Makine öğrenimini anlama

Makine öğrenimi, verilerdeki örüntüleri tanımak ve daha sonra bunları tahminlerde bulunmak amacıyla kullanmak için matematiksel algoritmalardan yararlanılan tekniktir.

Basit örnek: Satışları tahmin etme

Makine öğrenimini daha iyi anlamak için, bir ürünün sonraki çeyrekteki satışının tahmin edildiği basit bir örneğe göz atalım. Bu ürünün satışının, ürünün reklamı için yapılan harcama miktarından etkilendiğini biliyor olabiliriz. Önceki çeyreklerdeki verilere baktığımızda şunları görürüz:

• Ürünün televizyonda reklamını yapmak için ne kadar para (bin dolar) harcandığını.

• Satışların miktarını (milyon dolar).

Verileri çizdirdiğimizde, televizyonda ürünümüzün reklamını yapmak için ne kadar para harcarsak satışların da o kadar arttığı açıkça görülmektedir.

Sonraki finansal çeyrekte satış gelirlerini tahmin etmek için bir fonksiyonu geçmiş verilere uyarlayabiliriz:

Sonraki finansal çeyrek boyunca televizyon reklamları için harcamak üzere bütçeden ayırdığımız para miktarını temel alarak fonksiyonu, bu miktara karşılık gelen değere göre değerlendirebiliriz. Sonraki çeyrekte televizyon reklamları için 225.000 $ tutarında harcama yapmayı planladığımızı varsayalım. Fonksiyonu 225 değerinde değerlendirdiğimizde 17,7 sonucunu elde ederiz ve sonraki çeyrek için 17,7 $ milyon satış tahmininde bulunabiliriz.

Tahminimizin doğruluğunu artırmak için geçmiş verilere daha uygun olan bir fonksiyon bulmaya (şekilde gösterildiği gibi) ve bu fonksiyona göre tahminler yapmaya çalışabiliriz.

Bu örnekte yalnızca televizyon reklamları için harcadığımız parayı kullandık. Gelecekteki satışları etkileyecek diğer faktörleri de göz önünde bulundurabilirdik. Satışları yalnızca televizyon reklamları harcamasına göre tahmin etmek yerine, örneğin, televizyon reklamları harcaması, radyo reklamları harcaması ve gazete reklamları harcaması biçiminde üç değişkenli bir fonksiyon kullanabilirdik. Dilediğimiz sayıda değişken kullanabiliriz ancak ana fikir aynıdır.

Makine öğrenimi kavramları

Veri açısından makine öğrenimi problemi, geçmiş verileri içeren bir tablo derleme işine indirgenir. Tabloda, tahmin etmek istediğimiz sonucu temsil eden bir sütunumuz var. Bu, önceki örneğimizde satışlardı. Makine öğrenimi dilinde buna hedef adı verilir. Diğer sütunlar, özellik olarak adlandırılır ve hedef sütunun değerini tahmin etmek için kullanılırlar. Özellikler, hedef sonuca etkileme potansiyeline sahip olabilecek değişkenlerdir. Makine öğreniminin ardındaki temel mantık şöyledir:

Bir veri kümesi verildiğinde, verilere uygun bir fonksiyon buluruz ve böylece özellik sütunlarının değerlerine sahip olduğumuzda hedefin değerini tahmin edebiliriz.

Farklı makine öğrenimi problemlerini çözmek için çeşitli karmaşık makine öğrenimi algoritmaları geliştirilmiştir. Makine öğrenme algoritmasını verilerle beslediğimizde ve örüntüleri öğrenmesini sağladığımızda makine öğrenimi algoritmasını eğitiyor oluruz.

Makine öğrenimi problemleri, tahmin etmek istediğimiz hedefin sayısal veya kategorik bir değere sahip olup olmadığına bağlı olarak regresyon problemleri ya da sınıflandırma problemleri biçiminde ikiye ayrılır. Sınıflandırma problemleri ve Regresyon problemleri bölümündeki örneklere bakın.

Otomatik makine öğrenimi

Otomatik makine öğreniminde en uygun fonksiyonlar, geçmiş verilerinizle eğitim yaptığınız sırada bulunur. Veri kümesini kolayca yükleyip bir hedef seçebilir ve ardından tek bir düğmeye basarak eğitimi başlatabilirsiniz.

Bununla birlikte yalnızca girdileriniz iyiyse iyi bir tahmin sonucu elde edersiniz. Makine öğrenimi deneyi için, iyi tanımlanmış bir makine öğrenimi sorusu ve bu soruyu yanıtlayacak şekilde düzenlenmiş bir veri kümesi gerekir. İlk deneyinize başlamak için şu adımları izleyin:

1. Bir makine öğrenimi sorusu tanımlayın

   İşinizle ilgili kullanım senaryosunu, yapısal bir çerçeve kullanarak belirgin bir soruya dönüştürün.

   Makine öğrenimi sorularını tanımlama

2. Eğitim veri kümenizi hazırlayın

   Kullanım senaryonuzla ilgili kaliteli verileri toplayın.

   Veri kümenizi eğitim için hazırlama

3. Otomatik makine öğrenimi deneyi oluşturma

   Hazırlıklar tamamlandığında deneyi başlatabilirsiniz.

   Deneylerle çalışma