Makine Öğrenimi

Nedir ve neden önemlidir

Makine öğrenimi, analitik model oluşturmayı otomatikleştiren bir veri analizi yöntemidir. Sistemlerin verilerden öğrenebileceği, örüntüleri tanımlayabileceği ve minimum insan müdahalesi ile kararlar alabileceği fikrine dayanan bi yapay zekâ dalıdır.

Makine öğreniminin evrimi

Yeni bilgi işlem teknolojileri nedeniyle, bugün makine öğrenimi, geçmişin makine öğrenimi gibi değildir. Örüntü tanıma ve bilgisayarların belirli görevleri gerçekleştirmek üzere programlanmadan öğrenebileceği teorisinden doğdu; yapay zekâ ile ilgilenen araştırmacılar, bilgisayarların verilerden öğrenip öğrenemeyeceğini görmek istedi. Modeller yeni verilere maruz kaldıkça bağımsız olarak uyarlanabildiklerinden, makine öğreniminin yinelemeli yönü önemlidir. Güvenilir, tekrarlanabilir kararlar ve sonuçlar üretmek için önceki hesaplamalardan öğrenirler. Bu yeni olmayan ancak yeni ivme kazanmış bir bilim.

Pek çok makine öğrenimi algoritması uzun süredir piyasada olsa da, karmaşık matematiksel hesaplamaları büyük verilere otomatik olarak uygulama yeteneği (tekrar tekrar, daha da hızlı) yeni bir gelişmedir. Aşağıda, aşina olabileceğiniz, yaygın olarak bilinen birkaç makine öğrenimi uygulaması örneği verilmiştir:

  • Aşırı abartılmış, kendi kendine giden Google arabası mı? Makine öğreniminin özü.
  • Amazon ve Netflix’ten gelenler gibi çevrim içi öneri teklifleri mi? Günlük yaşam için makine öğrenimi uygulamaları.
  • Müşterilerin Twitter’da sizin hakkınızda neler söylediğini biliyor musunuz? Dilsel kural oluşturma ile birleştirilmiş makine öğrenimi.
  • Sahtecilik tespiti mi? Bugün dünyamızda daha belirgin, önemli kullanımlardan biri.

 

Makine Öğrenimi ve Yapay Zekâ

Yapay zekâ (AI), insan yeteneklerini taklit eden geniş bir bilim olsa da, makine öğrenimi, bir makineye nasıl öğreneceğini öğreten belirli bir yapay zekâ alt kümesidir. Yapay zekâ ve makine öğrenimi arasındaki ilişkiyi daha iyi anlamak için bu videoyu izleyin. Bu iki teknolojinin nasıl çalıştığını, faydalı örnekleri ve birkaç eğlenceli yönünü göreceksiniz.

Makine öğrenimi neden önemlidir?

Makine öğrenimine ilginin yeniden artması, veri madenciliğini ve Bayes analizini her zamankinden daha popüler hâle getiren aynı faktörlerden kaynaklanmaktadır. Artan hacimler ve mevcut veri çeşitleri, daha ucuz ve daha güçlü olan hesaplamalı işleme ve uygun fiyatlı veri depolama gibi şeyler.

Tüm bunlar, daha büyük, daha karmaşık verileri analiz edebilen ve çok büyük ölçekte bile daha hızlı, daha doğru sonuçlar verebilen modelleri hızlı ve otomatik olarak üretmenin mümkün olduğu anlamına gelir. Ve kesin modeller oluşturarak, bir kuruluşun kârlı fırsatları belirleme veya bilinmeyen risklerden kaçınma şansı daha yüksektir.

 

İyi makine öğrenimi sistemleri oluşturmak için ne gereklidir?

  • Veri hazırlama yetenekleri.
  • Temel ve gelişmiş algoritmalar.
  • Otomasyon ve yinelemeli süreçler.
  • Ölçeklendirilebilirlik.
  • Topluluk modellemesi.
Machine learning infographic

Biliyor muydunuz?

  • Makine öğreniminde hedefe etiket denir.
  • İstatistikte hedefe bağımlı değişken denir.
  • İstatistikteki değişkene makine öğreniminde özellik denir.
  • İstatistikteki dönüşüme makine öğreniminde özellik oluşturma denir.

Günümüz dünyasında makine öğrenimi

Kuruluşlar, bağlantıları ortaya çıkaran modeller oluşturmak için algoritmalar kullanarak insan müdahalesi olmadan daha iyi kararlar alabilir. İçinde yaşadığımız dünyayı şekillendiren teknolojiler hakkında daha fazla bilgi edinin.

White Paper

İş dünyasında makine öğrenimi için fırsatlar ve zorluklar

Bu O’Reilly tanıtım yazısı, kuruluşunuzda makine öğrenimi uygulamalarının uygulanması için pratik bir kılavuz sağlar.

Tanıtım yazısını okuyun

Yetenek setinizi genişletin

Makine öğrenimi becerilerinizi geliştirmek için derinlemesine bilgi edinin ve SAS’a ücretsiz erişim sağlayın. Kurs içeriği: 14 saat kurs süresi, bulutta 90 gün ücretsiz yazılım erişimi, programlama becerisi gerektirmeyen esnek bir e-öğrenme formatı.

Makine Öğrenimi Kursları

Makine öğrenimi kuruluşunuzu değiştirecek mi?

Harvard Business Review Insight Center raporu, makine öğreniminin şirketleri ve onları yönetme şeklimizi nasıl değiştireceğini inceliyor.

 Raporu indirin

Makine öğrenimini Nesnelerin İnternetine uygulama

Makine öğrenimi, özellikle Nesnelerin İnternetine uygulandığında daha yüksek verimlilik seviyelerine ulaşmak için kullanılabilir. Bu makale konuyu araştırıyor.

Nesnelerin İnterneti makalesini okuyun

Kimler kullanıyor?

Büyük miktarda veriyle çalışan çoğu endüstri, makine öğrenimi teknolojisinin değerini kabul etmiştir. Bu verilerden genellikle gerçek zamanlı olarak içgörüler toplayarak, kuruluşlar daha verimli çalışabilir veya rakiplere göre avantaj elde edebilir.

Finansal hizmetler

Finans sektöründeki bankalar ve diğer işletmeler, makine öğrenimi teknolojisini iki temel amaç için kullanır: verilerdeki önemli bilgileri belirlemek ve suistimali önlemek. İçgörüler, yatırım fırsatlarını belirleyebilir veya yatırımcıların ne zaman ticaret yapacaklarını bilmelerine yardımcı olabilir. Veri madenciliği ayrıca yüksek riskli profillere sahip müşterileri belirleyebilir veya suistimalin uyarı işaretlerini saptamak için siber gözetimi kullanabilir.

Kamu

Kamu güvenliği ve kamu hizmetleri sunan devlet kurumları, içgörüler için çıkarılabilecek birden fazla veri kaynağına sahip olduklarından, makine öğrenimine özel ihtiyaç duyarlar. Örneğin sensör verilerini analiz etmek, verimliliği artırmanın ve paradan tasarruf etmenin yollarını tanımlar. Makine öğrenimi ayrıca suistimali tespit etmeye ve kimlik hırsızlığını en aza indirmeyet yardımcı olabilir.

Sağlık hizmetleri

Makine öğrenimi, bir hastanın sağlığını gerçek zamanlı olarak değerlendirmek için verileri kullanabilen giyilebilir cihazların ve sensörlerin ortaya çıkışı sayesinde sağlık endüstrisinde hızla büyüyen bir trend. Teknoloji ayrıca tıp uzmanlarının daha iyi teşhis ve tedaviye yol açabilecek eğilimleri veya tehlike işaretlerini belirlemek için verileri analiz etmesine yardımcı olabilir.

Perakende

Önceki alışverişlerinize dayanarak beğenebileceğiniz ürünleri öneren web siteleri, satın alma geçmişinizi analiz etmek için makine öğrenimini kullanıyor. Perakendeciler, verileri yakalamak, analiz etmek ve bir alışveriş deneyimini kişiselleştirmek, bir pazarlama kampanyası uygulamak, fiyat optimizasyonu, ürün tedarik planlaması ve müşteri bilgileri için kullanmak adına makine öğrenimine güvenir.

Petrol ve gaz

Yeni enerji kaynakları bulmak. Topraktaki mineralleri analiz etmek. Rafineri sensör arızasını tahmin etmek. Daha verimli ve uygun maliyetli hâle getirmek için petrol dağıtımını kolaylaştırmak. Bu endüstri için makine öğrenimi kullanım örneklerinin sayısı çoktur ve hâlâ genişlemektedir.

Ulaşım

Modelleri ve eğilimleri belirlemek için verileri analiz etmek, rotaları daha verimli hâle getirmeye ve kârlılığı artırmak için olası sorunları tahmin etmeye dayanan ulaşım endüstrisinin anahtarıdır. Makine öğreniminin veri analizi ve modelleme yönleri, dağıtım şirketleri, toplu ulaşım ve diğer ulaşım organizasyonları için önemli araçlardır.

Nasıl çalışıyor

Makine öğreniminden en fazla değeri elde etmek için en iyi algoritmaları doğru araçlar ve süreçlerle nasıl eşleştireceğinizi bilmelisiniz. SAS, büyük kurumsal ortamlarda bile modellerinizin olabildiğince hızlı çalışmasını sağlamak için istatistik ve veri madenciliğinde zengin, sofistike mirası yeni mimari gelişmelerle birleştirir.

Algoritmalar: SAS grafik kullanıcı arabirimleri, makine öğrenimi modelleri oluşturmanıza ve yinelemeli bir makine öğrenimi süreci uygulamanıza yardımcı olur. Gelişmiş bir istatistikçi olmanıza gerek yok. Kapsamlı makine öğrenimi algoritmaları seçimimiz, büyük verilerinizden hızla değer elde etmenize yardımcı olabilir ve birçok SAS ürününe dâhildir. SAS makine öğrenimi algoritmaları şunları içerir:

Sinir ağları
 
Karar ağaçları
 
Rassal orman
 
İlişkilendirmeler ve dizi keşfi
 
Gradyan Artırma
 
Destek vektör makineleri
 
Nearest-neighbor mapping sınıflandırması
 
k-ortalama kümeleme
 
Kendi kendini düzenleyen haritalar
 
Yerel arama optimizasyon teknikleri (ör. genetik algoritmalar)
 
Beklenti maksimizasyonu
 
Multivariate adaptive regression splines
 
Bayes ağları
 
Kernel density estimation
 
Temel bileşenler analizi
 
Tekil değer ayrışımı
 
Gaussian mixture models
 
Sequential covering rule building
 

 

Araçlar ve Süreçler: Şimdiye kadar bildiğimiz gibi, konu sadece algoritmalar değil. Sonuç olarak, büyük verinizden en fazla değeri elde etmenin sırrı, eldeki görev için en iyi algoritmaları aşağıdakilerle eşleştirmede yatar:

Kapsamlı veri kalitesi ve yönetimi
 
Modeller ve süreç akışları oluşturmak için Grafik Kullanıcı Arayüzleri
 
Etkileşimli veri keşfi ve model sonuçlarının görselleştirilmesi
 
En iyisini hızlı bir şekilde belirlemek için farklı makine öğrenimi modellerinin karşılaştırılması
 
En iyi performans gösterenleri belirlemek için otomatikleştirilmiş topluluk modeli değerlendirmesi
 
Hızlı bir şekilde tekrarlanabilir, güvenilir sonuçlar alabilmeniz için kolay model dağıtımı
 
Veriden karara kadar sürecin otomasyonu için entegre, uçtan uca bir platform
 

Hangi makine öğrenimi algoritmasının ne için kullanılacağına dair birtakım temel rehberliğe mi ihtiyacınız var? SAS’ta veri bilimcisi olan Hui Li’nin bu blogu, kullanışlı bilgiler sunuyor.

Bazı popüler makine öğrenimi yöntemleri nelerdir?

En yaygın olarak benimsenen makine öğrenimi yöntemlerinden ikisi, gözetimli öğrenme ve gözetimsiz öğrenmedir ncak başka makine öğrenimi yöntemleri de vardır. İşte en popüler türlere genel bir bakış.

Gözetimli öğrenme algoritmaları, istenen çıktının bilindiği bir girdi gibi etiketli örnekler kullanılarak eğitilir. Örneğin, bir ekipman parçası “F” (başarısız) veya “R” (çalışıyor) olarak etiketlenmiş veri noktalarına sahip olabilir. Öğrenme algoritması, karşılık gelen doğru çıktılarla birlikte bir dizi girdi alır ve algoritma, hataları bulmak için gerçek çıktısını doğru çıktılarla karşılaştırarak öğrenir. Daha sonra modeli buna göre değiştirir. Sınıflandırma, regresyon, tahmin ve gradyan artırma gibi yöntemlerle denetimli öğrenme, ek etiketlenmemiş veriler üzerindeki etiketin değerlerini tahmin etmek için örüntüleri kullanır. Denetimli öğrenme, geçmiş verilerin olası gelecekteki olayları öngördüğü uygulamalarda yaygın olarak kullanılır. Örneğin, kredi kartı işlemlerinin ne zaman hileli olabileceğini veya hangi sigorta müşterisinin talepte bulunacağını tahmin edebilir.

Gözetimsiz öğrenme, geçmiş etiketleri olmayan verilere karşı kullanılır. Sisteme “doğru cevap” söylenmez. Algoritma neyin gösterildiğini bulmalıdır. Hedef, verileri keşfetmek ve içinde bir yapı bulmaktır. Gözetimsiz öğrenme, işlem verileri üzerinde iyi çalışır. Örneğin, daha sonra pazarlama kampanyalarında benzer şekilde ele alınabilecek benzer özelliklere sahip müşteri segmentlerini belirleyebilir. Veya müşteri segmentlerini birbirinden ayıran ana özellikleri bulabilir. Popüler teknikler arasında kendi kendini organize eden haritalar, en yakın komşu sınıflandırma, k-ortalama kümeleme ve Tekil değer ayrıştırması yer alır. Bu algoritmalar ayrıca metin konularını bölümlere ayırmak, ögeler önermek ve aykırı verileri belirlemek için de kullanılır.

Yarı gözetimli öğrenme, gözetimli öğrenme ile aynı uygulamalar için kullanılır. Ancak eğitim için hem etiketli hem de etiketsiz verileri kullanır. Tipik olarak büyük miktarda etiketlenmemiş veriyle birlikte az miktarda etiketlenmiş veri (çünkü etiketlenmemiş veriler daha ucuzdur ve elde edilmesi daha az çaba gerektirir). Bu öğrenme türü sınıflandırma, regresyon ve tahmin gibi yöntemlerle kullanılabilir. Yarı gözetimli öğrenme, etiketlemeyle ilişkili maliyet, tam olarak etiketlenmiş bir eğitim sürecine izin vermeyecek kadar yüksek olduğunda faydalıdır. Bunun ilk örnekleri, bir web kamerasında kişinin yüzünü tanımlamayı içerir.

Pekiştirmeli öğrenme genellikle robotik, oyun ve navigasyon için kullanılır. Pekiştirmeli öğrenme ile algoritma, hangi eylemlerin en büyük ödülleri verdiğini deneme yanılma yoluyla keşfeder. Bu tür öğrenmenin üç temel bileşeni vardır: agent(öğrenen veya karar verici), çevre (agent’ın etkileşimde bulunduğu her şey) ve eylemler (agent’ın yapabilecekleri). Amaç, agent’ın belirli bir süre boyunca beklenen ödülü en üst düzeye çıkaran eylemleri seçmesidir. Agent, iyi bir politika izleyerek hedefe çok daha hızlı ulaşacaktır. Dolayısıyla takviyeli öğrenmede amaç en iyi politikayı öğrenmektir.

İnsanlar genellikle haftada bir veya iki iyi model oluşturabilir; makine öğrenimi, haftada binlerce model oluşturabilir.

Thomas H. Davenport, Analitik düşünce lideri
The Wall Street Journal’dan alıntı

Veri madenciliği, makine öğrenimi ve derin öğrenme arasındaki farklar nelerdir?

Bu yöntemlerin tümü, karar vermek için kullanılabilecek içgörüler, örüntüler ve ilişkiler çıkarmak gibi aynı amaca sahip olsa da farklı yaklaşımlara ve yeteneklere sahiptirler.

Veri Madenciliği

Veri madenciliği, verilerden içgörü elde etmek için birçok farklı yöntemin bir üst kümesi olarak düşünülebilir. Geleneksel istatistiksel yöntemleri ve makine öğrenimini içerebilir. Veri madenciliği, verilerin önceden bilinmeyen örüntülerini belirlemek için birçok farklı alandan yöntemler uygular. Bu, istatistiksel algoritmaları, makine öğrenimini, metin analizini, zaman serisi analizini ve diğer analitik alanlarını içerebilir.Veri madenciliği aynı zamanda veri depolama ve veri işleme çalışmalarını ve uygulamalarını da içerir.

 


Makine Öğrenimi

Makine öğrenimindeki temel fark, tıpkı istatistiksel modeller gibi, amacın verinin yapısını anlamak, iyi anlaşılmış verilere teorik dağılımları uydurmak olmasıdır. Dolayısıyla, istatistiksel modellerde, modelin arkasında matematiksel olarak kanıtlanmış bir teori vardır ancak bu, verilerin de belirli güçlü varsayımları karşılamasını gerektirir. Makine öğrenimi, yapının neye benzediğine dair bir teorimiz olmasa bile, yapı verilerini araştırmak için bilgisayarları kullanma becerisine dayalı olarak gelişmiştir. Bir makine öğrenimi modeline yönelik test, boş bir hipotezi kanıtlayan teorik bir test değil, yeni veriler üzerinde bir doğrulama hatasıdır. Makine öğrenimi, verilerden öğrenmek için genellikle yinelemeli bir yaklaşım kullandığından, öğrenme kolayca otomatikleştirilebilir. Sağlam bir model bulunana kadar veriler üzerinden geçişler yapılır.


Derin öğrenme

Derin öğrenme, büyük miktarda verideki karmaşık örüntüleri öğrenmek için bilgi işlem gücündeki ilerlemeleri ve özel sinir ağları türlerini birleştirir. Derin öğrenim teknikleri, şu anda görüntülerdeki nesneleri ve seslerdeki kelimeleri tanımlamak için son teknolojidir. Araştırmacılar şu sıralar örüntü tanımadaki bu başarıları otomatik dil tercümesi, tıbbi teşhisler ve çok sayıda diğer önemli sosyal ve iş sorunları gibi daha karmaşık görevlere uygulamak istiyorlar.