Makine öğrenimi esas olarak 1959 yılından beri bilgisayar biliminde yapılan çalışmalarda sayısal öğrenme ve model tanıma çalışmalarıyla geliştirilmiş bir yapay zeka alt dalıdır. Makine öğrenimi yapısal işlev olarak öğrenebilen ve veriler üzerinden tahmin yapabilen algoritmaların çalışma ve inşalarını araştıran bir sistemdir. Bu tür algoritmalar statik program talimatlarını harfiyen takip etmek yerine örnek girişlerden veri tabanlı tahminleri ve kararları gerçekleştirebilmek amacıyla bir model inşa ederek çalışırlar.
Veri bilimi, 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 ve deneyimlerinden ‘ders çıkarabilir’. 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.
ML (Machine Learning) yapay zekanın bir alt bilim dalıdır. Bir tanım vermek gerekirse;
Machine Learning (Makine Öğrenimi), matematiksel ve istatistiksel işlemler ile veriler üzerinden çıkarımlar yaparak tahminlerde bulunan sistemlerin bilgisayarlar ile modellenmesidir.
Makine öğrenimi o kadar yaygın ki; aslında hiç farkında olmadan günde onlarca kez kullanıyoruz. Son 10 yılda, makine öğrenimi ile sürücüsüz araçlar, kendi limitlerini belirleyen robotlar, filmlerde görmeye alıştığımız robot ve insanların konuşmalarına daha çok tanık oluyoruz.
Makine Öğreniminin Sektör Bazlı Kullanım Durumları:
Üretim – İmalat: Öngörülü bakım ve durum izleme, Malzeme ve Stok Tahminleri, Satın Alma Eğilimleri, Talep Tahminleri, Süreç Optimizasyonu ve Telematik
Perakende: Tahminli envanter planlaması, tavsiye motorları, satış ve çapraz kanal pazarlama, pazar segmentasyonu ve hedeflemesi, yatırım geri dönüşleri ve değerleme
Sağlık ve Yaşam Bilimi: Hasta verilerini değerlendirerek gerçek zamanlı olarak uyarı ve teşhisler, hastalık tanımlama ve risk katmanlaşma, hasta triyaj optimizasyonu, proaktif sağlık yönetimi, sağlık hizmeti analizleri
Seyahat: Dinamik ücretlendirme, Sosyal medya – tüketici geri bildirim ve etkileşim analizi, müşteri şikayet çözümleri, trafik kalıpları ve tıkanıklık yönetimi
Finans ve Mali Hizmetler: Risk analizi ve regülasyonu, müşteri segmentasyonu, çapraz satış, satış ve pazarlama kampanyası yönetimi, krediye uygunluk değerlendirmesi
Enerji, geri bildirim ve Kamu Hizmetleri: Güç kullanım analizleri, deprem verilerinin işlenmesi, karbon emisyon ve ticaret, müşteriye özel fiyatlandırma, akıllı şebeke yönetimi, enerji arz ve talebi optimizasyonu
Unutmayın ki; iş ve müşteri deneyimlerinizi elinizde bulunan verilerle analiz etmek ve deneyimlemek size farklı kapılar açacaktır. Şirketler için inovasyon, verimlilik, bütünlük ve kurumsal öğrenim günümüzde kaçınılmaz hale gelmiştir.
ML temelde öğrenme yöntemine göre üç gruba ayrılır; Supervised (Gözetimli), Unsupervised (Gözetimsiz) ve Reinforcement (Takviyeli):
- 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.
- 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 üç 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.
- 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.
Günümüzde üretim sektöründe işlev gösteren en iyi üreticiler en başarılı malzemeyi sunan firmalarla alışveriş içerisinde oluyorlar. En yeni ve en iyi teknolojilerle üretim yapan bu üreticiler artık ürünlerinin imal aşamasında her zamankinden daha fazla sensör kullanarak modern imkanlardan oldukça fazla yararlanıyorlar. Aynı zamanda üretimin internet ağları üzerinden gerçekleştirilebilmesi de teknolojinin ne denli yoğun bir biçimde kullanıldığının en önemli kanıtlarından biri. Bu imkanlar artık üretimde yeni bir dönüşüm oluşturmakta ve yüksek teknolojiyle gelen üretim zihniyeti artık üretim şirketlerinin başarıyı yakalayabilmeleri için gerekli olan yeni bir vizyon.
Bu aşamada gerçekleşen ilk değişim ürünlerden hizmetlere doğru olmakta. Yapılan bir tahmine göre internete bağlı ürünlerin, yani IoT cihazların sayısı -akıllı telefonlar ve bilgisayarlar hariç- 2020 yılına kadar 5 milyardan 21 milyara kadar artış gösterecek. Teknoloji, kullanılırlığını bu derece yükseltmişken, sistemlerin işleyişi de yavaş yavaş insanlar tarafından kontrol edilmesi güç bir duruma geliyor. Veri toplayarak, elde edilen verilerin değerlendirilip sonuçların ortaya konması insan eliyle gerçekleştiğinde çok uzunca bir zaman alıyor. Bu durumun gelecekte daha yaygın bir alanda ortaya çıkacağı düşünüldüğünde büyük sıkıntılarla karşı karşıya geleceğiz gibi görünüyor. Makine öğrenmesiyle geliştirilen sistemler detaylı veri analizleri ve istatistiksel çıkarımlar gibi birçok bilgiyi bir araya getirerek bu bilgileri belirli yöntemlerle problemlerin çözümünde kullanacak. Artık makinelerin kullanıldığı sistemler yeni problemlerle karşılaşıldığında analiz ettikleri verilerin ışığında çözümü kendiliğinden ortaya koyabilecekler.
