Veribilimi, Harvard Business Review’da “21. Yüzyılın En Seksi Mesleği” olarak seçildikten sonra Makine Öğrenmesi Algoritmaları alanında büyük bir yükseliş oldu.
Makine Öğrenmesi Algoritmaları, insan müdahalesi olmadan verilerden öğrenebilir deneyimlerinden gelişebilir. Öğrenme görevleri arasında girdi-çıktıyı hesaplayan fonksiyonu üretme, etiketsiz veride gizli yapıyı saptama ya da ‘örnek tabanlı öğrenme’ yer alabilir.
Bu öğrenme modelinde algoritma, yeni bir örnekle karşılaştığında hafızada saklanan eğitim verilerinden alınan örneklerle bu yeni örneği karşılaştırarak ona bir sınıf etiketi verir. Örnek tabanlı öğrenme modelinde belli örneklere soyutlama yapılmaz.
Makine Öğrenmesi Algoritma Türleri
Makine öğrenmesi algoritma türleri denetimli öğrenme, denetimsiz öğrenme ve takviyeli öğrenme olmak üzere üçe ayrılır.
1. Denetimli Öğrenme: Denetimli Öğrenme şöyle açıklanabilir; Girdi değişkenlerini (X), çıktı değişkenlerine (Y) eşleme işlevini öğrenmek için etiketli eğitim verileri kullanılır;
Y = f (X)
Denetimli Öğrenme problemleri iki tür olabilir:
Sınıflandırma: Kategoriler halinde çıktı değişkenlerinin olduğu belirli bir örneğin sonucunu öngörmektir. Kadın ve erkek, hasta ve sağlıklı örneklerinde olduğu gibi.
Regresyon: Verilen değişkenin gerçek değerler biçiminde olduğu belirli bir örneğin sonucunu öngörmektir. Buna örnek olarak belirli bir bölgenin yağış miktarı ya da bir insan boyu verilebilir.
Lineer Regresyon, Lojistik Regresyon, CART, Naïve Bayes ve KNN denetimli öğrenme modeline örnektir.
‘Toplama’ da denetimli öğrenme modeli türlerinden biridir. Bu modelde yeni bir örnek üzerinde tahminler yürütmek için birden fazla farklı zayıf makine öğrenmesi modelinin tahminlerinden faydalanılır.
2. Denetimsiz Öğrenme: Denetimsiz öğrenme problemleri yalnızca girdi değişkenlerine (X) sahiptir, buna karşılık çıktı değişkenleri yoktur. Verilerin altında yatan yapıyı modellemek için etiketsiz eğitim verileri kullanılır.
Denetimsiz öğrenme problemleri iki tür olabilir;
Birleştirme: Herhangi bir toplamada farklı bileşenlerin bir arada olma ihtimali üzerine çalışmalar yapılır. Market sepetlerinde sıklıkla kullanılır. Örneğin bir müşteri ekmek aldıysa %80 ihtimalle yumurta da alacaktır.
Kümeleme: Farklı bir kümedeki örnekleri ayırıp birbirine benzeyen örnekleri bir arada toplamaya denir.
Boyut Azaltma: Adına uygun olarak, önemli bilgilerin hala iletildiğini garanti ederken bir veri kümesinin değişkenlerinin sayısını azaltmak anlamına gelir. Boyut azaltma, öznitelik çıkarımı ve özellik seçimi yöntemleri kullanılarak yapılabilir.
Özellik seçimi, orijinal değişkenlerin bir alt kümesini seçerken öznitelik çıkarımı, yüksek boyutlu bir alandan düşük boyutlu bir alana veri dönüştürme işlemi gerçekleştirir. PCA algoritmasında öznitelik çıkarımı kullanılmıştır. Bu gruba giren 6–8 algoritmaları; Apriori, K-Means ve PCA, denetimsiz öğrenme örnekleridir.
3. Takviyeli Öğrenme: Ödülü en üst düzeye çıkaracak davranışları öğrenerek, aracının mevcut durumuna dayalı sıradaki en etkili işlemi belirlemesini sağlayan bir makine öğrenmesi algoritması türüdür. Takviyeli öğrenmede yazılımlar, genellikle deneme yanılma yoluyla en iyi eylemleri öğrenirler.
Genel olarak robotikte kullanılır. Burada bir robot, engele çarptıktan sonra negatif geri bildirim alarak çarpışmalardan kaçmayı öğrenebilir. Ayrıca video oyunlarında da, yine deneme yanılma yöntemiyle bir oyuncunun ödülleri alabileceği belirli hareketleri saptayabilir ve bir sonraki hareketini buna göre komutlar.
Kaynak: https://www.medium.com
