![\"\"](\"http:\/\/muratsakal.com\/wp-content\/uploads\/2020\/06\/denetimli-ve-denetimsiz-makine-ogrenmesi-nedir-elektrikport-7.jpg\")
<\/figure>\n\n\n\nDenetimli \u00f6\u011frenmede ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerin i\u015faret etti\u011fi ba\u011f\u0131ml\u0131 de\u011fi\u015fkenin varl\u0131\u011f\u0131ndan bahsetti\u011fimiz, ba\u011f\u0131ms\u0131z de\u011fi\u015fkenleri e\u011fiterek buradan \u00e7\u0131kan sonuca referans veren bir y\u00f6ntemdir. \u00d6rne\u011fin hayvanlar\u0131n resimleriyle beraber isimlerinin bulundu\u011fu bir veri seti d\u00fc\u015f\u00fcnelim. Hayvan resmi \u00fczerinde \u00f6zellikli alanlar\u0131 ba\u011f\u0131ms\u0131z de\u011fi\u015fken olarak d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcm\u00fczde (hayvan\u0131n gagas\u0131 var, kuyru\u011fu var vs. gibi) bu de\u011fi\u015fkenlerden t\u00fcreyen ger\u00e7ek bir sonucu ya da i\u015faret etti\u011fi bir isim verildi\u011finde, e\u011fitim setine dahil bir hayvan t\u00fcr\u00fcne bakarak daha \u00f6nce hi\u00e7 g\u00f6rmedi\u011fi bir resmi tahmin etme becerisi g\u00f6sterir.<\/p>\n\n\n\n
Denetimsiz \u00f6\u011frenmede, algoritma verilerin kendisinin kullan\u0131ld\u0131\u011f\u0131 anlaml\u0131 sonu\u00e7lar bulmaya \u00e7al\u0131\u015f\u0131r. Sonu\u00e7, \u00f6rne\u011fin, her k\u00fcmede ili\u015fkilendirilebilecek bir dizi veri noktas\u0131 k\u00fcmesi olabilir. K\u00fcmeler \u00f6rt\u00fc\u015fmedi\u011finde daha iyi sonu\u00e7 verir. Birbirine benzer verileri ayn\u0131 k\u00fcme alt\u0131nda gruplara ay\u0131r\u0131r.<\/p>\n\n\n\n
Makine \u00f6\u011frenimi i\u00e7in veri temizleme<\/h2>\n\n\n\n
\u00c7evremize bakt\u0131\u011f\u0131m\u0131zda o kadar \u00e7ok veri var ki, bu verilerin hepsinin i\u015fime yarad\u0131\u011f\u0131n\u0131 ya da kullanmam\u0131z gerekti\u011fini d\u00fc\u015f\u00fcnmek hayalciliktir. Temiz ve kullanabilir veri elde etmek i\u00e7in elimizdeki veri setinde uygun baz\u0131 i\u015flemler yapmak zorunday\u0131z. \u00d6rne\u011fin, veri setimizde ara\u015ft\u0131rma yapmak istedi\u011fimiz bir de\u011fi\u015fken alt\u0131nda \u00e7ok fazla eksik (kay\u0131p) veri varsa, ilgili de\u011fi\u015fkeni silerek g\u00f6z ard\u0131 edebiliriz. Ancak o de\u011fi\u015fken bizim i\u00e7in \u00f6nemliyse, yan\u0131ndaki de\u011fi\u015fkenlerle bir korelasyon kurulacaksa, olan veriler \u00fczerinden bu i\u015flemi yapmam\u0131z gerekebilir. Bunun i\u00e7in kay\u0131p verilerin \u00e7e\u015fitli y\u00f6ntemlerle doldurulmas\u0131 (ortalama alma, en yak\u0131n kom\u015fuluk de\u011ferlerini kullanma vs.) gerekebilir. Belirgin yaz\u0131m hatalar\u0131n\u0131 d\u00fczeltme ya da e\u015fde\u011fer cevaplar\u0131 birle\u015ftirme de verileri analiz etmede kolayl\u0131k sa\u011flayacakt\u0131r. \u00d6rne\u011fin Atat\u00fcrk, Mustafa Kemal, Mustafa Kemal Atat\u00fcrk tek bir kategoride birle\u015ftirilmelidir. Ara\u015ft\u0131rmak istedi\u011fimiz aral\u0131\u011f\u0131n d\u0131\u015f\u0131nda veri varsa bunlar\u0131 hari\u00e7 tutmak gereklidir. \u00d6rne\u011fin, \u0130zmir’deki taksi yolculuklar\u0131n\u0131 analiz ediyorsak, \u0130zmir d\u0131\u015f\u0131nda olan verileri analiz d\u0131\u015f\u0131nda tutmam\u0131z gerekmektedir. Yapabilece\u011fimiz \u00e7ok daha fazla \u015fey vard\u0131r. Belki de makine \u00f6\u011frenmenin en kapsaml\u0131 s\u00fcre\u00e7lerinden birisi budur. Veri setine ne kadar hakim olursak, algoritmalar\u0131 o kadar kolay uygulayabilece\u011fimizi unutmam\u0131z gerekmektedir.<\/p>\n\n\n\n
Makine \u00f6\u011frenimi i\u00e7in veri kodlama ve normalle\u015ftirme<\/h2>\n\n\n\n
\u00d6zellikle kategorik veriler \u00fczerinde s\u0131n\u0131fland\u0131rma \u00e7al\u0131\u015fmas\u0131 yap\u0131yorsak, o veriyi temsil eden etiketlerin say\u0131sal de\u011ferlerle kodlanmas\u0131 gerekebilir. Cinsiyet i\u00e7in kad\u0131n=1, erkek=2 kodlamas\u0131 yapt\u0131\u011f\u0131m\u0131zda i\u015flemlerin say\u0131sal de\u011ferler \u00fczerinden yap\u0131laca\u011f\u0131n\u0131 d\u00fc\u015f\u00fcnmemiz gerekir. Bu i\u015fleme etiket kodlamas\u0131 da denebilir. Di\u011fer taraftan s\u0131cak kodlama da denilen, her metin etiketi de\u011ferinin ikili de\u011fere (1 veya 0) sahip bir s\u00fctuna d\u00f6n\u00fc\u015ft\u00fc\u011f\u00fc bir kodlama bi\u00e7imi de bulunmaktad\u0131r. \u00c7o\u011fu makine \u00f6\u011frenme platformu bu i\u015flemleri bizim ad\u0131m\u0131za yapabilir, yeter ki ne yapmak istedi\u011fimize karar verelim.<\/p>\n\n\n\n
Say\u0131sal verileri makine \u00f6\u011frenmesinde kullanmak i\u00e7in genellikle verileri normalle\u015ftirmemiz gerekir. Aksi takdirde, daha geni\u015f aral\u0131klara sahip de\u011fi\u015fkenlere sahip oluruz ki bu durum verileri yak\u0131nsamakta bize zorluk \u00e7\u0131karabilir. Makine \u00f6\u011frenmesi i\u00e7in verileri normalle\u015ftirmenin ve standartla\u015ft\u0131rman\u0131n min-maks normalizasyonu, ortalama normalizasyonu, standardizasyonu ve birim uzunlu\u011funa \u00f6l\u00e7eklenmesi dahil olmak \u00fczere bir \u00e7ok yolu vard\u0131r. <\/p>\n\n\n\n
Makine \u00f6\u011freniminde \u00f6zellik nedir?<\/h2>\n\n\n\n
\u0130statistiksel \u00e7al\u0131\u015fmalarla uzun s\u00fcredir ilgiliyseniz de\u011fi\u015fken (ba\u011f\u0131ml\u0131\/ba\u011f\u0131ms\u0131z, nitel\/nicel, s\u00fcrekli\/kesikli) kavram\u0131na uzak de\u011filsinizdir. Makine \u00f6\u011frenmesinde \u00f6zellik kavram\u0131, g\u00f6zlenen bir birimin (bireyin) \u00f6l\u00e7\u00fclebilir bir \u00f6zelli\u011fi ya da karakteristi\u011fidir. “\u00d6zellik” kavram\u0131, do\u011frusal regresyon gibi istatistiksel tekniklerde kullan\u0131lan a\u00e7\u0131klay\u0131c\u0131 bir de\u011fi\u015fkenle ilgilidir. \u00d6zellik, sorunu a\u00e7\u0131klayan minimum ba\u011f\u0131ms\u0131z de\u011fi\u015fkenler k\u00fcmesini se\u00e7mektir. \u0130ki de\u011fi\u015fken y\u00fcksek derecede ili\u015fkiliyse, ya da tek bir \u00f6zellikte birle\u015ftirilmeleri gerekiyorsa farkl\u0131 bir de\u011fi\u015fken alt\u0131nda bu i\u015flemler yap\u0131l\u0131r. Bu birle\u015ftirme i\u015fleminde de ortaya \u00e7\u0131kan yeni de\u011fi\u015fken yeni \u00f6zelliklerle kar\u015f\u0131l\u0131k bulur. \u00d6rne\u011fin, do\u011fum y\u0131l\u0131n\u0131 \u00f6l\u00fcm y\u0131l\u0131ndan \u00e7\u0131kard\u0131\u011f\u0131m\u0131zda, ya\u015fam boyu veya \u00f6l\u00fcm analizi i\u00e7in ba\u011f\u0131ms\u0131z bir de\u011fi\u015fken elde ederiz ki yeni ve farkl\u0131 \u00f6zelliklerle kar\u015f\u0131m\u0131za gelir.<\/p>\n\n\n\n
Yayg\u0131n makine \u00f6\u011frenmesi algoritmalar\u0131<\/h2>\n\n\n\n
Do\u011frusal regresyon ve lojistik regresyondan derin sinir a\u011flar\u0131na ve daha karma\u015f\u0131k d\u00fczinelerce makine \u00f6\u011frenme algoritmas\u0131 vard\u0131r. Bununla birlikte, en yayg\u0131n algoritmalardan baz\u0131lar\u0131 \u015funlard\u0131r:<\/p>\n\n\n\n
- Linear regression, en k\u00fc\u00e7\u00fck kareler y\u00f6ntemi(say\u0131sal veriler i\u00e7in)<\/li>
- Logistic regression (ikili s\u0131n\u0131fland\u0131rma i\u00e7in)<\/li>
- Linear discriminant analysis (\u00e7ok kategorili s\u0131n\u0131fland\u0131rma i\u00e7in)<\/li>
- Karar a\u011fa\u00e7lar\u0131 (s\u0131n\u0131fland\u0131rma ve regresyon i\u00e7in)<\/li>
- Naive Bayes (s\u0131n\u0131fland\u0131rma ve regresyon i\u00e7in)<\/li>
- K-En yak\u0131n kom\u015fuluk, KNN algoritmas\u0131 (s\u0131n\u0131fland\u0131rma ve regresyon i\u00e7in)<\/li>
- Vekt\u00f6r nicemlemenin \u00f6\u011frenilmesi – Learning Vector Quantization, LVQ (s\u0131n\u0131fland\u0131rma ve regresyon i\u00e7in)<\/li>
- Destek vekt\u00f6r makinas\u0131 – Support Vector Machines, aka SVM (ikili s\u0131n\u0131fland\u0131rma i\u00e7in)<\/li>
- Random Forests, (s\u0131n\u0131fland\u0131rma ve regresyon i\u00e7in)<\/li>
- ve dahas\u0131…<\/li><\/ul>\n\n\n\n
Yukar\u0131da yaz\u0131l\u0131 algoritmalar\u0131n d\u0131\u015f\u0131nda yapay sinir a\u011flar\u0131 ve derin \u00f6\u011frenme algoritmalar\u0131n\u0131n da olmas\u0131 beklenebilir. Ancak burada ifade edilen \u00f6zel donan\u0131ma ve i\u015flem g\u00fcc\u00fcne gerek kalmadan \u00e7\u00f6z\u00fcmleme yapan algoritmalard\u0131r. GPU (ekran kart\u0131) ve i\u015flem g\u00fcc\u00fcne ekstra ihtiya\u00e7 duymazlar, g\u00f6rece b\u00fcy\u00fck veri setine sahip de\u011filse. Yapay sinir a\u011flar\u0131 ve derin \u00f6\u011frenme algoritmalar\u0131n\u0131 daha \u00e7ok g\u00f6r\u00fcnt\u00fc i\u015fleme, konu\u015fma tan\u0131ma gibi \u00f6zellikli konular ve ara\u015ft\u0131rmalar i\u00e7inde d\u00fc\u015f\u00fcnsek daha do\u011fru olabilir.<\/p>\n\n\n\n
![\"\"](\"http:\/\/muratsakal.com\/wp-content\/uploads\/2020\/06\/1_8wU0hfUY3UK_D8Y7tbIyFQ-1024x694.png\")
<\/figure>\n\n\n\nMakine \u00f6\u011frenmesi algoritmalar\u0131 i\u00e7in hiper-parametreler<\/h2>\n\n\n\n
Ne olaca\u011f\u0131n\u0131n sistemi tasarlayan ki\u015fiye b\u0131rak\u0131ld\u0131\u011f\u0131, veri setine g\u00f6re farkl\u0131l\u0131k g\u00f6steren parametreler hiper-parametre olarak ifade edilir. \u00d6rne\u011fin KNN algoritmas\u0131 i\u00e7in k de\u011ferinin ka\u00e7 olaca\u011f\u0131 ilgili uzman ki\u015fi ya da sistemden sorumlu ara\u015ft\u0131r\u0131c\u0131 taraf\u0131ndan y\u00fcr\u00fct\u00fcl\u00fcr.<\/p>\n\n\n\n
Makine \u00f6\u011frenme algoritmalar\u0131, tahmin edilen de\u011feri veya s\u0131n\u0131f\u0131 etkileyen her ba\u011f\u0131ms\u0131z de\u011fi\u015fken i\u00e7in en iyi a\u011f\u0131rl\u0131k k\u00fcmesini bulmak i\u00e7in veriler \u00fczerinde e\u011fitim al\u0131r. Algoritmalar\u0131n kendileri hiper-parametreler ad\u0131 verilen de\u011fi\u015fkenlere sahiptir. Hiper-parametreler belirlenen a\u011f\u0131rl\u0131klar yerine algoritman\u0131n \u00e7al\u0131\u015fmas\u0131n\u0131 belirlenen de\u011ferlerle kontrol ederler.
En \u00f6nemli hiper-parametre, en uygun de\u011feri bulmak i\u00e7in denenen a\u011f\u0131rl\u0131k k\u00fcmesini bulurken kullan\u0131lan ad\u0131m boyutunu belirleyen \u00f6\u011frenme h\u0131z\u0131d\u0131r. \u00d6\u011frenme oran\u0131 \u00e7ok y\u00fcksek (overfitting – a\u015f\u0131r\u0131 \u00f6\u011frenme) ya da \u00e7ok d\u00fc\u015f\u00fckse (underfitting – eksik \u00f6\u011frenme) \u00f6\u011frenme istendi\u011fi \u00f6l\u00e7\u00fcde \u00e7\u00f6z\u00fcme kavu\u015famam\u0131\u015f olabilir. Bu y\u00fczden hiper-parametre se\u00e7imleri bu anlamda \u00f6nemlidir.
Belirli algoritmalar, aramalar\u0131n\u0131n \u015feklini kontrol eden hiper-parametrelere sahiptir. \u00d6rne\u011fin, bir Random Forest S\u0131n\u0131fland\u0131r\u0131c\u0131s\u0131 yaprak ba\u015f\u0131na minimum numune, maksimum derinlik, b\u00f6l\u00fcnm\u00fc\u015f minimum numune, bir yaprak i\u00e7in minimum a\u011f\u0131rl\u0131k oran\u0131 ve yakla\u015f\u0131k 8 tane daha i\u00e7in hiper-parametreye sahiptir. Random Forest algoritmas\u0131n\u0131 giri\u015f d\u00fczeyinde okursan\u0131z yaz\u0131lanlar daha anlaml\u0131 olacakt\u0131r. (bknz. https:\/\/medium.com\/data-science-tr\/makine-%C3%B6%C4%9Frenmesi-dersleri-5-bagging-ve-random-forest-2f803cf21e07<\/a>)<\/p>\n\n\n\nHiper-parametre ayar\u0131 (tuning)<\/h2>\n\n\n\n
Bir\u00e7ok makine \u00f6\u011frenmesi platformlar\u0131 (python, R vs) hiper-parametre ayar\u0131 yap\u0131lmay\u0131 olanakl\u0131 k\u0131l\u0131yor. Temel olarak, sisteme hangi hiper-parametreleri de\u011fi\u015ftirmek istedi\u011fimizi ve hangi metri\u011fi optimize etmek istedi\u011fimizi s\u00f6ylersek, sistem bu hiper-parametreleri izin verilen say\u0131da \u00e7al\u0131\u015fma boyunca otomatik ayarlar. (Google Cloud hiper-parametre ayar\u0131 yaparken, TensorFlow uygun metri\u011fi \u00e7\u0131kar\u0131r, bu nedenle belirtmemize gerek kalmaz)
S\u00fcp\u00fcrme hiperparametreleri i\u00e7in \u00fc\u00e7 arama algoritmas\u0131 vard\u0131r: Bayes optimizasyonu, grid-search ve random search. Bunlar\u0131n i\u00e7inde Bayes optimizasyonu en verimli olma e\u011filimindedir.
Deneyimimiz, bir\u00e7ok hiper-parametre kullanmak yerine, yetti\u011fi kadar hiper-parametre kullan\u0131m\u0131nda eldeki verilerimiz ve algoritma se\u00e7imimiz i\u00e7in en \u00f6nemli olanlar\u0131 ke\u015ffetmemize yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n\n\n\nOtomatik makine \u00f6\u011frenimi<\/h2>\n\n\n\n
Makine \u00f6\u011frenmesinde do\u011fru algoritma se\u00e7imi yapman\u0131n verilerimiz i\u00e7in en uygun modeli verece\u011fi a\u015fikar. Tabi bunun i\u00e7in tek tek algortima denemesi yapmak kolay bir i\u015flem de\u011fildir. Bir de bunu manuel bir d\u00fczende yapmak sadece verilerle bo\u011fu\u015fmak ve sonunda y\u0131lmak gibi bir sonu\u00e7la bizi b\u0131rakabilir.
Her \u015feyi denemek pratik de\u011fildir, bu y\u00fczden elbette makine \u00f6\u011frenimi arac\u0131 sa\u011flay\u0131c\u0131lar\u0131 AutoML sistemlerini kullanmak gerekmektedir. En iyileri, feature engineering algoritmalar ve normalizasyonlar \u00fczerinde taramalarla kendini g\u00f6sterir. En iyi model veya modellerin hiper-parametre ayar\u0131 algoritma se\u00e7imi sonras\u0131na b\u0131rak\u0131l\u0131r. Bu durumun AutoML kolay \u00e7\u00f6z\u00fcmlenen ve bence \u00fczerinde en \u00e7ok d\u00fc\u015f\u00fcn\u00fclmesi gereken s\u00fcre\u00e7 oldu\u011fu bilinmelidir.
\u00d6zetle, makine \u00f6\u011frenme algoritmalar\u0131 makine \u00f6\u011frenme bulmacas\u0131n\u0131n sadece bir par\u00e7as\u0131d\u0131r. Algoritma se\u00e7imine (manuel veya otomatik) ek olarak, optimize ediciler, veri temizleme, \u00f6zellik se\u00e7imi, \u00f6zellik normalizasyonu ve (iste\u011fe ba\u011fl\u0131 olarak) hiperparametre ayarlar\u0131yla ilgilenmeniz gerekir.
T\u00fcm bunlar\u0131 ele ald\u0131\u011f\u0131m\u0131zda ve verilerimiz i\u00e7in \u00e7al\u0131\u015fan bir model olu\u015fturdu\u011fumuzda, modeli da\u011f\u0131tman\u0131n ve ko\u015fullar de\u011fi\u015ftik\u00e7e g\u00fcncellemenin zaman\u0131 gelmi\u015ftir. <\/p>\n\n\n\n