Makine Öğrenmesi

Yapay Zekâ ve Veri Dersleri Rehberi · Kısım I: Çekirdek
Öğrenme türleriModel ve kayıpGenellemeDeğerlendirmeTemel algoritmalarKomşu dersler
Sercan KÜLCÜ · Giresun Üniversitesi · Bilgisayar Mühendisliği

Giriş

Ders Hangi Soruyu Sorar?

Bir program örneklerden nasıl genelleme yapar?

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

Yaklaşım

istatistiksel öğrenme

Girdi

etiketli ya da etiketsiz örnekler

Çıktı

tahmin yapan model

Başarı ölçütü

görülmemiş veride hata

Matematik yükü

yüksek: doğrusal cebir, olasılık, optimizasyon

Veri ihtiyacı

orta ve çok

Giriş

Kısa Tarihçe

1957

Rosenblatt algılayıcıyı (perceptron) tanıtır: ağırlıklarını örneklerden ayarlayan ilk modellerden.

1959

Samuel'in dama programı kendi kendine oynayarak gelişir; "makine öğrenmesi" adı yaygınlaşır.

1986

Quinlan'ın ID3 karar ağacı yayımlanır; aynı yıl geri yayılım sinir ağlarını yeniden canlandırır.

1995

Cortes ve Vapnik destek vektör makinelerini (SVM) yayımlar.

2001

Breiman rastgele ormanları tanıtır: çok sayıda ağacın oylaması.

2012

AlexNet ImageNet yarışmasını büyük farkla kazanır; derin öğrenme dönemi başlar.

Ders

Temel Kavramlar

Denetimli öğrenme

Etiketli örneklerle sınıflandırma ve regresyon.

Denetimsiz öğrenme

Etiketsiz veride kümeleme ve boyut indirgeme.

Model ve hipotez

Öğrenilecek fonksiyonun biçimi ve parametreleri.

Kayıp fonksiyonu

Tahminin ne kadar yanlış olduğunu ölçer; eğitim onu küçültür.

Genelleme

Eğitimde görülmeyen örneklerde de doğru tahmin.

Aşırı uydurma

Eğitim verisini ezberleme; yanlılık-varyans dengesi.

Doğrulama

Eğitim, doğrulama ve test kümeleri; çapraz doğrulama.

Öznitelikler

Ham veriyi modele uygun sayılara dönüştürmek.

Ders

Tipik İş Akışı

Veri toplaörneklem,etiketlerHazırlatemizleme,öznitelikEğitkaybıen küçükleDeğerlendirayrı testkümesiDağıt veizleüretim,veri kayması
Örnek: İstenmeyen e-posta süzgeci geçmiş iletileri ve etiketlerini toplar, sözcük sayılarını öznitelik yapar, lojistik regresyon eğitir, ayrılmış test iletilerinde doğruluğu ölçer ve gelen yeni iletileri sınıflandırır. Kurallar elle yazılmaz, veriden öğrenilir.

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.

Grafikte bir yere tıklayın.
● geri ödedi   ● ödemedi. k = 1 seçince bölgenin tek tek örneklere göre parçalandığına bakın: bu aşırı uydurmadır.
Kuralı kimse yazmadı: karar tamamen örneklerden geliyor. k küçükse model gürültüyü ezberler, çok büyükse ayrıntıyı kaçırır; doğru k, ayrı tutulmuş test verisinde seçilir.

Konum

Ön Koşullar

Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.

DersNeden gerekir
Yapay Zekâveriden öğrenen etmen; arama yerine istatistiksel genelleme
Doğrusal Cebiröznitelik vektörleri, matris çarpımı, PCA
Olasılık ve İstatistikgenelleme hatası, yanlılık-varyans, olasılıksal modeller
Optimizasyonkayıp en küçükleme, düzenlileştirme
ProgramlamaPython ya da Java ile veri okuma, döngü ve fonksiyonlar
Analiz (Kalkülüs)türev, kısmi türev ve zincir kuralı: gradyan inişinin dili

Konum

Dersin Komşuları

alt alantemel alıryöntem paylaşıruygulama

Örtüşme

Örtüştüğü Dersler (1/2)

İlişkiDersOrtak konu
alt alanBu ders, Yapay Zekâ dersinin alt alanıdırveriden öğrenen etmen; arama yerine istatistiksel genelleme
alt alanYapay Sinir Ağları, bu dersin alt alanıdırparametrik model, kayıp fonksiyonu, gradyan inişi
alt alanPekiştirmeli Öğrenme, bu dersin alt alanıdıretiket yerine ödülle öğrenme
temel alırBu ders Doğrusal Cebir dersini temel alıröznitelik vektörleri, matris çarpımı, PCA
temel alırBu ders Olasılık ve İstatistik dersini temel alırgenelleme hatası, yanlılık-varyans, olasılıksal modeller
temel alırBu ders Optimizasyon dersini temel alırkayıp en küçükleme, düzenlileştirme
uygulamaMakine Öğrenmesi Sistemleri ve MLOps bu dersin yöntemlerini uygularmodeli dağıtma, izleme, yeniden eğitme
uygulamaSiber Güvenlikte Yapay Zekâ bu dersin yöntemlerini uygularsaldırı tespiti, kötü amaçlı yazılım sınıflandırma

Örtüşme

Örtüştüğü Dersler (2/2)

İlişkiDersOrtak konu
uygulamaBiyoenformatik bu dersin yöntemlerini uygulargen ifadesi sınıflandırma, protein yapısı
yöntem paylaşırÖrüntü Tanıma ile yöntem paylaşırsınıflandırıcılar, karar sınırları
yöntem paylaşırOlasılıksal Grafik Modeller ile yöntem paylaşırolasılıksal sınıflandırıcılar, EM algoritması
yöntem paylaşırAçıklanabilir Yapay Zekâ ve Yapay Zekâ Etiği ile yöntem paylaşırmodel açıklama, öznitelik önemi
yöntem paylaşırVeri Madenciliği ile yöntem paylaşıraynı algoritmalar; amaç tahmin değil keşif
yöntem paylaşırVeri Bilimi ile yöntem paylaşırtahmin modelleri
yöntem paylaşırBilgi Kuramı ile yöntem paylaşırçapraz entropi kaybı, karar ağacı bölme ölçütü

Ayrışma

Ayrıştığı Noktalar (1/2)

ÖlçütMakine ÖğrenmesiYapay ZekâVeri Madenciliği
Temel soruBir 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?
Yaklaşımistatistiksel öğrenmearama, mantık, olasılık ve öğrenme bir aradakeşfe dayalı çözümleme
Girdietiketli ya da etiketsiz örneklerproblem tanımı: durumlar, eylemler, hedefbüyük tablo ya da işlem verisi
Çıktıtahmin yapan modeleylem dizisi, plan ya da kararkural, küme, aykırı değer
Başarı ölçütügörülmemiş veride hatahedefe ulaşma, maliyet, rasyonellikilginçlik, destek, güven
Matematik yüküyüksek: doğrusal cebir, olasılık, optimizasyonorta: mantık, olasılık, çizgeorta
Veri ihtiyacıorta ve çokaz; çoğu zaman model ve bilgi yeterçok
  • 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)

ÖlçütMakine ÖğrenmesiOlasılık ve İstatistikDerin Öğrenme
Temel soruBir 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?
Yaklaşımistatistiksel öğrenmeolasılık modeli ve çıkarımçok katmanlı temsil öğrenme
Girdietiketli ya da etiketsiz örneklerörneklem verisiham veri: görüntü, metin, ses
Çıktıtahmin yapan modelkestirim, güven aralığı, test sonucuöğrenilmiş temsil ve tahmin
Başarı ölçütügörülmemiş veride hatayansızlık, güç, anlamlılıkdoğruluk, kayıp, ölçeklenme
Matematik yüküyüksek: doğrusal cebir, olasılık, optimizasyonkuramın kendisiyüksek: türev, matris, olasılık
Veri ihtiyacıorta ve çokörneklemçok; 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

İstenmeyen ileti süzme

E-postaları içeriğine göre sınıflandırmak.

Kredi puanlama

Başvuranın geri ödeme riskini tahmin etmek.

Öneri

Kullanıcının beğenebileceği ürün ya da içerik.

Tıbbi tahmin

Hasta verisinden hastalık riskini kestirmek.

Talep tahmini

Satış ve stok planlaması.

Sahtekârlık tespiti

Olağandışı kart işlemlerini yakalamak.

Uygulama

Araçlar ve Örnek Veriler

Araçlar ve kütüphaneler

scikit-learnpandasNumPyXGBoostWekaR

Tanınmış veri setleri

IrisMNISTUCI Machine Learning RepositoryTitanic (Kaggle)Adult (gelir)Wine

Uygulama

Sık Karıştırılanlar

Yaygın düşünceDoğrusu
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

Makine öğrenmesi mühendisiVeri bilimciAraştırmacıMLOps mühendisi
Makine öğrenmesi haritanın kavşağıdır: sinir ağları ve pekiştirmeli öğrenme onun dallarıdır; MLOps, siber güvenlik ve biyoenformatik onun yöntemlerini uygular. Bu dersten sonra ister derinleşmek (YSA, derin öğrenme), ister bir uygulama alanına geçmek mümkündür.

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.

Son

Bölüm 3: Makine Öğrenmesi
← Önceki bölüm · Alanın haritası · Sonraki bölüm →
1 / 1 Sercan KÜLCÜ, Tüm hakları saklıdır.