MAKİNE ÖĞRENMESİ

Makine öğrenmesi ya da İngilizce adıyla machine learning (ML), günümüzde birçok alanda kullanılan yapay zekanın alt çalışma alanlarından biridir. Aslında bu kavram makinelerin, insanların öğrenme biçimine benzetilmesini içeriyor. Örneğin bir insan okuma yazma öğrenirken belirli kelimeler üzerinden alıştırmalar yapıyor. Ardından, zaman geçtikte kendimizi geliştiriyor ve ilk öğrenme aşamasında görmediğimiz kelimeleri de okuyup yazmaya başlıyoruz. Makine öğrenmesi sürecinde de durum bu şekilde işliyor. İlk olarak matematiksel ve istatistiksel veriler üzerinden makine için bazı algoritmalar oluşturuluyor. Daha sonra insanların etkisi olmadan da kendince beceriler kazanabilecek hale geliyor. Basitçe aktardığımız makine öğrenmesini gelin daha detaylı bir şekilde inceleyelim!

Makine Öğrenmesi Nedir?

Yapay zekanın alt çalışma alanlarından biri olan makine öğrenmesi, makinenin kendiliğinden mevcut matematiksel ve istatistiksel verileri kullanarak çıkarımlar yapabilmesi, bu çıkarımlar ışığında bilinmeyen noktalara dair tahminlerde bulunabilmesini sağlayan yöntemlerdir. Her ne kadar kavram olarak pek aşina olmasak da günümüzde kullandığımız birçok sistem makine öğrenmesi yöntemi ile çalışıyor. Akıllı telefonlardaki yüz tanıma sistemi buna en güzel örnektir. Yüzünüzü bir kez tanımladıktan sonra başka açılardan da sizleri tanıyabiliyor. Makine öğrenmesi olmasaydı yüz tanıma sistemi yalnızca ilk günkü açıdan, ilk günkü halinizde olduğunuzda sizleri tanımlayabilecekti.

Makine Öğrenmesi Tarihi

Makine öğrenmesi tarihi 1950 yılına dayanır. 1950 yılında Alan Turing, Turing testinin insan zekasını geçip geçemeyeceği üzerine bir algoritma tasarlar. Bu tasarımda bir bilgisayar botu insan zekasını geçmeyi başarmıştır. 1967’de en yakın komşuları algoritması ile ilk makine öğrenmesi oluşturuldu. 1980 ve 1990 yılında ise bu makine öğrenmesi uygulamalarının çok daha ileri taşınması için adımlar atılmıştır. Son 20 yılda ise verilerin artışıyla birlikte çok daha farklı alanlarda kullanılabilen, donanımlı ve gelişmiş algoritmaları bulunan makine öğrenmesi ürünleri tasarlandı. Bu dijital dönüşüm sayesinde gelecekteki yapay zeka uygulamalarının önü açıldı.

Makine Öğrenmesi Yöntemleri Nelerdir?

Makine öğrenmesi için temelde 3 farklı yöntem bulunuyor. Supervised (Gözetimli), Unsupervised (Gözetimsiz) ve Reinforcement (Takviyeli) olarak ayrılabilir.

• Supervised (Gözetimli) Öğrenme Yöntemi

Gözetimli öğrenme yöntemi, giriş değerleri ile çıkış değerleri arasında eşleşme yapan fonksiyon oluşturuyor. Bu sistemde makineye bazı giriş değerleri giriliyor ve buna uygun olarak girilen çıkış değerlerini seçiyor. Algoritmanın esas çalışma mantığında veri setindeki çıkışlar kategorik ise classification, nümerik ise regression kullanılıyor.

Örneğin bir kişi tansiyon hastalığına sahipse gözetimli öğrenme yöntemi sayesinde bir algoritma oluşturulabilir. İlk olarak giriş verileri algoritmaya eklenir ve bu değerler tansiyon kombinasyonları olabilir. Ardından çıkış verileri eklenir. Örneğin normal, orta derece hipertansiyon ve kritik hipertansiyon olarak sınıflandırılabilir.

• Unsupervised (Gözetimsiz) Öğrenme Yöntemi

Gözetimsiz öğrenme yönteminin gözetimli öğrenme yönteminden farkı çıkış verilerinin eklenmiyor olmasıdır. Algoritmaları çözümlemek ve bunun üzerinden çıkarımlar yapmak üzere kurulu bir sistemdir. Bu çıkarımlar yapılırken insan müdahalesine gerek duymazlar. Örneğin veri analizleri için gözetimsiz öğrenme algoritmaları oluşturulabilir.

• Reinforcement (Takviyeli) Öğrenme Yöntemi

Yarı gözetimli öğrenme yöntemi olarak da bilinen takviyeli öğrenme yöntemi, bahsettiğimiz iki öğrenme yönteminin ortasında bir seçenek sunar. Burada asıl amaç makinenin bir konu üzerine çevreden geri bildirim alması ve bu geri bildirimleri maksimuma çıkartmaya eğilimli olmasıdır. Gözetimli öğrenme algoritmalarını daha kapsamlı hale getirmek için kullanılabilir.

Makine Öğrenmesi Hangi Alanlarda Kullanılır?

Makine öğrenmesi oldukça geniş bir kullanım alanını kapsadığı gibi gelecekte de yerinin büyük olacağı düşünülüyor.

• Online Satranç Uygulamaları

İnsan beyninin karar verme mekanizması baz alınan bir yazılım aracılığıyla satranç uygulamaları insan karşısında kazanabilen bir yapıya ulaşmıştır.

• Öneri Sistemleri

Günümüzde bazı uygulamalardan hangi aramaları yaptıysanız daha sonrasında sizler için bu aramalara uygun olarak öneriler sunuluyor. Bu sistemde girdiler ve bununla ilgili çıktılar bulunuyor. Sistem sizin verdiğiniz bilgiler ışığında en iyi önerilerde bulunmak için tasarlanır. Bu sayede ilgili siteyi sizler için özelleştirilmiş şekilde kullanabilirsiniz.

• Sürücüsüz Araçlar

Günümüzde geliştirilmekte olan sürücüsüz araçlar, makine öğrenmesi ve bir alt kavramı olan derin öğrenme için oldukça iyi bir örnektir. Makinenin doğru bir şekilde çevreyi algılayabilmesi sağlanır. Çevre koşulları değişkenlik gösterebileceğinden dolayı makinenin kendi kendine değişen çevre koşullarına ayak uydurması sağlanır. Kaza yapmadan yoluna devam edebilmesi için makine öğrenmesi algoritmaları oluşturulur.

• Oyuncaklar

Her ne kadar diğerlerine nazaran daha basit bir algoritma içeriyor olsa da oyuncaklar da makine öğrenmesi için iyi örneklerdendir. Günümüzde bazı oyuncaklar çocuklarla konuşuyor. Çocukların verdiği yanıta göre ona cevap veriyor. Bu sayede belirli kelimeler ve cümlelerle bir diyalog kurulabiliyor.

• Finans Sektörü

Günümüzde American Express ve Experian kurumları tarafından makine öğrenmesi finans sektörüne entegre edilmiş durumda. Firmalar algoritmalar aracılığıyla tüm dünyadan on binlerce veri topluyor. Bu sayede firma gelişmesi için en iyi seçenekler geliştirme ekibine sunulabiliyor. Bunun haricinde firmaların siber saldırılardan korunmasına da yardımcı oluyor. En çok siber saldırıya maruz kalan sektörlerden biri olan finans sektörü, gerçek zamanlı veriler kullanarak siber saldırılardan makine öğrenmesi ile korunabiliyor.

• Hastalıkların Teşhisi

Hastalıkların teşhis aşaması sonuçlar açısından oldukça önemli bir evredir. Ancak günümüzde bir doktor başına düşen hasta sayısını incelediğimizde insan faktörünün hastalık teşhisi açısından olumsuz etkileri olabileceği düşünülmesi gereken konudur. Çin’de bu konu üzerinde geliştirilen algoritmalar sayesinde artık makineler hastalıkların teşhisi için kullanılabiliyor. 1,4 milyar kişi için yeterli sayıda radyolog bulunamadığından dolayı bir algoritma geliştirildi. Kişinin verilerine bakılarak hangi hastalıklara sahip olabileceği doktor kontrolüne sunuluyor. Bu sayede insan hata faktörü büyük bir oranda ortadan kalkmış oluyor ve kişiler hastalıkların doğru tespitiyle doğru tedavi görmeleri sağlanıyor. Yanlış teşhis kaynaklı ölümlerin de büyük miktarda önüne geçilebiliyor.

Makine Öğrenmesinin Geleceği

Makine öğrenmesi algoritmalarında, makineler kendilerini geliştirebilecek şekilde tasarlanıyor. Bu durum sayesinde makine öğrenmesi kavramının hangi noktalara gelebileceği büyük bir tartışma konusu haline geliyor. Elon Musk ve Mark Zuckerberg arasındaki bir diyalogda iki taraf farklı fikirleri savunuyordu. Elon Musk yapay zeka ve makine öğrenmesi uygulamalarının gelecekte insanlar için bir tehlike oluşturabileceğini düşünüyor. İnsan gücünü azaltarak işsizliğin ortaya çıkabileceğini ortaya attı. Mark Zuckerberg ise bu durumun insanlara katkı sağlayabileceğini savunuyor. Yapay zeka uygulamalarının kontrol edilmesi gerektiğinden dolayı bu uygulamalar geliştikçe insanların daha fazla istihdam alanı sağlayabileceğini düşündüğünü belirtti. Bakım, onarım, geliştirme gibi faaliyetler için insana her zaman ihtiyaç duyulacağını düşünüyor. Geçmişte tahmin edemeyeceğimiz noktalara ulaşan yapay zeka ve makine öğrenmesi uygulamaları her geçen gün gelişim göstermeye devam ediyor.

Derin Öğrenme (Deep Learning) Nedir?

Derin öğrenme (deep learning), makinelerin algoritmalardan elde ettiği veriler ışında sebep – sonuç ilişkileri kurması ve buradan kullanıcılar için en iyi çıkarımları yapmasını sağlar. Makine öğrenmesinin bir alt kümesi olan derin öğrenme, insan beynin ilham alarak ortaya çıkartılmış ve bu sayede de makine için yapay sinir ağları oluşturulmuştur. İnsanlar bir olaydan bazı tecrübeler edinirler ve bir daha aynı olayla karşılaştıklarında daha profesyonel bir şekilde davranabilirler. Derin öğrenmede de aynı şekilde bir olay öğrenilir ve aynı olay ile yeniden karşılaşıldığında makine daha iyi sonuçlar ortaya çıkartabilir.

Derin öğrenmenin tam anlamıyla işlevini yerine getirebilmesi için çok fazla veriye ihtiyacı vardır. Günümüzde artan veri sayısı ile derin öğrenme çok daha iyi bir şekilde çalışabiliyor. İlerleyen zamanlarda üretilen veriler sayesinde derin öğrenmenin çok daha başka bir boyut kazanacağı düşünülüyor.

Derin Öğrenme Hangi Alanlarda Kullanılabiliyor?

Derin öğrenme, makinelerin karmaşık problemleri çözebilmesidir. Bu bağlamda ihtiyaç duyulan birçok alana entegre edilebilir. Örneğin hepimizin sıklıkla kullandığı translate uygulamalarının arkasında derin öğrenme yatıyor. E – Ticaret uygulamalarında kullanılan online konuşma botları da derin öğrenme için güzel bir örnektir. Sizlerden aldığı veriyle çözümler üreterek en iyi şekilde karşınıza çıkartır.

Diğer yazılarımıza göz atmak için tıklayın.