Makine Öğrenmesi Nedir? Basit Bir Giriş

Telefonunun fotoğrafları "plaj" ya da "kedi" diye gruplaması, e-posta kutunun reklamları otomatik ayıklaması, bir dizi platformunun sana yeni öneriler sunması... Bunların hepsinin arkasında makine öğrenmesi var. Kulağa karmaşık gelse de temel fikri oldukça sezgisel. Formül kullanmadan anlatalım.

Kurallar yerine örnekler

Klasik programlamada bilgisayara ne yapacağını adım adım kurallarla anlatırız: "Konu satırında 'bedava' kelimesi varsa bu e-postayı istenmeyen klasörüne taşı."

Ama istenmeyen e-postaları ayıklamak için gereken bütün kuralları yazmak neredeyse imkânsızdır. Göndericiler sürekli yeni yöntemler bulur. Makine öğrenmesi burada farklı bir yol izler: Bilgisayara kurallar yerine binlerce örnek gösteririz.

"Bu 10.000 e-posta istenmeyen, şu 10.000 e-posta normal. Aradaki farkı sen bul."

Bilgisayar örneklerdeki ortak özellikleri (belirli kelimeler, gönderen adresinin yapısı, bağlantı sayısı vb.) kendisi keşfeder ve daha önce hiç görmediği bir e-posta geldiğinde karar verebilir hâle gelir. Bu "keşfetme" sürecine eğitim, ortaya çıkan karar mekanizmasına da model denir.

Bir çocuğun öğrenmesine benzer

Bir çocuğa "kedi" kavramını öğretirken ona kedinin tanımını ezberletmeyiz. Farklı kediler gösterip "bu kedi" deriz. Bir süre sonra çocuk hiç görmediği bir kediyi de tanır. Makine öğrenmesi de kabaca böyle çalışır: Çok sayıda örnekten genelleme yapar.

Üç temel öğrenme türü

Denetimli öğrenme

Örnekler etiketli verilir: "Bu fotoğraf kedi, bu köpek." Model, girdiye bakıp doğru etiketi tahmin etmeyi öğrenir. İstenmeyen e-posta filtreleri ve ev fiyatı tahmini bu türe örnektir.

Denetimsiz öğrenme

Örneklerin etiketi yoktur. Model verideki benzerlikleri ve grupları kendisi bulur. Örneğin bir mağaza, müşterilerini alışveriş alışkanlıklarına göre gruplamak için bunu kullanabilir.

Pekiştirmeli öğrenme

Model bir ortamda deneme yanılma yoluyla hareket eder; doğru hamlelerde "ödül", yanlışlarda "ceza" alır. Oyun oynayan yapay zekâlar ve bazı robot sistemleri bu yöntemle eğitilir.

Bir modelin hayat döngüsü

1. Veri toplama: Konuyla ilgili çok sayıda örnek bir araya getirilir.
2. Eğitim: Model bu örneklerden örüntüleri öğrenir.
3. Test: Modelin daha önce görmediği örneklerle ne kadar başarılı olduğu ölçülür.
4. Kullanım: Model gerçek dünyada tahmin yapmaya başlar ve zaman içinde yeni verilerle güncellenir.

Sınırlarını bilmek de önemli

• Model, verisi kadar iyidir. Eğitim verisi eksik ya da tek taraflıysa model de hatalı ya da önyargılı kararlar verir.
• Çok veri gerekir. İnsanların birkaç örnekle öğrendiği şeyler için modeller çoğu zaman binlerce örneğe ihtiyaç duyar.
• "Anlamak" ile "tahmin etmek" farklıdır. Model istatistiksel örüntüleri yakalar. Sonuçları her zaman bir insanın gözünden geçirmek gerekir.

Özet

Makine öğrenmesi, bilgisayarlara kurallar yazmak yerine örnekler göstererek öğretme yaklaşımıdır. Günlük hayatta kullandığımız birçok "akıllı" özelliğin arkasında bu fikir yatar. Nasıl çalıştığını bilmek, bu araçları hem daha bilinçli kullanmanı hem de sınırlarını fark etmeni sağlar.