Makine öğrenimi (ML) son zamanlarda gündemde olan bir konudur. Herkes yeni programlama paradigmasından bahsetmekte ve modeller çok farklı alanlarda uygulanmaktadır, giderek daha fazla girişim ise esas olarak makine öğrenimine güvenmektedir. Aynı zamanda, makine öğrenimi birkaç farklı boyuta sahip karmaşık bir alandır. Bazen deneyimli teknik uzmanlar bile tüm makine öğrenim alanını ve onların bu evrendeki yerlerini hayal edememektedir. Birçok insan sadece makine öğrenimini merak etmekte ve konuya derinlemesine girmemektedir. Bu insanlar için, makine öğrenmesinin yapısını anlamak da önemlidir.
Kavramların görselleştirilmesi, belirli alan adlarının doğru anlaşılmasını ve ezberlenmesini sağlamanın en iyi yollarından biridir. Bu da tam olarak zihin haritalarının neye yardımcı olduğunu rahatça kavranmasını sağlar. Sizin için faydalı olacağını umduğumuz makine öğrenimi zihin haritasını hazırladık. Makine öğreniminin veri biliminin bir alt alanı olduğunu ve daha geniş bir alan olduğunu unutmayın. Makine Öğrenimi zihin haritamızı oluştururken aşağıdaki yaklaşımı kullandık. Makine öğrenimine 3 farklı bakış açısıyla baktık bunlar sırasıyla: görev türleri, uygulamalar ve yaklaşımlar.
Görev dalı türleri
Makine öğreniminde çeşitli görev türleri vardır. En yaygın olanları denetimli ve denetimsiz öğrenmedir. Diğer türler arasında yarı denetimli öğrenme ve pekiştirici öğrenmede gösterilebilir.
Denetimli öğrenme, verilerin girdilerle ve doğru cevap çıktılarıyla tanımlandığı bir görevdir. Makine öğrenim modelinize yeni verilerdeki giriş özelliklerine dayalı olarak doğru çıktı cevaplarını tahmin etmeyi öğretmek istersiniz. Denetimli öğrenme görevlerine örnek olarak sınıflandırma (sınıf / kategori tahmini) ve regresyon (değer / sayı tahmini) verilebilir. Ayrıca, görüntü segmentasyonu, eğitim sırasında bir modelin doğru bölümlere ayrılmış görüntülere bakması gerektiği için denetimli öğrenmeye bir örnektir. Sınıflandırma veya regresyonun örnekleri olmayan bazı görevlerin aslında bu türlerden birine ait olduğunu unutmayın. Örneğin, nesne tespiti bir sınıflandırma görevi olarak düşünülebilir veya ele alınabilir , çünkü görüntüye veya görüntünün ayrı bir bölümüne bakarız ve “Bir nesne var mı yok mu ?” sorusunu cevaplamaya çalışırız. Bu soru ikili bir sınıflandırmadır.
Denetimsiz öğrenme, yalnızca veri girdiğiniz ve doğru yanıt (çıktı) almadığınız bir durumdur. Kümeleme, anomali tespiti veya boyutsallık azalması, denetimsiz öğrenmenin tipik örnekleridir. Kümelenmeyi düşünün: verilerimiz var ve içindeki kümeleri tespit etmemiz gerekiyor. Verileri önceden etiketlemezsek, bu nedenle hangi veri noktasının hangi kümeye ait olduğunu bilemeyebiliriz. Makine öğrenim modeli, ön bilgi sahibi olmadan kümelerin nasıl tespit edileceğini öğrenmelidir. Bu denetimsiz öğrenme anlamına gelir.
Yarı denetimli öğrenme, denetimli ve denetimsiz öğrenmenin özellikleri birleştirir. Bir öneri sistemi oluşturduğunuzda, genellikle etiketlenmiş verilerin bir kısmına ve etiketlenmemiş verilerin bir kısmına sahip olursunuz. Doğal dil üretme modelleri, bir sonraki kelimeyi oluşturmak için cümlelerin önceki içeriğini kullanır. Ancak tahminleri, onları yarı denetimli öğrenme türüne dahil etmemize sebebiyet veren bir olasılık doğasına sahiptir. Görüntü oluşturma, eğitimin bir parçası olarak denetimli kayıpları kullanan gözetimsiz veya denetimsiz öğrenme algoritmaları olan Generatif Düşman Ağları’na dayalı bir görevdir.
Pekiştirici öğrenme, modelin doğru şeyleri kendi başına nasıl yapacağını öğrenmek için çevreden gelen geri bildirim kullanması gereken özel bir görev türüdür. Örneğin, oyun oynamak için ortam kurabilirsiniz. Model kötü çalışırsa herhangi bir ödül puanı alamaz. Ancak modelin amacı ödülü en üst düzeye çıkarmaktır. Böylece, model oyunun bir sonraki turunda davranışını değiştirecek ve eğer bu davranış öncekinden daha fazla ödül oluşturacak ise, model bu modele kayacaktır. Bir sonraki turda model, kazancını daha da artırmak için başka bir şeyi değiştirmeye çalışacak gibi açıklayabiliriz. Pekiştirici öğrenme makine öğreniminin ilginç ama bir o kadarda karmaşık bir alt alandır.
Yaklaşım dalı
Şimdi de zihin haritasının yeşil dalını keşfedelim “yaklaşımlar” bu alanda farklı görevleri çözmek için kullanılan yöntemleri inceleyeceğiz. Tüm yöntemler tek-model tabanlı ve çok-model tabanlı olarak ayrılmıştır. Tek modeller, yalnızca bir model kullanan yöntemlerdir.
İstatistiksel modellere, geleneksel makine öğrenme modellerine ve sinir ağlarına ayrılabilirler. İstatistiksel yöntemler, makine öğrenmesine benzer şekilde görevleri çözmenin ilk yolları arasındadır. Boyutsallık azaltma yöntemleri, regresyon tahmini yöntemleri, verileri analiz etme yöntemleri vb. için methodlar içermektedirler. Örneğin, Temel bileşen analizi (PCA) boyutsallığı azaltmak için iyi bilinen bir yöntemdir. Çarpanlara ayırma matrisleri yapı ve inşa öneri sistemlerinde yaygın olarak kullanılmaktadır. Gizli Dirichlet tahsisi (LDA), konu modelleme için bir algoritmadır. Hareketli bir ortalama hem önceki zaman serisi verilerini analiz etmek hem de gelecek için tahminler yapmak için kullanılabilir.
Geleneksel makine öğrenme yöntemleri muhtemelen makine öğrenimine yeni başlayanların çoğunluğunun zihinlerine gelen algoritmalardır hem sınıflandırma hem de regresyon için birçok yöntem kullanılabilir (örneğin, destek vektör makineleri (SVM), karar ağacı, k-en yakın komşular (KNN)). Bununla birlikte, bazıları belirli veya özel bir görev türünü çözmek için daha uygundur. Örneğin, K-araçları, yalnızca kümelenme görevini çözmek için bir algoritmadır ve lojistik regresyonu ise, saf bir sınıflandırma algoritmasıdır.
Sinir ağları, makine öğrenim uzmanlarının (ML hype) en çok yoğunlaştığı alandır. Aynı şekilde bir sinir ağı, belirli bir yapıya sahip olan matematiksel algoritmadan başka bir şey değildir. Basit sinir ağları (bazen algılayıcı olarak adlandırılır) ve derin sinir ağları vardır. Derin sinir ağları günümüzde makine öğrenim gelişmelerinin kenarındadır. Bilgisayarla görme ve doğal dil işlemlerindeki tüm bu harika şeyler öncelikle derin sinir ağları yardımıyla yapılır. En popüler derin sinir ağları, evrişimli sinir ağları, tekrarlayan sinir ağları ve üretken çekişmeli ağlardır. Çok modelli yaklaşım, bir görevi çözmek için birkaç tek kullanımlı modelin kullanılmasını gerektirir. İstifleme, birkaç farklı makine öğrenimi modeli (örneğin, geleneksel modeller kategorisinden) kullandığımız ve daha sonra cevaplarını (çıktılarını) başka bir model (ler) in girişi olarak kullandığımız zamandır. Birkaç model katmanları olabilir. Böyle bir strateji genellikle harika sonuçlar üretir. Bununla birlikte, tüm sistem karmaşık hale gelir ve onu üretimde kullanmak zor olabilir.
Torbalama, birkaç model almak ve tahminlerini ortalamak anlamına gelir. Örneğin, rastgele bir orman seçimi karar ağaçlarının bir topluluğu ve bütünlüğüdür. Bu, sapmayı sabit bir seviyede tutarken değişikliği azaltmaya izin verir.
Arttırma, genel sonucu iyileştirmek için birçok temel model kullanan bir birleştirme modelidir. Torbalamadan farkı, artırmanın algoritmaların yönlendirilmiş bir bileşimi olmasıdır. Bu, sonraki her modelin, daha önce oluşturulan temel modellerin kompozisyonunun hatasını azaltacak şekilde oluşturulduğu anlamına gelir. Eğim artırmanın en popüler uygulamaları XGBoost ve lightGBM.0'dır.
Uygulamalar Dalı
Şimdi zihin haritamızın son kolu olan uygulamalara geçeceğiz. Yapay zekânın kullanıldığı alanlardan bahsediyoruz. Yapay zekânın yararlı olabileceği endüstrilerle ilgili değilde daha çok yapay zekâ uygulama türleri ile ilgilidir. Genel olarak, yapay zeka uygulama türleri şunlardır: boyutsallık azaltma, doğal dil işlemleme (NLP), bilgisayar görüşü (CV), anomali tespiti, zaman serileri, analitik ve öneri sistemleri.
Boyut küçültme, en alakalı bilgileri tutarken verilerin azaltılmasına izin verir. Görüntü ve ses sıkıştırmada kullanılır ve aynı zamanda bu özellik mühendisler için makine öğrenimi modelleri oluşturma hattında kullanılır.
Doğal dil işleme (NLP), diğer makine öğrenimi uygulamalarından giderek daha fazla ayrılan geniş bir alandır. Birçok uzman NLP'yi bağımsız bir konu olarak görmektedir. makine öğreniminin NLP'deki uygulamaları şunlardır: konu modelleme, metin sınıflandırma, duyarlılık analizi, makine çevirisi, doğal dil üretimi, konuşma tanıma, metin-konuşma, metin analizi, özetleme, varlık tanıma, anahtar kelime çıkarma.
Bilgisayar görüşü (CV), NLP gibi, çok büyük bir konu haline gelmektedir. En iyi bilinen CV uygulamaları görüntü sınıflandırması, görüntü segmentasyonu ve nesne algılamadır. Anomali tespiti, hedefin verilerde beklenmedik, tipik olmayan bir şeyi tanıma uygulamasıdır. Anomali tespiti yenilik tespiti, aykırı tespiti ve sahtekarlık tespiti olarak ayrılmaktadır. Ayrıca, yenilik veya aykırı olmayabilir ama verilerde belirli tuhaf bir şekil olabilir. Bu durumu zihin haritasına dahil etmiyoruz, ama eğer dahil etmek gerekirse, bunu basit bir “anomali tespiti” olarak adlandırabiliriz.
Zaman serisi, zamana dayalı verilerle çalıştığımız alandır. Örneğin, borsa fiyatları, hava durumu verileri, IoT sensörleri verileri vb. Zaman serilerini analiz edebilir veya gelecekteki olası değerleri tahmin edebiliriz.
Analitik, verinin doğasını ve şekillerini keşfetmenin klasik alanıdır. Çeşit olarak; Öngörücü analitikler (gelecekte veya görünmeyen verilerde neler olabileceğini tahmin edin), mevcut durum analizi (tahmin modelleri oluşturmadan mevcut verilerden ne tür görüşler elde edebiliriz), ve optimizasyon sorunları (örneğin, farklı kaynaklardan en az tüketimle A noktasından B noktasına nasıl gidileceğini araştırmak için) mevcuttur.
Öneri sistemler, bir dizi kullanıcılara ve içeriğe sahip olduğunuz uygulamalardır ve siz kullanıcılar için alakalı içeriği önerebilecek bir sistem oluşturmak isterseniz bu uygulamayı kullanmanız gereklidir. Bu tür sistemler, kullanıcılar ve içerik öğeleri hakkında bilinen verileri kullanmak için özel makine öğrenim yöntemlerini (faktorizasyon makineleri gibi) kullanırlar.
Sonuç
Geliştirdiğimiz zihin haritası, bu alanda derinlemesine dahil olmayan insanlar için makine öğrenmesinin yapısını açıklamak ve anlatmak içindir. Makine öğrenmesinin üç farklı açıdan ele alınabileceğini gösterdik: görev türleri, yaklaşımlar (yöntemler) ve uygulama türleri. Zihin haritamızın makine öğrenimi gibi karmaşık bir alan hakkındaki tüm bilgileri kapsayamayacağı açıktır. Şemaya dahil edilmeyen bazı görev türleri, uygulamalar ve özellikle algoritmalar vardır. Ayrıca, bazı noktalar hakkında tartışmak için yeterli alan olduğunu düşünmekteyiz.
Makine öğrenimine yönelik açıklamaya çalıştığımız zihin haritası ile yeni başlayanlara yardımcı olmaya çalışıyoruz. Önerilerinizi yorumlarda bizimle paylaşabilirsiniz.