Machine Learning (ML)

Makine Öğrenimi (ML), bilgisayar sistemlerinin her kural için açıkça programlanmadan verilerden öğrenmesini ve performanslarını geliştirmesini sağlayan yapay zekânın (AI) dinamik bir alt dalıdır. Sabit, önceden kodlanmış talimatları izlemek yerine makine öğrenimi algoritmaları, kararlar veya tahminler yapmak için çok miktarda büyük veri içindeki örüntüleri belirler. Bu yetenek, bilgisayarların [eğitim verilerini](https://ultralytics-translation-3.invalid işleyerek ve zaman içinde deneyim yoluyla dahili mantıklarını geliştirerek yeni senaryolara uyum sağlamasına olanak tanıyan birçok modern teknolojinin temelini oluşturur.

Temel Kavramlar ve Teknikler#

Temelinde ML, akıllı sistemler oluşturmak için istatistiksel tekniklere dayanır. Alan, sistemin nasıl öğrendiğine göre genellikle üç ana metodolojiye ayrılır. Denetimli öğrenme, istenen çıktının bilindiği etiketli veri kümeleri üzerinde bir modelin eğitilmesini içerir ve görüntü sınıflandırma görevlerinde yaygın olarak kullanılan bir tekniktir. Buna karşılık denetimsiz öğrenme, algoritmanın gizli yapıları veya kümeleri kendi başına bulmasını gerektiren etiketsiz verilerle çalışır. Son olarak pekiştirmeli öğrenme, ödülü en üst düzeye çıkarmak için etkileşimli bir ortamda deneme yanılma yoluyla etmenlerin öğrenmesini sağlar. Modern gelişmelerde genellikle, insan beyninin katmanlı yapısını taklit eden sinir ağlarına dayalı özel bir ML dalı olan derin öğrenmeden yararlanılır.

Gerçek Dünya Uygulamaları#

Makine öğrenimi, karmaşık görevleri otomatikleştirerek çok sayıda sektörü dönüştürdü. Etkisine dair iki somut örneği aşağıda bulabilirsin:

• Otonom Sistemler: Bilgisayarlı görü alanında, Ultralytics YOLO26 gibi ML modelleri gerçek zamanlı nesne tespiti için kullanılır. Bu sistemler, otonom araçlar için "göz" görevi görerek yayaları, diğer araçları ve trafik işaretlerini anında belirler ve saniyenin çok küçük bir bölümünde güvenlik kararları alır.
• Tıbbi Teşhis: Sağlık hizmetleri alanında ML algoritmaları, tümör gibi anormallikleri geleneksel yöntemlerden daha erken tespit etmek için karmaşık tıbbi görüntüleri analiz eder. Bu araçlar, geçmiş hasta kayıtlarını işleyerek ve tıbbi görüntü analizinden yararlanarak doktorların doğru teşhisler koymasına ve kişiselleştirilmiş tedavi planları oluşturmasına yardımcı olur.

Makine Öğrenimini Uygulama#

Bir ML çözümü geliştirmek, Makine Öğrenimi Operasyonları (MLOps) olarak bilinen bir yaşam döngüsünü içerir. Bu süreç, yüksek kaliteli verilerin toplanması ve model için girdilerin hazırlanması amacıyla veri etiketleme işleminin gerçekleştirilmesiyle başlar. Geliştiriciler daha sonra, bir sistemin eğitim verilerini ezberleyip yeni bilgilere genelleme yapamaması anlamına gelen aşırı öğrenme gibi sorunları izlerken modeli eğitmelidir.

Aşağıdaki Python kod parçacığı, bir görüntü üzerinde çıkarım gerçekleştirmek için ultralytics paketini kullanarak önceden eğitilmiş bir ML modelinin nasıl yükleneceğini gösterir:

from ultralytics import YOLO

# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to see the identified objects
results[0].show()

Temel Terimleri Ayırt Etme#

"Makine Öğrenimi"ni ilişkili kavramlardan ayırmak önemlidir. AI, akıllı makineler oluşturma konusundaki kapsayıcı bilim dalıyken ML, bu zekâya veriler aracılığıyla ulaşmak için kullanılan belirli yöntemler alt kümesidir. Ayrıca veri bilimi, ML'yi kapsayan ancak iş içgörülerini çıkarmak için veri temizleme, görselleştirme ve istatistiksel analize de odaklanan daha geniş bir alandır. PyTorch ve TensorFlow gibi çerçeveler, bu sistemleri oluşturmak için gereken temel araçları sağlar.

Bu modelleri eğitmenin ve dağıtmanın karmaşıklığını azaltmak için Ultralytics Platform gibi bulut tabanlı çözümler, ekiplerin veri kümelerini yönetmesine, ölçeklenebilir modeller eğitmesine ve model dağıtımını uç cihazlara verimli bir şekilde gerçekleştirmesine olanak tanır.