Makine öğrenmesinin (machine learning) ne olduğunu ve kullanım alanlarını anlatıyoruz.
Makine öğrenmesi terimi kulağa bilim kurgu filmlerinden çıkmış gibi gelse de, günümüzde birçok alanda kullanılıyor ve yaşamı kolaylaştırıyor. Örneğin tavsiye motorları, online reklam gösterimini kişiselleştirmek için makine öğrenmesini kullanıyor. Üstelik bu süreç neredeyse gerçek zamanlı gerçekleşiyor. İnternette dolaşırken aradığınız bir şeyin reklamlarını, girdiğiniz diğer sitelerde gördüğünüzü fark etmişsinizdir.
Makine öğrenmesi, ek programlama gerekmeden yazılımların sonuçları daha doğru şekilde tahmin edebilmesini sağlayan algoritmalar bütünüdür. İşletmeler makine öğrenme platformlarını, birçok kaynaktan veri alıp sonucu tahmin etmek için istatistiksel analiz uygulayacak şekilde tasarlıyor. Yeni veriler geldikçe de bilgisayar daha iyi tahminler ortaya koyuyor.
Tahmin analizleri ve veri madenciliği kullanarak veri içerisindeki belirli dokular ve trendler tespit ediliyor, istenen eylemler de bu doğrultuda yürütülüyor. Birden çok makine öğrenme algoritması vardır. Örnek vermek gerekirse:
- Karar ağaçları (decision tree), gözlemleri kullanarak belirli eylemleri yürüten ve istenen sonuca ulaşacak en iyi yolu tanımlayan modelleri tanımlar.
- Kümeleme (clustering), tanımlanmış miktarda veriyi benzer özelliklere göre belirli gruplarda toplar.
- Pekiştirmeli öğrenme (reinforcement learning) sayesinde yapay zeka yaptığı eylemin sonuçlarını göz önünde bulundurarak ödül-ceza mantığıyla yeni seçimlerini yapıyor.
Gözetimli ve Gözetimsiz Öğrenme
Makine öğrenme sistemleri gözetimli (supervised) ya da gözetimsiz (unsupervised) olarak iki kategoriye ayrılır:
Gözetimli öğrenme sistemleri, makine öğrenmeyle ilişkili becerilere sahip bir veri analizcisi ya da veri araştırmacısı tarafından hem girdinin, hem de istenilen sonucun tanımlandığı algoritmalara verilen isimdir. Algoritmanın eğitimi sırasında tahmin doğruluğu hakkında geri bildirim de yine bu kişiler tarafından sağlanır.
Ek olarak veri analizcileri, modelin hangi değişkenleri analiz etmesi gerektiğini belirler ve bunları tahminleri geliştirmek için kullanır. Sistem eğitildiği zaman algoritma öğrendiklerini yeni verilere uygular.
Gözetimsiz öğrenme sistemlerinde ise istenilen sonuç verisiyle bir eğitim yapmak gerekmez. Derin öğrenme algoritmaları veriyi gözden geçirir ve sonuca varır.
Sinir ağları (neural networks) sayesinde büyük bir verideki birden çok değişken arasındaki ilişki saptanır. Buradan öğrenilen de ileride sunulan verileri işlemek için kullanılır. Görüntü işleme, ses ve metin tanımlama gibi karmaşık işlem süreçleri için gözetimsiz öğrenme sistemleri daha uygundur.
Makine Öğrenmesinin Kullanım Alanları
Tavsiye Motorları
Tavsiye motorları, kullanıcıların tercihlerini ya da belirli bir nesne için verdikleri derecelendirmeyi tahmin etmeyi amaçlayan veri filtreleme sistemleridir. İnternet siteleri; kitapları, filmleri, müzikleri, haberleri ve arama sonuçlarını buna göre karşımıza çıkarıyor. Finans şirketleri, sigorta şirketleri, restoranlar, arkadaş bulma uygulamaları ve daha birçok şirket bu motorları kullanıyor.
Tavsiye motorları, kullanıcıların geçmiş davranışlarını ya da benzer kullanıcılar tarafından daha önce verilmiş kararları göz önünde bulundurarak önerileri ortaya çıkarıyor. Motorlar aynı zamanda içerik bazlı filtreleme de uyguluyor. Belirli içerikleri tanıyıp, önerilerde de benzer içerikleri karşınıza çıkarıyor.
Dolandırıcılık Tespiti
Dolandırıcılık tespiti için geleneksel yöntemlerle veri analizi yapmak oldukça zaman gerektiriyor. Makine öğrenme dolandırıcılık davranışını işaret eden dokuları büyük veriler içinden tanıyıp sınıflandırabilir. Güvenlik firmaları da dolandırıcılık girişimlerini otomatik olarak tanımlayabilen bu teknolojileri kullanıyor. Özellikle sinirsel ağlar kullanılarak örnek verilerden de şüpheli dokular öğreniliyor.
Spam Filtresi ve Ağ Güvenliği
Makine öğrenme platformundan spam eposta ayıklamak için de faydalanılıyor. Normal eposta ile spam arasındaki farkı ayırt etmeye yarayan sınıflama modelleri kullanılıyor. Amaç çok düşük yanlış pozitif oranına ve en yüksek tespit doğruluğuna sahip bir model ortaya çıkarmak.
Birçok zararlı yazılım ve oltama saldırısı spam epostalar ile yapıldığından, bu sistem ağ güvenliğine de katkıda bulunuyor. Ayrıca makine öğrenme, sisteme ya da ağa yapılan saldırıları ve sızma girişimlerini de tespit edebiliyor. Böylelikle zararlı aktivite hızla tespit edilip, çok fazla zarara yol açmadan durdurulabiliyor.
Otonom Araçlar
Makine öğrenme platformları otonom araçlar için de kullanılıyor. Derin öğrenme yeteneğine sahip sinirsel ağlar sayesinde, yol üzerindeki ve çevredeki nesneler tanımlanabiliyor ve güvenlik önlemlerine en uygun hareket ortaya konuyor. Sürüş senaryoları ise radarlar, kameralar gibi birçok iç ve dış sensörden gelen verileri analiz ederek belirleniyor.
Sohbet Botları ve Sanal Yardımcılar
Sohbet botları ve sanal yardımcılar; dilleri, ses komutlarını anlayan ve komut alma, telefon numaralarına bakma, randevu ayarlama gibi hizmetleri yürüterek sekreter gibi çalışan sistemlerdir. Sanal yardımcıları ve yapay zekalı sohbet botlarını yürütmek, çok ciddi miktarda veri analizi ve makine öğrenmesi gerektirir.
Bakım Tahmini
Özellikle karmaşık cihazlara ve makinelere sahip şirketler, performans azaltan ya da sorunlara yol açan parçaları ciddi ve maliyetli problemlere yol açmadan önce tespit etmek ister. Makine öğrenme platformları üzerine kurulu bakım tahmin hizmeti sayesinde, fabrikaların ya da o ekipmana ihtiyaç duyan diğer hizmetlerin zarara uğraması önlenebiliyor.
