Makine Öğrenmesi
- İngilizcesi
- Machine Learning
- Türkçe karşılığı
- makine öğrenimi
- Okunuşu
- mışin lörning
Kısaca
Makine öğrenmesi, bilgisayarların elle yazılmış kurallar yerine verilerdeki örüntüleri öğrenerek tahmin yaptığı bir yapay zekâ dalıdır.
Makine öğrenmesi nedir?
Makine öğrenmesi, her kuralı elle yazmak yerine bir programa çok sayıda örnek gösterip örüntüleri kendisinin keşfetmesini sağlayan bir yazılım geliştirme yöntemidir. Ortaya çıkan ürün bir modeldir: e-posta gibi yeni bir girdiyi alıp "spam" ya da "spam değil" etiketi gibi bir çıktı üreten matematiksel bir fonksiyon.
Eğitim, modele örnek veriler verip iç sayılarını (parametreler ya da ağırlıklar) tahminleri doğru cevaplara yaklaşacak biçimde ayarlama sürecidir. Eğitim bittikten sonra model çıkarım (inference) için kullanılır; yani daha önce hiç görmediği verilerde tahmin yapar. Projeler genellikle ayrı bir test kümesi ayırır; böylece modelin eğitim verisini ezberlemek yerine yeni verilerde de çalıştığı doğrulanır.
Üç ana yaklaşım vardır. Denetimli öğrenmede örneklerle birlikte etiket denen doğru cevaplar verilir; denetimsiz öğrenmede model etiketsiz verideki yapıyı, örneğin grupları, kendisi bulur; pekiştirmeli öğrenmede ise bir program ödüllerden yola çıkarak deneme yanılmayla öğrenir. Öneri sistemleri, dolandırıcılık tespiti, görüntü tanıma, konuşmayı metne çevirme ve dil modelleri yaygın kullanım alanlarıdır.
Makine öğrenmesi çoğu zaman yapay zekâ (AI) ile eş anlamlı kullanılır, ama aslında onun bir alt kümesidir. Yapay zekâ, makinelerin normalde insan zekâsı gerektiren işleri yapmasını hedefleyen geniş bir amaçtır; makine öğrenmesi bugün bu amaca ulaşmanın en yaygın yoludur; derin öğrenme ise büyük sinir ağları kullanan bir makine öğrenmesi alt dalıdır.
Bir bakışta
Önemli noktalar
- Modeller, elle yazılmış kurallar yerine örnek verilerden örüntüleri öğrenir.
- Eğitim modelin parametrelerini ayarlar; çıkarım (inference) eğitilmiş modeli tahmin yapmak için kullanır.
- Ana yaklaşımlar denetimli, denetimsiz ve pekiştirmeli öğrenmedir.
- Bir model, eğitildiği veri kadar iyidir.
Örnek
from sklearn.linear_model import LinearRegression
# Training data: house size in square meters -> price
sizes = [[50], [80], [100], [120]]
prices = [150_000, 240_000, 300_000, 360_000]
# Training: the model learns the relationship from the examples
model = LinearRegression()
model.fit(sizes, prices)
# Inference: predict the price of a house it has never seen
print(model.predict([[90]])) # about 270000Sık sorulan sorular
Yapay zekâ ile makine öğrenmesi arasındaki fark nedir?
Yapay zekâ, bilgisayarların normalde insan zekâsı gerektiren işleri yapmasını amaçlayan geniş bir alandır. Makine öğrenmesi ise yapay zekâ içindeki bir yaklaşımdır: sistemler açıkça programlanmak yerine verilerden öğrenir.
Makine öğrenmesi ile derin öğrenme arasındaki fark nedir?
Derin öğrenme, çok katmanlı sinir ağları kullanan bir makine öğrenmesi alt kümesidir. Özellikle görüntü, ses ve metinde çok başarılıdır, ancak genellikle daha fazla veri ve işlem gücü gerektirir.
Makine öğrenmesini kullanmak için çok matematik bilmem gerekir mi?
Hazır kütüphaneleri ve önceden eğitilmiş modelleri kullanmak için temel istatistik ve programlama bilgisi genellikle yeterlidir. Yeni modeller tasarlamak veya araştırma yapmak ise daha fazla doğrusal cebir, kalkülüs ve olasılık bilgisi gerektirir.
Sık karşılaştırılanlar
- Makine Öğrenmesi vs Derin ÖğrenmeMakine öğrenmesi veriden öğrenen algoritmaları kapsar; derin öğrenme ise özellikleri kendi bulan, daha çok veri isteyen çok katmanlı sinir ağlarını kullanır.
- Yapay Zekâ vs Makine ÖğrenmesiYapay zekâ makinelere insan zekâsı gerektiren işleri yaptırmayı hedefler; makine öğrenmesi bunun bir yoludur ve elle yazılmış kurallar yerine veriden öğrenir.
İlgili sayfalar
- AlgoritmaProgramlamanın Temelleri, s. 1Algoritma, bir listeyi sıralamak ya da en kısa yolu bulmak gibi bir sorunu çözmek veya bir işi tamamlamak için izlenen, sonlu ve adım adım yönergeler bütünüdür.
- LLMYapay Zekâ ve Makine Öğrenmesi, s. 28LLM, çok büyük metin yığınlarıyla eğitilmiş ve bir sonraki en olası metin parçasını tekrar tekrar tahmin ederek dil üreten bir makine öğrenmesi modelidir.
- EmbeddingYapay Zekâ ve Makine Öğrenmesi, s. 18Embedding, metin, görüntü ya da başka verilerin anlamını vektör denen bir sayı listesiyle temsil eden ve benzer öğeleri birbirine yakın konumlandıran yapıdır.
- HalüsinasyonYapay Zekâ ve Makine Öğrenmesi, s. 25Halüsinasyon, bir LLM gibi yapay zekâ modelinin kendinden emin bir şekilde kulağa makul gelen ama yanlış, uydurma ya da kaynaksız bilgi üretmesidir.
- Yapay Sinir AğıYapay Zekâ ve Makine Öğrenmesi, s. 49Yapay sinir ağı, bağlantılı yapay nöron katmanlarından oluşan ve sayısal ağırlıkları ayarlayarak verilerden örüntü öğrenen bir makine öğrenmesi modelidir.
- Derin ÖğrenmeYapay Zekâ ve Makine Öğrenmesi, s. 14Derin öğrenme, görüntü ve metin gibi ham verilerden karmaşık örüntüleri öğrenmek için çok katmanlı sinir ağları kullanan bir makine öğrenmesi alt kümesidir.
- Yapay ZekâYapay Zekâ ve Makine Öğrenmesi, s. 50Yapay zekâ (AI), normalde insan zekâsı gerektiren işleri yapabilen sistemler kuran bilgisayar bilimi alanıdır.
Bu sayfada bir hata ya da eksik mi gördünüz?Düzeltme önerin