❓ Düşünelim...
Makine öğrenmesi, bilgisayarların açıkça programlanmadan verilerden öğrenmesini sağlayan bir yapay zeka alt dalıdır.
Geleneksel programlamada kuralları (if-else) biz yazarız. Makine öğrenmesinde ise sistem, veriye bakarak kuralları kendi çıkarır.
Hastalık teşhisi (Kanser taraması), ilaç keşfi ve kişiselleştirilmiş tedavi planları.
Kredi risk analizi, algoritmik ticaret ve dolandırıcılık (fraud) tespiti.
Kişiye özel ürün önerileri (Netflix, Amazon), dinamik fiyatlandırma ve stok optimizasyonu.
Otonom araçlar (Tesla, TOGG), rota optimizasyonu (Google Maps) ve trafik tahmini.
Öğrenci başarı tahmini, kişiselleştirilmiş müfredat ve otomatik sınav okuma.
Siber saldırı tespiti, yüz tanıma sistemleri ve spam filtreleme.
Veri etiketlidir. Model, girdi ve beklenen çıktıyı bilerek eğitilir. (Örn: Ev Fiyatı Tahmini)
Veri etiketsizdir. Model, verideki gizli yapıları ve grupları kendisi bulur. (Örn: Müşteri Segmentasyonu)
İstatistiksel temellere dayanan, bağımlı bir değişken ile bir veya daha fazla bağımsız değişken arasındaki ilişkiyi modelleyen bir yöntemdir.
Amacı, geçmiş verileri kullanarak sayısal (sürekli) bir değer tahmin etmektir.
Amaç, veri noktaları ile çizilen doğru arasındaki mesafeyi (hatayı) en aza indirmektir.
En Küçük Kareler Yöntemi (OLS): Hataların karesinin toplamını minimize eden doğruyu (Best Fit Line) bulur.
GSYİH tahmini, borsa analizi ve satış öngörüleri.
Sıcaklık, nem ve yağış miktarının tahmini.
Kişinin yaşına ve sağlık durumuna göre risk primi hesaplama.
Adında "regresyon" geçse de aslında bir sınıflandırma algoritmasıdır.
Bir olayın gerçekleşme olasılığını (0 ile 1 arasında) tahmin eder ve belirli bir eşik değerine (threshold) göre sınıflandırır.
Doğrusal bir denklemin sonucunu Sigmoid Fonksiyonu ile 0-1 arasına sıkıştırır.
Eğer olasılık > 0.5 ise "Sınıf 1", değilse "Sınıf 0" olarak tahmin yapar.
Bir tümörün iyi huylu mu yoksa kötü huylu mu olduğunun tahmini.
Kredi başvurusu onayı (Verilsin / Verilmesin).
Bir müşterinin reklamı tıklayıp tıklamayacağı (CTR tahmini).
Veriyi sürekli olarak belirli parametrelere göre bölen, ağaç yapısında bir algoritmadır.
İnsanların karar verme sürecine ("Eğer hava yağmurluysa şemsiye al, yoksa alma") en çok benzeyen modeldir.
Her düğümde veriyi en iyi bölen soruyu sorar (Entropy veya Gini Impurity).
Amaç, yaprak düğümlerdeki (sonuç kutuları) saflığı (homojenliği) maksimize etmektir.
Hangi müşterilerin aboneliği iptal etme riski taşıdığının analizi.
Kullanıcının finansal geçmişine göre risk seviyesinin belirlenmesi.
İşe alım süreçlerinde adayların özelliklerine göre sınıflandırılması.
Tek bir karar ağacının hata yapma riskine karşı, yüzlerce ağaçtan oluşan bir "orman" kurma mantığıdır.
Topluluk Öğrenmesi (Ensemble Learning) yöntemidir. Her ağaç farklı bir tahmin yapar, çoğunluğun oyu kazanır.
Bagging: Veri setinden rastgele örneklemler alınarak farklı ağaçlar eğitilir.
Yeni bir veri geldiğinde tüm ağaçlar tahmin yapar; en çok oy alan sınıf kazanır (Demokrasi).
Kullanıcının bir ürünü beğenip beğenmeyeceğinin tahmini (Tavsiye Sistemleri).
Dolandırıcılık (Fraud) işlemlerinin tespiti.
Çok sayıda belirtiye dayanarak hastalığın teşhis edilmesi.
Veri noktalarını birbirinden en iyi ayıran çizgiyi (veya düzlemi) bulmaya çalışan güçlü bir algoritmadır.
Sınıflar arasındaki boşluğu (Margin) maksimize etmeyi hedefler.
Sınıfları ayıran sonsuz sayıda doğru çizilebilir; SVM en güvenli olanı (Marjini en geniş olanı) seçer.
Destek Vektörleri: Sınıra en yakın noktalar olup, sınırın konumunu belirleyen kritik verilerdir.
Yüz tanıma ve el yazısı rakamların sınıflandırılması.
Protein sınıflandırması ve gen analizi.
Haberlerin kategorilere (Spor, Politika, Ekonomi) ayrılması.
"Bana arkadaşını söyle, sana kim olduğunu söyleyeyim" atasözünün karşılığıdır.
Yeni bir veri geldiğinde, ona en yakın 'K' adet komşuya bakar ve çoğunluk sınıfına dahil eder.
Yeni veri noktası uzayda konumlandırılır. En yakın K adet komşusu bulunur.
Komşular arasında çoğunluk hangi sınıftaysa, yeni veri o sınıfa atanır (Mesafeye dayalı oylama).
Benzer alışveriş geçmişine sahip kullanıcıların ürünlerini önerme.
Parmak izi veya yüz tanıma sistemleri.
Eksik verilerin, en benzer kayıtlara bakılarak doldurulması.
İnsan beyninin çalışma prensibinden ilham alan, birbirine bağlı yapay nöronlardan oluşan bir sistemdir.
Karmaşık problemleri çözmek için katmanlı bir yapı (Girdi - Gizli - Çıktı) kullanır.
İleri Yayılım: Girdi katmanından alınan veri ağırlıklarla çarpılarak sona iletilir.
Geri Yayılım (Backpropagation): Tahmin ile gerçek arasındaki hata hesaplanır ve hatayı azaltmak için ağırlıklar geriye doğru güncellenir.
Nesne tanıma, plaka okuma, yüz tanıma (CNN).
ChatGPT, Google Translate, sesli asistanlar (RNN/Transformer).
Sürücüsüz araçlar ve robotik kodlama.
Makine Öğrenmesi, karmaşık verilerden anlamlı sonuçlar çıkararak insan hayatını kolaylaştırır ve verimliliği artırır.
Temel olarak Otomasyon, Tahmin ve Kişiselleştirme sağlar.
Öğrencinin hızına ve seviyesine göre adapte olan müfredat (Duolingo).
Başarısız olma riski taşıyan öğrencilerin önceden tespiti.
Test ve açık uçlu sınavların YZ ile hızlıca okunması.
Modern savunma sanayiinde hız ve stratejik üstünlük için kritik öneme sahiptir.
Otonom uçuş, hedef tespiti ve takibi (Bayraktar TB3, Kızılelma).
Uydu görüntülerinden düşman hareketlerinin otomatik analizi.
Siber saldırıları milisaniyeler içinde tespit edip önleme.
Savaş senaryolarının sanal ortamda eğitilmesi.
Kullanıcıyı tanıyan yapay zeka asistanı ve otonom sürüş özellikleri.
Coğrafi bilgi sistemleri ve YZ ile teslimat süresi / rota optimizasyonu.
Kendi geliştirdiği LLM (Büyük Dil Modeli) ile ürün önerileri ve satıcı asistanı.
İHA/SİHA'larda gerçek zamanlı görüntü işleme ve hedef tespit algoritmaları.
İzleme alışkanlıklarına göre %80 oranında isabetli kişiselleştirilmiş öneriler.
Milyonlarca kilometrelik veriyi işleyerek öğrenen Tam Otonom Sürüş (FSD).
AlphaGo ile dünya Go şampiyonunu yenen ve protein katlanmasını çözen YZ.
ChatGPT ve DALL-E ile üretken yapay zeka devrimi.
Makine öğrenmesi bir "sihir" değil, veriye dayalı bir tahmin teknolojisidir.
Gelecekte kod yazmaktan çok, doğru veriyi toplamak ve doğru modeli seçmek önem kazanacaktır.
Model, yüklenen resimdeki pikselleri analiz eder ve öğrendiği şablonlarla (kedi kulağı, köpek burnu vb.) eşleştirir.
Sistem "bedava", "kazandınız", "hemen tıkla" gibi kelimelerin sıklığını analiz ederek olasılık hesabı yapar.