Makine Öğrenmesi Nedir?
Makine Öğrenmesi Nedir?
“Machine Learning” yani “Makine öğrenimi” son zamanlarda
adını sıkça duyduğumuz terimler arasına girmiş durumda. Teknolojinin
ilerlemesiyle gelişen makine, robot sektöründe çok önemli olan “Makine
öğrenimi” kavramı en zor basamaklardan biridir.
Makine öğrenmesi esas olarak 1959 yılında bilgisayar
biliminin yapay zekada sayısal öğrenme ve model tanıma çalışmalarından
geliştirilmiş bir alt dalıdır. Makine öğrenmesi 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.
Makine Öğrenmesi Türleri Nelerdir?
Makine öğrenmesine ait başlıca kavramların listesi
açıklamalarıyla birlikte aşağıdaki gibidir:
Denetimli Öğrenme: Veriler etkileşimli sistemlerden
alınarak belirli bir düzende organize edilmesidir.
Denetimsiz Öğrenme: Sınıf bilgisi barındırmayan
verilerin içerisindeki gruplar irdelenmesidir.
Yarı Denetimli Öğrenme: Bu kavram tam olarak
yukarıdaki iki kavramın arasında yer alır ve etiketlenmemiş büyük miktarda bir
veri ile etiketlenmiş küçük miktarda bir verinin beraber kullanılmasıdır.
Takviyeli Öğrenme: Öğreticinin, sistemin ürettiği
sonuç için doğru ya da yanlış olarak bir değerlendirmesidir.
Yoğun Öğrenme: Hiyerarşik öğrenme olarak da bilinir.
Bu öğrenme yöntemi derin grafiklerde birçok doğrusal ve doğrusal olmayan
dönüşümlerden ve çoklu işlem katmanlarından oluşturulmuş verilerde, üst düzey
soyutlamalar kullanılarak elde edilen model girişimlerine dayalı bir dizi
algoritmalarla geliştirilmiş makine öğrenmesidir.
Yapay Zeka Arayışıyla Birlikte Ortaya Çıktı
Bir bilimsel çaba olarak makine öğrenmesi tarihsel olarak
yapay zeka arayışından ortaya çıkmıştır. Geçmişte yapılan bazı akademik
araştırmalar makinelerin belirli bir aşamadan sonra verileri öğrenmek zorunda
olduğunu gösterdi ve böylelikle araştırmacılarda bu konu üzerinde ortaya çıkan
problemlere çeşitli sembolik yöntemlerle yaklaşımda bulunabilmek amacıyla
çalışmalarını gerçekleştirdiler. Özellikle otomatik tıbbi tanı sistemlerinde de
olasılıksal mantık tekniği kullanıldı.
Makine öğrenmesi ayrı bir alan olarak 1990 yıllarında yeniden gelişmeye başladı. Alan değişiminin hedefi ise pratik yaşamdaki çözülebilir sorunların ele alınmasında yapay zekanın yakalanılabilmesinden geçiyor. Makine öğrenmesi ve veri madenciliği sık sık aynı yöntemleri kullanırlar ve bu yöntemler önemli ölçüde örtüşmektedir. Bu yöntemler genel hatlarıyla aşağıdaki şekildeki gibi ayırt edilebilir:
Makine öğrenmesi bilinen özelliklere dayanarak öğrenilen
verilerden yapılan tahminler üzerine odaklanır.
Veri madenciliği ise verilerdeki (geçmiş) bilinmeyen
özelliklerin keşfedilmesine odaklanır. Bu veritabanlarında bilgi keşfi
analizinin bir adımıdır.
Bu iki alan birçok yönden örtüşmektedir. Veri madenciliği
birçok makine öğrenmesi metodunu kullanır fakat çoğunlukla mantıksal olarak
farklı hedefleri vardır. Diğer bir yandan makine öğrenmesi de denetimsiz
öğrenme ya da öğrenici doğruluğunu geliştirmek için ön işleme adımı gibi veri
madenciliği metotlarını kullanır.
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 teknolojiyi
olabildiğince yaygın şekilde kullanıyorlar. Aynı zamanda üretimin internet
ağları üzerinden gerçekleştirilebilmesi de teknolojinin ne denli yoğun bir
biçimde kullanıldığının en önemli kanıtlarından biri. Bu teknolojiler 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 kablosuz bağlantılı ürünlerin sayısı (Akıllı telefonlar ve bilgisayarlar hariç) 2020 yılına kadar 5 milyardan 21 milyara kadar artış gösterecek. Teknoloji bu derecede yaygınlaşıyorken sistemlerin işleyişi de yavaş yavaş insanlar tarafından kontrol edilmesi güç bir duruma geliyor. Veri elde edip elde edilen verilerin değerlendirilip sonuçların ortaya konması insan eliyle gerçekleştiğinde çok uzunca bir zaman alıyor. Bu durumun gelecekte daha yaygın bir alandan ortaya çıkacağı düşünüldüğünde büyük sıkıntılar ortaya çıkabilecek gibi görünüyor.
Makine öğrenmesiyle geliştirilen sistemler detaylı veri
analizleri ve istatistiksel analizler 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.
Makine öğrenmesi teknolojik alanlardaki bütün gelişmeler için çok önemli bir kavram. Makine öğrenmesi üzerine düzenlenen çeşitli konferanslar da bulunuyor ve bu konferanslar üretim teknolojisi, otomasyon, otomotiv ve telekomünikasyon gibi farklı endüstri sektörlerinden gelen kullanıcıların ve araştırmacıların tümüne hitap eder nitelikte. Bu alanda geçtiğimiz yılda (1-2 Ekim 2015 tarihlerinde) makine öğrenmesi üzerine düzenlenen ilk konferans olma özelliğini taşıyan ML4CPS 2015 (Machine Learning for Cyber Physical Systems) oldukça önemli bir örnek oldu. Katılımcıların bu konferansta aşağıdakilerle sınırlı olmamakla birlikte birçok konu hakkında bilgi edinme şansları olmuştur. Makine öğrenmesi üzerine düzenlenen ilk konferansta ele alınan konular aşağıdaki gibidir:
Siber fiziksel sistemler için makine öğrenmesi algoritmaları
Gerçek zamanlı etkin algoritmalar, sınıflandırılmış öğrenme
yaklaşımları, online öğrenme ve ön işleme
Siber fiziksel sistemler için öğrenilebilir biçimsel
modelleme
Sensör tümleştirme metotları, dağınık sistemlerde veri
toplama ve veri entegrasyonu
Durum görüntüleme, pratik bakım, görüntü işleme, teşhis,
optimizasyon ve kendini tamir uygulamaları
