90’lı yıllar televizyon dizilerinin bizim kusağın karakterlerinin gelişmesinde etkisi büyüktür. Yaratıcılığımıza en büyük katkıyı ise MacGyver sağlamıştır. Silah kullanımına karşı olan kahramanımız karşılaştığı her türlü soruna, çevresindeki alakasız malzemeleri bir araya getirerek ürettiği sıradışı çözümler ile o dönem bizleri mest ederdi. Bu pratik çözümlerde isveç çakısı ise olmazsa olmazıydı. Nöral ağlar makine öğrenmesi çalışmalarında isveç çakışı gibi kullanılabilmekte, bunu biliyor muydunuz?
Geçmiş deneyimlere ait örneklemler makine öğrenmesi çalışmasının gözetimli ya da gözetimsiz olacağı belirler.
Segmentasyon
Segmentasyon bir gözetimsiz öğrenme örneğidir. Örneklemler içerisinde ilişkili grupları belirmeyi amaçlar. Örneğin bir spor salonunun müşterilerini segmente etmek istediğini düşünelim. Segmentasyon, müşterilerin kaç kg olduklarına göre, vücut kitle indekslerine göre veya yağ ve kas oranlarına göre yapılabilir. Diğer bir deyişle, bu tür çalışmalarda tek bir doğru yoktur. Bakış açınıza göre Prens Charles ve Ozzy Ozbourne’u da aynı segment grubuna dahil edebilirsiniz. Özetle gözetimsiz öğrenme yönteminde yaptığınızı doğru ya da yanlış olarak değerlendirebileceğiniz etiket değerler yoktur.
Gözetimli Öğrenme
Buna karşın, gözetimli öğrenme yönteminde örneklemlere ait etiket değerler mevcuttur. Batık krediler örneğinde olduğu gibi hangi kredilerin ödenmiş hangilerinin ise ödenmemiş olduğunu zaten biliyorsunuzdur. Dolayısıyla hiç bilmediğiniz bir grup müşteri için hangilerinin batacağı hangilerinin ise düzgün ödeme yapacağı konusunda yaptığınız tahminlerin ne kadar doğru olduğunu ölçebilirsiniz.
Sınıflandırma ve Regresyon
Gözetimli öğrenme çalışmaları kendi içerisinde iki dala ayrılmaktadır: sınıflandırma ve regresyon. Az önce verilen batık kredi konusu bir sınıflandırma çalışmasıdır. Çünkü örneklemler geri ödenmiş veya ödenmemiş şeklinde iki sınıf olarak etiketlenmiştir. Diğer taraftan, regresyon çalışmalarındaki çıktılar sürekli bir sayısal değerdir. Örneğin bir hisse senedinin gelecekteki fiyatının tahmin edilmesi bir regresyon çalışmasıdır.
Sınıflandırma ve regresyon için farklı makine öğrenmesi algoritmaları bulunmaktadır. Örneğin, sınıflandırma çalışmaları için Destekçi Vektör Algoritmaları ile modeller geliştirebilecekken, regresyon çalışmalarında lineer regresyonu kullanabilirsiniz.
Şaşırtıcı bir şekilde, nöral ağlar hem sınıflandırma hem de regresyon ile başa çıkabilmektedir. Bu sebeple bu motivasyona ayrı bir ilgim bulunmakta.
Öğrenme algoritmasına beslenen tarihsel verideki etiketlerin sınıf ya da sürekli değere sahip olması öğrenmenin gerçekleşmesi için yeterli olacaktır. Böylelikle aynı öğrenme algoritması koşacak ve problemi sınıflandırma veya regresyon farkı gözetmeden modelleyecektir.
Nöral ağlar, en güçlü makine öğrenmesi algoritmalarından biriyken regresyon ve sınıflandırma problemlerine birlikte uyarlanabilmektedir. Bu sebepledir ki makine öğrenmesi algoritmalarının her birini bir bıçağa benzeteceksek, yapay sinir ağları bunların arasında isveç çakısı olurdu.
Bu yazı, Yazılımcının Seyir Defteri blog’undaki “Becoming MacGyver of Machine Learning with Neural Networks” yazısından Türkçe’ye çevrilmiştir.