Paul Downey | Flickr
Makine öğrenmesi gittikçe artan bir şekilde sıkıntıya maruz kalan bir cümledir, ancak birçoğu hala tam olarak ne olduğunu bilmiyor. Elbette, bunun bir nedeni var. Hala çok erken evrelerinde ve birçoğu henüz genel nüfusu etkileyen bir şey olmadığını varsayıyor. Aslında, bu belki de bazılarının varsaydığı kadar doğru değildir.
Peki, makine öğrenmesi nedir? Ve bugün ne kullanılıyor? Makine öğrenimi hakkında bilmeniz gereken her şey hakkında rehberimiz.
Makine Öğrenmesi Nedir?
Basitçe söylemek gerekirse, makine öğrenmesi, bilgisayarların ekstra programlama olmadan öğrenmelerini sağlayan bir yapay zeka şeklidir. Başka bir deyişle, yazılım bir şeyi 'bir şey öğretmek' isteyen bir programcı veya mühendis olmadan kendi başına yeni şeyler öğrenebilir. Makine öğrenmesi veri alabilir, örüntüleri tespit edebilir ve çözümler bulabilir, daha sonra bu çözümleri diğer sorunlara uygulayabilir.
Resim: K? Rlis Dambr? Ns | Flickr
Bir kavram olarak makine öğrenmesinin hiç de yeni olmadığını - diğer teknoloji biçimlerinde bir araya geldiğini düşünerek, kavramın kesin kökenlerini takip etmek zor. Makine öğreniminin, bir bilgisayarın istihbarat olup olmadığını belirlemek için kullanılan Turing Testinin oluşturulmasına kadar uzandığını iddia edebilirsiniz. Ancak, öğrenen ilk bilgisayar programı, 1952'de Arthur Samuel tarafından geliştirilen bir dama oyunuydu. Bu oyun daha çok oynadı.
Ancak son teknoloji, makine öğrenmesini önemli ölçüde geliştirir. Örneğin, makine öğrenmesi, çok miktarda işlem gücü gerektirir, öyle ki, son zamanlarda temel makine öğrenmesini daha yeni başlatabildik.
Programcıların makine öğrenmesini gerçekleştirmesinin birkaç ana yolu vardır. Birincisine 'denetimli öğrenme' denir. Temel olarak kastedilen, bir makinenin, problemin çözümünün bilindiği yerde problemlerle beslenmesidir. Öğrenme algoritması, bu problemleri istenen sonuçlarla birlikte alabilir, problemlerdeki kalıpları belirleyebilir ve buna göre hareket edebilir. Denetimli öğrenme, gelecekteki olayları tahmin etmek için kullanılır - örneğin bir kredi kartı işleminde sahtekarlık söz konusu olduğunda.
Makine öğreniminin ikinci uygulamasına “denetimsiz öğrenme” denir. Bu durumda, bir sorunun sonucu yazılıma verilmez - bunun yerine, sorunları beslenir ve verilerdeki kalıpları tespit etmek zorunda kalır. Buradaki amaç verilen verilerde bir yapı bulmak.
Üçüncüsü, “yarı denetimli öğrenme” dir. Bu makine öğrenmesi yöntemi genellikle denetimli öğrenimle aynı şeyler için kullanılır, ancak bir çözümle ve veri olmadan verileri alır. Yarı denetimli öğrenme genellikle fonlar sınırlı olduğunda ve şirketler öğrenme süreci için tam veri setleri sağlayamadığında uygulanır.
Son fakat en az değil, özellikle oyun ve robotlar gibi şeyler için kullanılan 'takviye öğrenme' dir. Takviye öğrenme temelde deneme yanılma yoluyla öğretilir - makine bir şeyler dener ve başarılarına veya başarısızlıklarına göre öğrenir. Buradaki amaç, makinenin mümkün olan en iyi sonuçları bulmasıdır.
Tabii ki, bu makine öğrenme yöntemlerinin tümü, bir makineye yüz binlerce problem ve büyük miktarlarda veri beslemeyi içerir. Gerçekten, daha fazla veri daha iyi.
Makine Öğrenmesi Bugün Nerede Kullanılır?
Para Resimleri | Flickr
Aslında, bugün makine öğrenmenin kullanıldığı birçok yer var. Bunların çoğu sahnelerin arkasında, ancak çoğunun aynı zamanda her gün kullandığınız bir şey olduğunu bilmek sizi şaşırtabilir.
Belki de en çok kullandığınız kişi kişisel asistanınızdır - doğru, Siri ve Google Asistan'ın beğenileri, çoğunlukla konuşma kalıplarını daha iyi anlamak için makine öğrenmesini kullanır. Siri'yi kullanan milyonlarca insanla sistem, dilleri, aksanları vb. Nasıl ele aldığını ciddi şekilde ilerletebilir.
Elbette, Siri, makine öğrenmesinin tek tüketici uygulaması değil. Başka bir kullanım, sahtekarlık tespiti gibi bankacılıktır. Örneğin, makine öğrenmesi algoritmaları, önceki sahte sahtekarlık etkinliğine dayanarak hangi modellerin sahte olabileceğini belirleyen harcama modellerini izleyebilir.
Aslında, e-postanız bile makine öğrenmeyi kullanıyor olabilir. Örneğin, spam e-postalar bir sorundur ve zamanla gelişti. E-posta sistemleri, spam e-posta kalıplarını ve spam e-postalarının nasıl değiştiğini izlemek için makine öğrenmeyi kullanır ve ardından bu değişiklikleri temel alarak bunları spam klasörünüze yerleştirir.
Sonuçlar
Makine öğrenimi, teknolojiyi ileriye yönelik kullanmamızın ve teknolojinin bize nasıl yardımcı olabileceğinin büyük bir parçası olarak belirlenmiştir. Siri'den ABD Bankası'na kadar, makine öğrenmesi gittikçe yaygınlaşıyor ve bu sadece devam etmesi muhtemel.
