Makine Öğrenmesi nedir?

Makine öğrenmesi nasıl çalışır?

Bir çırağın usta bir kasaptan et seçmeyi öğrendiğini düşünün. Usta ona kural listesi vermez; yüzlerce parça et gösterir ve her birinin iyi mi kötü mü olduğunu söyler. Bir süre sonra çırak rengine, dokusuna, yağ dağılımına bakarak kendi başına karar vermeye başlar. Makine öğrenmesi de aynı şekilde, doğru cevabı bilinen çok sayıda örnek üzerinden kendi karar kurallarını çıkarır.

Tipik bir proje şu adımlardan geçer:

1. Problem tanımı: Ne tahmin edilecek? Örneğin "Bu müşteri önümüzdeki ay aboneliğini iptal eder mi?"
2. Veri toplama ve temizleme: Geçmiş kayıtlar düzenlenir, eksik ve hatalı veriler ayıklanır. Çoğu zaman en uzun süren aşama budur.
3. Eğitim: Verinin bir bölümüyle model eğitilir.
4. Test: Modelin hiç görmediği verilerle başarısı ölçülür.
5. Kullanım ve izleme: Model canlıya alınır, zaman içinde performansı takip edilir.

Üç temel öğrenme türü

İşletmeniz için ne anlama gelir?

Makine öğrenmesinden faydalanmak için kendi modelinizi geliştirmeniz gerekmez; kullandığınız birçok araç bunu zaten arka planda yapar. Reklam platformlarının hedefleme algoritmaları, e-posta servislerinin spam filtreleri ve e-ticaret altyapılarının "bunu alanlar şunu da aldı" önerileri makine öğrenmesi örnekleridir.

Kendi verinizle model kurmak ise belirli bir ölçeğe ulaşıldığında anlam kazanır. Örneğin Konya'da yirmi şubeli bir fırın zinciri, her şubenin her gün ne kadar ekmek ve simit çıkaracağını şube müdürlerinin tecrübesine göre belirliyordu; bazı şubelerde akşam ürün artıyor, bazılarında öğleden sonra raf boşalıyordu. Geçmiş satış kayıtları, haftanın günü, resmî tatiller ve hava durumu verileriyle eğitilen bir talep tahmin modeli, her şube için günlük üretim önerisi vermeye başladı. Müdürler son kararı yine kendileri veriyor, ama artık bir başlangıç noktaları var.

Sık yapılan hatalar

• Az veya kötü veriyle başlamak: "Çöp giren, çöp çıkar" ilkesi burada tam olarak geçerlidir.
• Aşırı öğrenme (overfitting): Model eğitim verisini ezberler, yeni durumlarda başarısız olur. Bu yüzden ayrı test verisi şarttır.
• Problemi yanlış seçmek: Basit bir kuralla çözülebilecek bir işe karmaşık bir model kurmak.
• Modeli kurup unutmak: Müşteri davranışları değiştikçe modelin başarısı düşer; düzenli izleme ve yeniden eğitim gerekir.
• Önyargıyı gözden kaçırmak: Geçmiş verideki dengesizlikler modelin kararlarına taşınabilir.

Makine öğrenmesi ile yapay zekâ farkı

Yapay zekâ akıllı davranış sergileyen sistemlerin genel adıdır; makine öğrenmesi ise bu hedefe ulaşmanın en yaygın yöntemidir. Büyük dil modelleri ve görüntü tanıma sistemleri de derin öğrenme adı verilen makine öğrenmesi yöntemleriyle geliştirilir.