Automated Machine Learning (AutoML)

Otomatik Makine Öğrenmesi (AutoML), makine öğrenmesi modeli geliştirmenin zaman alıcı ve yinelemeli görevlerini otomatikleştirme sürecidir. Veri bilimcilerin, analistlerin ve geliştiricilerin, model kalitesini korurken yüksek ölçekli, verimli ve üretken Makine Öğrenmesi (ML) modelleri oluşturmalarına olanak tanır. Geleneksel model geliştirme süreci, onlarca model üretmek ve karşılaştırmak için ciddi miktarda alan bilgisi ve zaman gerektiren, kaynak yoğun bir iştir. AutoML, veri ön işleme, özellik seçimi ve hiperparametre ayarı gibi adımları otomatikleştirerek Yapay Zeka (AI) gücünü uzman olmayanlar için erişilebilir kılar ve deneyimli profesyoneller için iş akışını hızlandırır.

Link to this sectionAutoML'in Temel Bileşenleri#

AutoML'in birincil hedefi, belirli bir veri seti için tahminleyici bir modelin performansını minimum manuel müdahale ile optimize etmektir. Kapsamlı bir AutoML hattı genellikle birkaç kritik aşamayı yönetir:

• Veri Temizleme ve Hazırlama: Ham veriler nadiren eğitime hazırdır. AutoML araçları, tutarlılığı sağlamak için eksik değerleri otomatik olarak işler, aykırı değerleri tespit eder ve eğitim verilerini biçimlendirir.
• Özellik Mühendisliği: Hangi değişkenlerin bir tahmine en çok katkıda bulunduğunu belirlemek hayati önem taşır. Otomatik sistemler, yeni girdi değişkenleri oluşturmak için özellik çıkarımı ve ilgisiz verileri kaldırmak için seçim yaparak hesaplama verimliliğini artırır.
• Model Seçimi: AutoML çerçeveleri, basit doğrusal regresyondan karmaşık Derin Öğrenme (DL) mimarilerine kadar çeşitli algoritmaları akıllıca tarayarak problem için en uygun olanı bulur.
• Hyperparameter Optimization: Finding the exact settings—such as learning rate or batch size—that yield the highest accuracy is often the most tedious part of ML. AutoML uses techniques like Bayesian optimization to rapidly navigate this search space.

Link to this sectionGerçek Dünya Uygulamaları#

AutoML, gelişmiş yapay zekayı devreye almaya yönelik giriş engelini düşürerek çeşitli sektörlerde devrim yaratıyor.

1. Sağlık ve Tanılama: Tıbbi görüntü analizinde, AutoML klinisyenlerin röntgen veya MRI taramalarındaki patolojileri tanımlayan modeller geliştirmelerine yardımcı olur. Evrişimli Sinir Ağlarının (CNN'ler) tasarımını otomatikleştirerek, hastaneler olası tümörleri veya kırıkları işaretlemek için yüksek anımsama oranına sahip sistemler kullanabilir ve radyologlar için güvenilir bir ikinci görüş görevi görebilir.

2. Perakende ve Envanter Kontrolü: E-ticaret devleri ve fiziksel mağazalar, talebi tahmin etmek için perakendede yapay zeka kullanır. AutoML sistemleri, geçmiş satış verilerini analiz ederek gelecekteki trendleri tahmin eder ve otomatik envanter yönetimini optimize eder. Ayrıca, raf stok seviyelerini gerçek zamanlı olarak izlemek için özel nesne algılama modelleri eğitilebilir.

Link to this sectionUltralytics ile Otomatik Optimizasyon#

Modern bilgisayarlı görü iş akışları, genellikle eğitim parametrelerinin mükemmel dengesini bulmayı gerektirir. ultralytics kütüphanesi, YOLO26 gibi modeller için optimal hiperparametreleri (genetik evrim) bulma sürecini otomatikleştirerek AutoML'e benzer şekilde çalışan yerleşik yetenekler içerir.

Aşağıdaki örnek, bir veri setindeki model performansını yinelemeli olarak artıran otomatik bir ayar oturumunun nasıl başlatılacağını gösterir:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Start automated hyperparameter tuning
# This runs multiple experiments, mutating parameters to maximize metrics
model.tune(data="coco8.yaml", epochs=30, iterations=10, plots=False)

Link to this sectionAutoML'i İlgili Terimlerden Ayırmak#

AutoML diğer yapay zeka kavramlarıyla ortak noktalara sahip olsa da, kapsamı ve uygulaması açısından farklıdır:

• Sinir Mimarisi Arama (NAS) ve AutoML: NAS, AutoML'in özel bir alt kümesidir. Genel AutoML bir Karar Ağacı ile bir Sinir Ağı arasında seçim yapabilirken, NAS yalnızca bir sinir ağının (örneğin katman ve bağlantı sayısı) iç yapısını tasarlamaya odaklanır. NAS hesaplama açısından yoğundur ve modelin topolojisiyle ilgilenir.
• Transfer Öğrenme ve AutoML: Transfer öğrenme, önceden eğitilmiş bir modelin yeni bir görev için uyarlandığı bir tekniktir. AutoML, eğitimi hızlandırmak için genellikle transfer öğrenmeyi bir strateji olarak kullanır, ancak bunlar aynı şey değildir; AutoML kapsayıcı otomasyon sürecidir, transfer öğrenme ise bu süreç içinde kullanılan belirli bir metodolojidir.
• MLOps ve AutoML: AutoML, modelin oluşturma aşamasına odaklanır. MLOps (Makine Öğrenmesi Operasyonları) ise model dağıtımı, izleme, yönetişim ve üretim ortamlarında yeniden eğitim dahil olmak üzere tüm yaşam döngüsünü kapsar.

Link to this sectionAraçlar ve Platformlar#

AutoML araçlarının dünyası, bulut tabanlı çözümlerden açık kaynaklı kütüphanelere kadar geniştir. Büyük bulut sağlayıcıları, kod yazmadan model eğitimi için grafiksel arayüzler sağlayan Google Cloud AutoML ve AWS SageMaker Autopilot gibi hizmetler sunar. Python ekosisteminde, auto-sklearn gibi kütüphaneler standart veri setleri için otomatik algoritma seçimini mümkün kılar.

Özellikle bilgisayarlı görü görevleri için Ultralytics Platform, eğitim hattını basitleştirir. Veri setlerini yönetmek, YOLO11 ve YOLO26 gibi en son teknoloji modelleri eğitmek ve bunları çeşitli uç cihazlara dağıtmak için sezgisel bir arayüz sunarak görüntü yapay zekası geliştirmenin karmaşık mekaniğini etkin bir şekilde kolaylaştırır.