Unsupervised Learning

Denetimsiz öğrenme, etiketler olmadan verilerdeki yapıyı bulan makine öğrenimi dalıdır. Model yalnızca görüntüler, sensör okumaları veya müşteri kayıtları gibi girdileri alır ve bunların nasıl düzenlendiğini öğrenir: hangi örneklerin birbirine benzediğini, hangi özelliklerin birlikte değiştiğini ve hangi noktaların geri kalanlardan farklı göründüğünü. Denetimli öğrenme, her eğitim örneği için doğru bir yanıt gerektirir; toplanan verilerin çoğu ise hiçbir zaman böyle bir yanıt almaz. Bu nedenle denetimsiz yöntemler çoğunlukla yeni bir veri kümesini ilk incelemede ve daha sonra modellerin üzerine kurulduğu gruplandırmaların, sıkıştırılmış özelliklerin ve anomali puanlarının elde edilmesinde kullanılır.

Başlıca Yöntem Aileleri#

Kümeleme, benzer örnekleri gruplar. K-means kümeleme, her noktayı en yakın k merkezinden birine atar; DBSCAN, kümeleri yoğun bölgelerden büyütür ve yalıtılmış noktaları gürültü olarak etiketler. Gauss karışım modelleri ise beklenti-maksimizasyon algoritmasıyla örtüşen olasılık dağılımlarına uyar.

Boyut indirgeme, bilgilerin çoğunu koruyan az sayıda özellik elde etmek için çok sayıda özelliği sıkıştırır. Temel bileşen analizi (PCA), varyansın en yüksek olduğu yönleri bulur; t-SNE ve UMAP ise veri görselleştirme için yüksek boyutlu noktaları 2B haritaya yerleştirir. Otomatik kodlayıcılar, kendi girdisini yeniden oluşturması gereken bir sinir ağıyla aynı tür sıkıştırmayı öğrenir.

Yoğunluk kestirimi, her girdinin ne kadar olası olduğunu modeller; böylece yalnızca normal verilerden anomali tespiti yapmak mümkün olur: Yalnızca sağlam parçalar veya sıradan işlemler üzerinde eğitilmiş bir model, olasılık dışı bulduğu her şeyi işaretler. Apriori algoritması gibi birliktelik kuralı madenciliği, alışveriş sepetlerinde veya olay günlüklerinde birlikte görülen öğeleri bulur.

Etiketler Olmadan Öğrenme ve Değerlendirme#

Hedefler olmadan her yöntem, girdilerin kendileri üzerinde tanımlanan bir ölçütü iyileştirir: k-means noktalar ile küme merkezleri arasındaki uzaklığı en aza indirir; PCA ve otomatik kodlayıcılar yeniden oluşturma hatasını en aza indirir; karışım modelleri ise verinin olabilirliğini en üst düzeye çıkarır. Doğruluk doğrudan ölçülemediğinden sonuçlar, siluet katsayısı gibi iç puanlarla, çıktının sonraki aşamalardaki yararlılığıyla veya yalnızca değerlendirme için ayrılmış etiketlerle incelenir.

Bu scikit-learn örneği, el yazısıyla yazılmış 1.797 rakam görüntüsünü piksel değerlerine göre kümeliyor ve ardından kümeleri algoritmanın hiç görmediği rakam etiketleriyle karşılaştırıyor:

from sklearn.cluster import KMeans
from sklearn.datasets import load_digits
from sklearn.metrics import adjusted_rand_score

# Load 1,797 handwritten digit images as 64 pixel values each, then set the labels aside
X, y = load_digits(return_X_y=True)

# Group the images into 10 clusters using the pixels alone
kmeans = KMeans(n_clusters=10, n_init=10, random_state=0)
clusters = kmeans.fit_predict(X)

# Compare the clusters with the digit labels the model never saw
print(f"Adjusted Rand index: {adjusted_rand_score(y, clusters):.2f}")

Düzeltilmiş Rand indeksi kusursuz eşleşmede 1,0, şansa bağlı eşleşmede ise yaklaşık 0 değerini alır; bu örnekte değer 0,67'dir. Sıfırlar, dörtler ve altılar neredeyse tamamen kendi kümelerine düşerken bir kümede 100 tane bir ile 100 tane sekiz karışır.

Denetimsiz, Yarı Denetimli ve Öz Denetimli Öğrenme#

Yarı denetimli öğrenme, genellikle etiketlerle eğitim yapıp modelin kendi güvenilir tahminlerinden öğrenmeye devam ederek küçük bir etiketli kümeyi büyük bir etiketsiz kümeyle birleştirir. Öz denetimli öğrenme genellikle denetimsiz öğrenmenin bir türü sayılır ve büyük derin öğrenme modellerinin çoğu etiketsiz verilerden bu yolla öğrenir: cümledeki sonraki sözcük veya maskeli otomatik kodlayıcılardaki görüntünün gizli yamaları gibi tahmin hedeflerini verilerin kendisinden oluşturur. Büyük dil modelleri, etiketsiz metinlerde bu şekilde önceden eğitilir; Meta'nın DINOv2 modeli de etiketsiz 142 milyon görüntüden genel amaçlı görüntü özellikleri öğrendi. Pekiştirmeli öğrenme ise farklı bir düzendir: sinyal, sabit bir veri kümesindeki yapıdan ziyade eylemlere verilen ödüldür.

Uygulamalar#

Bilgisayarlı görü ekipleri, etiketleme veya eğitimden önce veri kümelerini keşfetmek için denetimsiz yöntemlerden yararlanır: Görüntü gömmelerini kümelemek; birbirine çok benzeyen örnekleri, aykırı değerleri ve modeli çarpıtabilecek aşırı temsil edilen sahneleri ortaya çıkarır. Ultralytics Platform üzerindeki Kümeleme paneli, tüm veri kümesi için bunu yapar: Her görüntüyü gömme uzayına yerleştirir, görüntüleri 2B haritada düzenler ve Renge göre seçeneği Kümeler olarak ayarlandığında, görsel açıdan benzer her adayı en büyükten başlayarak işaretler; herhangi bir adaya girmeyen noktaları Dağınık olarak listeler. Birbirine neredeyse tamamen benzeyen video karelerinin art arda gelmesi veya birkaç başıboş aykırı değer, YOLO26 modeli veriler üzerinde eğitilmeden önce burada göze çarpar.

Endüstriyel denetimde anomali tespiti tarafı öne çıkar. Kusurlar nadir ve çeşitlidir; bu nedenle birçok kusur tespiti sistemi yalnızca sağlam parçaların görünümünü öğrenir ve bundan sapan görüntü bölgelerini işaretler. Bankalar, dolandırıcılık tespitinde işlemlere aynı fikri uygular; perakendeciler ise satın alma geçmişlerini pazarlama ve öneri sistemleri için müşteri segmentlerine ayırır. Tek hücreli genomikte araştırmacılar, binlerce tekil hücrenin gen ifade profillerini kümeler ve önceden bilmeden hücre türlerini keşfetmek için bunları UMAP ile görselleştirir.