Makine Öğrenmesi Algoritmaları Nelerdir?

Merhaba! Bu yazımızda sizlerle makine öğrenmesi algoritmalarından bahsettik, keyifli okumalar.

Denetimli Öğrenme 

Bir görevi yerine getirmek için sisteme hedefi, yani toplanan çıktıları ve makine öğrenmesine verilen eğitimin denetlenmesini içerir. Verilen eğitimde operatör karar mercii durumundadır. Algoritma, soruların doğru cevaplarını bilmesine rağmen verideki kalıpları açıklar, gözlemleri doğrular ve tahminlerde bulunur. Algoritma tahminlerde bulunurken operatör bu tahminleri denetler. Bu oluşturulan sistem algoritma en iyi performans ve en doğru tahmini elde edene kadar devam eder.

Yani Denetimli Öğrenme için bir çeşit organize sistemi diyebiliriz.

Denetimsiz Öğrenme 

Denetimsiz öğrenme algoritması, toplanan verileri kendi aralarında veya diğer verilerle birlikte kümeler haline getirerek, belirli özelliklere göre sınıflandırır ve bu sınıflandırmaya göre bir anlam çıkarmaya çalışır. Etiketlenmemiş yani belirsiz veriler üzerinde çalışır. Denetimli algoritmadaki gibi yapılan tahminin doğru olup olmadığına dair bir geri bildirim almaz, bu nedenle serbest çalışma konusunda ve düzen konusunda denetimli öğrenmeye göre geriden gelir. Doğruluk konusunda ise denetimli öğrenmeye göre daha yanlış sonuçlar elde eder. Denetimli öğrenme süreci doğru tahmini bulana kadar devam ederken, denetimsiz öğrenmede ''doğruya en yakın'' olan bulunur, bu nedenle doğruluk konusunda orta derecede sonuç elde eder.

Buna en güzel örneği sosyal medya sınıfında yer alan Twitter ve Instagram örneğini verebiliriz.

Yarı Denetimli Öğrenme 

Az önce bahsetmiş olduğumuz denetimli ve denetimsiz öğrenmeye benzer özellikleri bulunan bir algoritmadır. Benzeme sebeplerinden en önemlisi denetimli öğrenmede kullanılan etiketli verileri, denetimsiz öğrenmede ise etiketsiz verileri içerisinde barındırmasıdır. Etiketlenmemiş büyük miktarda bir veriyle beraber etiketlenmiş küçük miktarda bir verinin aynı zamanda kullanılmasıdır.

Genetik sıralama ve web sayfalarını sıralamada kullanılır.

Takviyeli Makine Öğrenmesi 

Takviyeli makine öğrenmesi, kesin bilgilerin yeterli olmadığı durumlarda bile hiçbir ön bilgiye ihtiyaç duymadan, yani elimizde bir veri olmadan da süreci başlatabilen bir algoritmadır. Bu algoritma kesinlikten ziyade deneme-yanılma yöntemiyle çalışır. Robotik bir makineyi ele alacak olursak, bu robotun kendine göre karar verebilmesini, hedeflediği sisteme ulaşabildiğinde doğru kararlar vererek doğru tahmine ulaşmasını öğreten algoritma diyebiliriz. Takviyeli makine öğrenmesinde bir eğiticiye ihtiyaç duyulur fakat denetimli öğrenmede bahsetmiş olduğumuz büyük verilerle bu öğrenme algoritmasında karşılaşamayız, takviyeli makine öğrenmesi büyük verilere ve ayrıntıya yer veremez. Bunun yerine öğrenen sistem tahminin doğruluğuna ya da yanlışlığına karar verir.

Bu algoritma oyun programlamada, hastalıkların tanı ve teşhisinde, otomasyon sektöründe sıklıkla kullanılmaktadır.

Derin Öğrenme 

Yapay zekanın alt dalı olan derin öğrenme, günümüzde otonom araçlarda ve yüz tanıma sistemlerinde kullanılır. Derin öğrenmede denetimli öğrenmeye göre çok daha büyük veri girişi sağlanır. Bu kapsadığı büyük veri girişleriyle ayırt edici özellikleri kendisi öğrenir. Öğrenme işlemi için ne kadar çok veri girişi sağlanırsa başarı orantısı aynı doğrultuda artmaktadır.

Derin öğrenme, makinelerin dünyayı ve çevrede değişen, gelişen olayları kavrama konusunda yapay zekâ geliştirmede çok tercih edilen bir yaklaşımdır.

Bizimle geleceğe buradan ilk adımı at!  

 Okuma önerisi: Makine Öğrenmesi Nedir? Makine Öğrenmesi ile Yapay Zekâ Arasındaki İlişki