Makine öğrenimini anlama

Makine öğrenimi, verilerdeki kalıpları tanımak için matematiksel algoritmalar kullanma ve ardından bu kalıpları tahminler yapmak için kullanma uygulamasıdır.

Basit bir örnek: Satışları tahmin etme

Makine öğrenimini daha iyi anlamak için, bir ürünün önümüzdeki çeyrekteki satışlarını tahmin eden basit bir örneğe bakalım. Bu ürünün satışlarının, ürünün reklamı için ne kadar para harcandığından etkilendiğini biliyor olabiliriz. Önceki çeyreklere ait verilere bakarak şunları biliyoruz:

• Ürünün televizyonda reklamı için ne kadar para harcandığı (binlerce dolar cinsinden).

• Satışların ne kadar olduğu (milyonlarca dolar cinsinden).

Verileri grafiğe döktüğümüzde, ürünümüzün televizyonda reklamı için ne kadar çok para harcanırsa o kadar çok sattığımız açıktır.

Önümüzdeki iş çeyreğindeki satış gelirini tahmin etmek için geçmiş verilere bir fonksiyon uydurabiliriz:

Önümüzdeki iş çeyreğinde televizyon reklamlarına harcamak üzere bütçelediğimiz para miktarına dayanarak, fonksiyonu bu miktara karşılık gelen değerde değerlendirebiliriz. Önümüzdeki çeyrekte televizyon reklamlarına 225.000 $ harcamayı planladığımızı varsayalım. Fonksiyonu 225'te değerlendirmek bize 17,7 verir ve önümüzdeki çeyrek için 17,7 milyon $ satış öngörebiliriz.

Tahminimizin doğruluğunu daha da artırmak için, geçmiş verilere daha iyi uyan bir fonksiyon bulmaya çalışabiliriz (şekilde gösterildiği gibi) ve bu fonksiyona dayanarak tahminler yapabiliriz.

Bu örnekte, yalnızca televizyon reklamlarına harcanan para miktarına baktık. Gelecekteki satışları etkileyen diğer faktörleri de göz önünde bulundurabiliriz. Satışları yalnızca televizyon reklam harcamalarının bir fonksiyonu olarak almak yerine, örneğin satışları televizyon reklam harcaması, radyo reklam harcaması ve gazete reklam harcaması olmak üzere üç değişkenin bir fonksiyonu olarak alabiliriz. İstediğimiz kadar değişken kullanabiliriz, ancak genel fikir aynıdır.

Makine öğrenimi kavramları

Veri perspektifinden bakıldığında, makine öğrenimi sorunu geçmiş verilerle bir tablo derlemeye indirgenir. Tabloda neyi tahmin etmek istediğimizi temsil eden bir sütunumuz var, bu önceki örneğimizde satışlardı. Makine öğrenimi dilinde bu sütuna hedef denir. Diğer sütunlara özellikler denir ve hedef sütunun değerini tahmin etmek için kullanılır. Özellikler, hedef sonuca potansiyel olarak katkıda bulunabilecek değişkenlerdir. Makine öğreniminin arkasındaki temel fikir şudur:

Bir veri kümesi verildiğinde, özellik sütunlarının değerleri verildiğinde hedef sütunun değerinin ne olacağını tahmin edebilmemiz için bu verilere uyan bir fonksiyon buluruz.

Farklı türdeki makine öğrenimi sorunlarını çözmek için çeşitli gelişmiş makine öğrenimi algoritmaları geliştirilmiştir. Bir makine öğrenimi algoritmasına veri beslediğimizde ve kalıpları öğrenmesine izin verdiğimizde, bir makine öğrenimi algoritmasını eğittiğimizi söyleriz.

Qlik Predict içinde, makine öğrenimi sorunları aşağıdakilere bağlı olarak sınıflandırma, regresyon veya zaman serisi sorunlarına ayrılır:

• Tahmin edilecek hedefin kategorik veya sayısal bir değer olup olmadığı. Sınıflandırma problemleri ve Regresyon problemleri içindeki örneklere bakın.

• Belirli gelecekteki zaman dilimleri için verileri tahmin etmeniz gerekip gerekmediği. Zaman serisi problemleri içinde bir örneğe bakın.

Otomatik makine öğrenimi

Otomatik makine öğrenimi ile, geçmiş verileriniz üzerindeki eğitim sırasında en uygun fonksiyonlar otomatik olarak bulunur. Bir veri kümesini kolayca yükleyebilir, bir hedef seçebilir ve ardından bir düğmeye basarak eğitimi başlatabilirsiniz.

Ancak, yalnızca iyi bir girdiniz varsa iyi bir tahmine dayalı çıktı elde edersiniz. Bir makine öğrenimi deneyinin iyi tanımlanmış bir makine öğrenimi sorusuna ve bu soruyu yanıtlamak için tasarlanmış bir veri kümesine ihtiyacı vardır. İlk deneyinize başlamak için şu adımları izleyin:

1. Bir makine öğrenimi sorusu tanımlayın

   Yapılandırılmış bir çerçeve kullanarak iş kullanım durumunuzu belirli bir soruya dönüştürün.

   Makine öğrenimi sorularını tanımlama

2. Eğitim veri kümenizi hazırlayın

   Kullanım durumunuzla ilgili kaliteli veriler toplayın.

   Getting your dataset ready for training

3. Otomatik bir makine öğrenimi deneyi oluşturun

   Hazırlıklar tamamlandığında denemeye başlayabilirsiniz.

   Deneylerle çalışma