Makine öğrenmesi, kod yazmaya gerek kalmadan, belirli bir veri kümesi hakkında ilginç şeyler söyleyebilen genel algoritmalar oluşturma fikridir. Kod yazmak yerine bu genel algoritmayı veri ile kullanırsak algoritma bu veriye dayanarak kendi mantığını oluşturur. Aynı zamanda yapay zekanın alt kümesidir. Yapay zekâ, insan zekasını taklit eden sistemler veya makineler anlamına gelen kapsamlı bir terimdir. Genellikle makine öğrenimi ve yapay zekâ aynı durumlarda değerlendirilir fakat bazı durumlarda aynı şekilde değerlendiremeyebiliriz. Bazı durumlarda birbirinin yerine kullanılabilir ama aynı anlama gelmezler. Makine öğrenimi yapay zekâ iken, yapay zekâ öğrenimi bir makine öğrenmesi değildir.
Fotoğraf: blog.turhost.com/makine-ogrenmesi-machine-learning-nedir
Makine Öğrenmesi Neler Yapabilir?
Değerleri Tahmin Etme: Değişkenlerle ilgili neden ve sonuç ilişkisiyle ilgili tahminlerde bulunur.
Olağandışı Oluşumları Tanımlama: Bu yöntem veri kümesindeki doğal gruplamaları belirgin olmayan şekilde açıklayan kümeleme modeli yaratır.
Yapı Bulma: Genellikle makine öğrenmesinin ilk adımıdır, veri kümesindeki alınan yapıyı ortaya çıkaran kümeleme algoritmalarına denir.
Kategorileri Tahmin Etme: Sınıflandırma algoritmaları bilgi için doğru kategorinin belirlenmesine yardımcı olur.
Makine Öğrenmesi Hangi Alanlarda Kullanılır?
- Online alışveriş
- Sosyal medya uygulamaları
- Bankacılık
- Finans sektörü
- Sağlık
- Eğitim
Makine Öğrenmesi Algoritma Türleri
Makine öğrenimi algoritmalarını 4 başlıkta sıralayabiliriz. Bunlar:
Denetimli Makine Öğrenmesi: Denetimli makine öğrenimi kanıta dayalı tahminler yapan bir model oluşturur. Belirli verileri üretmek için öğrenme verileri olarak adlandırılan örnek verileri kullanır ve bir modelin eğitilmesini sağlar. Bu örnek veriler genellikle insanlar tarafından sisteme girilir ve bu veriler, öğrenme modelinin doğru çıktıyı üretmesine yardımcı olur.
Fotoğraf: blog.turhost.com/makine-ogrenmesi-machine-learning-nedir
Denetimsiz Makine Öğrenmesi: Önceden belirlenmiş bir hedef çıktı olmadan veriler arasındaki örüntüleri ve yapıları keşfetmek için kullanılır. Genellikle etiketlenmemiş verilerle çalıştığından, denetimli öğrenme tekniklerine kıyasla daha fazla keşif potansiyeline sahiptir. Ancak, bu potansiyelin yanı sıra, sonuçların doğru bir şekilde yorumlanması zor olabilir.
Fotoğraf: blog.turhost.com/makine-ogrenmesi-machine-learning-nedir
Yarı Denetimli Makine Öğrenmesi: Denetimli ve denetimsiz makine öğrenmesi tekniklerinin bir kombinasyonudur. Bu teknikte, eğitim verilerinin bir kısmı etiketlenmiş (denetimli öğrenme) ve bir kısmı etiketlenmemiş (denetimsiz öğrenme) verilerden oluşur. Bu şekilde hem denetimli hem de denetimsiz öğrenme yöntemleri arasında bir denge sağlanır ve daha doğru sonuçlar elde edilir.
Fotoğraf: blog.turhost.com/makine-ogrenmesi-machine-learning-nedir
Pekiştirmeli Makine Öğrenmesi: Bir ajanın, belirli bir ortamda, belirli bir hedefi gerçekleştirmek için alabileceği aksiyonları öğrenmesi esasına dayanır. Bu yöntemde, ajanın kararlarını en iyi hale getirecek aksiyonları öğrenmesi için ödüller ve cezalar verilir. Genellikle robotik, oyunlar, yapay zekâ ve otomasyon gibi uygulama alanlarında kullanılır. Bu yöntem, ajanın çevresindeki dünyayı algılamasını, çevresel durumları ve olayları analiz etmesini ve ardından optimal bir aksiyon seçmesini sağlar.
Fotoğraf: blog.turhost.com/makine-ogrenmesi-machine-learning-nedir
Kaynaklar
www.oracle.com/tr/artificial-intelligence/machine-learning/what-is-machine-learning
azure.microsoft.com/tr-tr/resources/cloud-computing-dictionary/what-is-machine-learning-platform
blog.turhost.com/makine-ogrenmesi-machine-learning-nedir
Yazar: 9 Fen Sınıfı – Nazlı Zoroğlu