Makine öğrenimi (ML), çeviri uygulamalarından otonom araçlara kadar kullandığımız en önemli teknolojilerden bazılarını destekler. Bu kursta, makine öğreniminin temel kavramları açıklanmaktadır.
Makine öğrenimi, sorunları çözmek, karmaşık soruları yanıtlamak ve yeni içerikler oluşturmak için yeni bir yol sunar. Yapay zeka, hava durumunu tahmin edebilir, seyahat sürelerini tahmin edebilir, şarkı önerebilir, cümleleri otomatik olarak tamamlayabilir, makaleleri özetleyebilir ve daha önce hiç görülmemiş resimler oluşturabilir.
Temel olarak makine öğrenimi, model adı verilen bir yazılımı yararlı tahminler yapmak veya verilerden içerik oluşturmak için eğitme işlemidir.
Örneğin, yağmur yağacağını tahmin edecek bir uygulama oluşturmak istediğimizi varsayalım. Geleneksel bir yaklaşım veya makine öğrenimi yaklaşımı kullanabiliriz. Geleneksel bir yaklaşımı kullanarak, muazzam miktarda akışkanlar dinamiği denklemi hesaplayarak Dünya'nın atmosferinin ve yüzeyinin fiziğe dayalı bir temsilini oluştururuz. Bu inanılmaz derecede zor.
ML yaklaşımını kullanarak, ML modeline farklı miktarlarda yağmur üreten hava durumu modelleri arasındaki matematiksel ilişkiyi öğrenene kadar çok miktarda hava durumu verisi veririz. Ardından modele mevcut hava durumu verilerini veririz ve model yağmur miktarını tahmin eder.
Öğrendiklerinizi test etme
ML Sistemi Türleri
Öğrenme yöntemine göre tahminde bulunmayı veya içerik üretmeyi öğrenen yapay zeka sistemleri aşağıdaki kategorilerden birine veya daha fazlasına girer:
- Gözetimli öğrenme
- Gözetimli olmayan öğrenme
- Pekiştirmeli öğrenme
- Üretken yapay zeka
Gözetimli öğrenme
Denetimli öğrenme modelleri, doğru yanıtları içeren çok sayıda veri gördükten ve ardından verilerdeki doğru yanıtları veren öğeler arasındaki bağlantıları keşfettikten sonra tahminde bulunabilir. Bu, hem soru hem de cevap içeren eski sınavlardan yararlanarak yeni bilgiler edinen bir öğrenciye benzer. Öğrenci, yeterli sayıda eski sınavda eğitim aldıktan sonra yeni bir sınava girmeye hazır olur. Bu yapay zeka sistemleri, bir kişinin yapay zeka sistemine doğru olduğu bilinen sonuçlar içeren veriler sağlaması anlamında "gözetimli"dir.
Gözetimli öğrenmenin en yaygın kullanım alanlarından ikisi regresyon ve sınıflandırmadır.
Regresyon
Regresyon modeli, sayısal bir değeri tahmin eder. Örneğin, yağmur miktarını inç veya milimetre cinsinden tahmin eden bir hava durumu modeli regresyon modelidir.
Regresyon modelleriyle ilgili daha fazla örnek için aşağıdaki tabloya bakın:
Senaryo | Olası giriş verileri | Sayısal tahmin |
---|---|---|
Gelecekteki ev fiyatı | Metrekare, posta kodu, yatak odası ve banyo sayısı, arsa büyüklüğü, ipotek faiz oranı, emlak vergisi oranı, inşaat maliyetleri ve bölgede satılık ev sayısı. | Evin fiyatı. |
Gelecekteki yolculuk süresi | Geçmiş trafik koşulları (akıllı telefonlardan, trafik sensörlerinden, araç çağırma ve diğer navigasyon uygulamalarından toplanır), hedefe olan mesafe ve hava koşulları. | Bir hedefe ulaşmak için gereken süre (dakika ve saniye cinsinden). |
Sınıflandırma
Sınıflandırma modelleri, bir öğenin bir kategoriye ait olma olasılığını tahmin eder. Çıktısı sayı olan regresyon modellerinin aksine sınıflandırma modelleri, bir öğenin belirli bir kategoriye ait olup olmadığını belirten bir değer döndürür. Örneğin, bir e-postanın spam olup olmadığını veya bir fotoğrafta kedi olup olmadığını tahmin etmek için sınıflandırma modelleri kullanılır.
Sınıflandırma modelleri iki gruba ayrılır: ikili sınıflandırma ve çok sınıflı sınıflandırma. İkili sınıflandırma modelleri, yalnızca iki değer içeren bir sınıftan bir değer döndürür. Örneğin, rain
veya no rain
değerini döndüren bir model. Çok sınıflı sınıflandırma modelleri, ikiden fazla değer içeren bir sınıftan bir değer döndürür. Örneğin, rain
, hail
, snow
veya sleet
değerini döndürebilecek bir model.
Öğrendiklerinizi test etme
Gözetimli olmayan öğrenme
Gözetimsiz öğrenme modelleri, doğru yanıtlar içermeyen veriler verilerek tahminler yapar. Gözetimli olmayan öğrenme modelinin amacı, veriler arasında anlamlı kalıpları belirlemektir. Diğer bir deyişle, modele her veri parçasının nasıl sınıflandırılacağına dair ipucu verilmez. Bunun yerine, model kendi kurallarını çıkarmalıdır.
Sık kullanılan bir gözetimsiz öğrenme modeli, küme oluşturma adı verilen bir teknik kullanır. Model, doğal gruplamaları ayıran veri noktalarını bulur.

Şekil 1. Benzer veri noktalarını kümeleyen bir makine öğrenimi modeli.

Şekil 2. Doğal sınırlara sahip küme grupları.
Kategoriler sizin tarafınızdan tanımlanmadığı için küme oluşturma, sınıflandırmadan farklıdır. Örneğin, gözetimsiz bir model, hava durumu veri kümesini sıcaklığa göre gruplandırarak mevsimleri tanımlayan segmentleri ortaya çıkarabilir. Ardından, veri kümesi hakkındaki bilgilerinize göre bu kümeleri adlandırmayı deneyebilirsiniz.

Şekil 3. Benzer hava durumu modellerini kümeleyen bir makine öğrenimi modeli.

Şekil 4. Kar, sulu kar, yağmur ve yağmur yok olarak etiketlenmiş hava durumu grupları.
Öğrendiklerinizi test etme
Pekiştirmeli öğrenme
Pekiştirmeli öğrenme modelleri, bir ortamda gerçekleştirilen işlemlere göre ödül veya ceza alarak tahminde bulunur. Pekiştirmeli öğrenme sistemi, en fazla ödülü almak için en iyi stratejiyi tanımlayan bir politika oluşturur.
Güçlendirme öğrenimi, robotları bir odada dolaşmak gibi görevleri gerçekleştirmek için eğitmek ve AlphaGo gibi yazılım programlarını Go oyunu oynamak için eğitmek amacıyla kullanılır.
Üretken yapay zeka
Üretken yapay zeka, kullanıcı girişlerinden içerik oluşturan bir model sınıfıdır. Örneğin, üretken yapay zeka benzersiz resimler, müzik besteleri ve şakalar oluşturabilir, makaleleri özetleyebilir, bir görevin nasıl yapılacağını açıklayabilir veya fotoğrafları düzenleyebilir.
Üretken yapay zeka, çeşitli girişler alıp metin, resim, ses ve video gibi çeşitli çıkışlar oluşturabilir. Ayrıca bunların kombinasyonlarını da alıp oluşturabilir. Örneğin, bir model giriş olarak bir resim alıp çıkış olarak bir resim ve metin ya da giriş olarak bir resim ve metin alıp çıkış olarak bir video oluşturabilir.
Üretken modelleri giriş ve çıkışlarına göre tartışabiliriz. Bu giriş ve çıkışlar genellikle "giriş türü"-"çıkış türü" şeklinde yazılır. Örneğin, aşağıdaki liste, üretken modeller için bazı giriş ve çıkışların kısmi bir listesidir:
- Metin metne
- Metinden görüntü oluşturma
- Metinden videoya
- Metinden koda dönüştürme
- Metin-konuşma
- Resim ve metinden görüntü oluşturma
Aşağıdaki tabloda üretken modellere, bunların girişlerine ve olası çıkışlarına örnekler verilmiştir:
Model | Giriş | Örnek çıkış |
---|---|---|
Metin metne | Le Mans yarışını kim icat etti? |
Le Mans 24 Saat, 1906 yılında kurulan Automobile Club de l'Ouest (ACO) tarafından kuruldu. İlk yarış 26-27 Mayıs 1923'te, Fransa'nın Le Mans kasabası yakınlarındaki 13.426 kilometrelik (8.345 mil) Sarthe pistinde düzenlendi.
Yarış, başlangıçta ACO ve Sarthe bölgesini tanıtmanın bir yolu olarak tasarlandı. Kaynak: Bard |
Metinden görüntü oluşturma | Uzaylı bir ahtapot, gazete okurken bir portaldan süzülüyor. |
![]() Kaynak: Imagen |
Metinden videoya | San Francisco'da okyanusta yüzen fotogerçekçi bir oyuncak ayı. Oyuncak ayı suyun altına giriyor. Ayıcık, renkli balıklarla birlikte suda yüzmeye devam ediyor. Su altında yüzen bir panda. |
![]() Kaynak: Phenaki |
Metinden koda dönüştürme | Bir sayı listesinde döngü oluşturan ve asal sayıları yazdıran bir Python döngüsü yazın. |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) Kaynak: Bard |
Resmi metne dönüştürme | ![]() |
Bu bir flamingo. Karayipler'de bulunurlar. Kaynak: Google DeepMind |
Üretken yapay zeka nasıl çalışır? Üretken modeller, yeni ancak benzer veriler oluşturmak amacıyla verilerdeki kalıpları öğrenir. Üretken modeller aşağıdaki gibidir:
- İnsanların davranışlarını ve konuşma tarzlarını gözlemleyerek başkalarını taklit etmeyi öğrenen komedyenler
- Belirli bir tarzda çok sayıda resim inceleyerek bu tarzda resim yapmayı öğrenen sanatçılar
- Belirli bir müzik grubunun çok sayıda şarkısını dinleyerek o gruba benzer bir ses elde eden cover grupları
Üretken modeller, benzersiz ve yaratıcı sonuçlar üretmek için başlangıçta gözetimsiz bir yaklaşımla eğitilir. Bu yaklaşımda model, eğitildiği verileri taklit etmeyi öğrenir. Model bazen, istenebilecek görevlerle (ör. bir makaleyi özetleme veya bir fotoğrafı düzenleme) ilgili belirli veriler üzerinde gözetimli veya pekiştirmeli öğrenme kullanılarak daha da eğitilir.
Üretken yapay zeka, sürekli yeni kullanım alanları keşfedilen, hızla gelişen bir teknolojidir. Örneğin, üretken modeller, dikkat dağıtıcı arka planları otomatik olarak kaldırarak veya düşük çözünürlüklü resimlerin kalitesini iyileştirerek işletmelerin e-ticaret ürün resimlerini hassaslaştırmalarına yardımcı oluyor.