Makine Öğrenimi (ML)

Makine Öğrenimi (ML), makine öğreniminin dinamik bir alt alanıdır. Yapay Zeka (AI) olmadan zaman içinde performanslarını artırmak için verilerden öğrenme yeteneğine sahip sistemler geliştirmeye odaklanır. her özel kural için açıkça programlanmıştır. Öncü tarafından icat edildi Arthur Samuel 1959'da, bu disiplin bilgisayarları kalıpları tanımlamak, kararlar almak ve geçmiş bilgilere dayanarak sonuçları tahmin etmek. Takip etmek yerine statik talimatlar kümesi, makine öğrenimi algoritmaları aşağıdakilere dayalı bir matematiksel model oluşturur Tahmin veya karar vermek için eğitim verileri Görevi yerine getirmek için açıkça programlanmadan.

Temel Öğrenme Paradigmaları

Makine öğrenimi algoritmaları genellikle verilerden nasıl öğrendiklerine göre kategorize edilir. Bu paradigmaları anlamak Belirli bir sorun için doğru yaklaşımı seçmek için gereklidir:

• Denetimli Öğrenme: Denetimli algoritması etiketli bir veri kümesi üzerinde eğitilir, yani girdi doğru çıktı ile birlikte gelir. Model eşleştirmeyi öğrenir gibi görevler için yaygın olarak kullanılan girdilerden çıktılara görüntü sınıflandırma ve spam filtreleme. Gibi kaynaklar IBM'in denetimli öğrenme kılavuzu daha fazla bilgi sunuyor bu iş akışlarına ilişkin içgörü.
• Denetimsiz Öğrenme: İçinde Bu yaklaşımda algoritma, gruplama gibi gizli yapıları veya kalıpları keşfetmek için etiketlenmemiş verileri işler. satın alma davranışına göre müşteriler. Gibi teknikler kümeleme bu paradigmanın temelini oluşturmaktadır.
• Takviyeli Öğrenme: Bir ajan, bir ortamda eylemler gerçekleştirerek ve aşağıdaki biçimlerde geri bildirim alarak karar vermeyi öğrenir ödüller ya da cezalar. Bu yöntem, aşağıdakiler gibi karmaşık görevler için aracıların eğitilmesinde kritik öneme sahiptir robotik ve stratejik oyun oynama.
• Yarı Denetimli Öğrenme: Bu hibrit yaklaşım, az miktarda etiketli veriyi büyük miktarda etiketsiz veri ile birlikte kullanır, genellikle Etiketleme pahalı olduğunda öğrenme doğruluğunu artırmak.

Makine Öğrenimini İlgili Kavramlardan Ayırt Etme

Genellikle birbirinin yerine kullanılsa da, ML'yi veri bilimi ekosistemindeki ilgili terimlerden ayırmak önemlidir:

• Derin Öğrenme (DL): A Çok katmanlı makine öğrenimi kullanan özelleşmiş makine öğrenimi alt kümesi karmaşık örüntüleri modellemek için sinir ağları (NN) veri içinde. Derin öğrenme, modern atılımları yönlendiriyor Bilgisayarlı Görme (CV) ve doğal dil işleniyor.
• Veri Madenciliği: Bu alan aşağıdakilere odaklanır Büyük veri kümeleri içinde önceden bilinmeyen örüntüleri veya ilişkileri keşfetmek. Makine öğrenimi tahminlere odaklanırken karar verme sürecinde veri madenciliği, genellikle şu şekilde tanımlanan eyleme geçirilebilir içgörülerin çıkarılmasına odaklanır SAS Analytics.
• Yapay Zeka (AI): Akıllı makineler yaratmayı amaçlayan kapsayıcı alan. Makine öğrenimi, istatistiksel veriler sağlayan pratik bir alt kümedir. YZ'ye ulaşmak için yöntemler.

Gerçek Dünya Uygulamaları

Makine öğrenimi, çeşitli sektörlerdeki birçok dönüştürücü teknolojinin arkasındaki motordur.

1. Sağlık Hizmetlerinde Yapay Zeka: ML modelleri gerçekleştirerek teşhis yöntemlerinde devrim yaratıyor. tıbbi görüntü analizi. Algoritmalar şunları yapabilir MRI taramalarında tümör gibi anomalileri yüksek hassasiyetle detect ederek radyologlara erken hastalık tespitinde yardımcı olur. Nature Medicine gibi dergilerde yayınlanan araştırmalar sıklıkla şunları vurgulamaktadır bu ilerlemeler.
2. Otomotivde Yapay Zeka: Otonom araçlar büyük ölçüde makine öğrenimine dayanıyor çevrelerini algılarlar. Çok sayıda sürüş görüntüsü kullanılarak eğitilen sistemler yayaları tanımlamak için nesne algılama, diğer ve trafik işaretlerini gerçek zamanlı olarak takip ederek güvenli navigasyon sağlar. Gibi şirketler Waymo bu gelişmiş algı yığınlarını kullanıyor.

Makine Öğreniminin Uygulanması

Bir makine öğrenimi çözümü geliştirmek, veri toplamayı, bir modeli eğitmeyi ve çıkarım için dağıtmayı içerir. Modern gibi çerçeveler PyTorch ve TensorFlow bu sistemleri oluşturmak için gerekli araçları sağlar.

Aşağıda kısa bir kullanım örneği verilmiştir ultralytics önceden eğitilmiş bir ML ile çıkarım yapmak için kütüphane modeli. Bu, modern makine öğrenimi araçlarının bilgisayarla görme görevlerine ne kadar kolay uygulanabileceğini göstermektedir.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model suitable for object detection
model = YOLO("yolo11n.pt")

# Run inference on a remote image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results with bounding boxes
results[0].show()

Başarılı bir uygulama aynı zamanda aşağıdakilere de dikkat edilmesini gerektirir model dağıtım stratejileri ve izleme Bir modelin öğrendiği aşırı uyum gibi sorunları önlemek eğitim verilerini çok iyi kullanır ve yeni girdilere genelleme yapamaz. Gibi araçlar Scikit-learn geleneksel makine öğrenimi görevleri için hayati önem taşımaya devam ederken Ultralytics YOLO11 mimari en son teknolojiyi temsil eder görme tabanlı öğrenme görevleri için.