🏂Makine Öğrenimine Giriş
Çok hevesle yaklaşılan makine öğreniminin ne olduğuna basitçe bir yaklaşım.
👀 Kavramlara Göz Atalım
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
🎯 Makine Öğreniminin Amacı
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
Makine öğreniminin gücü iki temel sebebe dayanır
Günümüzde, çok yüksek miktarda üretilen verilere
Gelişen bilgisayar teknolojisi işlem gücünün artmasına
🌟 Makine Öğrenimi Uygulamalarına Örnekler
📈 Grafiksel Bir Örnek
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
Bu öğrenme yönetimi Lineer Regression olarak adlandırılmaktadır.
🚢 Online Bir Örnek
Alttaki uygulama verilen tablodaki verileri öğrenen bir modelin çalışmasına örnektir
🌌 Makine Öğrenimi Öğrenme Tipleri
| 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.
👨🏫 Supervised Learning
Temel amaç, verilen ile istenen verisini bulmaktır.
, feature matrix olarak adlandırılan özellik matrisi
, labels olarak adlandırılan x'in anlamlandırılmış halidir
🐞 Makine Öğrenimindeki Sıkıntılar
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
🔗 Harici Bağlantılar
Last updated
