Veriyle Öğrenen Sistemler: Makine Öğrenmesi (ML) Rehberi

​​Makine Öğrenmesi (ML) Nedir?​

​Makine öğrenmesi (machine learning - ML), son yılların belki de en dönüştürücü teknoloji başlığı. Temelde yapay zekanın (AI) spesifik bir alt alanı olan makine öğrenmesinin yaptığı, bilgisayarlara verilerden öğrenme yeteneği kazandırmak. Geleneksel programlamada bir bilgisayara ne yapması gerektiğini satır satır kodla söyleniyor. Makine öğrenmesi ise bu kuralı temelden değiştiriyor. 

Makine öğrenmesi temelde basit prensiplerle çalışıyor. Sisteme kuralları doğrudan vermek yerine, ona çok miktarda veri gösteriliyor. Sistem, bu verideki kalıpları yani örüntüleri açık bir programlamaya ihtiyaç duymadan kendi kendine tanıyor. Bu kalıpları kullanarak da geleceğe yönelik tahminler yapıyor veya otonom kararlar alıyor. Kısacası, bir model ne kadar çok veri işlerse, o kadar deneyim kazanıyor. Bu deneyimle de performansını sürekli iyileştirmeye devam ediyor.

Makine Öğrenmesinin Temel Kavramları

Makine öğrenmesini anlamak için önce bazı temel kavramları netleştirmek gerekiyor. Bu terimler teknolojinin nasıl çalıştığını ve potansiyelini anlamanın ilk adımını oluşturuyor. Bu nedenle tüm bu terimleri doğru şekilde anlamak gerekiyor.

Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme Arasındaki Farklar

Yapay zeka, makine öğrenmesi ve derin öğrenme terimleri günlük yaşamda kafa karıştırıcı olabiliyor. Genellikle hepsi birbirinin yerine kullanılsa da aralarında net bir hiyerarşi var. Bunu iç içe geçmiş kümelere benzetebiliriz:

• Yapay zeka (Artificial Intelligence - AI): AI, en geniş kapsamlı terim. Bu terim, insan zekasını yani problem çözme ve öğrenme yeteneklerini taklit etmeye çalışan her türlü sistemi kapsayan genel bir şemsiye terim niteliğinde.
• Makine öğrenmesi (Machine learning - ML): Yapay zekanın bir alt kümesi. AI sistemlerini hayata geçirmenin en yaygın yöntemini oluşturuyor. Sistemlerin veriyi analiz edip kalıpları tanıyarak öğrenmesini sağlayan süreçlerin tamamını ifade ediyor.
• Derin öğrenme (Deep learning - DL): Makine öğrenmesinin daha gelişmiş ve karmaşık bir alt alanı. İnsan beyninden esinlenen çok katmanlı yapay sinir ağlarını kullanıyor. Görüntü, ses veya dil gibi karmaşık verilerin işlenmesinde öne çıkıyor.

Makine Öğrenmesinde Verinin Önemi

Makine öğrenmesinde her şey veri ile başlıyor ve bitiyor. Veri, bu sistemin çalışmasını sağlayan yakıtı oluşturuyor. Geliştirilen modelin başarısı, doğrudan eğitildiği verinin kalitesine bağlı oluyor. Sektörde sıkça tekrarlanan “Garbage in, garbage out (Hatalı girdi, hatalı çıktı.)” sözü, bu alanın temel gerçeğini özetliyor. Elinizdeki veri ne kadar temiz, ilgili ve kaliteli olursa, model o kadar isabetli tahminler yapıyor.

Verideki gizli ön yargılar, modelin kararlarına da aynen yansıyor. Bu durum, modelin adil olmayan veya hatalı sonuçlar üretmesine neden olabiliyor. Bu yüzden veri toplama ve hazırlama aşaması, projenin en kritik bölümlerinden birini oluşturuyor.

Öğrenme Türleri: Denetimli, Denetimsiz, Pekiştirmeli

Peki, bir makine tam olarak nasıl öğreniyor? Bu öğrenme süreci, eldeki veriye ve çözülmek istenen probleme göre temelde üç ana stile ayrılıyor.

Aşağıdaki tabloda bu öğrenme stillerinin farklarını görebilirsiniz.

Not: Tablo IBM ve AWS verilerinden derlenmiştir.

Makine Öğrenmesi Nasıl Çalışır?

Makine öğrenmesi süreci,bir dizi adımdan oluşuyor. Veri toplanıyor, hazırlanıyor, bir model eğitiliyor ve ardından bu modelin performansı değerlendiriliyor.

 Model ve Algoritma Nedir?

Bu iki kavramı bir yemek tarifi üzerinden örneklendirmek mümkün. Algoritma, tarifin kendisini oluşturuyor. Verideki kalıpları bulmak için kullanılan matematiksel yöntemi, yani adımları belirliyor. Model ise bu tarife göre pişirilmiş yemeğin ta kendisi. Algoritma, ham veriyi alıp eğitime tabi tutuyor. Bu eğitimin sonunda ortaya çıkan öğrenmiş ve karar verebilen yapıya model deniyor. Artık bu model, daha önce görmediği verileri yorumluyor ve yeni tahminler üretiyor.

Eğitim (Training), Test ve Doğrulama Süreci

Modelin performansını doğru ölçmek için veri seti genellikle üçe bölünüyor:

• Eğitim verisi: Modelin kalıpları öğrenmesi için kullanılıyor. Veri setinin yüzde 60 ila 80 oranında en büyük kısmını bu bölüm oluşturuyor.
• Doğrulama verisi: Modelin ince ayarlarını (hiperparametreler) optimize etmek için eğitim sırasında kullanılıyor.
• Test verisi: Modelin eğitimi tamamlandıktan sonra hiç görmediği veriler üzerindeki performansını ölçüyor. Modelin gerçek dünyadaki başarısını bu veri seti belirliyor.

Overfitting ve Underfitting Sorunları

Overfitting ve underfitting’in odel eğitiminde en sık karşılaşılan iki temel sorun olduğu söylenebilir. Bu sorunlar, modelin genelleme yeteneğini doğrudan etkiliyor.

• Aşırı öğrenme (Overfitting): Model, eğitim verisini ezberler. Verideki ana kalıplar yerine gürültüyü ve gereksiz detayları öğrenir. Eğitim verisinde çok başarılı görünür ama yeni verilere genelleme yapamaz.
• Yetersiz öğrenme (Underfitting): Model, veri setindeki temel kalıpları yakalayamaz. İyi çıktılar için çok basit kalır. Hem eğitim hem de test verisinde düşük performans gösterir.

Makine Öğrenmesi Algoritma Türleri

Farklı görevler için farklı algoritmalar kullanılıyor. En yaygın algoritma aileleri şunları içeriyor:

Regresyon Algoritmaları

Regresyon algoritmaları denetimli öğrenme türünü ifade ediyor. Ev fiyatı veya sıcaklık gibi sayısal bir değeri tahmin etmeye odaklanıyor. En bilinen örneği ise Doğrusal Regresyon.

Sınıflandırma Algoritmaları

Bu başlık da denetimli öğrenme grubuna giriyor. Veriyi önceden tanımlanmış kategorilere atıyor. "Spam" / "Spam Değil" veya "Kedi" / "Köpek" gibi ikili ya da çoklu sınıflandırmalar yapıyor. Lojistik Regresyon bu alanın popüler örneklerinden biri.

Kümeleme Algoritmaları

Kümeleme, denetimsiz öğrenme ailesinin bir parçası. Burada etiketli veriler bulunmuyor. Algoritma, elindeki etiketsiz verileri inceliyor ve aralarındaki benzerliklere göre onları doğal kümelere ayırıyor. Müşterileri satın alma davranışlarına göre gruplamak, bu yaklaşımın en bilinen uygulamalarından birini oluşturuyor. K-Means ise bu iş için en sık kullanılan algoritmalar arasında yer alıyor.

Karar Ağaçları ve Rastgele Ormanlar

Karar Ağaçları, kararları "eğer-o-halde" (if-then) kurallarından oluşan bir ağaç yapısıyla görselleştiriyor. Rastgele Ormanlar (Random Forests) ise daha doğru ve kararlı sonuçlar elde etmek için birden fazla karar ağacını birleştiren bir yöntem olarak kullanılıyor.

Yapay Sinir Ağları ve Derin Öğrenme

İnsan beynindeki nöron yapısını taklit eden karmaşık yapıları ifade ediyor. Çok sayıda katmandan oluşuyor. Görüntü tanıma, doğal dil işleme ve ses tanıma gibi karmaşık kalıpların olduğu işlerde Derin Öğrenme'nin temelini oluşturuyorlar.

Makine Öğrenmesinin Kullanım Alanları

Makine öğrenmesi, günlük hayatın ve endüstrinin birçok alanına entegre olmuş durumda.

Sağlık

Makine öğrenmesi sağlık alanında MR ve röntgen gibi tıbbi görüntülerin analiz edilmesinde kullanılıyor. Kanser gibi hastalıkların erken teşhisine yardımcı oluyor. Hastaların verilerine bakarak kişiselleştirilmiş tedavi planları oluşturulabiliyor.

Finans ve Bankacılık

Gerçek zamanlı işlemleri analiz ederek dolandırıcılık girişimlerini anında tespit ediyor. Bireylerin kredi risk puanlamasını yapıyor. Algoritmik hisse senedi işlemleri için de kullanılıyor.

E-Ticaret ve Öneri Sistemleri

Kullanıcıların geçmiş davranışlarını analiz ediyor. "Bu ürünü alanlar, şunları da aldı" gibi kişiselleştirilmiş ürün tavsiyeleri sunuyor. Talep tahmini yaparak stok yönetimini optimize ediyor.

Görüntü ve Ses Tanıma

Akıllı telefonlardaki yüz tanıma sistemleri veya fotoğraflardaki kişilerin etiketlenmesi bu alana giriyor. Sanal asistanlara verilen sesli komutların anlaşılması da makine öğrenmesiyle yapılıyor.

Doğal Dil İşleme (NLP)

Doğal dil işleme (NLP), makine öğrenmesinin, insan dilini anlamaya odaklanan alt dalını oluşturuyor. Metin çevirisi, e-postaların duygu analizi ve chatbot’lar en yaygın NLP uygulamaları arasında yer alıyor.

Makine Öğrenmesinde Kullanılan Araçlar ve Kütüphaneler

Makine öğrenmesi modelleri kodla hayat buluyor. Geliştiriciler bu süreçte karmaşık matematiği basitleştiren ve işi hızlandıran özel dillere ve kütüphanelere güveniyor.

Python ve R

Söz konusu dil olduğunda Python açık ara lider. Bunun nedeni basit: Söz dizimi kolay, esnek bir yapı sunuyor ve arkasındaki kütüphane desteği muazzam. Bu yüzden geliştiricilerin neredeyse her zaman ilk tercihi oluyor. R dili ise, özellikle ağır istatistiksel analizler ve akademik veri görselleştirme işlerinde gücünü koruyan önemli bir alternatif.

Popüler Kütüphaneler (Scikit-Learn, TensorFlow, PyTorch)

Piyasayı domine eden üç ana kütüphane var.

• Scikit-Learn: Geleneksel ML görevleri için adeta bir endüstri standardı. Sınıflandırma, regresyon ve kümeleme gibi temel algoritmaları çok temiz, basit bir arayüzle sunuyor.
• TensorFlow: Google’ın geliştirdiği bu araç, özellikle derin öğrenme için tasarlanmış devasa bir platform. Modelleri ölçeklendirme ve üretim ortamına taşıma konusunda çok yetenekli.
• PyTorch: Meta imzalı bu kütüphane, esnek yapısıyla seviliyor. Özellikle akademi ve araştırma projelerinde hızlı prototip çıkarmak için yoğun olarak kullanılıyor.

Veri Hazırlama ve Görselleştirme Araçları

Başarılı bir modelin sırrı her zaman temiz veride yatıyor. Veri bilimi projelerinde bu yüzden veri hazırlığı en kritik aşama. Geliştiriciler, veriyi analiz etmek ve manipüle etmek için en çok Pandas kütüphanesini kullanıyor. Verideki kalıpları görmek ve modelin sonuçlarını anlamlandırmak içinse Matplotlib ve Seaborn gibi görselleştirme araçları devreye giriyor.

Makine Öğrenmesinin Avantajları ve Zorlukları

Makine öğrenmesi büyük fırsatlar sunuyor. Ancak madalyonun bir de öbür yüzü var: Bu teknoloji beraberinde ciddi zorluklar da getirebiliyor.

Avantajlar: Hız, Otomasyon, Büyük Veri Analizi

En belirgin avantajı hız. Modeller, insanların tek başına analiz edemeyeceği devasa verileri (Big Data) süratle işliyor. Tekrarlayan, sıkıcı görevleri otomatik hale getiriyor. İnsan gözünün kaçırabileceği karmaşık kalıpları bularak daha isabetli tahminler yapıyor ve süreçleri optimize ediyorlar.

Zorluklar: Veri Kalitesi, Hesaplama Gücü, Etik Sorunlar

En büyük zorluk veri. Modelin performansı, tamamen verinin kalitesine, temizliğine ve tarafsızlığına bağlı oluyor. Yetersiz veya ön yargılı veri, modeli tamamen işe yaramaz hale getirebilir. Buna ek olarak, derin öğrenme modelleri eğitilmeleri için yüksek hesaplama gücü (GPU) gerektiriyor. Ayrıca etik sorunlar da bulunuyor. Veri gizliliği ve eğitim verisindeki ön yargıların modellere yansıması, bu alanın en ciddi tartışma konularını oluşturuyor.

Makine Öğrenmesinin Geleceği

Makine öğrenmesi alanı hızla gelişmeye devam ediyor. Trendler, daha az veriyle daha çok iş yapabilen ve daha şeffaf modellere doğru kayıyor.

Yapay Zeka ile Gelişim Trendi

Modellerin daha az etiketli veriyle öğrenmesi (few-shot learning) ve kendi kendine öğrenen sistemler yaygınlaşıyor. Açıklanabilir Yapay Zeka (XAI), modellerin verdikleri kararları neden verdiklerini açıklamalarını hedefliyor. Bu, modellerin kara kutu olmaktan çıkmasını sağlıyor.

İş Dünyasındaki Geleceği

Makine öğrenmesi, iş dünyasında artık bir lüks olmaktan çıkıyor ve temel bir rekabet aracına dönüşüyor. Tüm sektörlerde otomasyon ve kişiselleştirme uygulamaları hızla yaygınlaşıyor. Tedarik zincirleri, makinelerin ne zaman arızalanacağını öngörmek için tahmine dayalı bakımı (predictive maintenance) benimsiyor. Pazarlama ekipleri, müşterilere hiper-kişiselleştirilmiş hizmetler sunmak için bu teknolojiden faydalanıyor. Finans sektörü ise otonom risk yönetimini artık bir standart olarak konumlandırıyor.

Etik ve Toplumsal Etkiler

Bu teknolojinin gücü, beraberinde ciddi sorumluluklar getiriyor. Tartışmaların odağında iki kritik başlık var: Veri mahremiyeti ve algoritmik ön yargı. En büyük risk, eğitim verisindeki gizli kusurların ve ön yargıların fark edilmeden modellere sızması oluyor. Bu adil olmayan sonuçlar doğurabilir. Elbette teknolojinin iş gücü üzerindeki kaçınılmaz etkileri de bir diğer önemli konu. Güvenilir, adil ve şeffaf sistemler geliştirmek, artık geliştiriciler ve kurumlar için toplumsal kabulün temel şartı haline geliyor.

Sıkça Sorulan Sorular (FAQ)​

Makine öğrenmesi hakkında diğer merak ettiğiniz soruların yanıtları aşağıda bulabilirsiniz.

Makine öğrenmesi yapay zekanın neresinde yer alır?

Makine öğrenmesi yapay zekanın bir alt alanı. Veriden öğrenerek yapay zeka uygulamalarını mümkün kılan bir yöntemi oluşturuyor.

Hangi sektörler makine öğrenmesinden en çok faydalanıyor?

• Finans (dolandırıcılık tespiti)
• Sağlık (teşhis)
• E-ticaret (öneri sistemleri)
• Üretim (bakım tahmini) ve
• Ulaştırma (otonom araçlar) makine öğrenmesinin en yoğun kullanıldığı sektörlerin başında geliyor.

Makine öğrenmesi öğrenmek için hangi programlama dili seçilmeli?

Python; geniş topluluk desteği, basit söz dizimi ve TensorFlow, PyTorch, Scikit-learn gibi güçlü kütüphaneleri nedeniyle en yaygın tercih edilen dil oluyor.

Makine öğrenmesi projeleri için ne kadar veri gerekir?

Bu projenin karmaşıklığına bağlı. Basit regresyon modelleri az veriyle çalışabiliyor. Görüntü tanıma gibi derin öğrenme modelleri ise çok büyük veri setlerine ihtiyaç duyuyor.

Makine öğrenmesi ile derin öğrenme arasındaki fark nedir?

Derin öğrenme, makine öğrenmesinin özelleşmiş bir türü. Çok katmanlı yapay sinir ağlarını kullanarak görüntü ve dil gibi çok karmaşık kalıpları, genellikle insan müdahalesi olmadan otomatik olarak öğreniyor.

​