Machine Learning (ML)

Makine öğrenimi (ML), bilgisayar sistemlerinin bir programcının yazdığı kuralları izlemek yerine verilerden örüntüler öğrendiği yapay zekâ (AI) dalıdır. ML ile oluşturulmuş bir istenmeyen posta filtresine hangi sözcüklerin istenmeyen postaya işaret ettiği söylenmez; filtre, istenmeyen posta olarak etiketlenmiş ya da etiketlenmemiş binlerce e-postayı inceler, örüntüleri kendi öğrenir ve sonra bunları yeni mesajlara uygular. Arthur Samuel, kendi kendine oynayarak gelişen bir dama programı geliştirirken bu terimi 1959'da ortaya attı. Tom Mitchell daha sonra yaygın olarak alıntılanan şu tanımı yaptı: Bir program, bir görevdeki performansı bir ölçüte göre değerlendirildiğinde deneyimle iyileşiyorsa öğrenmiş demektir.

Makine Öğrenimi Nasıl Çalışır#

Bir makine öğrenimi modeli, ayarlanabilir parametrelere sahip bir fonksiyondur; doğrusal regresyonda parametre sayısı birkaç katsayıyla sınırlıyken, milyonlarca ağırlık içeren bir sinir ağında çok daha yüksek olabilir. Eğitim, modelin eğitim verileri üzerindeki tahminlerini olabildiğince doğru hâle getiren parametre değerlerini, genellikle bir kayıp fonksiyonunu en aza indirerek bulmaya çalışır. Asıl sınama genellemedir: model daha sonra, eğitim sırasında hiç görmediği ve ayrı tutulan doğrulama verileri ile test verileri üzerinde puanlanır. Eğitim verilerinde iyi, yeni verilerde ise kötü puan alan bir model, altta yatan örüntüyü öğrenmek yerine örnekleri ezberler; buna aşırı öğrenme denir.

Bu scikit-learn örneği, el yazısıyla yazılmış rakamları okumak için bir rastgele orman eğitir ve eğitim dışında tutulan rakamlarla puanlar:

from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 1,797 labeled 8x8 images of handwritten digits bundled with scikit-learn
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# Fit learns decision rules from the labeled examples; no rules are hand-written
model = RandomForestClassifier(random_state=0)
model.fit(X_train, y_train)

# Score on digits the model never saw during training
print(f"Test accuracy: {model.score(X_test, y_test):.1%}")

Model, diğer 1.347 etiketli örnekten öğrendiği örüntüleri kullanarak 450 test rakamında %97,6 doğruluğa ulaşır.

Makine Öğrenimi Türleri#

• Denetimli öğrenme: Her girdinin doğru çıktıyla eşleştirildiği etiketli örneklerden öğrenir. Sınıflandırma, regresyon ve nesne algılama denetimli görevlerdir.
• Denetimsiz öğrenme: k-means kümeleme ile bulunan müşteri segmentleri gibi, etiketlenmemiş verilerdeki yapıları keşfeder.
• Öz denetimli öğrenme: Örneğin bir cümledeki sonraki sözcüğü veya görüntünün gizlenmiş bir parçasını tahmin ederek kendi etiketlerini veriden oluşturur. Büyük dil modelleri (LLM'ler) ve diğer temel modeller bu yöntemle önceden eğitilir.
• Pekiştirmeli öğrenme: Bir ajan, bir ortamda eylemlerde bulunup ödülü en üst düzeye çıkarmak için davranışını ayarlayarak deneme yanılma yoluyla öğrenir.

Makine Öğrenimi; Yapay Zekâ, Derin Öğrenme ve Veri Bilimine Karşı#

Makine öğrenimi, akıllı makineler oluşturma gibi geniş bir hedefi olan yapay zekâ ile ham verilerden kendi özelliklerini öğrenen ve çok katmanlı sinir ağları kullanan ML alt kümesi derin öğrenme arasında yer alır:

Rastgele ormanlar ve XGBoost gibi klasik algoritmalar, fiyat ya da yaş gibi her sütunun zaten anlamlı bir özellik olduğu tablo verilerinde güçlü sonuçlar vermeyi sürdürür. Veri bilimi ise verilerden sorulara yanıt bulmak için ML'yi istatistik, veri görselleştirme ve alan analiziyle birlikte birçok araçtan biri olarak kullanan komşu bir disiplindir.

Makine Öğrenimi Yaşam Döngüsü#

Üretimdeki bir model hiçbir zaman tamamlanmış sayılmaz. Ekipler veri toplar ve etiketler, bir modeli eğitip doğrular, dağıtır ve tahminlerini izler; doğruluk yetersiz kaldığında ya da gerçek dünya değiştiğinde verilere geri döner. Bu döngü, makine öğrenimi operasyonlarının (MLOps) konusudur:

Bilgisayarlı görü için Ultralytics Platform bu döngünün tamamını tek bir yerde yürütür: Ekipler veri kümelerini yükler ve açıklama ekler, Ultralytics YOLO26 modellerini bulut GPU'larında eğitir, modelleri dağıtır ve üretimdeki performanslarını izler.

Gerçek Dünya Uygulamaları#

• Bilgisayarlı görü: Modeller üretim hatlarındaki kusurları algılar, tıbbi taramaları okur ve otonom araçlara yön verir.
• Doğal dil işleme (NLP): Çeviri, arama, sohbet botları ve istenmeyen posta filtreleme, metin üzerinde eğitilmiş modellere dayanır.
• Öneri sistemleri: Yayın ve e-ticaret platformları, kullanıcıların geçmiş davranışlarına göre içerikleri sıralar.
• Zaman serisi tahmini: Modeller, geçmiş verilerden ürün talebini, enerji yükünü ve ekipman arızalarını tahmin eder.
• Anomali tespiti: Bankalar, geçmiş dolandırıcılık verileriyle eğitilmiş modellerle her kart işlemini milisaniyeler içinde puanlar ve olağandışı görünenleri işaretler.