Makine Öğrenmesi Nedir? Veriden Tahmin Üreten Sistemler

Kural Yazmak Yerine Örüntü Öğrenmek Ne Demektir?

Geleneksel programlamada geliştirici, girdilerden çıktıya ulaşmak için kuralları açıkça yazar. Örneğin bir program, e-postada belirli bir kelime geçiyorsa puanı artıracak şekilde tasarlanabilir. Makine öğrenmesinde ise sisteme geçmiş örnekler, bu örneklerin özellikleri ve probleme göre sonuç bilgisi verilir; algoritma bu verilerden bir model çıkarır.

Burada üç kavramı ayırmak gerekir:

• Veri: Modelin inceleyeceği örneklerdir. E-posta metni, ürün fiyatı veya bir görüntü veri olabilir.
• Özellik: Bir örneği tanımlamak için kullanılan ölçülebilir girdidir. Bir e-postadaki kelime sıklığı ya da bir ürünün fiyatı özellik olarak kullanılabilir.
• Etiket veya hedef: Tahmin edilmek istenen sonuçtur. E-postanın spam olup olmadığı gibi sonuçlar etiketli veriye örnektir.

Model, eğitim sırasında özelliklerle hedef arasındaki ilişkiyi yaklaşık olarak öğrenir. Daha sonra daha önce görmediği bir girdiyi modele vererek çıktı alınır. Bu çıktı bir sınıf, sayısal değer veya olasılık biçiminde olabilir. Önemli nokta şudur: Modelin bir örüntü bulması, bulduğu ilişkinin her yeni durumda doğru olacağını garanti etmez. Eğitim verisi eksik, hatalı veya temsil gücü düşükse model yanıltıcı ilişkiler öğrenebilir.

Bir Modelin Veriden Tahmine Giden İş Akışı

Makine öğrenmesi süreci, yalnızca algoritmayı çalıştırmaktan oluşmaz. Önce problem tanımlanır: Amaç spam ile normal e-postayı ayırmak mı, yoksa bir ürünün gelecekteki satış miktarını tahmin etmek mi? Bu karar, kullanılacak hedefi ve başarı ölçütünü belirler.

Ardından uygun veriler toplanır ve incelenir. Eksik, yanlış biçimlendirilmiş veya problemle ilgisiz kayıtlar modelin öğrenmesini zorlaştırabilir. Etiketli bir problemde her örneğin doğru hedefle eşleştirilmesi gerekir. Sonraki aşamada verinin bir bölümü modelin eğitilmesi, ayrı tutulan başka bir bölümü ise daha önce görülmemiş verilerde sınanması için kullanılır.

Eğitim sırasında algoritma, tahminleri ile bilinen sonuçlar arasındaki farkı azaltacak bir model oluşturmaya çalışır. Eğitim tamamlandığında model test verisi üzerinde değerlendirilir. Eğitim verisindeki başarı yüksek, yeni verideki başarı belirgin biçimde düşükse model örnekleri ezberlemiş olabilir. Buna aşırı uyum denir.

Son aşama, tahmini gerçek bir karara dönüştürmektir. Bir spam modeli yalnızca bir olasılık üretiyorsa uygulamanın hangi eşikten sonra iletiyi spam klasörüne taşıyacağı ayrıca belirlenmelidir. Dolayısıyla model çıktısı ile uygulama kararı aynı şey değildir.

Etiketli ve Etiketsiz Verinin Öğrenmeye Etkisi

Öğrenme biçimi, veride hedef bilgisinin bulunup bulunmamasına göre farklılaşır. Denetimli öğrenmede algoritmaya hem girdiler hem de bu girdilerin bilinen sonuçları sunulur. Spam sınıflandırmasında e-postalar ve bunların spam olup olmadığı bilgisi birlikte verilir. Model, yeni e-postanın hangi sınıfa ait olabileceğini tahmin etmeyi öğrenir.

Denetimsiz öğrenmede ise örneklerin önceden verilmiş bir sınıf etiketi bulunmaz. Algoritma, veriler arasındaki benzerlik veya farklılıklara göre gruplar ya da yapılar aramaya çalışır. Örneğin müşteriler, önceden belirlenmiş müşteri türleri verilmeden alışveriş davranışlarına göre kümelenebilir. Bu kümelerin anlamını yorumlamak yine insanın görevidir; algoritmanın oluşturduğu bir grup, kendiliğinden kesin bir müşteri profili anlamına gelmez.

Bir başka yaklaşımda sistem, davranışının sonucuna göre geri bildirim alarak seçimlerini iyileştirmeye çalışır. Ancak bu yaklaşımın ayrıntılı uygulama koşulları probleme ve tanımlanan ödül-ceza yapısına bağlıdır. Sınavda en güvenli ayrım şudur: Sonucu önceden bilinen örneklerle tahmin yapılıyorsa denetimli; hazır sınıf etiketi olmadan yapı aranıyorsa denetimsiz öğrenme düşünülür.

Tahminin Doğruluğu Nasıl Yorumlanır?

Bir modelin iyi olup olmadığı yalnızca eğitim sırasında doğru cevap sayısına bakılarak belirlenmez. Model, daha önce görmediği verilerde de beklenen çıktıyı üretebilmelidir. Bu nedenle eğitim verisi ile değerlendirme verisinin ayrılması önem taşır.

Sınıflandırma problemlerinde doğruluk, doğru sınıflandırılan örneklerin toplam örnek sayısına oranı olarak düşünülebilir:

$\text{Doğruluk} = \frac{\text{doğru tahmin sayısı}}{\text{toplam tahmin sayısı}}$

Örneğin varsayımsal olarak 100 e-postanın 92’si doğru sınıflandırılmışsa doğruluk $92/100 = 0{,}92$, yani yüzde 92 olur. Bu sonuç, yalnızca aynı veri düzeni ve değerlendirme koşulları içinde yorumlanmalıdır. Eğer 100 e-postanın 98’i zaten normal ise her iletiyi normal işaretleyen basit bir sistem yüzde 98 doğruluk gösterebilir; buna rağmen spam iletileri yakalayamayabilir. Bu yüzden özellikle sınıflar dengesiz olduğunda tek bir ölçüt yeterli olmayabilir.

Sayısal değer tahmininde ise modelin tahmini ile gerçek değer arasındaki fark incelenir. Hatanın küçük olması tercih edilir; fakat kabul edilebilir eşik, problemin amacına göre değişir. Bir modelin ürettiği olasılık da karar değildir: Uygulama, yanlış alarmın mı yoksa gözden kaçırmanın mı daha maliyetli olduğuna göre eşik belirlemelidir.

Makine Öğrenmesi Nerede Biter, Derin Öğrenme Nerede Başlar?

Yapay zekâ geniş bir çerçevedir; makine öğrenmesi bu çerçevenin veri üzerinden model oluşturan alt alanlarından biridir. Derin öğrenme ise makine öğrenmesi içinde, çok katmanlı yapay sinir ağlarından yararlanan bir yaklaşımdır. Bu nedenle her yapay zekâ uygulaması makine öğrenmesi kullanmak zorunda değildir; her makine öğrenmesi modeli de derin öğrenme değildir.

Klasik makine öğrenmesi uygulamalarında özelliklerin seçimi veya hazırlanması daha görünür olabilir. Görüntü ve dil gibi karmaşık verilerde derin öğrenme, özellikleri ağın katmanları aracılığıyla öğrenebilir; bununla birlikte veri, işlem gücü, eğitim süreci ve değerlendirme koşulları probleme göre değişir. Derin öğrenmenin otomatik olarak daha doğru olduğu sonucu çıkarılamaz.

Bir görüntüden nesne sınıfı tahmin etmek görüntü işleme ile, metinleri analiz etmek doğal dil işleme ile ilişkili olabilir. Bu alanlar, makine öğrenmesi yöntemlerini kullanabilen uygulama alanlarıdır; aynı kavramlar değildir. Konuyu genişletmek için derin öğrenme, yapay sinir ağları, makine öğrenmesi ile derin öğrenme arasındaki fark, doğal dil işleme ve görüntü işleme başlıklarına bakılabilir.

Çözümlü Örnek: Bir E-Postayı Sınıflandırma

Verilenler: Bir e-postanın spam olup olmadığını tahmin eden basit bir model kurulacaktır. Eğitim verisinde her e-postanın metni ve spam/normal etiketi bulunmaktadır. Yeni e-postada üç özellik incelenmektedir: reklam ifadesi içeriyor mu, çok sayıda bağlantı var mı, gönderen daha önce şikâyet edilmiş mi?

Adım 1 — Hedefi belirleme: Tahmin edilmek istenen sonuç spam etiketi olduğundan bu, etiketli bir sınıflandırma problemidir.

Adım 2 — Girdileri ayırma: Reklam ifadesi, bağlantı sayısı ve gönderen geçmişi modelin özellikleridir. Bunlar hedefin kendisi değildir; hedefe ilişkin ipucu olarak kullanılır.

Adım 3 — Eğitim: Model, geçmiş e-postalarda bu özelliklerin spam ve normal etiketleriyle nasıl birlikte görüldüğünü inceler. Örneğin çok sayıda bağlantının spam iletilerde daha sık görülmesi, modelin kullanabileceği bir örüntü olabilir. Bu gözlem tek başına kesin kural sayılmaz.

Adım 4 — Yeni veriyi verme: Yeni ileti üç özelliği de taşıyorsa model spam olasılığını yüksek hesaplayabilir. Uygulama, önceden belirlenmiş karar eşiğini aşması durumunda iletiyi spam olarak işaretleyebilir.

Sonuç: Modelin çıktısı, yeni e-postanın spam sınıfına ait olma tahminidir. Kararın güvenilirliği; eğitim örneklerinin doğruluğuna, yeni iletilerin eğitim verisini temsil edip etmediğine ve seçilen eşik değerine bağlıdır.

Çözümlü Örnek: Sayısal Tahminde Hata Hesaplamak

Verilenler: Bir model iki gün için satış tahmini yapıyor. Birinci gün gerçek satış 80, model tahmini 75; ikinci gün gerçek satış 120, model tahmini 126 olsun.

Adım 1 — Her günün farkını bulma: Birinci gün mutlak hata $|80-75|=5$ birimdir. İkinci gün mutlak hata $|120-126|=6$ birimdir.

Adım 2 — Ortalama mutlak hatayı hesaplama: $\text{Ortalama mutlak hata} = \frac{5+6}{2}=5{,}5$ birimdir.

Adım 3 — Sonucu yorumlama: Bu küçük örnekte model, iki tahminde ortalama 5,5 birim sapmıştır. Bunun iyi veya kötü olduğuna yalnızca sayıdan karar verilemez; 5,5 birimin işletme açısından kabul edilebilir bir hata olup olmadığı ve farklı bir modelle karşılaştırıldığında daha düşük olup olmadığı bilinmelidir.

Sonuç: Hata ölçümü, modelin tahminlerinin gerçek değerlerden ne kadar uzaklaştığını gösterir. Ancak değerlendirme verisi çok küçük olduğundan bu sonuç genel performans için yeterli kanıt değildir; daha geniş ve temsil gücü olan bir değerlendirme gerekir.

Sık Yapılan Hatalar ve Karıştırılan Kavramlar

1. Makine öğrenmesini insan gibi öğrenme sanmak: Modelin bilinç, niyet veya genel insan zekâsı kazandığı söylenemez. Model, verilen verilerdeki örüntülere göre hesaplama yapar.

2. Daha çok verinin otomatik olarak daha iyi sonuç vereceğini düşünmek: Veri miktarı tek başına yeterli değildir. Hatalı, yanlı veya problemle ilgisiz veriler artarsa modelin hatası da taşınabilir.

3. Eğitim başarısını gerçek başarı sanmak: Model eğitim örneklerini iyi tahmin ettiği hâlde yeni örneklerde başarısız olabilir. Değerlendirme için daha önce görülmemiş veri gereklidir.

4. Tahmin ile kararı eşitlemek: Model yüzde 70 olasılık üretebilir; bunu eyleme dönüştürmek için hangi eşik ve hangi hata maliyetinin kullanılacağı ayrıca belirlenir.

5. Yapay zekâ, makine öğrenmesi ve derin öğrenmeyi eş anlamlı kullanmak: Yapay zekâ üst kavramdır; makine öğrenmesi onun bir alt alanıdır; derin öğrenme ise makine öğrenmesi içindeki yaklaşımlardan biridir.

6. Korelasyonu neden sanmak: İki özellik birlikte görülüyor diye birinin diğerine neden olduğu sonucu çıkmaz. Modelin bulduğu ilişki, nedensellik kanıtı değildir.

7. Yüzde 92 doğruluğu bağlamdan bağımsız yorumlamak: Sınıf dağılımı, hata türleri, veri bölümü ve problemin maliyeti bilinmeden tek bir doğruluk oranıyla kesin karar verilmemelidir.