Makine Öğrenimi Nasıl Çalışır - Kolay Bir Kılavuz

Netflix ve Amazon oyunlarında oldukça başarılı oldular – her zaman hangi içeriği veya ürünü görmek/satın almak istediğinizi biliyor gibi görünüyorlar. Her şeyin zevkinize ve tercihinize göre küratörlüğünü görmeyi sevmiyor musunuz?

Çoğumuz Netflix ve Amazon'un şık Tavsiye Motorunun (elbette Makine Öğrenimi) arkasındaki gizli sosu biliyor olsa da, kaçımız Makine Öğreniminin iç mekanizmalarına aşinayız?

Açıkça söylemek gerekirse – Makine Öğrenimi nasıl çalışır ?

Özünde, Makine Öğrenimi, deneyimlerden "öğrenmeyi" ve makinelerin zeka gerektiren görevleri gerçekleştirmesini sağlamayı amaçlayan bir veri analizi tekniğidir (AI'nın bir alt kümesi). Makine Öğrenimi algoritmaları, bilgi çıkarmak ve bunun için açıkça programlanmadan (önceden belirlenmiş bir denkleme bağlı olmak zorunda kalmadan) doğrudan verilerden öğrenmek için hesaplama yöntemlerini uygular.

Makine Öğrenimi Sistemlerinin Anatomisi

Tüm ML sistemleri üç bölüme ayrılabilir:

• Model – tanımlamalarla, yani tahminlerle ilgilenen bileşen.
• Parametreler – modelin kararlarına (tahminlere) ulaşmak için kullandığı faktörleri ifade eder.
• Öğrenci – gerçek sonuca kıyasla tahminlerdeki farklılıkları dikkate alarak parametreleri (ve bir bütün olarak modeli) ayarlayan bileşen.

Makine Öğrenimi Türleri

Artık makine öğrenimi sistemlerinin temel bileşenlerine aşina olduğunuza göre, onların "öğrenme" yollarına bakmanın zamanı geldi.

Denetimli Öğrenme

Denetimli Öğrenmede, bir model girdinin çıktıya nasıl eşleneceği konusunda açıkça eğitilir. Denetimli bir öğrenme algoritması, bu verilere bilinen yanıtlar (çıktı) ile birlikte tanınan bir girdi verisi kümesini alır ve modeli yeni girdi verilerine yanıt olarak makul tahminler üretecek şekilde eğitir.

Denetimli öğrenme, tahmine dayalı modeller geliştirmek için iki yaklaşım kullanır:

• Sınıflandırma - Adından da anlaşılacağı gibi, bu teknik girdi verilerini etiketleyerek farklı kategorilere ayırır. Ayrı yanıtları tahmin etmek için kullanılır (örneğin, kanserli bir hücre iyi huylu veya kötü huylu ise). Tıbbi görüntüleme, konuşma tanıma ve kredi puanlama, sınıflandırmanın üç popüler kullanım durumudur.
• Regresyon – Bu teknik, girdi verilerindeki kalıpları tanımlayarak sürekli yanıtları tahmin etmek için kullanılır. Örneğin, sıcaklık veya havadaki dalgalanmalar. Regresyon, hava durumunu, elektrik yükünü ve algoritmik ticareti tahmin etmek için kullanılır.

Denetimsiz Öğrenme

Denetimsiz Öğrenme yaklaşımı, etiketlenmemiş verileri kullanır ve içindeki gizli kalıpları çözmeyi amaçlar. Böylece teknik, etiketli yanıtlardan yoksun girdi verilerinden oluşan veri kümelerinden çıkarımlar yapar.

• Kümeleme – En yaygın denetimsiz öğrenme yöntemlerinden biri olan kümeleme, küme kimlik bilgileri hakkında bilinen herhangi bir bilgi olmadan verileri "kümeler" halinde kategorilere ayıran keşif amaçlı bir veri analizi tekniğidir. Nesne tanıma ve gen dizisi analizi, kümelemenin iki örneğidir.
• Boyutsallık Azaltma – Boyutsallık Azaltma, giriş verilerini tüm fazlalık bilgilerden temizler ve yalnızca önemli parçaları tutar. Böylece veriler yalnızca temiz hale gelmekle kalmaz, aynı zamanda boyut olarak küçülür ve böylece daha az depolama alanı kaplar.

Pekiştirmeli Öğrenme

Reinforcement Learning, deneme yanılma yoluyla öğrenebilen ve gelişebilen kendi kendine devam eden ve kendi kendine öğrenen modeller oluşturmayı amaçlar. Öğrenme (eğitim) sürecinde, algoritma belirli eylemleri başarılı bir şekilde gerçekleştirebilirse ödül sinyalleri tetiklenir. Ödül sinyalleri, algoritmalar için yol gösterici ışıklar gibi işlev görür. İki ödül sinyali vardır:

• Belirli bir eylem dizisini teşvik etmek ve sürdürmek için bir Pozitif sinyal tetiklenir.
• Negatif sinyal, belirli bir yanlış eylemin cezasıdır. Eğitim sürecinde ilerlemeden önce hatanın düzeltilmesini talep eder.

Takviyeli Öğrenme, video oyunlarında yaygın olarak kullanılmaktadır. Aynı zamanda kendi kendini süren arabaların arkasındaki mekanizmadır.

ML algoritmalarının 'öğrenme' işlevinin içinde

Makine öğrenimi algoritmalarının işleyişinin ve deneyim yoluyla nasıl öğrendiklerinin arkasında üç ortak ilke vardır.

Fonksiyon Öğrenmek

Öğrenme sürecindeki ilk adım, ML algoritmalarının giriş değişkenini (X) çıkış değişkenine (Y) en iyi şekilde eşleyen hedef işlevi (f) öğrendiği yerdir. Böyle,

Y = f(X).

Burada, hedef fonksiyonun (f) formu bilinmiyor, dolayısıyla tahmine dayalı modelleme.

Bu genel öğrenme aşamasında, ML algoritması yeni girdi değişkenlerine (X) dayalı olarak gelecek tahminlerini (Y) nasıl yapacağını öğrenir. Doğal olarak, süreç hatasız değildir. Burada hata (e), giriş verisinden (X) bağımsız olarak mevcuttur. Böyle,

Y = f(X) + e

Hata (e), eşleme senaryosunu X'ten Y'ye en iyi şekilde karakterize etmek için yeterli özniteliğe sahip olmayabileceğinden, buna indirgenemez hata denir - algoritmanın hedef işlevi (f) tahmin etmede ne kadar iyi olduğuna bakılmaksızın, hatayı azaltamazsınız ( e).

Tahminler yapmak ve bunları nasıl geliştireceğinizi öğrenmek

Daha önceki noktada, bir ML algoritmasının bir hedef fonksiyonu (f) nasıl öğrendiğini anlamıştık. Ve buradaki tek amacımızın, Y'yi X'ten haritalamanın mümkün olan en iyi yolunu bulmak olduğunu zaten biliyoruz. Diğer bir deyişle, girdiyi çıktıya eşlemenin en doğru yolunu bulmamız gerekiyor.

Hatalar (e) olacaktır, evet, ancak algoritmanın, istenen çıktıdan (Y) ne kadar uzakta olduğunu ve ona nasıl ulaşacağını anlamaya çalışmaya devam etmesi gerekir. Bu süreçte, çıkışa (Y) en iyi şekilde uyması için parametreleri veya giriş değerlerini (X) sürekli olarak ayarlayacaktır. Bu, istenen çıktı modeliyle yüksek derecede benzerlik ve doğruluk elde edene kadar devam edecektir.

'Gradient Descent' öğrenme yaklaşımı

'Akıllı' makineler yaratmada başarılı olduğumuz doğru olabilir, ancak öğrenme hızları farklıdır - makineler bunu yavaşlatma eğilimindedir. Onlar “gradyan iniş” öğrenme sürecine inanırlar – bir anda sıçrama yapmazsınız, ancak bebek adımları atar ve tepeden yavaşça inersiniz (buradaki metafor bir dağdan aşağı tırmanmaktır).

Bir dağdan inerken tek seferde zıplamaz, koşmaz veya kendinizi aşağı atmazsınız; bunun yerine, güvenli bir şekilde dibe inmek ve aksiliklerden kaçınmak için ölçülü ve hesaplanmış adımlar atarsınız.

Makine öğrenimi algoritmaları bu yaklaşımı kullanır - sonunda istenen sonucu elde etmek için değişen parametrelere göre kendilerini ayarlamaya devam ederler (bir dağın engebeli ve keşfedilmemiş arazisini yeniden resmedin).

Sonuçlandırmak için…

Tüm Makine Öğrenimi algoritmalarının temel amacı, belirli girdi verilerine en iyi şekilde genelleme yapan tahmine dayalı bir model geliştirmektir. ML algoritmaları ve sistemleri kendilerini farklı türde girdiler/değişkenler/parametreler aracılığıyla eğittiğinden, geniş bir veri havuzuna sahip olmak zorunludur. Bu, ML algoritmalarının davranışlarını öğrenmek ve istenen sonuçları üretmek için farklı veri türleri ile etkileşime girmesine izin vermek içindir.

Bu gönderiyle, sizin için Makine Öğreniminin işleyişini aydınlatabileceğimizi umuyoruz!