2.2 Makine Öğrenmesi Nedir?

Makine öğrenimi, bilgisayarların verilere dayalı tahminler veya davranışlar yapmak ve iyileştirmek için kullandığı yöntemlerin bir kümesidir.

Örneğin, bir evin değerini tahmin etmek için bilgisayar, geçmiş ev satışlarından desenler öğrenir. Okuduğunuz bu kitap, denetimli (güdümlü) makine öğrenimine odaklanır; bu, elimizde ilgi alanımızın sonucunu (örneğin, geçmiş ev fiyatları) zaten bildiğimiz bir veri kümesi olduğunda ve yeni veriler için sonucu tahmin etmeyi öğrenmek istediğimiz tüm tahmin sorunlarını kapsar. Denetimli öğrenimden dışlananlar, örneğin kümeleme görevleri (= denetimsiz (güdümsüz) öğrenme) gibi, belirli bir sonucumuzun olmadığı ancak veri noktalarını bulmak istediğimiz durumlar; veya örneğin, bir ajanın bir ortamda (örneğin, bir bilgisayarın Tetris oynadığı gibi) hareket ederek belirli bir ödülü optimize etmeyi öğrendiği güçlendirme öğrenimi gibi durumlar. Denetimli öğrenimin amacı, verinin özelliklerini (örneğin, evin boyutu, konumu, kat tipi, ...) bir çıktıya (örneğin, ev fiyatı) eşleyen öngörü modeli öğrenmektir. Çıktı kategorik ise, görev sınıflandırma olarak adlandırılır ve sayısal ise regresyon olarak adlandırılır. Makine öğrenimi algoritması, parametreleri (ağırlıklar gibi) veya yapıları (ağaçlar gibi) tahmin ederek bir model öğrenir. Algoritma, en aza indirilen bir puan veya kayıp işlevi tarafından yönlendirilir. Ev değeri örneğinde, makine tahmini ev fiyatı ile öngörülen fiyat arasındaki farkı en aza indirir. Tamamen eğitilmiş bir makine öğrenimi modeli daha sonra yeni örnekler için tahminler yapmak için kullanılabilir.

Ev fiyatlarının tahmini, ürün önerileri, sokak işareti tespiti, kredi varsayımı ve sahtekarlık tespiti: Tüm bu örnekler, makine öğrenimi ile çözülebileceği ortak özelliklere sahiptir. Görevler farklıdır, ancak yaklaşım aynıdır: Adım 1: Veri toplama. Ne kadar çok veri, o kadar iyidir. Veri, tahmin yapmak için istediğiniz sonucu ve tahmin yapmak için ek bilgi içermelidir. Sokak işareti tespiti için ("Resimde sokak işareti var mı?") sokak resimleri toplar ve bir sokak işaretinin görünüp görünmediğini etiketlersiniz. Kredi varsayımı tahmincisi için, geçmişteki gerçek kredilere ilişkin verilere, müşterilerin kredileri ile varsayımsız olup olmadığına dair bilgiye ve gelir, geçmiş kredi varsayımları gibi tahminler yapmanıza yardımcı olacak verilere ihtiyacınız vardır. Otomatik bir ev değeri tahmini programı için, geçmiş ev satışlarından gelen verileri ve boyut, konum gibi gayrimenkul bilgilerini toplayabilirsiniz. Adım 2: Bu bilgileri bir makine öğrenimi algoritmasına girerek bir işaret tespit modeli, bir kredi derecelendirme modeli veya bir ev değeri tahmincisi oluşturun. Adım 3: Modeli yeni verilerle kullanın. Modeli bir ürün veya sürece (örneğin, otonom bir araba, bir kredi başvuru süreci veya bir emlak pazarı web sitesi) entegre edin.

Makine, satranç (veya daha yakın zamanda Go) oynamada veya hava durumu tahmin etmede insanları aşar. Makine bir görevde insan kadar iyi veya biraz daha kötü olsa bile, hız, yeniden üretilebilirlik ve ölçekleme açısından büyük avantajlar vardır. Bir kez uygulanan bir makine öğrenimi modeli, görevi insanlardan çok daha hızlı tamamlayabilir, güvenilir bir şekilde tutarlı sonuçlar sunabilir ve sonsuz sayıda kopyalanabilir. Bir makine öğrenimi modelini başka bir makinede kopyalamak hızlı ve ucuzdur. Bir insanın bir görev için eğitilmesi on yıllar alabilir (özellikle gençken) ve çok maliyetlidir. Makine öğrenimi kullanmanın başlıca dezavantajı, veri ve makinenin çözdüğü görev hakkındaki içgörülerin giderek karmaşık modellerde gizli olmasıdır. Derin bir sinir ağı açıklamak için milyonlarca sayıya ihtiyacınız vardır ve modeli tamamen anlamak için hiçbir yol yoktur. Diğer modeller, rastgele orman gibi, tahminler "oy" veren yüzlerce karar ağacından oluşur. Kararın nasıl yapıldığını anlamak için yüzlerce ağacın oylarına ve yapılarına bakmanız gerekecektir. Bu, ne kadar zeki olduğunuza veya çalışma belleğinizin ne kadar iyi olduğuna bakılmaksızın çalışmaz. En iyi performans gösteren modeller genellikle her biri ayrı ayrı yorumlanabilecek modellerin bir karışımı (ayrıca ansamble denir) veya tahmin edilemez, hatta her bir model yorumlansa bile. Performansa odaklanırsanız, otomatik olarak daha da opak modeller elde edersiniz. Makine öğrenimi yarışmalarındaki kazanan modeller genellikle model kombinasyonları (aynı zamanda ansamble olarak adlandırılır) veya güçlendirilmiş ağaçlar veya derin sinir ağları gibi çok karmaşık modellerdir.