Makine Öğrenimi (ML)

Makine Öğrenimi (ML), bilgisayarlara açıkça programlanmadan öğrenme yeteneği kazandıran yapay zekanın (AI) bir alt alanıdır. İlk olarak Arthur Samuel gibi öncüler tarafından tanımlanan ML algoritmaları, kalıpları tanımlamak, tahminlerde bulunmak ve daha fazla bilgiye maruz kaldıkça performanslarını zaman içinde iyileştirmek için geçmiş verileri kullanır. Bir görev için statik kod yazmak için bir geliştiriciye güvenmek yerine, bir makine öğrenimi modeli kendi mantığını doğrudan eğitildiği verilerden öğrenir. Bu uyarlanabilir yetenek, ML'yi günümüzün en sofistike teknolojilerinin çoğunun arkasındaki itici güç haline getirmektedir.

Makine Öğrenimini İlgili Terimlerden Ayırt Etme

Makine öğrenimini anlamak aynı zamanda bu alandaki diğer temel kavramlarla nasıl bir ilişki içinde olduğunu bilmek anlamına gelir:

• Yapay Zeka (YZ): YZ, akıllı davranışlar sergileyebilen makineler yaratmaya yönelik geniş bir kavramdır. Makine öğrenimi, YZ'ye ulaşmak için en belirgin ve başarılı yaklaşımdır. YZ kapsayıcı bir hedef olsa da, makine öğrenimi sistemlerin öğrenmesine ve uyum sağlamasına olanak tanıyan pratik bir metodolojidir.
• Derin Öğrenme (DL): Derin Öğrenme, genellikle derin sinir ağları olarak adlandırılan karmaşık, çok katmanlı sinir ağlarını (NN'ler) kullanan özel bir makine öğrenimi alt alanıdır. DL, görüntüler, ses ve metin gibi karmaşık verilerin işlenmesinde büyük atılımlardan sorumludur ve en son teknoloji ürünü görme modellerine güç verir.
• Veri Madenciliği: Her iki alan da verileri analiz etse de amaçları farklıdır. SAS gibi endüstri liderleri tarafından tanımlandığı şekliyle veri madenciliği, insan kullanımı için içgörüler üretmek üzere büyük veri kümelerinde önceden bilinmeyen kalıpları keşfetmeye odaklanır. Buna karşılık makine öğrenimi, yeni, görülmemiş veriler üzerinde otonom kararlar verebilen öngörücü modeller oluşturmak için kalıpları kullanır.

Makine Öğrenimi Türleri

Makine öğrenimi modelleri genellikle verilerden nasıl öğrendiklerine göre kategorize edilir:

• Denetimli Öğrenme: Modelin girdi-çıktı çiftlerinden oluşan etiketli verilerden öğrendiği en yaygın türdür. Amaç, yeni girdiler için çıktıyı tahmin edebilecek bir eşleme fonksiyonu öğrenmektir. Görüntü sınıflandırma ve spam algılama klasik örneklerdir.
• Denetimsiz Öğrenme: Modele etiketlenmemiş veriler verilir ve modelin veri noktalarını kümeler halinde gruplamak gibi kendi başına kalıplar veya içsel yapılar bulması gerekir. Anomali tespiti ve müşteri segmentasyonu yaygın kullanım alanlarıdır.
• Takviyeli Öğrenme: Bir ajan çevre ile etkileşime girerek öğrenir. Kümülatif ödülünü maksimize etmek amacıyla arzu edilen eylemler için ödüller ve istenmeyenler için cezalar alır. Bu yaklaşım robotikte ve stratejik oyun oynamada yaygın olarak kullanılmaktadır.

Yapay Zeka ve Bilgisayarlı Görüde Alaka Düzeyi

Makine Öğrenimi, modern yapay zekanın temel dayanaklarından biridir ve özellikle Bilgisayarla Görme (CV) alanında dönüştürücü bir etkiye sahiptir. Nesne Algılama, Görüntü Segmentasyonu ve poz tahmini gibi görevler, görsel bilgileri yorumlamak ve anlamak için büyük ölçüde makine öğrenimi modellerine dayanır. Ultralytics YOLO gibi son teknoloji modeller, gerçek zamanlı uygulamalarda yüksek doğruluk ve hız elde etmek için ML tekniklerinden, özellikle de Derin Öğrenmeden yararlanır.

İşte ML'nin iş başında olduğu iki örnek:

1. Tıbbi Görüntü Analizi: Sağlık hizmetleri için yapay zekada, Beyin Tümörü veri kümesi gibi veri kümeleri üzerinde eğitilen makine öğrenimi modelleri, potansiyel anormallikleri tespit etmek ve ana hatlarını belirlemek için MRI veya CT taramalarını analiz edebilir. Bu, endişe verici alanları vurgulayarak radyologlara yardımcı olur ve daha hızlı ve daha doğru teşhislere yol açar. Ulusal Biyomedikal Görüntüleme ve Biyomühendislik Enstitüsü (NIBIB) gibi kuruluşlar bu uygulamaları aktif olarak araştırıyor.
2. Otonom Araçlar: Sürücüsüz araçlar kameralar, LiDAR ve radardan gelen verileri gerçek zamanlı olarak işlemek için bir dizi makine öğrenimi modeli kullanır. Otomotiv için yapay zekada bu modeller diğer araçlar, yayalar ve trafik işaretleri gibi nesneleri tespit etmek ve sınıflandırmak için kullanılır ve aracın çevresinde güvenli bir şekilde gezinmesini sağlar. NVIDIA'nın DRIVE 'ı gibi teknoloji platformları güçlü makine öğrenimi yetenekleri üzerine inşa edilmiştir.

Araçlar ve Çerçeveler

Makine öğrenimi modellerinin geliştirilmesi ve dağıtılması 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 MLOps aracılığıyla model dağıtımına ve izlemeye kadar tüm iş akışını kolaylaştıran entegre ortamlar sunar. Etkili bir model oluşturmak genellikle dikkatli hiperparametre ayarı ve performans metriklerinin derinlemesine anlaşılmasını gerektirir.