Makine öğrenmesi nedir?
Makine öğrenmesi, bilgisayarların verilerden öğrendikleri ve tecrübelerle geliştirdikleri yapay zekanın (AI) bir alt kümesidir.
Makine öğrenmesi tanımı (ayrıntılı)
Makine öğrenmesi yapay zekanın (AI) bir alt kümesidir. Bilgisayarları verilerden öğrenmeyi öğretmeye ve bunu yapmak için açıkça programlanmak yerine deneyimle geliştirmeye odaklanır. Makine öğrenmesinde algoritmalar büyük veri kümelerinde desenleri ve korelasyonları bulmak ve bu analize dayalı en iyi kararları ve tahminleri yapmak için eğitilir. Makine öğrenmesi uygulamaları kullanımla gelişir ve daha fazla veri erişimi olduğunda daha doğru hale gelir.
Makine öğrenmesi uygulamaları her şeyimizdedir – evlerimizde, alışveriş sepetlerimizde, eğlence ortamlarımızda ve sağlıklarımızda.
Makine öğrenmesi yapay zeka ile nasıl ilgilidir?
Makine öğrenmesi ve derin öğrenme ve nöral ağların bileşenleri, hepsi eş merkezli yapay zeka alt kümeleri olarak uygundur. Yapay zeka, karar ve tahminler yapmak için verileri işler. Makine öğrenmesi algoritmaları yapay zekanın yalnızca bu verileri işlemesine değil, ek programlamaya gerek duymadan öğrenmek ve daha akıllı hale getirmek için kullanmasına olanak sağlar. Yapay zeka, altındaki tüm makine öğrenmesi alt kümelerinin üst öğesidir. İlk alt kümede makine öğrenmesi; içinde derin öğrenme ve ardından içindeki nöral ağlar yer alır.
Nöral ağ nedir?
Yapay bir nöral ağ (ANN) biyolojik bir beyindeki nöronlar üzerinde modellenir. Yapay nöronlar düğüm olarak adlandırılır ve birden fazla katmanda bir araya getirilerek kümelenir, paralel olarak çalışır. Yapay bir nöron sayısal bir sinyal aldığında onu işler ve ona bağlı diğer nöronları sinyal verir. İnsan beyninde olduğu gibi nöral güçlendirme de gelişmiş örüntü tanıma, uzmanlık ve genel öğrenme ile sonuçlanır.
Derin öğrenme nedir?
Nöral ağın birçok katmanını ve büyük hacimli karmaşık ve farklı verileri içerdiği için bu tür makine öğrenimi "derin" olarak adlandırılır. Derin öğrenmeye ulaşmak için sistem ağdaki birden fazla katmanla etkileşime geçer ve giderek daha yüksek düzeydeki çıktıları çıkarır. Örneğin, doğa görüntülerini işleyen ve Gloriosa daisies'i arayan derin bir öğrenme sistemi ilk tabakada bir bitkiyi tanıyacaktır. Nöral tabakalardan geçerken bir çiçek, sonra daisy ve son olarak bir Gloriosa daisy tanımlayacaktır. Derin öğrenme uygulamalarına örnek olarak konuşma tanıma, görüntü sınıflandırması ve eczacılık analizi verilebilir.
Makine öğrenmesi nasıl çalışır?
Makine öğrenmesi, çeşitli algoritmik teknikler kullanılarak farklı makine öğrenmesi modelleri türlerinden oluşur. Verilerin niteliğine ve istenilen sonuca bağlı olarak dört öğrenme modelinden biri kullanılabilir: denetimli, denetimsiz, yarı denetimli veya takviye. Bu modellerin her birinde, kullanılan veri kümelerine ve amaçlanan sonuçlara göre bir veya daha fazla algoritmik teknik uygulanabilir. Makine öğrenmesi algoritmaları temel olarak olayları sınıflandırmak, örnekler bulmak, sonuçları tahmin etmek ve bilinçli kararlar vermek için tasarlanmıştır. Algoritmalar karmaşık ve daha öngörülemeyen veriler söz konusu olduğunda mümkün olan en iyi doğruluğu elde etmek için tek seferde bir veya bir arada kullanılabilir.
Makine öğrenmesi süreci nasıl çalışır?
Kontrollü öğrenme nedir?
Kontrollü öğrenme, dört makine öğrenmesi modelinden ilkidir. Kontrollü öğrenme algoritmalarında makine örneğin tarafından öğretilir. Denetlenen öğrenme modelleri, çıktının istenilen değerle etiketlendiği "girdi" ve "çıktı" veri çiftlerinden oluşur. Örneğin, amacın makinenin papatya ve panzehir arasındaki farkı söylemesi olduğunu belirtelim. Bir ikili giriş veri çifti hem bir daisy resmini hem de pansy resmini içerir. Bu özel çift için istenen sonuç, daisy'yi seçmektir, bu nedenle doğru sonuç olarak önceden tanımlanacaktır.
Algoritma yoluyla, sistem tüm bu eğitim verilerini zaman içinde derler ve bağıl benzerlikleri, farklılıkları ve diğer mantık noktalarını belirlemeye başlar - daisy-or-pansy sorularının yanıtlarını kendi başına tahmin edebilene kadar. Bir çocuğa bir cevap anahtarıyla bir dizi sorun vermenin, sonra işlerini göstermelerini istemenin ve mantığını açıklamalarının karşılığıdır. Denetlenen öğrenme modelleri, günün farklı zamanlarında en hızlı rotayı tahmin eden Waze gibi ürünler ve trafik analizi uygulamaları için öneri motorları gibi her gün etkileşime geçtiğimiz birçok uygulamada kullanılıyor.
Kontrolsüz öğrenme nedir?
Kontrolsüz öğrenme, dört makine öğrenmesi modelinin ikincisidir. Kontrolsüz öğrenme modellerinde cevap anahtarı yoktur. Makine, çoğu etiketsiz ve yapılandırılmamış giriş verilerini inceler ve tüm ilişkili, erişilebilir verileri kullanarak modelleri ve korelasyonları tanımlamaya başlar. Birçok yönden, denetimsiz öğrenme insanların dünyayı nasıl gözlemlediği üzerine modellenir. Biz şeyleri birlikte gruplamak için sezgi ve deneyim kullanırız. Bir şeyle ilgili daha fazla örnek edindikçe, kategorize etme ve tanımlama becerimiz giderek daha doğru hale geliyor. Makineler için “deneyim”, girilen ve kullanıma sunulan veri miktarına göre tanımlanır. Kontrolsüz öğrenme uygulamalarının yaygın örnekleri arasında yüz tanıma, gen sırası analizi, pazar araştırmaları ve siber güvenlik sayılabilir.
Yarı denetimli öğrenme nedir?
Yarı denetimli öğrenme, dört makine öğrenmesi modelinin üçüncüsüdür. Mükemmel bir dünyada, bir sisteme girilmeden önce tüm veriler yapılandırılıp etiketlenecekti. Ancak bu mümkün olmadığı için, yarı denetimli öğrenme çok miktarda ham, yapılandırılmamış veri mevcut olduğunda işe yarayabilir bir çözüm haline gelir. Bu model, etiketlenmemiş veri kümelerini artırmak için az miktarda etiketli veri girmekten oluşur. Esasen etiketlenen veriler, sisteme çalışan bir başlangıç yapmaya çalışır ve öğrenme hızını ve doğruluğunu önemli ölçüde iyileştirebilir. Yarı denetimli öğrenme algoritması, makineye etiketlenmemiş verilere uygulanabilecek bağıl özellikler için etiketli verileri analiz etme talimatı verir.
Ancak bu MIT Press araştırma kağıdında derinlemesine araştırıldığı gibi, etiketlenen verilerdeki kusurların sistem tarafından öğrenilip çoğaltıldığı bu modelle ilişkili riskler vardır. Yarı denetimli öğrenmeyi en başarılı şekilde kullanan şirketler, en iyi uygulama protokollerinin mevcut olmasını sağlar. Yarı denetimli öğrenme, konuşma ve dil analizinde, protein kategorizasyonu gibi karmaşık tıbbi araştırmalarda ve üst düzey dolandırıcılık tespitinde kullanılır.
Güçlendirme öğrenmesi nedir?
Güçlendirme öğrenmesi dördüncü makine öğrenmesi modelidir. Kontrollü öğrenmede makineye cevap anahtarı verilir ve tüm doğru sonuçlar arasında korelasyonlar bularak öğrenilir. Güçlendirme öğrenme modeli bir cevap anahtarı içermez, bunun yerine izin verilen eylemler, kurallar ve potansiyel bitiş durumları kümesini girer. Algoritmanın istenen hedefi sabit ya da ikili olduğunda makineler örnek alarak öğrenebilirler. Ama istenilen sonucun değişebilir olduğu durumlarda sistem tecrübe ve ödülle öğrenmelidir. Güçlendirme öğrenme modellerinde “ödül” sayısal olup sistemin toplamak istediği bir şey olarak algoritmaya programlanır.
Birçok yönden bu model, birine satranç oynamayı öğretmeye benzer. Belli ki onlara her potansiyel hamleyi göstermeye çalışmak imkansız olurdu. Bunun yerine, kuralları açıklarsınız ve uygulama yoluyla becerilerini oluştururlar. Ödüller sadece oyunu kazanmak değil aynı zamanda rakibin parçalarını da kazanmak şeklinde gelir. Güçlendirme öğrenimi uygulamaları arasında online reklam alıcıları için otomatik fiyat teklifi, bilgisayar oyunu geliştirme ve yüksek hisse senedi piyasası ticareti yer alıyor.
Kurumsal makine öğrenmesi işlemde
Makine öğrenmesi algoritmaları örnekleri ve korelasyonları tanır, bu da kendi yatırım getirilerini analiz etmekte çok iyi oldukları anlamına gelir. Makine öğrenmesi teknolojilerine yatırım yapan şirketler için bu özellik, operasyonel etkinin neredeyse hemen değerlendirilmesine olanak sağlar. Aşağıda kurumsal makine öğrenmesi uygulamalarının büyüyen alanlarından bazılarının yalnızca küçük bir örneği bulunmaktadır.
Tavsiye motorları: 2009'dan 2017'ye kadar, video akış hizmetlerine abone olan ABD hanelerinin sayısı %450 arttı. Forbes dergisindeki 2020 tarihli bir makalede, video akışı kullanım rakamlarında %70'e varan bir artış kaydediliyor. Tavsiye motorlarının birçok perakende ve alışveriş platformunda uygulamaları var, ancak kesinlikle müzik akışı ve video servisleriyle kendi içine geliyorlar.
Dinamik pazarlama: Duyumların üretilmesi ve satış hunisi aracılığıyla çalıştırılması için mümkün olduğunca çok müşteri verisi toplama ve analiz etme özelliği gerekir. Modern tüketiciler sohbet transkriptlerinden görüntü yüklemelerine kadar çok çeşitli ve yapılandırılmamış veriler üretirler. Makine öğrenmesi uygulamalarının kullanımı, pazarlamacıların bu verileri anlamasına yardımcı olur ve bu verileri müşterilere ve duyumlara kişiselleştirilmiş pazarlama içeriği ve gerçek zamanlı etkileşim sağlamak için kullanır.
ERP ve süreç otomasyonu: ERP veritabanları; satış performansı istatistikleri, tüketici incelemeleri, pazar eğilim raporları ve tedarik zinciri yönetim kayıtlarını içerebilecek geniş ve farklı veri kümeleri içerir. Makine öğrenmesi algoritmaları bu tür verilerdeki korelasyonları ve örnekleri bulmak için kullanılabilir. Bu içgörüler daha sonra, ağ içindeki Nesnelerin İnterneti (IoT) cihazlarının iş akışlarını optimize etmek veya yinelenen ya da hataya açık görevleri otomatikleştirmek için en iyi yollar dahil olmak üzere işletmenin hemen her alanını bilgilendirmek için kullanılabilir.
Tahmine dayalı bakım: Modern tedarik zincirleri ve akıllı fabrikalar, IoT cihazları ve makinelerinin yanı sıra tüm filolarında ve operasyonlarında bulut bağlantısını giderek daha fazla kullanmaktadır. Dökümler ve verimsizlikler muazzam maliyetlere ve aksaklıklara yol açabilir. Bakım ve onarım verileri manuel olarak toplandığında, tek başına bunları tahmin etmek ve önlemek için süreçleri otomatikleştirerek olası sorunları tahmin etmek neredeyse imkansızdır. IoT ağ geçidi sensörleri, iş genelinde görünürlük ve verimlilik sağlayarak on yıllık bile eski analog makinelere takılabilir.
Makine öğrenmesi zorlukları
Veri bilimci ve Harvard mezunu Tyler Vigan "Tüm korelasyonların temel nedensel bir bağlantının göstergesi olmadığını" belirtmiştir. Bunu göstermek için Maine eyaletinde margarin tüketimi ile boşanma oranı arasında görünüşte güçlü bir korelasyon gösteren bir grafik içeriyor. Elbette bu grafik esprili bir noktaya gelmeyi amaçlamaktadır. Ancak daha ciddi bir not üzerine makine öğrenmesi uygulamaları hem insan hem de algoritmik yanlılığa ve hataya karşı savunmasızdır. Ve öğrenme ve adapte olma eğilimleri nedeniyle, hatalar ve kabarık korelasyonlar hızlı bir şekilde nöral ağ üzerinden sonuç yayabilir ve kirletebilir.
Ek bir zorluk, algoritmanın ve çıkışının insanlar tarafından açıklanamayacak veya anlaşılamayacak kadar karmaşık olduğu makine öğrenmesi modellerinden gelir. Buna "kara kutu" modeli denir ve bir algoritmanın belirli bir sonuca veya karara nasıl ve neden ulaştığını belirleyemeyeceklerini bulduklarında şirketleri riske sokar.
Neyse ki veri kümelerinin ve makine öğrenmesi algoritmalarının karmaşıklığı arttıkça riski yönetmek için kullanılabilir araçları ve kaynakları yapın. En iyi şirketler, güçlü ve güncel yapay zeka yönetim yönergeleri ve en iyi uygulama protokolleri kurarak hata ve önyargıyı ortadan kaldırmak için çalışıyorlar.