Makine öğreniminin bilinçli ve çalışma tanımına ek olarak (ML), temelleri, makinenin ‘düşünmesini’ sağlamanın zorlukları ve sınırlamaları, bugün derinlemesine ele alınan sorunların özeti hakkında kısa bir genel bakış sunmayı amaçlıyoruz.
Makine Öğrenimi Nedir?
Makine Öğrenimi, bilgisayarların insanlar gibi öğrenmelerini, davranmalarını ve özerk bir şekilde, gözlem ve gerçek dünya etkileşimleri şeklinde veri ve bilgi besleyerek öğrenmelerini ve zaman içinde kendilerini geliştirmelerini sağlayan bilimdir.
Yukarıdaki tanım, alandaki birçok araştırmacı tarafından ifade edildiği gibi, makine öğreniminin ideal veya nihai amacını kapsar. Makine öğrenimi ve yapay zeka birçok kişinin kafasında aynı tanımı paylaşıyor, ancak bilmeniz gereken farklılıkları da mevcut.
Peki saygıdeğer 3 farklı kaynak bu konuyu nasıl tanımlıyor bakalım:
- “En temelde Makine Öğrenmesi, verileri ayrıştırmak, ondan öğrenmek ve daha sonra dünyadaki bir şey hakkında bir belirleme veya tahmin yapmak için algoritmalar kullanma uygulamasıdır.” - Nvidia
- “Makine öğrenmesi, bilgisayarların açıkça programlanmadan harekete geçme bilimidir.” - Coursera Company
- “Makine öğrenmesi, kurallara dayalı programlamaya dayanmadan verilerden öğrenebilen algoritmalara dayanır.” - McKinsey & Co.
Makine Öğrenmesi Temel Kavramlar
Yüzlerce yayınlanmış birçok farklı makine öğrenme algoritması türü vardır ve bunlar tipik olarak ya öğrenme stiline (yani denetimli öğrenme, denetimsiz öğrenme, yarı denetimli öğrenme) ya da form veya fonksiyondaki benzerliğe göre gruplanır (yani sınıflandırma, regresyon, karar ağacı, kümeleme, derin öğrenme vb.). Öğrenme stili veya işlevi ne olursa olsun, makine öğrenme algoritmalarının tüm kombinasyonları aşağıdakilerden oluşur :
- Temsil (bir dizi sınıflandırıcı veya bilgisayarın anladığı dil)
- Değerlendirme (aka hedef / puanlama işlevi)
- Optimizasyon (arama yöntemi; genellikle en yüksek puanlayıcı sınıflandırıcı, örneğin; kullanıma hazır ve özel optimizasyon yöntemleri vardır)
Makine öğrenmesi algoritmalarının temel amacı , eğitim örneklerinin ötesine genellemektir ; yani daha önce hiç görmediği verileri başarıyla yorumlamaktır.
Makine Öğrenimi Modellerinin Görsel Gösterimleri
İnsanlar “Makine öğrenmesi nedir?” Diye sorduğunda, genellikle ne olduğunu ve ne yaptığını görmek isterler . Aşağıda makine öğrenimi modellerinin bazı görsel sunumları bulunmaktadır ve bunlar hakkında daha fazla bilgi için arama motorlarını kullanabilirsiniz, yoksa bu içerik çook uzun bir içeriğe dönüşür.
Decision tree model
Gaussian mixture model
Dropout neural network
Merging chrominance and luminance using Convolutional Neural Networks
Makinelerin Öğrenmesini Nasıl Sağlarız?
Yapmaya çalıştığınız işe ve türüne bağlı olarak, Decision tree model kullanılmasından, yapay sinir ağı katmanlarının kümelenmesine (ikincisi derin öğrenmeye yol açan - deep learning - artificial neural networks) kadar makine öğrenimi ya da makineye öğretme konusunda farklı yaklaşımlar vardır. Bu tıp teşhisinden kendi kendine sürüş arabalarına kadar çeşitli uygulamalarda kendini göstermektedir .
Genellikle en iyi öğrenme algoritmasını seçmeye vurgu yapılırken, araştırmacılar en ilginç soruların bazılarının, par için yapılan mevcut makine öğrenme algoritmalarından hiçbirinden kaynaklanmadığını bulmuşlardır. Bu, çoğu zaman eğitim verilerinde bir sorundur, ancak bu, yeni alanlarda makine öğrenmesiyle çalışırken de ortaya çıkar .
Gerçek uygulamalar üzerinde yapılan araştırmalar çoğu zaman bu alanda ilerleme sağlar ve sebepler iki yönlüdür:
- Mevcut yöntemlerin sınırlarını keşfetme eğilimi
- Etki alanı uzmanlarıyla çalışan araştırmacılardan, geliştiricilerden ve sistem performansını iyileştirmek için zaman ve uzmanlıktan yararlanma.
Bazen bu aynı zamanda “kaza” ile de ortaya çıkar. Doğruluk geliştirmek için model toplulukları veya birçok öğrenme algoritmasının kombinasyonlarını bir örnek olarak düşünebiliriz. 2009 Netflix Price için yarışan takımlar, öğrenicilerini diğer takımın öğrenenleriyle birleştirirken en iyi sonuçları elde ettiklerini belirleyerek, gelişmiş bir öneri algoritmasıyla karşılaştılar. Fakat Netflix bu topluluğu kullanamadı.
Öğrenen makineler, insanlar için faydalıdır, çünkü tüm işlem güçleriyle, başkaları tarafından kaçırılmış olabilecek büyük (veya başka) verilerdeki kalıpları daha hızlı bir şekilde vurgulayabilir veya bulabilirler. Makine öğrenimi, insanların sorunları çözme yeteneklerini geliştirmek ve geniş çaplı problemler hakkında bilinçli çıkarımlar yapmak için kullanılabilecek bir araçtır, hastalıkların teşhisine yardımcı olmaktan, küresel iklim değişikliği için çözümler üretmeye kadar.
Zorluklar ve Sınırlamalar
Makine öğrenimindeki en büyük iki tarihsel (ve devam eden) problem, fazladan yüklemeyi içermiştir (modelin eğitim verilerine yönelik önyargı gösterdiği ve yeni verilere genelleştirilmediği ve / veya varyansı, yani yeni verilerde eğitildiğinde rastgele şeyler öğrendiği) ve boyutluluk (daha fazla özelliğe sahip algoritmalar daha yüksek / çoklu boyutlarda çalışır, verileri daha zor anlar). Yeterince geniş bir veri kümesine erişebilmek, bazı durumlarda da birincil bir problem olmuştur.
Makine öğrenmeye yeni başlayanlar arasındaki en yaygın hatalardan biri, eğitim verilerini başarıyla test etmek ve başarı yanılsamasına sahip olmaktır; Domingo - bu alanda saygıdeğer bir üstadımız - (ve diğerleri), modelleri test ederken bazı veri setlerini ayrı tutmanın ve yalnızca seçilen modeli test etmek için ayrılmış veriyi kullanmanın ve ardından tüm veri setini öğrenmenin önemini vurgulamaktadır.
Bir öğrenme algoritması çalışmadığı zaman, makineye daha fazla veri beslemek başarmayı daha hızlı sağlar; bu durum, şimdiye kadar makine alanındaki ilerlemenin ana itici gücü ve son zamanlarda derin öğrenme algoritmaları olarak bilinen bir şeydir. Ancak bu, daha fazla veriye sahip olduğumuz ve verilerin bir sorun olarak kaldığını öğrenmek için zamanımız olan ölçeklenebilirlik sorunlarına yol açabilir. Kafanız karıştı dimi? 😕 Benimde.
Derin Öğrenme ve Modern Gelişmeler - Deep Learning
Derin öğrenme, çoklu soyutlama seviyelerinde (bilgisayar sistemlerini düzenleme yolları) verilerin iyi bir şekilde temsil edilmesini öğrenmek için makine algoritmalarının çalıştırılmasını ve tasarımını içerir . DeepMind , Facebook ve diğer kurumlar aracılığıyla derinlemesine öğrenmenin son tanıtımları, onu makine öğrenmenin “bir sonraki sınırı” olarak vurguladı.
Makine Öğrenmesi Uluslararası Konferansı (ICML) dünyada en önemlilerinden biri olarak kabul edilmektedir. Bu yıl Haziran ayında (2019) New York’ta gerçekleşti - neden İstanbul’da değil - ve derin öğrenme konusundaki mevcut zorlukların üstesinden gelmek için çalışan tüm dünyadan araştırmacıları bir araya getirdi :
- Küçük veri setlerinde denetimsiz öğrenme
- Simülasyon temelli öğrenme ve gerçek dünyaya aktarılabilirlik
Derin öğrenme sistemleri, son on yılda, bject algılama ve tanıma, metinden konuşmaya, bilgi alma ve diğerleri gibi alanlarda büyük kazanımlar elde etti. Araştırma şimdi verimli makine öğrenmesi geliştirmeye doğru yönlendi - yani daha verimli öğrenebilen, daha az veri ve aynı performansa sahip, kişiselleştirilmiş sağlık hizmetleri, robot güçlendirme öğrenmesi, duyarlılık analizi ve diğerleri.