Rehber Makine Öğrenmesi Nedir?

Makine Öğrenmesi Nedir?​

Makine öğrenmesi, insanların öğrenme şeklini taklit etmek ve doğruluğunu kademeli olarak artırmak için veri ve algoritmaların kullanımına odaklanan yapay zeka (AI) ve bilgisayar biliminin bir dalıdır.

Arthur Samuel, dama oyunu üzerine yaptığı araştırmayla "makine öğrenimi" terimini ortaya atmıştır. Kendini dama ustası ilan eden Robert Nealey, 1962 yılında IBM 7094 bilgisayarında bu oyunu oynamış ve bilgisayara yenilmiştir. Bugün yapılabilenlerle kıyaslandığında bu başarı önemsiz görünse de yapay zeka alanında önemli bir kilometre taşı olarak kabul ediliyor.

Son birkaç on yıl içerisindeki depolama ve işlem gücündeki teknolojik gelişmeler, Netflix'in öneri motoru ve sürücüsüz arabalar gibi makine öğrenimine dayalı bazı yenilikçi ürünlerin ortaya çıkmasını sağladı.

Makine öğrenimi, büyüyen veri bilimi alanının önemli bir bileşenidir. İstatistiksel yöntemler kullanılarak, algoritmalar sınıflandırmalar veya tahminler yapmak ve veri madenciliği projelerinde önemli içgörüleri ortaya çıkarmak için eğitilir. Bu içgörüler daha sonra uygulamalarda ve işletmelerde karar alma süreçlerini yönlendirir ve ideal olarak temel büyüme metriklerini etkiler. Büyük veri genişlemeye ve büyümeye devam ettikçe, veri bilimcilerine yönelik pazar talebi de artacaktır. En alakalı iş sorularının ve bunlara yanıt verecek verilerin belirlenmesine yardımcı olmaları gerekecektir.

Makine öğrenimi algoritmaları genellikle TensorFlow ve PyTorch gibi çözüm geliştirmeyi hızlandıran çerçeveler kullanılarak oluşturulur.

Makine Öğrenmesi, Derin Öğrenme ve Sinir Ağları Farkı​

Derin öğrenme ve makine öğrenmesi birbirinin yerine kullanılma eğiliminde olduğundan, ikisi arasındaki nüanslara dikkat etmekte fayda var. Makine öğrenimi, derin öğrenme ve sinir ağlarının hepsi yapay zekanın alt alanlarıdır. Ancak sinir ağları aslında makine öğreniminin bir alt alanıdır ve derin öğrenme de sinir ağlarının bir alt alanıdır.

Derin öğrenme ve makine öğreniminin farklılaştığı nokta, her bir algoritmanın nasıl öğrendiğidir. "Derin" makine öğrenimi, algoritmasını bilgilendirmek için denetimli öğrenme olarak da bilinen etiketli veri kümelerini kullanabilir ancak mutlaka etiketli bir veri kümesine ihtiyaç duymaz. Derin öğrenme, yapılandırılmamış verileri ham haliyle (örneğin metin veya görüntüler) alabilir ve farklı veri kategorilerini birbirinden ayıran özellikler kümesini otomatik olarak belirleyebilir. Bu, gerekli insan müdahalesinin bir kısmını ortadan kaldırır ve daha büyük veri setlerinin kullanılmasını sağlar.

Klasik ya da "derin olmayan" makine öğrenimi, öğrenmek için insan müdahalesine daha fazla bağımlıdır. Uzmanlar, veri girdileri arasındaki farkları anlamak için özellik kümesini belirler ve genellikle öğrenmek için daha yapılandırılmış veri gerektirir.

Sinir ağları veya yapay sinir ağları (YSA'lar), bir giriş katmanı, bir veya daha fazla gizli katman ve bir çıkış katmanı içeren düğüm katmanlarından oluşur. Her düğüm veya yapay nöron bir diğerine bağlanır ve ilişkili bir ağırlık ve eşiğe sahiptir. Herhangi bir düğümün çıktısı belirlenen eşik değerinin üzerindeyse, bu düğüm etkinleştirilir ve ağın bir sonraki katmanına veri gönderir. Aksi takdirde, o düğüm tarafından ağın bir sonraki katmanına hiçbir veri aktarılmaz. Derin öğrenmedeki "derin" sadece bir sinir ağındaki katman sayısını ifade eder. Girdi ve çıktı dahil olmak üzere üçten fazla katmandan oluşan bir sinir ağı, derin öğrenme algoritması veya derin bir sinir ağı olarak kabul edilebilir. Sadece üç katmanı olan bir sinir ağı ise sadece basit bir sinir ağıdır.

Derin öğrenme ve sinir ağları, bilgisayarla görme, doğal dil işleme ve konuşma tanıma gibi alanlardaki ilerlemeyi hızlandırmasıyla tanınır.

Makine Öğrenmesi Nasıl İşler?​

1. Karar Süreci: Genel olarak, makine öğrenimi algoritmaları bir tahmin veya sınıflandırma yapmak için kullanılır. Etiketli veya etiketsiz olabilen bazı girdi verilerine dayanarak, algoritmanız verilerdeki bir örüntü hakkında bir tahmin üretecektir.
2. Bir Hata Fonksiyonu: Bir hata fonksiyonu modelin tahminini değerlendirir. Bilinen örnekler varsa, bir hata fonksiyonu modelin doğruluğunu değerlendirmek için bir karşılaştırma yapabilir.
3. Bir Model Optimizasyon Süreci: Model eğitim setindeki veri noktalarına daha iyi uyum sağlayabiliyorsa, bilinen örnek ile model tahmini arasındaki tutarsızlığı azaltmak için ağırlıklar ayarlanır. Algoritma bu "değerlendirme ve optimize etme" sürecini tekrarlayarak, bir doğruluk eşiği karşılanana kadar ağırlıkları otonom olarak güncelleyecektir.

Makine Öğrenmesi Metodları​

Makine öğrenimi modelleri üç ana kategoriye ayrılır.

1. Gözetimli Makine Öğrenimi
   
   Verileri sınıflandırmak veya sonuçları doğru bir şekilde tahmin etmek için algoritmaları eğitmek üzere etiketli veri kümelerinin kullanılmasıyla tanımlanır. Giriş verileri modele sağlandıkça, model uygun şekilde oturana kadar ağırlıklarını ayarlar. Bu, modelin aşırı uyum veya yetersiz uyumdan kaçınmasını sağlamak için çapraz doğrulama sürecinin bir parçası olarak gerçekleşir. Gözetimli öğrenme, kuruluşların gelen kutunuzdan ayrı bir klasördeki istenmeyen postaları sınıflandırmak gibi çeşitli gerçek dünya sorunlarını büyük ölçekte çözmelerine yardımcı olur. Gözetimli öğrenmede kullanılan bazı yöntemler arasında sinir ağları, naif bayes, doğrusal regresyon, lojistik regresyon, rastgele orman ve destek vektör makinesi (SVM) bulunur.
   
   
2. Gözetimsiz Makine Öğrenimi
   
   Etiketsiz veri kümelerini analiz etmek ve kümelemek için makine öğrenimi algoritmalarını kullanır. Bu algoritmalar, insan müdahalesine gerek kalmadan gizli kalıpları veya veri gruplamalarını keşfeder. Bu yöntemin bilgilerdeki benzerlikleri ve farklılıkları keşfetme yeteneği, onu keşifsel veri analizi, çapraz satış stratejileri, müşteri segmentasyonu ve görüntü ve örüntü tanıma için ideal hale getirir. Ayrıca boyutsallık azaltma işlemi yoluyla bir modeldeki özellik sayısını azaltmak için de kullanılır. Temel bileşen analizi (PCA) ve tekil değer ayrıştırması (SVD) bunun için kullanılan iki yaygın yaklaşımdır. Gözetimsiz öğrenmede kullanılan diğer algoritmalar arasında sinir ağları, k-means kümeleme ve olasılıksal kümeleme yöntemleri yer alır.
   
   
3. Yarı Gözetimli Makine Öğrenimi
   
   Gözetimli ve gözetimsiz öğrenme arasında denge sunar. Eğitim sırasında, daha büyük, etiketsiz bir veri setinden sınıflandırma ve özellik çıkarma işlemlerine rehberlik etmek için daha küçük bir etiketli veri seti kullanır. Yarı gözetimli öğrenme, gözetimli bir öğrenme algoritması için yeterli etiketli veriye sahip olmama sorununu çözebilir. Yeterli veriyi etiketlemenin çok maliyetli olduğu durumlarda da yardımcı olur.

Pekiştirmeli Makine Öğrenmesi​

Takviyeli makine öğrenimi, gözetimli öğrenmeye benzeyen bir makine öğrenimi modelidir ancak algoritma örnek veriler kullanılarak eğitilmez. Bu model, deneme yanılma yöntemini kullanarak ilerledikçe öğrenir. Belirli bir sorun için en iyi öneriyi veya politikayı geliştirmek üzere bir dizi başarılı sonuç pekiştirilecektir.

Yaygın Makine Öğrenimi Algoritmaları​

Bir dizi makine öğrenimi algoritması yaygın olarak kullanılmaktadır.

1. Sinir ağları: Sinir ağları, çok sayıda bağlantılı işlem düğümü ile insan beyninin çalışma şeklini simüle eder. Sinir ağları kalıpları tanımada iyidir ve doğal dil çevirisi, görüntü tanıma, konuşma tanıma ve görüntü oluşturma gibi uygulamalarda önemli bir rol oynar.
2. Doğrusal regresyon: Bu algoritma, farklı değerler arasındaki doğrusal bir ilişkiye dayanarak sayısal değerleri tahmin etmek için kullanılır. Örneğin, bu teknik bölgenin geçmiş verilerine dayanarak ev fiyatlarını tahmin etmek için kullanılabilir.
3. Lojistik regresyon: Bu denetimli öğrenme algoritması, sorulara verilen "evet/hayır" yanıtları gibi kategorik yanıt değişkenleri için tahminler yapar. İstenmeyen e-postaların sınıflandırılması ve bir üretim hattında kalite kontrolü gibi uygulamalar için kullanılabilir.
4. Kümeleme: Kümeleme algoritmaları, denetimsiz öğrenmeyi kullanarak verilerdeki kalıpları belirleyebilir ve böylece gruplandırılabilir. Bilgisayarlar, insanların gözden kaçırdığı veri öğeleri arasındaki farklılıkları belirleyerek veri bilimcilere yardımcı olabilir.
5. Karar ağaçları: Karar ağaçları hem sayısal değerleri tahmin etmek (regresyon) hem de verileri kategoriler halinde sınıflandırmak için kullanılabilir. Karar ağaçları, bir ağaç diyagramı ile temsil edilebilen bağlantılı kararların dallanma dizisini kullanır. Karar ağaçlarının avantajlarından biri, sinir ağının kara kutusunun aksine doğrulama ve denetiminin kolay olmasıdır.
6. Rastgele ormanlar: Rastgele bir ormanda, makine öğrenimi algoritması bir dizi karar ağacından elde edilen sonuçları birleştirerek bir değer veya kategori tahmin eder.

Dünyadaki Makine Öğrenimi Kullanım Örnekleri​

İşte her gün karşılaşabileceğiniz makine öğrenimi örneklerinden sadece birkaçı:

• Konuşma tanıma: Otomatik konuşma tanıma (ASR), bilgisayar konuşma tanıma veya "speech-to-text" olarak da bilinen ve insan konuşmasını yazılı bir formata çevirmek için doğal dil işleme (NLP) özelliğini kullanan bir yetenektir. Birçok mobil cihaz, sesli arama yapmak, örneğin Siri, veya mesajlaşmada erişilebilirliği artırmak için sistemlerine konuşma tanıma özelliğini dahil etmektedir.
  
  
• Müşteri hizmetleri: Çevrimiçi sohbet robotları, müşteri yolculuğu boyunca insan temsilcilerin yerini alarak web siteleri ve sosyal medya platformlarında müşteri etkileşimi hakkındaki düşüncelerimizi değiştiriyor. Sohbet robotları, nakliye gibi konularda sıkça sorulan soruları (SSS) yanıtlıyor veya kişiselleştirilmiş tavsiyelerde bulunuyor, çapraz ürün satışı yapıyor veya kullanıcılar için beden önerilerinde bulunuyor. Örnekler arasında e-ticaret sitelerindeki sanal temsilciler; Slack ve Facebook Messenger kullanan mesajlaşma botları ve genellikle sanal asistanlar ve sesli asistanlar tarafından yapılan görevler yer alıyor.
  
  
• Bilgisayar görüşü: Bu yapay zeka teknolojisi, bilgisayarların dijital görüntülerden, videolardan ve diğer görsel girdilerden anlamlı bilgiler türetmesini ve ardından uygun eylemi gerçekleştirmesini sağlar. Konvolüsyonel sinir ağları tarafından desteklenen bilgisayar görüşü, sosyal medyada fotoğraf etiketleme, sağlık hizmetlerinde radyoloji görüntüleme ve otomotiv endüstrisinde sürücüsüz otomobiller gibi uygulamalara sahiptir.
  
  
• Öneri motorları: Yapay zeka algoritmaları, geçmiş tüketim davranışı verilerini kullanarak daha etkili çapraz satış stratejileri geliştirmek için kullanılabilecek veri eğilimlerini keşfetmeye yardımcı olabilir. Bu yaklaşım, çevrimiçi perakendeciler tarafından ödeme işlemi sırasında müşterilere ilgili ürün önerilerinde bulunmak için kullanılır.
  
  
• Otomatik hisse senedi alım satımı: Hisse senedi portföylerini optimize etmek için tasarlanan yapay zeka odaklı yüksek frekanslı ticaret platformları, insan müdahalesi olmadan günde binlerce hatta milyonlarca işlem yapar.
  
  
• Dolandırıcılık tespiti: Bankalar ve diğer finans kurumları şüpheli işlemleri tespit etmek için makine öğrenimini kullanabilir. Gözetimli öğrenme, bilinen hileli işlemlerle ilgili bilgileri kullanarak bir modeli eğitebilir. Anomali tespiti, alışılmadık görünen ve daha fazla araştırmayı hak eden işlemleri belirleyebilir.

Makine Öğrenmesinin Zorlukları​

Makine öğrenimin teknolojisinin geliştikçe hayatımızı kolaylaştırdığı kesin. Bununla birlikte, işletmelerde makine öğreniminin uygulanması, yapay zeka teknolojileri hakkında birkaç etik endişeyi de beraberinde getirmiştir. Bunlardan bazıları şunlardır:

• Teknolojik Gariplikler
  
  Bu konu kamuoyunun büyük ilgisini çekse de, pek çok araştırmacı yapay zekanın yakın gelecekte insan zekasını aşması fikriyle ilgilenmiyor. Teknolojik tekillik aynı zamanda güçlü YZ ya da süper zeka olarak da adlandırılmaktadır. Filozof Nick Bostrum süper zekayı "bilimsel yaratıcılık, genel bilgelik ve sosyal beceriler de dahil olmak üzere hemen her alanda en iyi insan beyninden çok daha iyi performans gösteren herhangi bir akıl" olarak tanımlıyor. Her ne kadar süper zeka toplumda yakın bir gelecekte ortaya çıkmayacak olsa da, sürücüsüz otomobiller gibi otonom sistemlerin kullanımını düşündüğümüzde bu fikir bazı ilginç soruları gündeme getiriyor. Sürücüsüz bir arabanın asla kaza yapmayacağını düşünmek gerçekçi değil ancak bu koşullar altında sorumlu ve yükümlü kim? Yine de otonom araçlar geliştirmeli miyiz yoksa bu teknolojiyi insanların güvenli bir şekilde araç kullanmasına yardımcı olan yarı otonom araçlarla mı sınırlandırmalıyız? Bu konuda hala karar verilmiş değil.
  
  
• Yapay Zekanın İşgücünü Ele Geçirmesi Kaygısı
  
  Kamuoyunda yapay zekâya ilişkin algının büyük bir kısmı iş kayıpları etrafında şekilleniyor olsa da, bu endişenin muhtemelen yeniden çerçevelendirilmesi gerekiyor. Her yıkıcı, yeni teknolojiyle birlikte, belirli iş rolleri için pazar talebinin değiştiğini görüyoruz. Örneğin, otomotiv sektörüne baktığımızda, GM gibi birçok üretici, yeşil girişimlerle uyum sağlamak için elektrikli araç üretimine odaklanıyor. Enerji sektörü ortadan kalkmıyor ancak enerjinin kaynağı yakıt ekonomisinden elektrikli olana doğru kayıyor.
  
  Benzer bir şekilde, yapay zeka da iş talebini başka alanlara kaydıracak. Yapay zeka sistemlerini yönetmeye yardımcı olacak bireylere ihtiyaç duyulacak. Müşteri hizmetleri gibi iş talebi değişimlerinden etkilenmesi en muhtemel sektörlerde daha karmaşık sorunları ele almak için hala insanlara ihtiyaç olacaktır. Yapay zeka ve iş piyasası üzerindeki etkisi ile ilgili en büyük zorluk, insanların talep gören yeni rollere geçiş yapmalarına yardımcı olmak olacaktır.
  
  
• Gizlilik
  
  Gizlilik, veri gizliliği, veri koruma ve veri güvenliği bağlamında tartışılma eğilimindedir. Bu kaygılar, politika yapıcıların son yıllarda daha fazla adım atmasını sağladı. Örneğin, 2016 yılında Avrupa Birliği ve Avrupa Ekonomik Alanı'ndaki kişilerin kişisel verilerini korumak için GDPR mevzuatı oluşturuldu ve bireylere verileri üzerinde daha fazla kontrol hakkı verildi. Amerika Birleşik Devletleri'nde, 2018 yılında yürürlüğe giren ve işletmelerin tüketicileri verilerinin toplanması hakkında bilgilendirmesini gerektiren Kaliforniya Tüketici Gizliliği Yasası (CCPA) gibi bireysel eyaletler politikalar geliştirmektedir. Bu gibi mevzuatlar, şirketleri kişisel olarak tanımlanabilir bilgileri (PII) nasıl sakladıklarını ve kullandıklarını yeniden düşünmeye zorladı. Sonuç olarak, gözetleme, bilgisayar korsanlığı ve siber saldırılar için her türlü güvenlik açığını ve fırsatı ortadan kaldırmaya çalışan işletmeler için güvenlik yatırımları artan bir öncelik haline geldi.
  
  
• Önyargı ve Ayrımcılık
  
  Bir dizi makine öğrenimi sistemindeki önyargı ve ayrımcılık vakaları, yapay zekanın kullanımına ilişkin birçok etik soruyu gündeme getirmiştir. Eğitim verilerinin kendisi önyargılı insan süreçleri tarafından üretilebilecekken önyargı ve ayrımcılığa karşı nasıl korunabiliriz? Şirketlerin otomasyon çabaları genellikle iyi niyetli olsa da, Reuters, yapay zekayı işe alma uygulamalarına dahil etmenin öngörülemeyen bazı sonuçlarını vurgulamaktadır. Amazon, bir süreci otomatikleştirme ve basitleştirme çabaları sırasında, teknik roller için cinsiyete göre iş adaylarına karşı istemeden ayrımcılık yaptı ve şirket nihayetinde projeyi iptal etmek zorunda kaldı. Harvard Business Review, bir rol için bir adayı değerlendirirken hangi verileri kullanabilmeniz gerektiği gibi, işe alım uygulamalarında yapay zekanın kullanımına ilişkin diğer önemli soruları gündeme getirmiştir.
  
  Önyargı ve ayrımcılık insan kaynakları işleviyle de sınırlı değildir; yüz tanıma yazılımından sosyal medya algoritmalarına kadar bir dizi uygulamada bulunabilir.
  
  İşletmeler YZ ile ilgili risklerin daha fazla farkına vardıkça, YZ etiği ve değerleri etrafındaki bu tartışmada da daha aktif hale geldiler. Örneğin IBM, genel amaçlı yüz tanıma ve analiz ürünlerini piyasaya sürdü. IBM CEO'su Arvind Krishna şunları yazdı: "IBM, diğer satıcılar tarafından sunulan yüz tanıma teknolojisi de dahil olmak üzere, teknolojide kitlesel gözetim, ırksal profilleme, temel insan hak ve özgürlüklerinin ihlaline veya değerlerimiz ile Güven ve Şeffaflık İlkelerimizle tutarlı olmayan herhangi bir amaç için kullanılmasına kesinlikle karşıdır ve buna göz yummayacaktır."
  
  
• Mesuliyet
  
  YZ uygulamalarını düzenleyen önemli bir mevzuat olmadığından, etik YZ'nin uygulanmasını sağlamak için gerçek bir yaptırım mekanizması yoktur. Şirketlerin etik davranmaları için mevcut teşvikler, etik olmayan bir YZ sisteminin kârlılık üzerindeki olumsuz yansımalarıdır. Bu boşluğu doldurmak için, etikçiler ve araştırmacılar arasındaki işbirliğinin bir parçası olarak, toplum içinde YZ modellerinin inşasını ve dağıtımını yönetmek için etik çerçeveler ortaya çıkmıştır ancak şu anda bunlar yalnızca yol göstermeye hizmet etmektedir. Bazı araştırmalar, dağıtılmış sorumluluk ve potansiyel sonuçlara ilişkin öngörü eksikliğinin birleşiminin topluma zarar vermeyi önlemeye elverişli olmadığını göstermektedir.