loader
banner

Yapay zeka uygulamalarının bir alt bileşeni olarak makine öğrenimi, veri bazlı bir karar destek sistemidir. Bu sistem büyük veri kümelerini toplar, temizler, yorumlar ve programcının hedeflerine uygun olarak veri kümeleri arasında bağlantılar kurar. Tasarlanan programlar eldeki verilerden yola çıkarak ileriye dönük tahminlemeler, davranış ve tüketim paternlerinin tespiti, izleme yapabilir ya da belli otomasyonların iyileştirilmesi için kullanılabilir.

Makine öğrenimi kategorik olarak yapay zekanın veri odaklı bir alt kategorisi olarak tanımlanmıştır. Genel olarak diğer yapay zeka uygulamalarından işleme ve veri madenciliği alanındaki derinliği ile ayrılmaktadır. Makine öğrenimi verileri önceden modellenmiş belli konseptlere göre dikey olarak kazar ve derinleştirerek bilgi anlamında faydalı bağlantılara, sonuçlara ulaşmaya çalışır.

Makine öğrenimi algoritmaları temel matematik, istatistik ve karar verme modellerinin algoritmalar için özelleştirilmiş versiyonlarını kullanır. Ancak algoritmaların tamamı teknik olarak üç kategoride sınıflandırılabilir ve makine öğreniminin doğasını iyi anlamak için algoritmalardan önce bu teknikleri bilmek gerekir. Bahsedilen teknikler denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeye dayalı öğrenme olarak sınıflandırılmıştır.

Denetimli Makine Öğrenimi

Denetimli makine öğrenimi daha önce sahip olduğunuz ve belli bir yargıya ulaştığınız verileri kullanarak, yeni veriler için yargılara ulaşmaya çalışır. Sahip olduğumuz ve niteliğini bildiğimiz veri seti (labelled) ”etiketli” veri setidir. Örneğin belli bir üniversitede, son 10 yılda akademik makale yazılma sıklığını, bunların hangi bölümlerden ve hangi kalitede geldiğini bildiğimiz bir veri setimiz olsun. Bu veri seti etiketlendirilmiştir ve bu verilere dayanarak önümüzdeki yıllarda ne sıklıkta ve hangi kalitede makale üretileceği, bu makalelerin hangi bölümlerden geleceği gibi konularda makine öğrenimi yoluyla tahminleme yapılabilir. Denetimli makine öğrenimi sahip olunan etiketli veri seti ile tahminlenmek istenen veri seti arasında benzerlikler üzerinden bir bağ kurar. Benzerliklerin kurulma metodu ise kullanılan algoritmada saklıdır.

Denetimsiz Makine Öğrenimi

Denetimsiz makine öğreniminde yukarıdaki metottan farklı olarak elinizde etiketli bir veri seti bulunmaz. Yani makineye yeni veri setini, X veri setine benzeyecek şekilde sınıflandır, tespit et demezsiniz. Bunun yerine öğrenme algoritması veri setlerini sizin için gruplar, düzenler, sınıflandırır ve muhtemel veri bağlantılarını keşfeder. Bir görüşe göre makine öğrenimi denetimsiz teknikle başlar, çünkü denetimli öğrenim aslında veri anlamında derinleştirilmiş bir yapay zeka uygulamasıdır, program herhangi bir öğrenim yapmıyordur sadece sizin atadığınız eşleştirmelere uygun bir arama yapıyordur. Genel kanı ise bunun aksi yönündedir.

Takviyeli/Pekiştirmeli Makine Öğrenimi

Pekiştirmeli makine öğrenimi, ilk örneklerden farklı olarak öğrenme sürecine sonuçlardan başlar. Elde edilen sonuçlarla daha önceden tanımlanmış istenen algoritmayı karşılaştırarak doğru ve yanlış yapılmış olan işleri tespit eder ve iyileştirir. Endüstriyel otomasyonlarda ve insansız sistemlerde en sık kullanılan öğrenme yöntemi budur. Örneğin mekatronik bir uygulamada istenen bir hedef olsun. Robot kolu X noktasına hareket edecek, orada 1.işlemi yapacak ardından Y noktasına hareket edip döngüyü sonlandıracak diyelim. Robot X noktasına hareket ettiğinde istenen hedeften 2 cm. sapmışsa veri seti sapmayı kaydeder ve istenen hedefle durumu kıyaslayarak bir sonraki hareketin 2cm. daha farklı olması gerektiğini sisteme bildirir. Makine bu şekilde öğrenmeye devam ederek kendini giderek iyileştirir.

İlgili Yazılar : https://www.intelkit.com/dijital-otomasyonda-temel-kavramlar-istatistik-yapay-zeka-makine-ogrenimi-ve-derin-ogrenme/

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir