TechTarget makine öğrenmesini şu şekilde tanımlamaktadır: “…bilgisayarlara açıkça programlanmadan öğrenme yeteneği sağlayan bir yapay zeka (AI) türüdür. Yeni bir veriye maruz kaldığı zaman kendilerine büyümeyi ve değişmeyi öğretebilecek bilgisayar programlarının geliştirilmesine odaklanır. Makine öğrenmesi süreci veri madenciliği sürecine benzerdir. Her iki sistem de örüntü bulmak için verilerden araştırma yapar. Ancak, veri madenciliği uygulamalarında olduğu gibi verileri insanların anlaması için çıkartmak yerine, makine öğrenmesi programın kendi anlayışını geliştirmek için bu verileri kullanır. Makine öğrenmesi programları verilerdeki örüntüleri tespit eder ve program aksiyonlarını buna göre ayarlar.”

Teradata’da, makine öğrenmesinin özellikle büyük veri bağlamında güçlü olduğu düşünülmektedir, çünkü makineler büyük veri hacimlerini kullanarak hipotezleri test edebilir, koşullar değiştikçe iş kurallarını yeniden düzenleyebilir ve anormallikler ile aykırı değerleri hızlı ve doğru bir şekilde tespit edebilir.

Makine öğrenmesine dayalı bir yazılım sistemi büyük veri hacimleri kullanılarak eğitilir ve deneyime dayalı olarak hareket etmeyi öğrenir, bu da makine öğrenmesini problem çözme konusunda üstün kılar.

Makine Öğrenmesi Ne için Kullanılır?

Görüntü Tanıma: En önemli makine öğrenmesi uygulamalarından birisi olan görüntü tanıma dijital bir görüntüde özellikleri veya nesneleri tespit etmenin bir yoludur. Aynı teknik örüntü tanıma, yüz tespiti, yüz tanıma ve optik karakter tanıma gibi bir dizi ek senaryo için de kullanılabilir. Görüntü tanımada makine öğrenmesini kullanmak bir görüntüden kilit özellikleri çekmeyi ve bu kilit özellikleri güvenilir bir makine öğrenmesi modeline aktarmayı kapsar.

Veri Getirme: veri getirme olarak bilinen bilgileri veya yapılandırılmış verileri yapılandırılmamış verilerden çekme işlemi, kullanılan birçok cihaz tarafından üretilen çok büyük miktarlardaki veriler nedeniyle makine öğrenmesinin bir diğer önemli kullanımıdır. Büyük veriler söz konusu olduğunda, makine öğrenmesi yapılandırılmamış verilerin alınması ve içerdikleri içgörülerin çıkartılması açısından önemlidir.

Duygu Analizi: Bazen fikir madenciliği veya duygu sınıflandırması olarak adlandırılan duygu analizi süreci yazıları içerisindeki duygusal ipuçlarına dayanarak bireylerin davranışlarını belirler. Duygu analizinin amacı ister iyi, ister kötü, isterse kayıtsız olsun, insanların ne düşündüğünü belirlemektir. İnceleme web siteleri ve karar verme uygulamaları da duygu analizinden faydalanır. Makine öğrenmesi, her ikisi de duygu analizi için kullanılan, gözetimli ve gözetimsiz öğrenme algoritmaları içerir.

Dolandırıcılık Tespiti: Dolandırıcılık tespiti, özellikle de online dolandırıcılık tespiti makine öğrenmesinin kullanıcıya etkili bir biçimde siber güvenlik sağlayan ve hatta zararı azaltıp karı maksimum düzeye çıkarmak için işletmelere bir yol sunan daha gelişmiş bir uygulamasıdır. Dolandırıcılık tespiti için makine öğrenmesinin kullanımı büyük oranda geleneksel dolandırıcılık tespiti yöntemlerinden üstündür.

Müşteri Alışveriş Önerileri: Sevdiğiniz online alışveriş siteleri makine öğrenmesi sebebiyle size cazip teklifler sunabilir—ürünler, hizmetler veya özel teklifler. Gözetimli, yarı gözetimli, gözetimsiz, güçlendirme gibi makine öğrenmesi yöntemleri öneriye dayalı sistemlerin ayrılmaz parçalarıdır.

Farklı Makine Öğrenmesi Türleri Var Mıdır?

Makine Öğrenmesi Algoritmalarının türlerini tanımlamanın bazı varyasyonları vardır, ancak yaygın olarak amaçlarına göre kategorilere ayrılabilirler. Ana kategoriler şunlardır:

Gözetimli Öğrenme: Model hem girdi hem de çıktı parametreleri ile etiketlenmiş bir veri kümesi üzerinde eğitilir. Hem eğitim hem de doğrulama veri kümeleri etiketlidir.

Yarı Gözetimli Öğrenme: Eğitim için etiketlenmemiş verileri kullanır – tipik olarak büyük miktarda etiketlenmemiş veri ile küçük miktarda etiketlenmiş veri.

Gözetimsiz Öğrenme: Öz organizasyon olarak da bilinen gözetimsiz öğrenme önceden var olan etiketlere sahip olmayan bir veri kümesinde önceden bilinmeyen örüntüleri bulmak için kullanılır ve belirli girdilerin olasılık yoğunluklarının modellenmesine olanak sağlar.

Güçlendirme Öğrenmesi: Yazılım acentelerinin bazı kümülatif ödül kavramlarını maksimum düzeye çıkarmak için bir ortamda nasıl önlem almaları gerektiğine hitap eder. Gözetimli öğrenmenin aksine, etiketlenmiş girdi/çıktı çiftleri gerekli değildir ve standart altı önlemlerin açıkça düzeltilmesine gerek yoktur. Burada odak araştırma ve kullanma arasında bir denge kurmak üzerinedir.

Makine Öğrenmesi ve Derin Öğrenme Arasındaki Fark Nedir?

Makine öğrenmesi ve derin öğrenme arasında birkaç farklılık vardır:

Nasıl Çalışırlar

Makine öğrenmesi gelecekteki kararları tahmin etmeyi öğrenen ve beslendiği verileri kullanarak fonksiyonları modelleyen otomatik algoritmalar kullanır.

Derin öğrenme ise, ilgili bilgileri çok sayıda veri işleme aşamasından geçiren nöral ağları kullanarak veri özelliklerini ve ilişkilerini yorumlar.

Yönetim, Yönlendirme

Makine öğrenmesinde, algoritmalar farklı veri kümesi değişkenlerini incelemek için analizler tarafından yönlendirilir.

Derin öğrenmede ise, algoritmalar tipik olarak ilgili veri analizi için kendi kendilerini yönlendirirler.

Veri Noktası Hacmi

Makine öğrenmesi analiz için birkaç bin veri noktası kullanır.

Derin öğrenme ise analiz için birkaç milyon veri noktası kullanır.

Çıktı

Makine öğrenmesinin çıktısı genellikle bir puan veya sınıflandırma gibi sayısaldır.

Derin öğrenme çıktısı ise bir puan, öğe, metin, ses veya başka belirleyiciler olabilir.

Makine Öğrenmesi ve Yapay Zeka Arasındaki Fark Nedir?

Makine öğrenmesi (ML) bilgi veya becerinin kazanılmasıdır.

Yapay zeka (AI) bilgi edinme ve uygulama yeteneğidir.

Her Birinin Amacı

AI doğruluğa değil başarıya odaklıdır.

ML başarıya değil doğruluğa odaklıdır.

Nasıl Çalışırlar

AI “akıllı” bir bilgisayar programı gibi çalışır.

ML verileri sindiren ve verilerden öğrenen basit bir makinedir.

Her Birinin Amacı

AI doğal zekayı taklit ederek karmaşık problemleri çözmeye çalışır.

ML verilen görevin makine performansını maksimum düzeye çıkarmaya çalışarak, görev odaklıdır.

Ne Yaparlar

AI verilere dayalı kararlar verir.

ML alınan verilerden öğrenme yapan bir sistemdir.

Ne Yaratırlar

AI belirli koşullar altında insan tepkilerini ve davranışlarını taklit eden bir sistem geliştirir.

ML kendi kendine öğrenme algoritmaları üretir.

Her Birinin Nihai Ürünü

AI istihbarat üretir (iş, tüketici, pazar, vs.).

ML daha da incelenebilecek bilgiler üretir.