Comment on page
🏂
Makine Öğrenimine Giriş
Çok hevesle yaklaşılan makine öğreniminin ne olduğuna basitçe bir yaklaşım.
- Öğrenmeyi, daha önceki tecrübelerimizden yola çıkarak, yeni olaylar için öngörüde bulunmak olarak nitelendirebiliriz
- Örneğin otobüse her seferinde geç kalma durumunda, biraz daha erken çıkmamız gerektiğini öğrenebiliriz
- Genelde insanların öğrenme hususunda makinelerden daha hızlı olduğu söylense de, makineler çok yüksek miktardaki verileri daha iyi öğrenirler
- Bu veriler
csvdosyaları veya resimler olabilir
- Daha önceden sahip olduğumuz verileri analiz etme ve anlama
- Bu anlayışı kullanarak anlamsız verileri mantıksal olarak anlamlandırma
- Örnek olarak "Kedi resimlerini öğrenip, kedileri bulan bir model" verilebilir
Verilerin aynı dağıtımdan olması gerektiğini unutmayalım. Kedileri öğretip, köpekleri bulması beklenilemez.
Makine öğreniminin gücü iki temel sebebe dayanır
- Günümüzde, çok yüksek miktarda üretilen verilere
- Gelişen bilgisayar teknolojisi işlem gücünün artmasına
Soldaki tablo verilerinden oluşan bir seti makineye öğrettiğimizde:
- Sağdaki yeşil çizgi makinenin öngördüğü sınırdır
- Bu sınırın altında kalanlar Kedi, üstünde kalanlar Köpek olarak nitelendirilebilir
- Sağdaki kırmızı çizgi ise gerçek sınır çizgisini temsil eder
.png?alt=media)
Bu öğrenme yönetimi Lineer Regression olarak adlandırılmaktadır.
Alttaki uygulama verilen tablodaki verileri öğrenen bir modelin çalışmasına örnektir
.png?alt=media)
.png?alt=media)
Supervised | Unsupervised |
|---|---|
Daha önceden anlamlandırılmış verileri öğrenme | Anlamlandırılmamış verilerden anlam ve benzerlik bulma |
Fotoğrafların kedi olduğu bilinir | Fotoğrafların ne olduğu bilinmez |
Temel amacı öğrenmektir | Temel amacı gruplamaktır |
Öğrendiği verilerin ne olduğunu bilir | Verilerin ne olduğunu bilmez sadece benzer olanları gruplar |
Bizim odaklanacağımız teknik Supervised Learning tekniğidir.
Temel amaç, verilen
ile istenen
verisini bulmaktır.
- , feature matrix olarak adlandırılan özellik matrisi
- , labels olarak adlandırılan x'in anlamlandırılmış halidir
Makine öğrenimi sonucunda oluşan modeller verileri genelleştirmede yeteri kadar başarılı olmayabilmekte
- Sadece verilen bilgilerden öğrendikleri için sınırlı tahminler yapabilmekteler
- Ayrıca verilen bilgileri aşırı öğrenmeleri (over-fitting) durumunda genelleştirmede zayıf kalmaktadır
.png?alt=media)
Last modified 1mo ago