Makine öğrenimi nedir?

Makine öğrenimi, sistemin açık programlamayla değil, verilerden öğrenmesini sağlayan bir yapay zeka biçimidir. Ancak, makine öğrenimi basit bir süreç değildir. Eğitim verileri algoritmalar tarafından alınır; daha sonra bu veriler temel alınarak daha doğru modeller üretilebilir. Makine öğrenimi algoritmanızı verilerle eğittiğinizde bir makine öğrenimi modeli ortaya çıkar. Eğitim sürecinden sonra, bir modele bir girdi sağladığınızda, size bir çıktı sunulur. Örneğin, tahmine dayalı bir algoritma tahmine dayalı bir model oluşturur. Ardından, tahmine dayalı modele veriler sağladığınızda modeli eğiten verilere dayalı bir tahmin alırsınız.

yapboz yapan robot resmi

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 kalıplar 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 yaklaşımları

Tahmine dayalı modellerin doğruluğunun artırılması 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 kalıpları 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 kalıpları veya kümeleri temel alan verileri sınıflandıran algoritmalar gerekir. Denetimsiz öğrenme, yinelemeli bir süreç gerçekleştirerek verileri insan müdahalesi olmadan analiz eder. 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-postaların belirlenmesi için, kümeleme ve ilişkilendirme esasına 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 yapısal olmayan verilerden kalıpları öğrenmeye çalışırken faydalanabilirsiniz. Karmaşık derin öğrenme nöral ağları, insan beyninin işleyişini taklit eder; böylece bilgisayarlar iyi tanımlanmamış soyutlamalar ve problemlerin ele alınması konusunda 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.

grafik üzerinde grafik oluşturma

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 veri sayesinde artık verilerin sanallaştırılması mümkün. Böylece ister şirket içinde ister bulut üzerinde olsun, veriler en verimli ve uygun maliyetli şekilde depolanabiliyor. Ayrıca ağ hızı ve güvenilirlikteki iyileştirmeler sayesinde, büyük hacimli verilerin kabul edilebilir hızlarda yönetimiyle ilgili diğer fiziksel sınırlandırmalar da ortadan kalkıyor. Buna bilgisayar belleğinin gelişmişliği ve fiyat değişikliklerinin etkisi de eklendiğinde, şirketlerin artık verilerden 5 yıl önce hayal edilemeyecek şekillerde yararlanabileceğini düşünebiliyoruz.

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. Bunlar sizin bildiğiniz sorular değil; bunlar verilerde gizlenen ve size yardımcı olabilecek veya zarar verebilecek olan kalıplar ve anormallikler.

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 almasını (doğru ve temiz olan) ve en iyi performansa sahip modelleri kullanmasını sağlamaktır. 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 ve makine öğrenimi ilişkisini gösteren grafik

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 en iyi uygulamaları takip ettiğinden emin olmak için binlerce radyoloji raporunu analiz etmek üzere iş 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 işlem yetenekleri sayesinde müşteriyle etkileşimleri verimli bir şekilde yürütüyor ve müşteriye yanıt verme süresini kısaltıyor.

Kaynaklar

IBM Watson Studio'da, müşteri kaybını tahmin etmek için bir makine öğrenimi modelinin nasıl oluşturulabileceğini gösteren tura katılın.

Makine öğrenimi ve derin öğrenme uygulamaları eğitici programlarına göz atın                                                                            

Watson Studio ücretsiz deneme sürümünü kullanmaya hemen başlayın                                                                                                                  

Makine öğreniminin temelleri hakkında daha fazla bilgi edinin