler
tahmin yapan model
görülmemiş veride hata
yüksek: doğrusal cebir, olasılık, optimizasyon
orta ve çok
Giriş
Kısa Tarihçe
Rosenblatt algılayıcıyı (perceptron) tanıtır: ağırlıklarını örneklerden ayarlayan ilk modellerden.
Samuel'in dama programı kendi kendine oynayarak gelişir; "makine öğrenmesi" adı yaygınlaşır.
Quinlan'ın ID3 karar ağacı yayımlanır; aynı yıl geri yayılım sinir ağlarını yeniden canlandırır.
Cortes ve Vapnik destek vektör makinelerini (SVM) yayımlar.
Breiman rastgele ormanları tanıtır: çok sayıda ağacın oylaması.
AlexNet ImageNet yarışmasını büyük farkla kazanır; derin öğrenme dönemi başlar.
Ders
Temel Kavramlar
Etiketli örneklerle sınıflandırma ve regresyon.
Etiketsiz veride kümeleme ve boyut indirgeme.
Öğrenilecek fonksiyonun biçimi ve parametreleri.
Tahminin ne kadar yanlış olduğunu ölçer; eğitim onu küçültür.
Eğitimde görülmeyen örneklerde de doğru tahmin.
Eğitim verisini ezberleme; yanlılık-varyans dengesi.
Eğitim, doğrulama ve test kümeleri; çapraz doğrulama.
Ham veriyi modele uygun sayılara dönüştürmek.
Ders
Tipik İş Akışı
Dene
Krediyi Verelim mi?
Banka, geçmiş başvuruların gelirini, borç oranını ve krediyi geri ödeyip ödemediğini biliyor. Grafiğe tıklayarak yeni bir başvuru ekleyin; model ona en çok benzeyen k eski başvuruya bakarak karar verir.
Konum
Ön Koşullar
Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.
| Ders | Neden gerekir |
|---|---|
| Yapay Zekâ | veriden öğrenen etmen; arama yerine istatistiksel genelleme |
| Doğrusal Cebir | öznitelik vektörleri, matris çarpımı, PCA |
| Olasılık ve İstatistik | genelleme hatası, yanlılık-varyans, olasılıksal modeller |
| Optimizasyon | kayıp en küçükleme, düzenlileştirme |
| Programlama | Python ya da Java ile veri okuma, döngü ve fonksiyonlar |
| Analiz (Kalkülüs) | türev, kısmi türev ve zincir kuralı: gradyan inişinin dili |
Konum
Dersin Komşuları
Örtüşme
Örtüştüğü Dersler (1/2)
| İlişki | Ders | Ortak konu |
|---|---|---|
| alt alan | Bu ders, Yapay Zekâ dersinin alt alanıdır | veriden öğrenen etmen; arama yerine istatistiksel genelleme |
| alt alan | Yapay Sinir Ağları, bu dersin alt alanıdır | parametrik model, kayıp fonksiyonu, gradyan inişi |
| alt alan | Pekiştirmeli Öğrenme, bu dersin alt alanıdır | etiket yerine ödülle öğrenme |
| temel alır | Bu ders Doğrusal Cebir dersini temel alır | öznitelik vektörleri, matris çarpımı, PCA |
| temel alır | Bu ders Olasılık ve İstatistik dersini temel alır | genelleme hatası, yanlılık-varyans, olasılıksal modeller |
| temel alır | Bu ders Optimizasyon dersini temel alır | kayıp en küçükleme, düzenlileştirme |
| uygulama | Makine Öğrenmesi Sistemleri ve MLOps bu dersin yöntemlerini uygular | modeli dağıtma, izleme, yeniden eğitme |
| uygulama | Siber Güvenlikte Yapay Zekâ bu dersin yöntemlerini uygular | saldırı tespiti, kötü amaçlı yazılım sınıflandırma |
Örtüşme
Örtüştüğü Dersler (2/2)
| İlişki | Ders | Ortak konu |
|---|---|---|
| uygulama | Biyoenformatik bu dersin yöntemlerini uygular | gen ifadesi sınıflandırma, protein yapısı |
| yöntem paylaşır | Örüntü Tanıma ile yöntem paylaşır | sınıflandırıcılar, karar sınırları |
| yöntem paylaşır | Olasılıksal Grafik Modeller ile yöntem paylaşır | olasılıksal sınıflandırıcılar, EM algoritması |
| yöntem paylaşır | Açıklanabilir Yapay Zekâ ve Yapay Zekâ Etiği ile yöntem paylaşır | model açıklama, öznitelik önemi |
| yöntem paylaşır | Veri Madenciliği ile yöntem paylaşır | aynı algoritmalar; amaç tahmin değil keşif |
| yöntem paylaşır | Veri Bilimi ile yöntem paylaşır | tahmin modelleri |
| yöntem paylaşır | Bilgi Kuramı ile yöntem paylaşır | çapraz entropi kaybı, karar ağacı bölme ölçütü |
Ayrışma
Ayrıştığı Noktalar (1/2)
| Ölçüt | Makine Öğrenmesi | Yapay Zekâ | Veri Madenciliği |
|---|---|---|---|
| Temel soru | Bir program örneklerden nasıl genelleme yapar? | Bir makine arayarak, çıkarım yaparak ve plan kurarak nasıl akıllıca davranır? | Büyük veri yığınlarındaki gizli ve işe yarar örüntüler nasıl bulunur? |
| Yaklaşım | istatistiksel öğrenme | arama, mantık, olasılık ve öğrenme bir arada | keşfe dayalı çözümleme |
| Girdi | etiketli ya da etiketsiz örnekler | problem tanımı: durumlar, eylemler, hedef | büyük tablo ya da işlem verisi |
| Çıktı | tahmin yapan model | eylem dizisi, plan ya da karar | kural, küme, aykırı değer |
| Başarı ölçütü | görülmemiş veride hata | hedefe ulaşma, maliyet, rasyonellik | ilginçlik, destek, güven |
| Matematik yükü | yüksek: doğrusal cebir, olasılık, optimizasyon | orta: mantık, olasılık, çizge | orta |
| Veri ihtiyacı | orta ve çok | az; çoğu zaman model ve bilgi yeter | çok |
- Yapay Zekâ: YZ çerçevedir; MÖ bu çerçevede yalnızca veriden öğrenmeye odaklanır.
- Veri Madenciliği: Aynı algoritmaları kullanırlar; MÖ yeni örnekte tahmini, veri madenciliği veride keşfi amaçlar.
Ayrışma
Ayrıştığı Noktalar (2/2)
| Ölçüt | Makine Öğrenmesi | Olasılık ve İstatistik | Derin Öğrenme |
|---|---|---|---|
| Temel soru | Bir program örneklerden nasıl genelleme yapar? | Belirsizlik nasıl ölçülür ve sınırlı veriden nasıl güvenilir sonuç çıkarılır? | Çok katmanlı ağlar ham veriden kullanışlı temsilleri nasıl kendisi öğrenir? |
| Yaklaşım | istatistiksel öğrenme | olasılık modeli ve çıkarım | çok katmanlı temsil öğrenme |
| Girdi | etiketli ya da etiketsiz örnekler | örneklem verisi | ham veri: görüntü, metin, ses |
| Çıktı | tahmin yapan model | kestirim, güven aralığı, test sonucu | öğrenilmiş temsil ve tahmin |
| Başarı ölçütü | görülmemiş veride hata | yansızlık, güç, anlamlılık | doğruluk, kayıp, ölçeklenme |
| Matematik yükü | yüksek: doğrusal cebir, olasılık, optimizasyon | kuramın kendisi | yüksek: türev, matris, olasılık |
| Veri ihtiyacı | orta ve çok | örneklem | çok; GPU gerekir |
- Olasılık ve İstatistik: İstatistik modelin anlamını ve belirsizliğini, MÖ tahmin başarımını öne çıkarır.
- Derin Öğrenme: Derin öğrenme MÖ'nün bir koludur; öznitelikleri elle tasarlamak yerine ham veriden öğrenir.
Uygulama
Uygulama Alanları
E-postaları içeriğine göre sınıflandırmak.
Başvuranın geri ödeme riskini tahmin etmek.
Kullanıcının beğenebileceği ürün ya da içerik.
Hasta verisinden hastalık riskini kestirmek.
Satış ve stok planlaması.
Olağandışı kart işlemlerini yakalamak.
Uygulama
Araçlar ve Örnek Veriler
Araçlar ve kütüphaneler
Tanınmış veri setleri
Uygulama
Sık Karıştırılanlar
| Yaygın düşünce | Doğrusu |
|---|---|
| Daha karmaşık model her zaman daha iyidir. | Karmaşık model eğitim verisini ezberleyebilir (aşırı uydurma) ve yeni veride kötüleşir. |
| Eğitim doğruluğu başarıyı gösterir. | Başarı, eğitimde hiç kullanılmamış test verisinde ölçülür. |
| Çok veri her sorunu çözer. | Yanlı ya da gürültülü veri çoğaldıkça yanlışı da çoğaltır. |
| Model neden-sonuç ilişkisini öğrenir. | MÖ ilinti bulur; nedensellik için deney ya da nedensel çıkarım gerekir. |
Sonrası
Bu Dersten Sonra
Bu dersi temel alan ya da genişleten dersler
İlgili meslekler
Sonrası
Kaynaklar
- Mitchell, Machine Learning, McGraw-Hill, 1997.
- Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
- Hastie, Tibshirani ve Friedman, The Elements of Statistical Learning, 2. baskı, Springer, 2009.
- Alpaydın, Introduction to Machine Learning, 4. baskı, MIT Press, 2020.
- Géron, Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow, 3. baskı, O'Reilly, 2022.