Makine Öğrenmesine Giriş

Bu seride Youtube’da en çok izlenen, ve bence en faydalı, yapay zekaya başlangıç dersinden tutuğum notları paylaşacağım. (Video Linki: https://www.youtube.com/watch?v=JMUxmLyrhSk)

Makine Öğrenmesi Nedir?

Bu terim, ilk kez 1959 yılında Arthur Samuel tarafından ortaya atılmıştır. Yapay zekanın bir alt kümesidir ve makinenin otomatik olarak öğrenmesini ve deneyimleyerek gelişmesini sağlar.

Neden Makine Öğrenmesine İhtiyacımız Var?

Günümüzde her gün 2.5 kentilyon(10 üzeri 18) baytın üzerinde veri üretiliyor ve bu sayı her geçen gün artıyor. Bu veri artışı sayesinde kompleks veriler üzerinde çalışıp analiz ederek daha kullanışlı ve isabetli sonuçlar üreten modeller geliştirebiliyoruz.

Makine Öğrenmesi;

• daha başarılı iş kararları almada,
• veri içerisinde saklı şablonları ve trendleri keşfetmede,
• kompleks problemleri çözmede kullanılabilir.

Makine Öğrenmesinde Kullanılan Terimler

-Algoritma: Veri içerisindeki desenleri bulabilmek için kullanılan kurallar ve istatistiksel teknikler kümesi.

-Model: Bir makine öğrenmesi algoritması ile eğitilen program.

-Yordayıcı/Bağımsız/Açıklayıcı Değişken (Predictor Variable): Çıktı hakkında tahminde bulunabilmemizi sağlayan elimizdeki veriye ait özellikler.

-Cevap/Çıktı/Hedef Değişken (Response Variable): Bağımsız değişkenleri kullanarak elde etmek istediğimiz özellikler. Örneğin, bir kişinin kilo değerinden yola çıkarak boyu ile ilgili bir tahmin yapmak istiyorsak; bağımsız değişkenimiz kilo iken hedef değişkenimiz boy değeridir.

• Bir makine öğrenmesi uygulamasında elimizdeki verileri, eğitim verisi ve test verisi olmak üzere ayırırız. (Data Splicing)

-Eğitim Verisi: Bir makine öğrenmesi modeli oluşturmak için kullandığımız veridir.

-Test Verisi: Modelimizi eğittikten sonra modelin verimliliğini test etmek için kullandığımız veridir.

Makinem Öğrenmesi Uygulamasına Ait İşlem Adımları

1. Problemi tanıma
2. Veri toplama
3. Veri temizleme, veriyi işleme hazır hale getirme
4. Probleme ve amaca uygun bir makine öğrenmesi algoritması seçme
5. Model oluşturma
6. Gerekli ise modelde iyileştirme, optimizasyon yapma
7. Sonuçlara bakarak tahmin ve öngörüde bulunma