Makine Öğrenmesi nedir?
Machine Learning (ML)
Bilgisayarların açıkça programlanmadan, verilerden örüntü öğrenerek tahmin veya karar üretmesini sağlayan yapay zekâ alt dalı.
Makine öğrenmesi (ML), bir problemi çözen kuralları elle yazmak yerine, bilgisayara örnek veriler verip bu kuralları kendisinin bulmasını sağlayan yaklaşımdır. Ortaya çıkan 'model', daha önce görmediği yeni veriler için tahmin yapabilir.
Üç ana türü vardır. Denetimli öğrenmede veriler doğru cevaplarla (etiketlerle) birlikte gelir; ev fiyatı tahmini veya spam tespiti buna örnektir. Denetimsiz öğrenmede etiket yoktur, model verideki grupları veya yapıları kendisi keşfeder; müşteri segmentasyonu tipik bir örnektir. Pekiştirmeli öğrenmede ise bir ajan, deneme-yanılma ile ödülü en üst düzeye çıkaran davranışı öğrenir.
Tipik bir ML süreci; veri toplama, veriyi temizleme, özellik (feature) seçme, modeli eğitme, ayrı bir test verisiyle değerlendirme ve son olarak modeli kullanıma alma adımlarından oluşur. Modelin eğitim verisini ezberleyip yeni verilerde kötü sonuç vermesine aşırı öğrenme (overfitting) denir ve en sık karşılaşılan sorunlardan biridir.
Kredi riski değerlendirme, ürün önerileri, arıza tahmini ve tıbbi görüntü analizi ML'in yaygın kullanım alanlarıdır.
Örnek: Basit bir denetimli öğrenme örneği
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
X, y = load_iris(return_X_y=True)
X_egitim, X_test, y_egitim, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = DecisionTreeClassifier().fit(X_egitim, y_egitim)
print("Test doğruluğu:", model.score(X_test, y_test))İpuçları
- Modeli asla eğitim verisiyle test etmeyin; her zaman ayrı bir test kümesi kullanın.
- Çoğu projede başarının büyük kısmı model seçiminden değil, veri kalitesinden gelir.
