Makine Öğrenimi (ML), Yapay Zeka(AI)’ nın bir alt sınıfıdır. Makine öğrenimi; insana ait akıllı karar verme ve tahmin davranışlarını taklit etmek için algoritmaları kullanarak bir takım verilerden öğrenme yeteneği olarak tanımlanan bir bilgisayar yeteneğidir.

Makine Öğrenimi Algoritmaları

Makine Öğreniminde üç ana algoritma vardır:

1- Denetimli Öğrenme (Supervised Learning)
2- Denetimsiz Öğrenme (Unsupervised Learning)
3- Takviyeli Öğrenme (Reinforcement Learning)

1- Denetimli Öğrenme ( Supervised Learning)

Denetimli öğrenme algoritması bir denetmen yada bir algoritma tarafından etiketlenmiş veri seti kullanır. Veri seti eğitim için eğitim verisi ve eğitim sonrasında modelin doğrulanması için test verisi olarak bölünür. Bu şekilde denetimli bir şekilde öğrenme yapan model eğitilen veri kategorisine ait daha önce etiketlenmemiş verilerin etiketleri üzerinde tahminde bulunmak için kullanılır.

Denetimli Öğrenmeye örnek olarak Sınıflandırma ( Classification) ve Regresyon (Regression) algoritmalarını verebiliriz.

Sınıflandırma: Lojistik Regresyon, Görüntü Sınıflandırma, Karar Ağaçları, SVM, KNN
Regresyon: Lineer Regresyon, Karar Ağacı Regresyonu

2 – Denetimsiz Öğrenme ( Unsupervised Learning)

Denetimsiz Öğrenme, etiketlenmemiş veri setindeki gizli kalıpları belirlemek için kullanılan akıl yürüterek bir öğrenmedir. Denetimli algoritmalarda olduğu gibi bir denetim mekanizması yoktur.

Veriler kümeler halinde gruplandırılarak ve ilişkilendirilerek, etiketlenmemiş bir veri setindeki gizli kalıpları ve ilişkiler tanımlanır.

Denetimsiz Öğrenmeye örnek olarak Kümeleme (Clustering) algoritmalarını verebiliriz.

Kümeleme: K-Means Kümeleme, Hiyerarşik Kümeleme, Aglomeratif Kümeleme
İlişkilendirme: Öneri Sistemleri
Boyutsal İndirgeme: Temel Bileşenler Analizi (PCA)
Anomali Tespiti

Kümeleme (Clustering)
Kümeleme, bir veri setinde benzerlikleri ve farklılıkları ele alarak etiketlenmemiş veri setindeki gizli kalıpların tespit edilmesi için kullanılır.

İlişkilendirme (Association)
İlişkilendirme kuralları, öneri motorlarında olduğu gibi, belirli bir veri setindeki değişkenler arasındaki ilişkileri tanımlayarak büyük veri setleri içindeki veri nesneleri arasında ilişkiler kurmaya olanak tanır.

Boyutsal İndirgeme (Dimensionality Reduction)
Boyutsal indirgeme tekniği, Temel Bileşen Analizinde(PCA) olduğu gibi veri bütünlüğünü korurken, yüksek boyutlu veri setindeki özelliklerin sayısını düşük bir boyuta getirmek için kullanılır.

Anomali Tespiti ( Anomaly Detection)
Anomali Tespiti, bir veri setindeki anormal verileri tanımlamak için kullanılan denetimsiz bir algoritmadır. Arıza teşhisi, bir ağ güvenliğine yetkisiz erişim ve dolandırıcılık gibi durumların tespitine olanak sağlar.

3-Takviyeli Öğrenme (Reinforcement Learning)

Takviyeli öğrenmede, bir etken durumunu algılayarak çevre ile etkileşime girer ve uzun vadeli kazanımı en üst düzeye çıkarmak için harekete geçmeyi öğrenir.

Etken, eylemde bulunurken, gelecekte maksimum kazanımı getirecek eylemleri tercih etmek için deneme yanılma yöntemini kullanarak çeşitli eylemler gerçekleştirip keşif ve kullanım arasında bir denge kurar.

Takviyeli öğrenmenin amacı, etkenin uzun vadeli kazanımları maksimum düzeye çıkarmak için farklı ortam durumlarını eylemlerle eşleştirerek belirsiz bir ortamda sıralı kararlar almayı öğrenmesidir.

Takviyeli öğrenmenin iki ana özelliği, deneme yanılma araması ve gecikmiş tatmin gibi gecikmiş kazanımlardır. Takviyeli öğrenme Robotik, Otonom Araçlar gibi alanlarda kullanılır.

Denetimli, Denetimsiz ve Takviyeli Öğrenmenin Aralarındaki Farklar

1) Veri Seti:

Denetimli Öğrenme’de, eğitim için etiketlenmiş veri seti gerekirken, Denetimsiz Öğrenme’de etiketlenmemiş veri setinden gizli kalıplar belirlenir. Takviyeli Öğrenme ise çevre ile etkileşime girerken veri setine ihtiyaç duymaz.

2) Öğrenme:

Denetimli Öğrenme, öğretime dayalıdır ve etiketli veri setindeki örnekleri izleyerek öğrendiği için denetime ihtiyaç duyar. Denetimsiz Öğrenme, akıl yürüterek öğrenir ve etiketlenmemiş veri kümesinden iç görüler çıkarmak için gizli kalıpları belirlemeye çalıştığı için denetime gerek duymaz. Takviyeli Öğrenme, uzun vadeli kazanmları maksimum düzeye çıkaramak için farklı eylemleri keşfederken ve kullanırken deneyimle öğrenir.

3) Amaç:

Denetimli algoritmalar, etiketli veri setine dayalı olarak yalnızca bir tür görev öğrenir. Amaç, aynı modelin farklı bir alana uygulanması gerekmediğinden, aynı alana ait yeni veriler için sonuçlaru tahmin etmektir.

Buna karşılık, denetimsiz algoritmanın amacı, yeni verilerin kümenin bir parçası mı yoksa bir anormallik mi olduğunu tahmin edebilen etiketlenmemiş verilerden iç görüler elde etmektir.

Takviyeli Öğrenme, hedefe yöneliktir ve etken, gelecekteki kazanımları maksimum düzeye çıkarmak için eylem dizilerini öğrenmeyi amaçlar. Takviyeli Öğrenme, hiç karşılaşmadığı tamamen yeni bir senaryonun üstesinden gelebilir.