![\"\"](\"https:\/\/digitalage.com.tr\/wp-content\/uploads\/2019\/07\/ai-big-data-machine-learning.jpg\")
<\/figure>\n\n\n\n\u015eirketlerin veri bilimi \u00e7al\u0131\u015fmalar\u0131, onlar\u0131n daha kapal\u0131 ve pazardan uzak kalmas\u0131n\u0131 sa\u011fl\u0131yor. Daha az \u00e7al\u0131\u015fanla, daha verimli \u00e7al\u0131\u015fmalar yapmas\u0131n\u0131 sa\u011fl\u0131yor. Makine \u00f6\u011frenmesi bug\u00fcn d\u00fcnyan\u0131n en pop\u00fcler alanlar\u0131ndan Yapay Zekay\u0131 do\u011furdu. Mevcut end\u00fcstrilerin tamam\u0131 \u00f6zellikle son on y\u0131lda b\u00fcy\u00fck de\u011fi\u015fim ve dalgalanmalar ya\u015fad\u0131. Piyasalara dair gelecek tahminleri \u00e7ok kolay yap\u0131lamaz hale geldi. Tam bu noktada Makine \u00d6\u011frenmesi, yapt\u0131\u011f\u0131 ger\u00e7e\u011fe yak\u0131n tahminler, hatas\u0131z pazar de\u011ferlendirmeleri ile belirsizlikleri ortadan kald\u0131rd\u0131. K\u00fcresel d\u00fcnya bu durum kar\u015f\u0131s\u0131nda hi\u00e7 olmad\u0131\u011f\u0131 kadar rekabet\u00e7i hale geldi. Rekabetin kaliteyi artt\u0131rd\u0131\u011f\u0131 ger\u00e7e\u011fi, m\u00fc\u015fteriyi sat\u0131c\u0131lar\u0131n kar\u015f\u0131s\u0131nda de\u011ferli hale getirdi. <\/p>\n\n\n\n
Makine \u00d6\u011freniminin yay\u0131l\u0131m\u0131 her ge\u00e7en zaman yay\u0131l\u0131m g\u00f6stererek, eskinin al\u0131\u015fkanl\u0131klar\u0131n\u0131 de\u011fi\u015ftirerek geli\u015fimini hala sa\u011flamakta. Makine \u00f6\u011freniminin temel kullan\u0131m alanlar\u0131n\u0131 a\u015fa\u011f\u0131daki ba\u015fl\u0131klar dahilinde \u00f6zetlemek m\u00fcmk\u00fcn;<\/p>\n\n\n\n
- Finansal hizmetlerde; Doland\u0131r\u0131c\u0131l\u0131k \u00f6nlemlerinden, m\u00fc\u015fteri hesaplar\u0131 ve kredi hizmetlerinde \u00e7ok\u00e7a kullan\u0131l\u0131r.<\/li>
- Sa\u011fl\u0131k alan\u0131nda; Ge\u00e7mi\u015f hasta verilerinin analizini yaparak, tahminlerde bulunmaya yard\u0131mc\u0131 olur. Ara\u015ft\u0131rma laboratuvarlar\u0131nda, ila\u00e7lar\u0131n neredeyse do\u011fru etkilerini tahmin etmede de kullan\u0131labilir.<\/li>
- Maden end\u00fcstrileri; Co\u011frafi bilgi sistemi ve ara\u015ft\u0131rmalar\u0131 ile co\u011frafi konum tespitinin yap\u0131lmas\u0131na yard\u0131mc\u0131 olur.<\/li>
- Kamu kurumlar\u0131; Kamuya ait t\u00fcm kurumlar\u0131n birbiriyle entegre \u00e7al\u0131\u015farak, i\u015f y\u00fck\u00fc azaltma ve otomasyon fazlaca dahil edilerek zamandan tasarruf sa\u011flama anlam\u0131nda yararlar\u0131 vard\u0131r.<\/li>
- Piyasa dalgalanmalar\u0131 – Bir \u00fcr\u00fcn\u00fcn piyasadaki ge\u00e7mi\u015f performans\u0131n\u0131 inceleyerek iyile\u015ftirmeler yapar ve \u00fcr\u00fcn\u00fcn gelecekteki de\u011feri i\u00e7in \u00f6nerilerde bulunur.<\/li>
- Y\u00f6netim – \u0130nsan kayna\u011f\u0131n\u0131n yeterli olmad\u0131\u011f\u0131 i\u015flerin ve kaynaklar\u0131n m\u00fcmk\u00fcn oldu\u011fu kadar \u00e7ok alanda y\u00f6netilmesine yard\u0131mc\u0131 olur. Ayn\u0131 zamanda y\u00f6neticilerin karar almalar\u0131na destek sa\u011flayacak raporlar \u00fcretir.<\/li><\/ul>\n\n\n\n
Makine \u00d6\u011frenmesi beraberinde “Veri Madencili\u011fi”, “Derin \u00d6\u011frenme”, “B\u00fcy\u00fck Veri” gibi terimle an\u0131l\u0131yor. Her birinin anlam\u0131n\u0131 bilinmesi \u00f6\u011frenme s\u00fcrecinin h\u0131zlanmas\u0131na katk\u0131da bulunur.<\/p>\n\n\n\n
- Veri Madencili\u011fi: B\u00fcy\u00fck \u00f6l\u00e7ekli veriler aras\u0131ndan faydal\u0131 bilgiye ula\u015fma, bilgiyi madenleme i\u015fidir.<\/li><\/ul>\n\n\n\n
- Derin \u00d6\u011frenme: \u0130ncelenen bir veri k\u00fcmesi i\u00e7in (rasgele da\u011f\u0131l\u0131ml\u0131 bir veri k\u00fcmesi de olabilir), sadece yararl\u0131 bilgileri almak i\u00e7in geli\u015ftirilmi\u015f bir makine \u00f6\u011frenmesi alt dal\u0131 \u015feklinde ifade edilebilir.<\/li><\/ul>\n\n\n\n
- B\u00fcy\u00fck Veri: Standart veri kaynaklar\u0131ndan daha b\u00fcy\u00fck, daha karma\u015f\u0131k veri k\u00fcmeleridir. Bu veri setleri o kadar hacimlidir ki, geleneksel veri i\u015fleme yaz\u0131l\u0131m\u0131 bunlar\u0131 y\u00f6netemez. B\u00fcy\u00fck hacimli bu veriler i\u00e7in Hadoop, Spark gibi yaz\u0131l\u0131mlar, daha \u00f6nce ba\u015faramayaca\u011f\u0131n\u0131z i\u015f problemlerini \u00e7\u00f6zmek i\u00e7in kullan\u0131labilir.<\/li><\/ul>\n\n\n\n
- Veri Analiti\u011fi: y\u00fcksek hacimli verilerden bir i\u015f de\u011feri yaratmak \u00fczere istatistik bilimi ile modern say\u0131sal hesaplama y\u00f6ntemleri aras\u0131ndaki entegrasyonun sa\u011flanarak, firmalar\u0131n bu potansiyeli a\u00e7\u0131\u011fa \u00e7\u0131karmalar\u0131 i\u00e7in gereksinim duyduklar\u0131 bilgi ve ara\u00e7lar\u0131n b\u00fct\u00fcn\u00fc \u015feklinde ifade edilebilir.<\/li><\/ul>\n\n\n\n
Tan\u0131mlarda g\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, her terim farkl\u0131 olmakla birlikte, birbirleriyle \u00e7ok yak\u0131n bir ba\u011flant\u0131s\u0131 vard\u0131r. Ger\u00e7ek zamanl\u0131 karma\u015f\u0131k problemlerde, t\u00fcm bu fakt\u00f6rleri, daha sonraki i\u015flemler i\u00e7in k\u00e2rl\u0131 bir sonu\u00e7 elde etmek i\u00e7in birlikte i\u015flev g\u00f6rmelidir.<\/p>\n\n\n\n
Makine \u00f6\u011frenmesi verilerin tipine, b\u00fcy\u00fckl\u00fc\u011f\u00fcne, ge\u00e7erlili\u011fine, do\u011frulu\u011funa vb. parametrelere g\u00f6re farkl\u0131 bi\u00e7imlerde ger\u00e7ekle\u015ftirilebilir;<\/p>\n\n\n\n
Denetimli \u00d6\u011frenme (Supervised Learning); girdi verisi seti ve verilere bilinen yan\u0131tlar\u0131 al\u0131r, ard\u0131ndan yeni verilere yan\u0131t i\u00e7in makul tahminler olu\u015fturmak \u00fczere modeli e\u011fiten bir makine \u00f6\u011frenme \u00e7e\u015fididir. \u00d6rne\u011fin i\u015f yerinden evinize gitmenin ne kadar s\u00fcrece\u011fi tahmin edilmek istendi\u011finde, bir makine \u00f6\u011frenmesi kurgulayabiliriz. Hava ko\u015fullar\u0131, g\u00fcn\u00fcn saati ve ara\u00e7 tipi gibi \u00f6zniteliklere sahip olal\u0131m. Bu \u00f6znitelikler e\u011fitilerek bulunacak yeni bir \u00e7\u0131kt\u0131, bize eve d\u00f6n\u00fc\u015f tahmini s\u00fcresini verecektir. Denetimli \u00f6\u011frenme i\u00e7inde s\u0131n\u0131fland\u0131rma teknikleri ve regresyon teknikleri tahmin modellemede kullan\u0131lan kavramlard\u0131r.<\/p>\n\n\n\n
Denetimsiz \u00d6\u011frenme (Unsupervised Learning)<\/p>\n\n\n\n
Bu durum \u00f6nce sisteme beslenebilecek maksimum veri miktar\u0131na odaklan\u0131r ve daha sonra sisteme sorunlu durum sa\u011flan\u0131r. Sistem taraf\u0131ndan incelenen \u00f6nceki verilere dayanarak, buna g\u00f6re sonu\u00e7 verir. Esas olarak verilerin filtrelenmesi ve verilerin aranmas\u0131 gibi i\u015flere odaklan\u0131r.. K\u00fcmeleme, boyutsal k\u00fc\u00e7\u00fclme, temel bile\u015fen analizi, tekli de\u011fer ayr\u0131\u015ft\u0131rmas\u0131 denetimsiz \u00f6\u011frenme uygulamalar\u0131na \u00f6rnek kavramlard\u0131r.<\/p>\n\n\n\n
Yar\u0131 Denetimli \u00d6\u011frenme (Semi-supervised Learning)<\/p>\n\n\n\n
Ba\u015flang\u0131\u00e7ta kendisine sa\u011flanan \u00e7ok az miktarda benzer veriyle sistem taraf\u0131ndan toplanan bilgilere dayanarak benzer kategorideki \u00e7ok b\u00fcy\u00fck bir veri grubunda tahmin yapar.<\/p>\n\n\n\n
Peki\u015ftirmeli \u00d6\u011frenme (Reinforcement Learning)<\/p>\n\n\n\n
\u00d6\u011frenme i\u015flemi i\u00e7in sadece kurallar ve \u00f6d\u00fcllere ihtiya\u00e7 duymaktad\u0131r. Y\u00f6ntem verilen kurallar dahilinde sistemi ortaya koyacak durum uzay\u0131n\u0131 ve her durum i\u00e7in elde edece\u011fi \u00f6d\u00fcl\u00fcn en b\u00fcy\u00fcklemesini sa\u011flayan hareketi \u00f6\u011frenmeye \u00e7al\u0131\u015fmaktad\u0131r.<\/p>\n\n\n\n
- Veri Analiti\u011fi: y\u00fcksek hacimli verilerden bir i\u015f de\u011feri yaratmak \u00fczere istatistik bilimi ile modern say\u0131sal hesaplama y\u00f6ntemleri aras\u0131ndaki entegrasyonun sa\u011flanarak, firmalar\u0131n bu potansiyeli a\u00e7\u0131\u011fa \u00e7\u0131karmalar\u0131 i\u00e7in gereksinim duyduklar\u0131 bilgi ve ara\u00e7lar\u0131n b\u00fct\u00fcn\u00fc \u015feklinde ifade edilebilir.<\/li><\/ul>\n\n\n\n
- B\u00fcy\u00fck Veri: Standart veri kaynaklar\u0131ndan daha b\u00fcy\u00fck, daha karma\u015f\u0131k veri k\u00fcmeleridir. Bu veri setleri o kadar hacimlidir ki, geleneksel veri i\u015fleme yaz\u0131l\u0131m\u0131 bunlar\u0131 y\u00f6netemez. B\u00fcy\u00fck hacimli bu veriler i\u00e7in Hadoop, Spark gibi yaz\u0131l\u0131mlar, daha \u00f6nce ba\u015faramayaca\u011f\u0131n\u0131z i\u015f problemlerini \u00e7\u00f6zmek i\u00e7in kullan\u0131labilir.<\/li><\/ul>\n\n\n\n
- Derin \u00d6\u011frenme: \u0130ncelenen bir veri k\u00fcmesi i\u00e7in (rasgele da\u011f\u0131l\u0131ml\u0131 bir veri k\u00fcmesi de olabilir), sadece yararl\u0131 bilgileri almak i\u00e7in geli\u015ftirilmi\u015f bir makine \u00f6\u011frenmesi alt dal\u0131 \u015feklinde ifade edilebilir.<\/li><\/ul>\n\n\n\n
- Veri Madencili\u011fi: B\u00fcy\u00fck \u00f6l\u00e7ekli veriler aras\u0131ndan faydal\u0131 bilgiye ula\u015fma, bilgiyi madenleme i\u015fidir.<\/li><\/ul>\n\n\n\n