Makine öğrenmesi, İngilizce Machine Learning teriminin Türkçe karşılığıdır. Makine öğrenmesi, insanların nasıl öğrendiğini taklit eden bir yapay zeka alt alanıdır. Makine öğrenmesi, yapay zeka uygulamalarının çoğunda kullanılan bir yöntemdir. Makine öğrenmesi, verilerden öğrenen ve yeni verilere karşı akıllıca davranan bir sistem oluşturmayı amaçlar. Makine öğrenmesini anlamak için, insan öğrenmesine bir örnek verelim.
Bir çocuk ilk defa karga gördüğünde, ne olduğunu merak eder ve sorar. "Bu bir karga" cevabını aldığında, zihninde kargaya dair bir kalıp oluşturmaya başlar. Çocuk zamanla farklı kargalarla karşılaştıkça, bunların da karga olduğunu öğrenir. Çocuğun zihninde kargaların ortak özellikleri, siyah renk, gagası, kanatları ve sesi gibi bir kalıp oluşur. Bu özellikler, kargayı diğer kuşlardan ayıran belirleyici özelliklerdir. Çocuk, yeni bir karga gördüğünde, zihnindeki karga kalıbıyla karşılaştırarak, bunun bir karga olup olmadığına karar verir. Bu öğrenme süreci doğal olarak gerçekleşir ve çocuklar bunun için özel bir çaba harcamazlar.
Makine öğrenmesinde de benzer bir süreç vardır. Karga ve güvercin olarak etiketlenmiş (sınıflandırılmış) fotoğraflardan oluşan bir veri seti, bir makine öğrenmesi algoritması (bir model) tarafından eğitilir. Makine öğrenmesi algoritması, bu fotoğraflardan sınıfları tanımlayan özellikleri öğrenir. Yeni bir fotoğraf verildiğinde, öğrenilen sınıf özellikleriyle uyumuna göre bir sınıflandırma yapar (Örnek: Bu bir karga.).
Makine öğrenmesi, klasik programlamadan farklı bir yaklaşımdır. Klasik programlamada, programcılar tüm olasılıkları düşünerek koşullu ifadeler yazıp, veriyi işleyen ve çıktı üreten kodlar oluştururlar. Programlar, yazılan kodlar (kurallar) dışında başka bir işlem yapmazlar. Makine öğrenmesinde ise, veri ve çıktılar, makine öğrenmesi algoritmaları tarafından analiz edilerek, veri ve çıktı arasındaki olası ilişkiler, kalıplar, örüntüler ve kurallar bulunur. Klasik programlamada sadece yazılan kodlara bağlı sonuçlar elde edilirken, makine öğrenmesinde sonucu veri-çıktı belirler.
Makine öğrenmesi, klasik programlamaya göre daha avantajlıdır. Klasik programlamada binlerce satır kod yazmak ve her veri seti için yeni kodlar, yeni kurallar eklemek gerekirken, makine öğrenmesinde daha az kod yazmak ve verilerden öğrenmek mümkündür. Klasik programlamada tüm girdileri ve bunları işlemek için gerekli kuralları ve kodları önceden belirlemek zorundayken, makine öğrenmesinde bu her zaman gerekli değildir.
Makine Öğrenmesi Türleri
Makine öğrenmesi türleri, verilerin niteliğine ve istenilen sonuca bağlı olarak dört gruba ayrılır:
- Denetimli Öğrenme: Bu türde, makine öğrenmesi modeli, girdi değişkenlerini (X) çıktı değişkenlerine (Y) eşleştiren bir işlev öğrenmek için etiketli eğitim verileri kullanır. Örneğin, bir model, bir evin özelliklerine (X) göre fiyatını (Y) tahmin etmek için eğitilebilir. Denetimli öğrenme algoritmaları arasında regresyon, sınıflandırma, karar ağaçları, destek vektör makineleri, yapay sinir ağları vb. sayılabilir.
- Denetimsiz Öğrenme: Bu türde, makine öğrenmesi modeli, girdi değişkenlerinden (X) herhangi bir çıktı değişkeni olmadan anlamlı bilgiler çıkarmaya çalışır. Örneğin, bir model, müşterilerin alışveriş davranışlarına (X) göre onları farklı segmentlere ayırabilir. Denetimsiz öğrenme algoritmaları arasında kümeleme, boyut indirgeme, ilişki kuralları, öneri sistemleri vb. sayılabilir.
- Yarı Denetimli Öğrenme: Bu türde, makine öğrenmesi modeli, hem etiketli hem de etiketsiz verileri kullanarak öğrenir. Örneğin, bir model, etiketli verilerle önceden eğitilmiş bir sınıflandırıcıyı, etiketsiz verilerle güçlendirerek görüntü tanıma görevi için kullanabilir. Yarı denetimli öğrenme algoritmaları arasında graf tabanlı yöntemler, ko-eğitim, aktif öğrenme, vb. sayılabilir.
- Pekiştirmeli Öğrenme: Bu türde, makine öğrenmesi modeli, bir ortamda belirli bir hedefe ulaşmak için en iyi eylemleri seçmeyi öğrenir. Örneğin, bir model, bir oyunu kazanmak için hangi hamleleri yapması gerektiğini öğrenebilir. Pekiştirmeli öğrenme algoritmaları arasında Q-öğrenme, derin Q-ağı, politika gradyanı, aktör-tenkitçi yöntemleri vb. sayılabilir.