Makine öğrenmesi, bilgisayarların bir işi adım adım yazılmış kurallarla değil, örnek verilerden örüntü çıkararak öğrendiği yapay zekâ dalıdır. Geleneksel programlamada insan kuralları yazar, bilgisayar uygular. Makine öğrenmesinde ise bilgisayara çok sayıda örnek ve bu örneklerin doğru yanıtları verilir; kuralları algoritmanın kendisi bulur. E-postanızdaki istenmeyen ileti filtresi, izleme önerileri ve telefonunuzdaki yüz tanıma bu yaklaşımın gündelik örnekleridir.
Geleneksel Programlamadan Farkı
İstenmeyen e-postaları ayıklayan bir program yazdığınızı düşünün. Klasik yöntemde “şu kelimeler geçiyorsa engelle” gibi kurallar tanımlarsınız. Gönderenler kelimeleri biraz değiştirdiğinde kurallarınız işe yaramaz hâle gelir ve listeyi sürekli güncellemeniz gerekir.
Makine öğrenmesinde ise sisteme “istenmeyen” ve “normal” olarak etiketlenmiş binlerce e-posta gösterilir. Algoritma hangi özelliklerin hangi sınıfla ilişkili olduğunu kendi çıkarır ve daha önce görmediği bir iletiyi de bu bilgiye dayanarak sınıflandırır. Yeni örnekler geldikçe model yeniden eğitilerek güncel tutulabilir.
Makine Öğrenmesi Nasıl Çalışır?
- Veri toplama: Çözülecek soruna uygun, yeterli miktarda ve çeşitlilikte veri bir araya getirilir.
- Veri hazırlama: Eksik ve hatalı kayıtlar ayıklanır, veri modelin işleyebileceği sayısal biçime dönüştürülür. Bir projede en çok zaman alan aşama çoğunlukla budur.
- Eğitim: Algoritma, veri üzerinden tahmin yapar, tahminini doğru yanıtla karşılaştırır ve hatasını azaltacak biçimde iç ayarlarını (parametrelerini) azar azar günceller. Bu döngü defalarca yinelenir.
- Değerlendirme: Model, eğitimde hiç görmediği ayrı bir veri kümesiyle sınanır. Asıl başarı ölçütü, yeni veride ne kadar iyi çalıştığıdır.
- Kullanım ve izleme: Model gerçek ortamda çalıştırılır. Dünya değiştikçe verinin yapısı da değişir; bu yüzden başarım düzenli olarak izlenir ve gerektiğinde model yeniden eğitilir.
Makine Öğrenmesi Türleri
Denetimli öğrenme
Model, doğru yanıtı bilinen etiketli örneklerle eğitilir. İki temel görevi vardır: bir örneği kategoriye atayan sınıflandırma (bu ileti istenmeyen mi?) ve sayısal bir değer tahmin eden regresyon (bu evin değeri ne olur?). Uygulamadaki en yaygın türdür.
Denetimsiz öğrenme
Veride etiket yoktur; model kendi başına yapı arar. Benzer müşterileri gruplara ayıran kümeleme ve olağan dışı işlemleri yakalayan anomali tespiti tipik örneklerdir.
Pekiştirmeli öğrenme
Bir “ajan” bir ortamda deneme yanılma yoluyla hareket eder; doğru hamleler ödüllendirilir, yanlışlar cezalandırılır. Zamanla toplam ödülü en çok artıran stratejiyi öğrenir. Oyun oynayan yapay zekâlar ve robot kontrolü bu yöntemin bilinen uygulama alanlarıdır.
Bunların yanında, verinin kendi içinden etiket türeten öz denetimli öğrenme de günümüzde büyük önem taşır; büyük dil modelleri metindeki bir sonraki kelimeyi tahmin etmeye çalışarak bu yolla eğitilir.
Yapay Zekâ, Makine Öğrenmesi ve Derin Öğrenme
Bu üç terim iç içe geçmiş halkalar gibidir. Yapay zekâ, makinelerin insan zekâsı gerektiren işleri yapabilmesini hedefleyen en geniş alandır. Makine öğrenmesi bunun veriden öğrenmeye dayanan alt dalıdır. Derin öğrenme ise makine öğrenmesinin, çok katmanlı yapay sinir ağlarını kullanan bir alt kümesidir; görüntü, ses ve dil gibi karmaşık verilerde özellikle başarılıdır.
Genel çerçeve için yapay zekâ nedir yazımıza, metin ve görsel üreten sistemler için üretken yapay zekâ nedir yazımıza bakabilirsiniz.
Günlük Hayattan Örnekler
- Öneri sistemleri: Video, müzik ve alışveriş platformlarının geçmiş tercihlerinize göre sunduğu öneriler.
- İstenmeyen ileti ve dolandırıcılık tespiti: E-posta filtreleri ve bankaların olağan dışı kart işlemlerini yakalayan sistemleri.
- Görüntü tanıma: Telefonun yüzünüzle kilit açması, fotoğraf uygulamasının kişilere ve konulara göre arama yapması.
- Ses ve dil: Sesli asistanlar, otomatik altyazı, çeviri araçları ve klavyedeki kelime tahmini.
- Navigasyon: Trafik yoğunluğu tahmini ve varış süresi hesaplama.
- Sağlık: Tıbbi görüntülerde hekime yardımcı olan karar destek sistemleri. Bu alandaki gelişmeleri sağlık sektöründe yapay zekâ ile erken teşhis yazımızda ele aldık.
Sınırları ve Riskleri
Makine öğrenmesi güçlüdür, ancak sihir değildir. Başlıca zayıf noktaları şunlardır:
- Veri kalitesine bağımlılık: Model, verildiği verinin aynasıdır. Eksik, hatalı ya da tek yanlı veri hatalı sonuç üretir.
- Önyargı: Verideki toplumsal dengesizlikler modele de taşınır; işe alım ya da kredi değerlendirme gibi alanlarda haksız sonuçlara yol açabilir. Konunun ayrıntıları yapay zekâ etiği ve algoritmik önyargılar yazımızda.
- Aşırı öğrenme: Model eğitim verisini ezberleyip yeni veride başarısız olabilir.
- Açıklanabilirlik: Özellikle derin öğrenme modellerinde bir kararın neden verildiğini anlamak zordur.
- Nedensellik değil, ilişki: Modeller örüntü bulur; bir şeyin diğerine neden olduğunu kanıtlamaz.
- Gizlilik: Eğitimde kişisel verilerin kullanılması hukuki ve etik sorumluluk doğurur.
Öğrenmeye Nereden Başlanır?
Alana ilgi duyanlar için sağlam bir temel üç ayaktan oluşur: temel istatistik ve olasılık, doğrusal cebirin ana kavramları ve bir programlama dili. Python, zengin kütüphaneleri sayesinde bu alanda en yaygın kullanılan dildir. Kuramı küçük, gerçek veri kümeleriyle yapılan uygulamalı projelerle birleştirmek, konuyu kavramanın en etkili yoludur.
Sık Sorulan Sorular
Makine öğrenmesi ile yapay zekâ aynı şey mi?
Hayır. Makine öğrenmesi, yapay zekânın veriden öğrenmeye dayanan bir alt dalıdır. Günümüzdeki yapay zekâ uygulamalarının büyük bölümü makine öğrenmesine dayandığı için iki terim sıkça birbirinin yerine kullanılır.
Makine öğrenmesi için çok fazla veri gerekir mi?
Soruna göre değişir. Basit modeller görece az veriyle iyi sonuç verebilir; derin öğrenme modelleri ise genellikle büyük veri kümelerine ihtiyaç duyar. Önceden eğitilmiş modelleri uyarlamak, veri ihtiyacını azaltan yaygın bir yöntemdir.
Makine öğrenmesi modelleri hata yapar mı?
Evet. Modeller olasılığa dayalı tahmin üretir ve hiçbir model her zaman doğru sonuç vermez. Bu nedenle sağlık, hukuk ve finans gibi alanlarda insan denetimi vazgeçilmezdir.
Kısaca
Makine öğrenmesi, bilgisayarların açıkça programlanmak yerine verilerden örüntü çıkararak görev öğrenmesini sağlayan yapay zekâ dalıdır. Öneri sistemlerinden görüntü tanımaya pek çok teknolojinin temelinde yer alır; başarısı ise büyük ölçüde verinin kalitesine ve sonuçların insan tarafından denetlenmesine bağlıdır.
