Makine Öğrenimi (ML)

Makine Öğrenimi (ML), bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren yapay zeka (AI)'nın bir alt alanıdır. İlk olarak Arthur Samuel gibi öncüler tarafından tanımlanan ML algoritmaları, kalıpları belirlemek, tahminler yapmak ve daha fazla bilgiye maruz kaldıkça zaman içinde performanslarını artırmak için geçmiş verileri kullanır. Bir geliştiricinin bir görev için statik kod yazmasına güvenmek yerine, bir ML modeli kendi mantığını doğrudan eğitildiği verilerden öğrenir. Bu uyarlanabilir yetenek, ML'yi günümüzün en gelişmiş teknolojilerinin arkasındaki itici güç haline getiriyor.

ML'yi İlgili Terimlerden Ayırma

ML'yi anlamak aynı zamanda alanındaki diğer temel kavramlarla nasıl ilişkili olduğunu bilmek anlamına gelir:

• Artificial Intelligence (AI) (Yapay Zeka): YZ, akıllı davranışlar sergileyebilen makineler yaratma konusundaki geniş bir kavramdır. ML, YZ'yi elde etmeye yönelik en belirgin ve başarılı yaklaşımdır. YZ kapsayıcı bir hedefken, ML sistemlerin öğrenmesini ve uyum sağlamasını sağlayan pratik bir metodolojidir.
• Derin Öğrenme (DL): Derin Öğrenme, genellikle derin sinir ağları olarak adlandırılan karmaşık, çok katmanlı sinir ağlarını (NN'ler) kullanan, ML'nin özel bir alt alanıdır. DL, görüntüler, ses ve metin gibi karmaşık verileri işlemede büyük atılımlardan sorumlu olmuştur ve en son teknolojiye sahip görüntü modellerinin çoğunu desteklemektedir.
• Veri Madenciliği (Data Mining): Her iki alan da verileri analiz etse de, hedefleri farklıdır. SAS gibi sektör liderleri tarafından tanımlandığı gibi veri madenciliği, büyük veri kümelerinde önceden bilinmeyen kalıpları keşfederek insan kullanımı için içgörüler üretmeye odaklanır. Buna karşılık, ML, yeni, görülmemiş veriler üzerinde otonom kararlar verebilen tahmini modeller oluşturmak için kalıpları kullanır.

Makine Öğrenimi Türleri

ML modelleri tipik olarak verilerden nasıl öğrendiklerine göre kategorize edilir:

• Denetimli Öğrenme: En yaygın tür, modelin girdi-çıktı çiftlerinden oluşan etiketlenmiş verilerden öğrendiği yerdir. Amaç, yeni girdiler için çıktıyı tahmin edebilen bir eşleme fonksiyonu öğrenmektir. Görüntü sınıflandırma ve spam algılama klasik örneklerdir.
• Gözetimsiz Öğrenme: Modele etiketlenmemiş veriler verilir ve veri noktalarını kümeler halinde gruplamak gibi kendi başına kalıplar veya içsel yapılar bulması gerekir. Anomali tespiti ve müşteri segmentasyonu yaygın kullanım örnekleridir.
• Pekiştirmeli Öğrenme: Bir ajan, bir ortamla etkileşim kurarak öğrenir. İstenen eylemler için ödüller ve istenmeyenler için cezalar alır ve amacı kümülatif ödülünü en üst düzeye çıkarmaktır. Bu yaklaşım robotik ve stratejik oyun oynamada yaygın olarak kullanılmaktadır.

Yapay Zeka ve Bilgisayarlı Görüde Önemi

Makine Öğrenimi, modern yapay zekanın temel direğidir ve özellikle Bilgisayarlı Görü (CV) alanında dönüştürücüdür. Nesne Tespiti, Görüntü Segmentasyonu ve poz tahmini gibi görevler, görsel bilgileri yorumlamak ve anlamak için büyük ölçüde ML modellerine dayanır. Ultralytics YOLO gibi son teknoloji modeller, gerçek zamanlı uygulamalarda yüksek doğruluk ve hız elde etmek için ML tekniklerinden, özellikle Derin Öğrenmeden yararlanır.

İşte makine öğreniminin (ML) eylem halindeki iki örneği:

1. Tıbbi Görüntü Analizi: Sağlık hizmetleri için yapay zekada, Beyin Tümörü veri seti gibi veri kümeleri üzerinde eğitilmiş makine öğrenimi modelleri, potansiyel anormallikleri tespit etmek ve ana hatlarını çizmek için MR veya BT taramalarını analiz edebilir. Bu, radyologların endişe alanlarını vurgulayarak daha hızlı ve daha doğru teşhislere yol açarak yardımcı olur. Ulusal Biyomedikal Görüntüleme ve Biyo Mühendislik Enstitüsü (NIBIB) gibi kuruluşlar bu uygulamaları aktif olarak araştırmaktadır.
2. Otonom Araçlar: Sürücüsüz otomobiller, kameralardan, LiDAR'dan ve radardan gelen verileri gerçek zamanlı olarak işlemek için bir dizi makine öğrenimi modeli kullanır. Otomotiv için yapay zeka alanında, bu modeller diğer araçlar, yayalar ve trafik işaretleri gibi nesneleri tespit etmek ve sınıflandırmak için kullanılır ve otomobilin çevresinde güvenli bir şekilde hareket etmesini sağlar. NVIDIA'nın DRIVE'ı gibi teknoloji platformları, güçlü makine öğrenimi yetenekleri üzerine kurulmuştur.

Araçlar ve Çerçeveler

Makine öğrenimi modellerini geliştirmek ve dağıtmak, zengin bir araç ekosistemi tarafından desteklenmektedir. PyTorch ( PyTorch resmi sitesini ziyaret edin) ve TensorFlow ( TensorFlow ana sayfasını ziyaret edin) gibi çerçeveler, sinir ağları oluşturmak için temel yapı taşlarını sağlar.

Ultralytics HUB gibi platformlar, veri kümelerini yönetmekten ve özel modelleri eğitmekten, model dağıtımına ve MLOps aracılığıyla izlemeye kadar tüm iş akışını kolaylaştıran entegre ortamlar sunar. Etkili bir model oluşturmak genellikle dikkatli hiperparametre ayarlaması ve performans metrikleri hakkında derin bir anlayış gerektirir.