Makine Öğrenimi Nedir?

Makine öğrenimi, işletmelerin verilerini anlaması ve bu verilerden öğrenmesinin bir yoludur. Bir işletme bunu çok sayıda alt alan için kullanabilir. Kullanım durumu, bir şirketin satışları iyileştirmeye, bir arama özelliği sağlamaya, ürünlerine sesli komutları entegre etmeye veya kendi kendine giden bir araba geliştirmeye çalışıp çalışmadığına bağlıdır.

Makine öğrenimi, günümüz iş dünyasında harika bir kullanım yelpazesine sahiptir ve yalnızca zamanla artabilir ve gelişebilir. Makine öğreniminin alt alanlarının birkaçı, sosyal medya ve ürün önerileri, görüntü tanıma, sağlık teşhisleri, çeviriler, konuşma tanıma ve veri madenciliğidir.

Facebook, Instagram, LinkedIn gibi sosyal medya platformları, beğendiğiniz paylaşımlara göre, sayfa takip etmeniz veya gruplara katılmanız için öneriler yaparken makine öğrenimini kullanırlar. Başkalarının beğendiği paylaşımların geçmiş verileri ya da sizin beğendiğiniz paylaşımların benzerleri bu önerilerin size yapılmasını ya da sizin akışınıza eklenmesini sağlar.  

Makine öğrenimini bir e-ticaret sitesinde, geçmiş alışverişleri, aramaları ve başka kullanıcıların sizinkilerine benzer eylemlerini kullanarak ürün önerileri yapması mümkündür.

Makine öğreniminin günümüzdeki önemli bir kullanımı da görüntü tanımadır. Sosyal medya platformları, Makine öğrenimini kullanarak fotoğraflarınızdaki kişileri etiketlemeyi tavsiye eder. Polisler, görseller ve videolardaki şüphelileri ararken bu özelliği kullanırlar. Havaalanları, dükkanlar ve kapı zillerine takılan çok sayıda kamera ile suçu kimin işlediği veya suçlunun nereye gittiği tespit edilebilir.

Sağlık alanında teşhisler makine öğreniminin iyi kullanımlarından biridir. Kalp krizi gibi bir durumdan sonra geriye gidilerek kaçırılan uyarı işaretleri gözden geçirilebilir. Doktorlar veya hastaneler tarafından kullanılan bir sistem, girdilerden (davranışlar, test sonuçları ve semptomlar) çıktılara bağlantıları kontrol etmek için (örnek olarak kalp krizi) geçmişteki sağlık kayıtlarından faydalanabilir. Doktorlar not ve test sonuçlarını sisteme yüklediğinde, makine kalp krizi belirtilerini insanlardan çok daha güvenilir bir şekilde tespit edebilir, böylece hasta ve doktor kalp krizini önlemek için değişiklikler yapabilir.

Web sayfalarındaki ya da mobil platform uygulamalardaki dil çevirileri makine öğreniminin bir başka örneğidir. Bazı uygulamalar diğerlerine göre daha iyi bir iş çıkarır. Bu, kullanılan makine öğrenimi modelleri, teknikleri ve algoritmalarından kaynaklanır.

Makine öğreniminin günlük kullanımlarından bir başkası da banka kartları ve kredi kartlarıdır. Makine öğreniminin kolayca tespit edebileceği, insanların ise, eğer fark edebilirlerse, bulmak için uzun bir zaman harcayacağı dolandırıcılık işaretleri vardır. İncelenen ve etiketlenen (dolandırıcılık olsun ya da olmasın) çok sayıda işlem, gelecekte makine öğreniminin tek bir işlemde sahtekarlığı tespit etmeyi öğrenmesini sağlayabilir. Makine öğrenimini, veri madenciliği hayati önem taşır.

Veri madenciliği

Veri madenciliği, tahminde bulunmak veya büyük veri içerisindeki kalıpları keşfetmek için kullanılan bir tip makine öğrenimidir. Veri madenciliğinde kötü amaçlı bir saldırgan ya da çalışan olsun yararlı bir veri parçası bulmak için verilerinize ayrıntılı bir şekilde girmesine gerektirmez. Aksine süreç, gelecekte doğru kararlar vermeniz için verilerdeki kalıpları keşfetmeyi içerir.

Örneğin bir kredi kartı şirketini ele alalım. Bir kredi kartına sahipseniz, öyle ya da böyle bir noktada bankanız sizi şüpheli bir eylemden dolayı uyarmıştır. Banka nasıl oluyor da bu kadar çok eylemi tespit edip, neredeyse anında bir uyarı yolluyor? Sürekli veri madenciliği bu dolandırıcılık korumasına olanak tanıyor. 2020 yılının başında, yalnızca ABD’de kullanıma sunulan kart sayısı 1,1 trilyonu aşmıştı. Bu kartlarla yapılan işlemler, ileride yaşanabilecek şüpheli işlemleri tespit edebilmek, madencilik ve desen aramaları için gerekli veriyi üretiyor.

Derin Öğrenme

Derin öğrenme sinir ağlarına dayalı özel bir makine öğrenimi türüdür. Bir sinir ağı, insan beynindeki nörönların bir karar verirken ya da bir şeyi anlarken kullandığı işlevleri taklit ederek çalışır Örneğin, altı yaşındaki bir çocuk yüzüne bakarak annesini karşıdan karşıya geçen nöbetçiden ayırt edebilir, çünkü beyni göz açıp kapayıncaya kadar saç renginden yüz özelliklerine kadar kadar birçok ayrıntıyı hızlı bir şekilde analiz eder. Makine analizi bunu derin öğrenme biçiminde taklit eder

Bir sinir ağı 3 veya 5 katmanlıdır. Bir girdi katmanı, birden üçe kadar gizli katman ve bir çıktı katmanı içerir. Gizli katmanlar, çıktı katmanı veya sonuca tek tek ulaşacak şekilde kararları verir. Saç rengi nedir? Göz rengi nedir? Yara izi var mı? Katman sayısı 100 civarına ulaştığı zaman buna derin öğrenme adı verilir.