Makine Öğrenimi: Aklımızla veriler arasında köprü

Dünya artık o kadar küçük. Her geçen gün çok daha fazla veri farklı platformlardan türüyor ve biz bu duruma ciddi anlamda katkıda bulunuyoruz. Tüm bu verilerin gerçekliğini sorgulamak imkansız, hatta bunun için yeterince zamanımızda yok aslında. İşte tam bu noktada “Makine Öğrenmesi” bu gerçekliğe bir çözüm olarak karşımıza çıkmakta. Bu sürece katkı sağlayan veri bilimciler, veri mühendisleri algoritmalar geliştirmeye başladılar bile. Onlar, eldeki veriyi analiz edip, sistemi eğiterek tahminlerde bulunabiliyorlar ve bütün bunlar daha az insan müdahalesi ile gerçekleşti ve gerçekleşmeye devam etmekte.

Amazon, Spotify ve Netflix gibi uygulamalar artık bizim zevkimize uygun önerilerde bulunarak hizmet profillerini değiştirdiler. Artık sadece Amazon ürün listelemiyor, fırsatlar yaratarak müşteriyi kendine çekiyor. Benzer durum Spotify ve Netflix için de geçerli. Önceki deneyimlerimiz, dinlediğimiz müzikler ve izlediğimiz filmlerden analiz yaparak, bize önerilerde bulunuyorlar. Bu öneri özellikle bizim karar vermemizi kolaylaştırdığı için, bizim onlara ödediğimiz bedel bu artık bu hizmete karşılık oluyor. İşte her gün karşılaştığımız bu durum bir makine öğrenmesi sonucudur.

Şirketlerin veri bilimi çalışmaları, onların daha kapalı ve pazardan uzak kalmasını sağlıyor. Daha az çalışanla, daha verimli çalışmalar yapmasını sağlıyor. Makine öğrenmesi bugün dünyanın en popüler alanlarından Yapay Zekayı doğurdu. Mevcut endüstrilerin tamamı özellikle son on yılda büyük değişim ve dalgalanmalar yaşadı. Piyasalara dair gelecek tahminleri çok kolay yapılamaz hale geldi. Tam bu noktada Makine Öğrenmesi, yaptığı gerçeğe yakın tahminler, hatasız pazar değerlendirmeleri ile belirsizlikleri ortadan kaldırdı. Küresel dünya bu durum karşısında hiç olmadığı kadar rekabetçi hale geldi. Rekabetin kaliteyi arttırdığı gerçeği, müşteriyi satıcıların karşısında değerli hale getirdi.

Makine Öğreniminin yayılımı her geçen zaman yayılım göstererek, eskinin alışkanlıklarını değiştirerek gelişimini hala sağlamakta. Makine öğreniminin temel kullanım alanlarını aşağıdaki başlıklar dahilinde özetlemek mümkün;

  • Finansal hizmetlerde; Dolandırıcılık önlemlerinden, müşteri hesapları ve kredi hizmetlerinde çokça kullanılır.
  • Sağlık alanında; Geçmiş hasta verilerinin analizini yaparak, tahminlerde bulunmaya yardımcı olur. Araştırma laboratuvarlarında, ilaçların neredeyse doğru etkilerini tahmin etmede de kullanılabilir.
  • Maden endüstrileri; Coğrafi bilgi sistemi ve araştırmaları ile coğrafi konum tespitinin yapılmasına yardımcı olur.
  • Kamu kurumları; Kamuya ait tüm kurumların birbiriyle entegre çalışarak, iş yükü azaltma ve otomasyon fazlaca dahil edilerek zamandan tasarruf sağlama anlamında yararları vardır.
  • Piyasa dalgalanmaları – Bir ürünün piyasadaki geçmiş performansını inceleyerek iyileştirmeler yapar ve ürünün gelecekteki değeri için önerilerde bulunur.
  • Yönetim – İnsan kaynağının yeterli olmadığı işlerin ve kaynakların mümkün olduğu kadar çok alanda yönetilmesine yardımcı olur. Aynı zamanda yöneticilerin karar almalarına destek sağlayacak raporlar üretir.

Makine Öğrenmesi beraberinde “Veri Madenciliği”, “Derin Öğrenme”, “Büyük Veri” gibi terimle anılıyor. Her birinin anlamını bilinmesi öğrenme sürecinin hızlanmasına katkıda bulunur.

  • Veri Madenciliği: Büyük ölçekli veriler arasından faydalı bilgiye ulaşma, bilgiyi madenleme işidir.
  • Derin Öğrenme: İncelenen bir veri kümesi için (rasgele dağılımlı bir veri kümesi de olabilir), sadece yararlı bilgileri almak için geliştirilmiş bir makine öğrenmesi alt dalı şeklinde ifade edilebilir.
  • Büyük Veri: Standart veri kaynaklarından daha büyük, daha karmaşık veri kümeleridir. Bu veri setleri o kadar hacimlidir ki, geleneksel veri işleme yazılımı bunları yönetemez. Büyük hacimli bu veriler için Hadoop, Spark gibi yazılımlar, daha önce başaramayacağınız iş problemlerini çözmek için kullanılabilir.
  • Veri Analitiği: yüksek hacimli verilerden bir iş değeri yaratmak üzere istatistik bilimi ile modern sayısal hesaplama yöntemleri arasındaki entegrasyonun sağlanarak, firmaların bu potansiyeli açığa çıkarmaları için gereksinim duydukları bilgi ve araçların bütünü şeklinde ifade edilebilir.

Tanımlarda görüldüğü gibi, her terim farklı olmakla birlikte, birbirleriyle çok yakın bir bağlantısı vardır. Gerçek zamanlı karmaşık problemlerde, tüm bu faktörleri, daha sonraki işlemler için kârlı bir sonuç elde etmek için birlikte işlev görmelidir.

Makine öğrenmesi verilerin tipine, büyüklüğüne, geçerliliğine, doğruluğuna vb. parametrelere göre farklı biçimlerde gerçekleştirilebilir;

Denetimli Öğrenme (Supervised Learning); girdi verisi seti ve verilere bilinen yanıtları alır, ardından yeni verilere yanıt için makul tahminler oluşturmak üzere modeli eğiten bir makine öğrenme çeşididir. Örneğin iş yerinden evinize gitmenin ne kadar süreceği tahmin edilmek istendiğinde, bir makine öğrenmesi kurgulayabiliriz. Hava koşulları, günün saati ve araç tipi gibi özniteliklere sahip olalım. Bu öznitelikler eğitilerek bulunacak yeni bir çıktı, bize eve dönüş tahmini süresini verecektir. Denetimli öğrenme içinde sınıflandırma teknikleri ve regresyon teknikleri tahmin modellemede kullanılan kavramlardır.

Denetimsiz Öğrenme (Unsupervised Learning)

Bu durum önce sisteme beslenebilecek maksimum veri miktarına odaklanır ve daha sonra sisteme sorunlu durum sağlanır. Sistem tarafından incelenen önceki verilere dayanarak, buna göre sonuç verir. Esas olarak verilerin filtrelenmesi ve verilerin aranması gibi işlere odaklanır.. Kümeleme, boyutsal küçülme, temel bileşen analizi, tekli değer ayrıştırması denetimsiz öğrenme uygulamalarına örnek kavramlardır.

Yarı Denetimli Öğrenme (Semi-supervised Learning)

Başlangıçta kendisine sağlanan çok az miktarda benzer veriyle sistem tarafından toplanan bilgilere dayanarak benzer kategorideki çok büyük bir veri grubunda tahmin yapar.

Pekiştirmeli Öğrenme (Reinforcement Learning)

Öğrenme işlemi için sadece kurallar ve ödüllere ihtiyaç duymaktadır. Yöntem verilen kurallar dahilinde sistemi ortaya koyacak durum uzayını ve her durum için elde edeceği ödülün en büyüklemesini sağlayan hareketi öğrenmeye çalışmaktadır.

Kaynak: https://medium.com/@codersempire/machine-learning-the-bridge-between-the-brain-and-bots-b58bcf184f1d

Follow me and share it

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir