2.3 Terminoloji

Kitabı okurken oluşabilecek kimi belirsizliklerden kaçınmak adına, bazı tanımlar aşağıda verilmiştir.

Algoritma, belirli bir amaca ulaşmak için bir makinenin izlediği kurallar setidir. Bir algoritma, girdileri, çıktıyı ve girdilerden çıktıya ulaşmak için gereken tüm adımları tanımlayan bir tarif olarak düşünülebilir. Yemek tarifleri, malzemelerin girdi, pişirilmiş yemeğin çıktı olduğu ve hazırlık ile pişirme adımlarının algoritma talimatları olduğu algoritmalardır.

Makine Öğrenmesi ya da Yapay Öğrenme, bilgisayarların verilerden öğrenerek tahminler yapmasını ve iyileştirmesini sağlayan yöntemler setidir (örneğin kanser, haftalık satışlar, kredi temerrüdü gibi). Makine öğrenimi, tüm talimatların bilgisayara açıkça verilmesi gereken “normal programlama”dan, veri sağlanarak gerçekleşen “dolaylı programlama”ya bir paradigma değişikliğidir.

Öğrenici veya Yapay Öğrenim Algoritması, verilerden bir makine öğrenimi modeli öğrenmek için kullanılan programdır. Başka bir adı "indükleyici"dir (örneğin, "ağaç indükleyici").

Yapay Öğrenim Modeli, girdileri tahminlere eşleyen öğrenilmiş bir programdır. Bu, bir doğrusal model veya bir sinir ağı için bir ağırlık seti olabilir. "Model" kelimesi için diğer adlar "tahminci" ya da göreve bağlı olarak "sınıflandırıcı" veya "regresyon modeli"dir. Formüllerde, eğitilmiş makine öğrenimi modeli $\hat f$ veya $\hat f(x)$ olarak adlandırılır.

Figür 2.1: Bir öğrenen, etiketli eğitim verilerinden bir model öğrenir. Model, tahminler yapmak için kullanılır.

Kara Kutu Model, iç mekanizmalarını açığa çıkarmayan bir sistemdir. Yapay öğrenimde "kara kutu", parametrelerine bakılarak anlaşılamayan modelleri tanımlar (örneğin, bir sinir ağı). Kara kutunun zıddı bazen Beyaz Kutu olarak adlandırılır ve bu kitapta yorumlanabilir model olarak bahsedilir. Yorumlanabilirlik için model-agnostik yöntemler, makine öğrenimi modellerini, olmasalar bile kara kutular olarak ele alır. Yorumlanabilir Yapay Öğrenim, yapay öğrenim sistemlerinin davranışlarını ve tahminlerini insanlara anlaşılır kılan yöntem ve modellere atıfta bulunur.

Veri seti, makinenin öğrendiği verilerin bulunduğu bir tablodur. Veri seti, değişkenleri ve tahmin edilecek hedefi içerir. Model oluşturmak için kullanıldığında, veri setine eğitim verisi denir.

Örnek (Instance), veri setindeki bir satır olarak tanımlanır. 'Örnek' için diğer adlar: (veri) noktası, örnek, gözlem. Bir örnek, değişken değerlerini $x^{(i)}$ ve biliniyorsa, hedef sonucu $y_i​$ içerir.

Değişken (Features), tahmin veya sınıflandırma için kullanılan girdilerdir. Bir değişken, veri setindeki bir sütundur. Kitap boyunca, değişkenlerin yorumlanabilir olduğu varsayılır, yani ne anlama geldiklerinin kolayca anlaşılabilir olduğu, belirli bir günün sıcaklığı veya bir kişinin boyu gibi. Değişkenlerin yorumlanabilirliği büyük bir varsayımdır. Ancak girdi değişkenlerinin anlaşılması zorsa, modelin ne yaptığını anlamak daha da zordur. Tüm özelliklerin matrisi $X$ ve tek bir örnek için $x^{(i)}$ olarak adlandırılır. Tüm örnekler için tek bir özelliğin vektörü $x_j​$ ve değişken $j$ ve örnek $i$ için değer $x_j^{(i)}$ olarak adlandırılır.

Hedef (Target), makinenin tahmin etmeyi öğrendiği bilgidir. Matematiksel formüllerde, hedef genellikle $y$ veya tek bir örnek için $y_i​$ olarak adlandırılır.

Yapay Öğrenim görevi, değişken ve bir hedef içeren bir veri setinden meydana gelmektedir. Hedefin türüne bağlı olarak, görev örneğin sınıflandırma, regresyon (bağlanım), sağkalım analizi, kümeleme veya aykırı değer tespiti olabilir.

Tahmin, yapay öğrenin modelinin, verilen değişkenlere dayanarak hedef değerin ne olması gerektiğini "tahmin ettiği" şeydir. Bu kitapta, model tahmini $f(x(i))$ veya $\hat y$ ile gösterilir.

---

“Definition of Algorithm.” https://www.merriam-webster.com/dictionary/algorithm. (2017).