Machine Learning

Makine Öğrenmesi Nedir?

Makine Öğrenmesi klasik yazılım geliştirmenin yazılımcının yazdığı rasyonel gerçeklerden çok bilgisayarın verileri formül ve algoritmalar aracılığıyla anlamlandırması işlemidir. Bir çok farklı durum için geliştirmiş onlarca Makine Öğrenmesi modeli bulunmaktadır burada önemli olan yapacağınız iş için size en uygun modeli iyi veri setleriyle eğitmenizdir. Başlıca algoritmalar ve kullanıldığı yerler;

Makine öğrenmesi kuruluşların içgörüleri ortaya çıkarmasına veri araştırmasını iyileştirmesine, müşteri deneyimlerini geliştirmesine, müşteri davranışlarını tahmin etmesine, riski azaltmasına ve maliyetleri düşürmesine yardımcı olur.
En yaygın dört makine öğrenimi türü;

• denetimli
• denetlenmeyen
• yarı denetimli
• pekiştirilmiş

Makine Öğrenmesi Tarihi Gelişimi

Makine Öğrenmesinin tarihi 1943 yıllarına dayanmaktadır. İlk defa Walter Pitts ve Warren McCulloch bir makalesinde değinmişlerdir 1959 yılındada bugünkü ismi olan ML (Machine Learning)'i bir IBM Çalışanı olan Arthur Samuel

Bir önemli diğer isim ise Alan Turing, Turing'in "Computing Machinery and Intelligence" adlı makalesinde "Makineler düşünebilir mi?" Sorusu yerini "Makineler bizim (düşünen varlıklar olarak) yapabildiğimizizi yapabilir mi?" sorusuna evrilmiştir. Günümüzde ise en temelde 2 amaç üzerinde durulur. Bunlar verileri geliştiren modellere göre sınıflandırmak (Classification) ve verileri okuyarak gelecek hakkında tahmin yapmak (Predict)'dir.

Makine Öğrenmesi Süreci Nasıl Gerçekleşir?

Öncelikle geliştireceğiniz algoritmayı seçmelisiniz bunun için yaptığınız iş için en optimize çalışan algoritmayı seçmek önemlidir. Algoritmayı seçtikten sonra işimiz ile alakalı detaylı ve büyük bir veri seti oluşturmalıyız veri setini oluştururken ne kadar çok veri ve bilgi eklersek ML o kadar iyi öğrenir oluşturacağı sonuçta o kadar doğru olur. Veri seti oluştuktan sonra bazı verilerin hatalı veya bizim algoritmamız için ağır olabilir (Buradaki ağırlık sayısal değer örneğin 100 adet verinin 99 u 0 ile 1 arasında olduğunu düşünelim 1 tanesi 200 olursa o veri diğerlerini domine eder.) bu yüzden bir Normalization uygulamalıyız bu sayede bütün veriler eşit miktarda etki ederler buda ML modelimizi optimize eden önemli bir faktördür.

Veriler hazır olunca bir kısmı ile modeli eğitmeli ve diğer bir kısmı ilede test yapmalıyız mesela bir borsa tahmin robotu yapalım önce bir hisse senedinin 1 yıllık grafiğini indirelim bunun 9 ayı ile modeli eğitelim ve modelin önündeki 3 aylık fiyat tahmini yapmasını isteyelim eğer robot gerçek olana yakın bir sonuç üretirse o model verimlidir ancak düşük doğruluk oranına sahipse başka modeller veya öğretilen kısım optimize edilmelidir.