19. yüzyılda buhar gücüyle ve 20. yüzyılda elektrikle çalışan makinelerin ortaya çıkmasından sonra insanlık tarihi son derece önemli bir soru daha sordu: Makineler de insanlar gibi öğrenebilir mi?
Makine öğrenimi (machine learning) nedir?
Makine öğrenimi, insanların öğrenme şeklini taklit etmek için veri ve algoritmaların kullanımına odaklanan ve doğruluğunu kademeli olarak artıran bir yapay zeka (AI) ve bilgisayar bilimi dalıdır.[1]
Makine öğrenimi (machine learning), büyüyen veri bilimi alanının önemli bir bileşenidir. İstatistiksel yöntemlerin kullanımı yoluyla algoritmalar, sınıflandırmalar veya tahminler yapmak ve veri madenciliği projelerinde temel bilgileri ortaya çıkarmak için eğitilir. Bu içgörüler daha sonra uygulamalar ve işletmeler içinde karar vermeyi yönlendirerek ideal olarak temel büyüme ölçümlerini etkiler. Büyük veri genişlemeye ve büyümeye devam ettikçe, veri bilimcilere yönelik pazar talebi artacaktır. En alakalı iş sorularını ve bunları yanıtlayacak verileri belirlemeye yardımcı olmaları istenecektir.
Bir bilgisayar programının, P ile ölçüldüğü şekliyle T üzerindeki performansı, E deneyimi ile iyileşirse, bazı görev T ve bazı performans ölçütleri P ile ilgili olarak E deneyiminden öğrendiği söylenir.
Tom Mitchell, Carnegie Mellon Üniversitesi
Basit bir şekilde açıklamak gerekirse, Netflix’te izlediğiniz belirli bir türdeki dizinin ardından tavsiye motorunun size ilgili başka içerikleri çıkarması aslında makine öğrenimi ile ilgili bir konudur.
Geçtiğimiz on yıllar boyunca depolama ve işleme gücündeki teknolojik gelişmeler, Netflix’in tavsiye motoru ve sürücüsüz arabalar gibi makine öğrenimine dayalı bazı yenilikçi ürünleri mümkün kıldı.
- ⚠️ Biliyor muydunuz? Python‘u makine öğrenimi ve yapay zeka tabanlı projeler için en uygun hale getiren avantajlar arasında basitlik ve tutarlılık, yapay zeka ve makine öğrenimi (ML) için harika kitaplıklara ve çerçevelere erişim, esneklik, platform bağımsızlığı ve geniş bir topluluk yer alır. Bunlar, dilin genel popülaritesine katkıda bulunur.
Nasıl başladı?
Makine öğrenimi ilk olarak sinir ağlarının matematiksel modellenmesiyle ortaya çıktı. Mantıkçı Walter Pitts ve sinirbilimci Warren McCulloch tarafından 1943’te yayınlanan bir makale, insan bilişinde düşünce süreçlerini ve karar verme sürecini matematiksel olarak haritalamaya çalıştı.[2]
1950’de İngiliz matematikçi Alan Turning, makinelerin “akıllı” veya “akılsız” olarak kabul edildiği turnusol testi haline gelen Turing Testini önerdi. Bir makinenin “akıllı” bir makine statüsü alması için kriter, bir insanı kendisinin, makinenin de bir insan olduğuna ikna etme yeteneğine sahip olmasıydı. Kısa bir süre sonra Dartmouth College’da bir yaz araştırma programı yapay zekanın resmi doğum yeri oldu. Dolayısıyla makine öğrenimi ile ilgili somut çalışmaların 20. yüzyılın ortalarından itibaren var olduğunu kabul edebiliriz.
Çalışmalar
Makine öğrenimi ile ilgili en önemli çalışmalar New York merkezli teknoloji şirketi olan IBM tarafından gerçekleştirilmektedir.
Örnekler
Görüntü tanıma
Görüntü tanıma, gerçek dünyada makine öğreniminin iyi bilinen ve yaygın bir örneğidir. Siyah beyaz görüntülerdeki veya renkli görüntülerdeki piksellerin yoğunluğuna bağlı olarak bir nesneyi dijital görüntü olarak tanımlayabilir.
Konuşma tanımlama
Makine öğrenimi konuşmayı metne çevirebilir. Bazı yazılım uygulamaları, canlı sesi ve kaydedilmiş konuşmayı bir metin dosyasına dönüştürebilir. Konuşma, zaman-frekans bantlarındaki yoğunluklara göre de bölümlere ayrılabilir. Örneğin iPhone telefonunuzda Notlar uygulamasına giderek yeni bir not oluşturduktan sonra sağ altta mikrofon simgesine tıklayarak konuşmanızı metne dönüştürebilirsiniz. Ya da bulut tabanlı Driver uygulamasına giderek Dökümanlar dosyasında Sesle Yazma özelliğini kullanabilirsiniz.
Tıbbi teşhis
Makine öğrenimi, hastalıkların teşhisine yardımcı olabilir. Birçok doktor, semptomlardaki kalıpları ayırt etmek için konuşma tanıma özelliklerine sahip sohbet robotlarını kullanır.
İstatistiksel arbitraj
Arbitraj, büyük hacimli menkul kıymetleri yönetmek için finansta kullanılan otomatik bir ticaret stratejisidir. Strateji, ekonomik değişkenleri ve korelasyonları kullanarak bir dizi menkul kıymeti analiz etmek için bir ticaret algoritması kullanır.
Tahmine dayalı analiz
Makine öğrenimi, mevcut verileri daha sonra analistler tarafından belirlenen kurallarla tanımlanan gruplar halinde sınıflandırabilir. Sınıflandırma tamamlandığında, analistler bir hata olasılığını hesaplayabilirler.
Çıkarım
Makine öğrenimi, yapılandırılmamış verilerden yapılandırılmış bilgileri çıkarabilir. Kuruluşlar, müşterilerden büyük miktarda veri toplar. Bir makine öğrenimi algoritması, tahmine dayalı analitik araçları için veri kümelerine açıklama ekleme sürecini otomatikleştirir.
Dipnotlar
[1] “What is Machine Learning? | IBM.” 15 Tem. 2020, https://www.ibm.com/cloud/learn/machine–learning. Erişim tarihi: 11 Ağu. 2022.
[2] “A Timeline of Machine Learning History – TechTarget.” 20 Eki. 2020, https://www.techtarget.com/whatis/A–Timeline–of–Machine–Learning–History. Erişim tarihi: 11 Ağu. 2022.
