3 Yaygın Makine Öğrenmesi Tekniği

Makine öğrenmesi, henüz bildiğimiz anlamda bir öğrenme şekli değil. Ancak olağanüstü derecede iyi olmasını sağlayan şey, kurallara dayalı bir programlamaya dayanmaması ve verilerden öğrenebilen algoritmalara dayanmasıdır. Büyük verilerin yönetilemeyecek boyutlara ulaşmasıyla ortaya çıkma gerekliliği doğan makine öğrenmesi, bugün yaşamımız içerisinde fazlasıyla yer alıyor. Kişiselleştirilmiş bir web reklamı ile karşılaştığınızda, online alışveriş yaptığınız site tarafından ilginizi çekebilecek önerilerin sunulduğunu fark ettiğinizde ya da müşterisi olarak bir şirketten doldurmanız için değerlendirme formu aldığınızda, siz de makine öğrenmesi algoritması ile karşı karşıya kalırsınız.

Makine öğrenmesi bir nevi bisiklet sürmeyi öğrenmek gibidir. Bisiklet sürmeyi öğrenirken hiç kimse bize “Bisiklet Biniciliğinin Kuralları” konulu bir liste vermez. Bizi bisikletin üzerine oturtur, dengeyi korumamızı sağlar ve bırakır… Gördüklerimiz, duyduklarımız ve uyguladıklarımızla nasıl kullanabileceğimizi keşfetmeye başlarız. Makine ne öğreniminde de veriler alınır, onlarla çalışılır ve sonunda ortaya ne çıktığı görülür. Makine öğrenmesi sırasında verileri analiz etmek için kullanılan farklı teknikler vardır. Bu yazıda en yaygın 3 makine öğrenmesi tekniğini ele alacağız.

1.    Market Sepeti Analizi

Sık sık online alışveriş yapıyorsanız bu tekniğin uygulanışıyla mutlaka karşılaşmış olmalısınız. Temel olarak insanların satın aldıkları unsurlara göre, satın alabilecekleri diğer şeyleri tahmin etmek için kullanılan bu yöntem; algoritmalar ile spagetti, domates sosu ve kıyma alanların parmesan peyniri satın alma yüzdesini hesaplar. Yüksek yüzdelerle karşılaştığında, ‘bunlarla ilgileniyor olabilirsiniz’ gibi bir çağrı ile alışverişe yönlendirir.

2.    Zaman Serisi Verileri

Zaman serisi verilerinin en yakın örneği EKG’de yakalanan kalp atışınızdır. Dakikada 50-150 arasında değişen kalp atışları… Vücudunuzdaki çoklu sensörler, kalp atışı ve kas kasılmalarını kaydederek size zaman serisi seti verir. İşsizlik rakamları gibi ekonomik veriler de zaman serisi verileri olarak ele alınabilir. Bu tür verilerde bilgilerin ne zaman eşiğe gelebileceği, gelecekte belirli bir noktada ne kadar enerjinin kullanılacağı ya da mevsimler etkilerin işsizlik rakamlarını nasıl değiştireceğine dair tahminler yapılabilir. Kullanılan büyük veri kayak eğitmenliği alanında işsizliğin yaz aylarından kışa göre daha yüksek olacağı gibi…

3.    Sinir Ağları

Sinir ağları da makine öğrenmesi için bir algoritma türüdür. Sinir ağlarının ardındaki düşünce, insan beyninin yapay nöronları kullanarak çalışma biçimini taklit etmesidir. Bu öğrenme tekniğinde “ağırlık” ve “önyargı” olmak üzerinde durulan iki kavram vardır. Bir nöronun tüm girdileri eşit değildir ve bazıları diğerlerinden önemli olduğu için daha fazla ağırlık verilir. Mesela arkadaşlarınızla şık bir akşam yemeğine çıkacaksanız, restoran seçerken sizin için önerilecek olan şık mekân seçenekleri, fast food meraklılarına göre daha fazla olacaktır. Burada ağırlık kavramı devreye girer.

Makine öğrenmesi teknikleri son dönemde yaşantımızın birçok alanında fazlasıyla kullanılır hale geldi. Özellikle online alışveriş siteleri, yazılımlar ve uygulamalarda kendisine yer bulan bu teknikler, büyük veri ağının incelenmesi ve analizinin yapılması sonucunda yaşam ve iş problemlerini de kolaylıkla çözmeye olanak sağlıyor. Makine öğrenmesi teknikleri herkes için heyecan verici ve düşündürücü. Bu hafta düşünmek için yaygın olarak kullanılan bu 3 teknik yeterli olabilir. Zaman içerisinde yeni makine öğrenme tekniklerini yayınlamaya devam edeceğiz. Datateam Blog’u takip etmeye devam edin!

 



Bir Cevap Yazın