Makine öğrenimi nedir?

Makine öğrenimi, sistemin açık programlamayla değil, verilerden öğrenmesini sağlayan bir yapay zeka biçimidir. Ancak, makine öğrenimi basit bir süreç değildir. Eğitim verilerini algoritmalar alır; böylece bu veriler temel alınarak daha doğru modeller üretilebilir. Makine öğrenimi modeli, makine öğrenimi algoritmanızı verilerle eğittiğinizde elde ettiğiniz üründür. Eğitim sürecinden sonra bir modele giriş yaptığınızda, size bir çıkış sağlanır. Örneğin, tahmine dayalı bir algoritma tahmine dayalı bir model oluşturur. Ardından, tahmine dayalı modele veriler sağladığınızda modeli eğiten verilere dayalı bir tahmin alırsınız.

Makine öğrenimi için gösterim

Yinelemeli öğrenme

Makine öğrenimi, modellerin, devreye alınmadan önce veri kümeleri üzerinde eğitilmesini sağlar. Bazı makine öğrenimi modelleri çevrimiçi ve süreklidir. Çevrimiçi modellerin bu yinelemeli süreci, veri öğeleri arasındaki ilişki türlerinde bir iyileştirmeye olanak sağlar. Karmaşıklığı ve boyutu nedeniyle, bu modeller ve ilişkiler insanların gözünden kolaylıkla kaçabilirdi. Bir model eğitildikten sonra, verilerden öğrenmek için gerçek zamanlı olarak kullanılabilir. Doğrulukta sağlanan iyileştirmeler, makine öğreniminin bir parçası olan eğitim sürecinin ve otomasyonun bir sonucudur.

Makine öğrenimi bağlamında büyük veri

Makine öğrenimi, bir öğrenme sürecine, doğru veri kümesinin uygulanmasını gerektirir. Bir kuruluşun makine öğrenimi tekniklerini kullanmak için büyük veriye sahip olması gerekmiyor, ancak büyük veri makine öğrenimi modellerinin doğruluğunu artırmaya yardımcı olabilir. Büyük veriyle verilerin sanallaştırılması artık mümkün olduğundan, veriler ister şirket içinde ister bulutta en verimli ve en uygun maliyetli şekilde depolanabilir. Ayrıca ağ hızı ve güvenilirlikteki iyileştirmeler sayesinde kabul edilebilir hızdaki büyük hacimli verilerin yönetimiyle ilgili diğer fiziksel sınırlandırmalar da ortadan kalkıyor. Buna bilgisayar belleğinin fiyatı ve kapsamlılığındaki değişikliklerin etkisi de eklenince şirketlerin sadece 5 yıl önce hayal bile edilemeyecek şekillerde verilerden yararlanabilecekleri düşünülebilir.

Makine öğrenimi yaklaşımları

Tahmine dayalı modellerin doğruluğunu artırmak için makine öğrenimi teknikleri gereklidir. Ele alınan iş sorununun türüne bağlı olarak, verilerin tipine ve hacmine göre farklı yaklaşımlar vardır. Bu bölümde makine öğrenimi kategorilerini tartışacağız.

Gözetimli öğrenme

Gözetimli öğrenme, genellikle belirli bir veri kümesi ve bu verilerin sınıflandırma yönteminin anlaşılmasıyla başlar. Gözetimli öğrenme, bir analitik sürecine uygulanabilen verilerdeki modelleri bulmayı amaçlar. Bu veriler, verilerin anlamını tanımlayan etiketli özelliklere sahiptir. Örneğin, resimler ve yazılı açıklamalara göre milyonlarca hayvanı birbirinden ayıran bir makine öğrenimi uygulaması oluşturabilirsiniz.

Gözetimsiz öğrenme

Sorun, sınıflandırılmamış büyük hacimde veri gerektirdiğinde, gözetimsiz öğrenme kullanılır. Örneğin Twitter, Instagram ve Snapchat gibi sosyal medya uygulamalarının hepsinde büyük hacimlerde sınıflandırılmamış veriler bulunur. Bu verilerin ardındaki anlamın anlaşılması için, bulunan modelleri veya kümeleri temel alan verileri sınıflandıran algoritmalar gerekir. Gözetimsiz öğrenme, insan müdahalesi olmadan verileri analiz ederek yinelemeli bir süreç uygular. İstenmeyen e-postaları saptama teknolojisiyle kullanılır. Bir analistin talep edilmemiş toplu e-postayı etiketleyebilmesi için meşru ve istenmeyen e-postalarda çok fazla değişken vardır. Bunun yerine istenmeyen e-postanın belirlenmesi için kümeleme ve ilişkilendirmeye dayalı makine öğrenimi sınıflandırıcıları uygulanır.

Pekiştirmeli öğrenme

Pekiştirmeli öğrenme, davranışsal bir öğrenme modelidir. Algoritma, veri analizinden geribildirimleri alarak kullanıcıyı en iyi sonuca yönlendirir. Sistem örnek veri kümesiyle eğitilmediğinden pekiştirmeli öğrenme, diğer gözetimli öğrenme türlerinden farklıdır. Burada sistem, deneme ve yanılma yöntemiyle öğrenir. Böylece başarılı kararlar sonunda süreç sağlamlaştırılır.

Derin öğrenme

Derin öğrenme, verilerden sürekli olarak öğrenmek için birbirini izleyen katmanlarda nöral ağları bir araya getiren, bir makine öğrenimi yöntemidir. Derin öğrenmeden özellikle modelleri yapısal olmayan verilerden öğrenmeye çalışırken faydalanabilirsiniz. Derin öğrenmenin karmaşık nöral ağları, insan beyninin işleyişini taklit edecek şekilde tasarlandığından bilgisayarlar, tanımı kötü yapılmış soyutlamaları ve sorunları çözecek şekilde eğitilebilir. Ortalama 5 yaşındaki bir çocuk, öğretmeninin yüzüyle güvenlik görevlisinin yüzünü kolaylıkla birbirinden ayırabilir. Buna karşılık bilgisayar, kimin kim olduğunu çözmek için çok çalışmalıdır. Nöral ağlar ve derin öğrenme genellikle resim tanıma, konuşma ve bilgisayar görüntüsü uygulamalarında kullanılır.

Makine Öğrenimi için grafik

Makine öğrenimini iş gereksinimlerine uygulama

Makine öğrenimi, büyük veriden yararlanmaya çalışan şirketlere potansiyel değer sunar ve davranış, tercihler ya da müşteri memnuniyetindeki küçük değişiklikleri daha iyi anlamalarına yardımcı olur. İş liderleri, kuruluşlarında birçok şeyin gerçekleştiğini ve sektörlerin bir sorguyla anlaşılamayacağını fark etmeye başlıyor. Burada söz konusu olan bildiğiniz sorular değil; size yardımcı olabilecek ya da size zarar verebilecek verilerdeki gizli modeller ve anomalilerdir.

Bütün koşulları nasıl bir araya getirirsiniz?

Makine öğreniminin avantajı, sonuçları tahmin etmek için algoritmalardan ve modellerden yararlanmanın mümkün olmasıdır. İşin sırrı, işi yapan veri bilimcilerinin doğru algoritmaları kullanmasını, en uygun verileri (doğru ve temiz olan) almasını ve en iyi performansa sahip modelleri kullanmasını sağlamaktan geçer. Tüm bu koşullar bir araya gelirse, modelin sürekli olarak eğitilmesi ve verilerden öğrenerek sonuçlardan ders çıkarması mümkündür. Bu modelleme, model eğitimi ve test sürecinin otomasyonu, iş dönüşümünün desteklenmesi için doğru tahminler oluşturur.

Yapay zeka

Ürünler

IBM Watson Studio

Ekiplerin en iyi açık kaynak araçlarını kullanarak veri çözümlerini keşfetmesi, modellemesi ve devreye alması için işbirliğine dayalı bir makine öğrenimi platformu sağlayan, şirket içi, genel ya da özel bir bulut çözümü.

IBM Machine Learning for z/OS

Kurumsal verilerden gizli değer çıkaran, şirket içi makine öğrenimi çözümü. IBM z Systems® verilerini kullanarak yüksek doğruluğa sahip, kendi kendine öğrenen modeller oluşturmak, bunları devreye almak ve yönetmek için verileri kısa sürede alın ve dönüştürün.

IBM SPSS® Modeler

Metin analitiği, coğrafi analiz ve optimizasyon gibi çeşitli algoritmalar ve yeteneklerle büyük ölçekli öngörüleri devreye almak için bütün beceri düzeylerindeki kullanıcılara yönelik grafiksel analitik platformu.

IBM Watson Explorer

Kullanıcıların bütün verilerdeki eyleme dönüştürülebilir öngörülere erişmesini sağlayan ve daha iyi iş sonuçları elde edilmesine yardımcı olan, makine öğrenimi destekli Content Analytics ve kognitif arama platformu.

Başarı öyküleri

Ahus, yüksek kaliteli sağlık hizmetleri sağlamak için Watson Explorer ile yeni öngörüler elde ediyor

Akershus University Hospital (Ahus), ekiplerin doğru uygulamaları takip ettiğinden emin olmak için binlerce radyoloji raporunu analiz etmek üzere ortağı Capgemini ile birlikte Watson Explorer'ı kullanarak sağlık hizmetlerinde standardın yüksek tutulmasını sağlıyor.

Gerçek zamanlı içerik analitiği, çağrı merkezlerinin müşterilere etkin bir hizmet sunmasına yardımcı oluyor

Mizuho Bank Ltd., IBM Watson Explorer'ın gerçek zamanlı doğal dilde işleme yeteneklerinin yardımıyla müşteri etkileşiminin verimini artırıp müşteri işlemlerinin çok daha kısa sürede yapılmasını sağlıyor.

Kaynaklar

IBM Watson Studio'da müşteri kaybını tahmin etmek için bir makine öğrenimi modelinin nasıl oluşturulduğuyla ilgili tura katılın

Makine öğrenimi ve derin öğrenme uygulamalarıyla ilgili diğer eğitim kılavuzlarına bakın

Watson Studio deneme sürümünüzü ücretsiz olarak başlatın