Makine öğrenimi, makinenin verilerden otomatik olarak öğrenmesini, geçmiş deneyimlerden performansı iyileştirmesini ve tahminlerde bulunmasını sağlayan yapay zekanın bir alt kümesidir. . Makine öğrenimi, büyük miktarda veri üzerinde çalışan bir dizi algoritma içerir. Veriler bu algoritmalara onları eğitmek için beslenir ve eğitim temelinde modeli oluştururlar ve belirli bir görevi gerçekleştirirler.

Bu ML algoritmaları, Regresyon, Sınıflandırma, Tahmin, Kümeleme ve İlişkiler vb. gibi farklı iş sorunlarının çözülmesine yardımcı olur.

Öğrenme yöntemlerine ve şekline bağlı olarak makine öğrenimi temel olarak dört türe ayrılır:

1. Denetimli Makine Öğrenimi
2. Denetimsiz Makine Öğrenimi
3. Yarı Denetimli Makine Öğrenimi
4. Takviyeli Öğrenme

Bu konuda, Makine Öğrenimi türlerinin ayrıntılı bir açıklamasını ve ilgili algoritmalarını sunacağız:

1. Denetimli Makine Öğrenimi

Adından da anlaşılacağı gibi, Denetimli makine öğrenimi denetime dayanmaktadır. Bu, denetimli öğrenme tekniğinde makineleri 'etiketli' veri kümesini kullanarak eğittiğimiz ve eğitime dayanarak makinenin çıktıyı tahmin ettiği anlamına gelir. Burada etiketlenen veriler bazı girdilerin zaten çıktıyla eşlendiğini belirtir. Daha da önemlisi şunu söyleyebiliriz; İlk önce makineyi girdi ve karşılık gelen çıktıyla eğitiyoruz ve ardından makineden test veri setini kullanarak çıktıyı tahmin etmesini istiyoruz.

Denetimli öğrenmeyi bir örnekle anlayalım. Kedi ve köpek görsellerinden oluşan bir girdi veri setimiz olduğunu varsayalım. Bu nedenle öncelikle makineye görüntüleri anlaması için eğitim vereceğiz. kedi ve köpeğin kuyruğunun şekli ve boyutu, gözlerin şekli, rengi, boyu (köpekler daha uzun, kediler daha küçüktür), vb. Eğitim tamamlandıktan sonra bir kedinin resmini giriyoruz ve makineden nesneyi tanımlamasını ve çıktıyı tahmin etmesini istiyoruz. Artık makine iyi eğitilmiştir, dolayısıyla nesnenin yükseklik, şekil, renk, gözler, kulaklar, kuyruk vb. gibi tüm özelliklerini kontrol edecek ve bunun bir kedi olduğunu bulacaktır. Yani onu Kedi kategorisine koyacak. Bu, Denetimli Öğrenmede makinenin nesneleri nasıl tanımladığı sürecidir.

Denetimli öğrenme tekniğinin temel amacı, giriş değişkenini (x) çıkış değişkeni (y) ile eşlemektir. Denetimli öğrenmenin gerçek dünyadaki bazı uygulamaları şunlardır: Risk Değerlendirmesi, Dolandırıcılık Tespiti, Spam filtreleme, vesaire.

Denetimli Makine Öğrenimi Kategorileri

Denetimli makine öğrenimi, aşağıda verilen iki tür soruna ayrılabilir:

sınıflandırma Regresyon

a) Sınıflandırma

Sınıflandırma algoritmaları, çıktı değişkeninin kategorik olduğu sınıflandırma problemlerini çözmek için kullanılır, örneğin ' Evet veya Hayır, Erkek veya Kadın, Kırmızı veya Mavi vb. . Sınıflandırma algoritmaları veri kümesinde bulunan kategorileri tahmin eder. Sınıflandırma algoritmalarının bazı gerçek dünya örnekleri şunlardır: Spam Algılama, E-posta filtreleme vb.

Bazı popüler sınıflandırma algoritmaları aşağıda verilmiştir:

Rastgele Orman Algoritması Karar Ağacı Algoritması Lojistik Regresyon Algoritması Destek Vektör Makinesi Algoritması

b) Regresyon

Regresyon algoritmaları, girdi ve çıktı değişkenleri arasında doğrusal bir ilişkinin olduğu regresyon problemlerini çözmek için kullanılır. Bunlar, piyasa eğilimleri, hava tahmini vb. gibi sürekli çıktı değişkenlerini tahmin etmek için kullanılır.

Bazı popüler Regresyon algoritmaları aşağıda verilmiştir:

Basit Doğrusal Regresyon Algoritması Çok Değişkenli Regresyon Algoritması Karar Ağacı Algoritması Kement Regresyon

Denetimli Öğrenmenin Avantajları ve Dezavantajları

Avantajları:

• Denetimli öğrenme etiketli veri kümesiyle çalıştığından nesnelerin sınıfları hakkında kesin bir fikre sahip olabiliriz.
• Bu algoritmalar önceki deneyimlere dayanarak çıktıyı tahmin etmede yardımcı olur.

Dezavantajları:

• Bu algoritmalar karmaşık görevleri çözemez.
• Test verilerinin eğitim verilerinden farklı olması durumunda yanlış çıktıyı tahmin edebilir.
• Algoritmayı eğitmek çok fazla hesaplama süresi gerektirir.

Denetimli Öğrenme Uygulamaları

Denetimli Öğrenmenin bazı yaygın uygulamaları aşağıda verilmiştir:

Resim parçalama:
Görüntü segmentasyonunda Denetimli Öğrenme algoritmaları kullanılır. Bu süreçte farklı görüntü verileri üzerinde önceden tanımlanmış etiketlerle görüntü sınıflandırması gerçekleştirilir.Tıbbi teşhis:
Denetimli algoritmalar tıp alanında da teşhis amacıyla kullanılmaktadır. Hastalık durumlarına yönelik etiketlerle birlikte tıbbi görüntüler ve geçmiş etiketli veriler kullanılarak yapılır. Böyle bir işlemle makine yeni hastalar için bir hastalığı tanımlayabiliyor.Dolandırıcılık Tespiti -Denetimli Öğrenme sınıflandırma algoritmaları dolandırıcılık işlemlerini, dolandırıcılık müşterilerini vb. tanımlamak için kullanılır. Olası dolandırıcılığa yol açabilecek kalıpları belirlemek için geçmiş veriler kullanılarak yapılır.Spam tespiti -Spam tespit ve filtrelemede sınıflandırma algoritmaları kullanılır. Bu algoritmalar bir e-postayı spam veya spam değil olarak sınıflandırır. Spam e-postalar spam klasörüne gönderilir.Konuşma tanıma -Denetimli öğrenme algoritmaları konuşma tanımada da kullanılır. Algoritma ses verileriyle eğitilir ve aynısını kullanarak sesle etkinleştirilen şifreler, sesli komutlar vb. gibi çeşitli tanımlamalar yapılabilir.

2. Denetimsiz Makine Öğrenimi

Denetimsiz öğrenme g Denetimli öğrenme tekniğinden farklıdır; adından da anlaşılacağı gibi denetime gerek yoktur. Bu, denetimsiz makine öğreniminde makinenin etiketlenmemiş veri kümesini kullanarak eğitildiği ve makinenin çıktıyı herhangi bir denetim olmadan tahmin ettiği anlamına gelir.

Denetimsiz öğrenmede modeller, sınıflandırılmamış veya etiketlenmemiş verilerle eğitilir ve model, herhangi bir denetim olmaksızın bu veriler üzerinde hareket eder.

Denetimsiz öğrenme algoritmasının temel amacı, sıralanmamış veri kümesini benzerliklere, kalıplara ve farklılıklara göre gruplandırmak veya kategorilere ayırmaktır. Makinelere, girdi veri kümesinden gizli kalıpları bulmaları talimatı verilir.

Daha kıymetli anlayabilmek için bir örnek verelim; Diyelim ki bir sepet meyve resmi var ve bunu makine öğrenimi modeline girdik. Görüntüler model tarafından tamamen bilinmemektedir ve makinenin görevi nesnelerin desenlerini ve kategorilerini bulmaktır.

Böylece makine artık renk farkı, şekil farkı gibi desenlerini ve farklılıklarını keşfedecek ve test veri seti ile test edildiğinde çıktıyı tahmin edecek.

Denetimsiz Makine Öğrenimi Kategorileri

Denetimsiz Öğrenme ayrıca aşağıda verilen iki türe ayrılabilir:

Kümeleme Dernek

1) Kümeleme

Kümeleme tekniği, verilerden doğal grupları bulmak istediğimizde kullanılır. Nesneleri, en fazla benzerliğe sahip nesnelerin bir grupta kalacağı ve diğer grupların nesneleriyle daha az benzerliğe sahip olacağı veya hiç benzerlik göstermeyeceği şekilde bir küme halinde gruplandırmanın bir yoludur. Kümeleme algoritmasının bir örneği, müşterileri satın alma davranışlarına göre gruplandırmaktır.

Popüler kümeleme algoritmalarından bazıları aşağıda verilmiştir:

K-Means Kümeleme algoritması Ortalama kaydırma algoritması DBSCAN Algoritması Temel bileşenler Analizi Bağımsız Bileşen Analizi

2) Dernek

Birliktelik kuralı öğrenme, büyük bir veri kümesindeki değişkenler arasında ilginç ilişkiler bulan denetimsiz bir öğrenme tekniğidir. Bu öğrenme algoritmasının temel amacı, bir veri öğesinin başka bir veri öğesine bağımlılığını bulmak ve bu değişkenleri buna göre eşleştirerek maksimum kâr elde etmektir. Bu algoritma esas olarak şu alanlarda uygulanır: Pazar Sepeti analizi, Web kullanım madenciliği, sürekli üretim , vesaire.

Birliktelik kuralı öğrenmenin bazı popüler algoritmaları şunlardır: Apriori Algoritması, Eclat, FP-büyüme algoritması.

Denetimsiz Öğrenme Algoritmasının Avantajları ve Dezavantajları

Avantajları:

• Bu algoritmalar, etiketlenmemiş veri kümesi üzerinde çalıştığından, denetlenen algoritmalara göre karmaşık görevler için kullanılabilir.
• Etiketlenmemiş veri kümesini elde etmek, etiketli veri kümesine kıyasla daha kolay olduğundan, çeşitli görevler için denetimsiz algoritmalar tercih edilir.

Dezavantajları:

• Denetimsiz bir algoritmanın çıktısı, veri kümesi etiketlenmediğinden ve algoritmalar önceden tam çıktıyla eğitilmediğinden daha az doğru olabilir.
• Denetimsiz öğrenmeyle çalışmak, çıktıyla eşlenmeyen etiketlenmemiş veri kümesiyle çalıştığı için daha zordur.

Denetimsiz Öğrenme Uygulamaları

Ağ analizi:Denetimsiz öğrenme, bilimsel makaleler için metin verilerinin belge ağı analizinde intihal ve telif hakkını belirlemek için kullanılır.Öneri Sistemleri:Öneri sistemleri, farklı web uygulamaları ve e-ticaret web siteleri için öneri uygulamaları oluşturmak amacıyla denetimsiz öğrenme tekniklerini yaygın olarak kullanır.Anomali tespiti:Anormallik tespiti, veri kümesindeki olağandışı veri noktalarını tanımlayabilen, denetimsiz öğrenmenin popüler bir uygulamasıdır. Hileli işlemleri tespit etmek için kullanılır.Tekil Değer Ayrışımı:Tekil Değer Ayrışımı veya SVD, veritabanından belirli bilgileri çıkarmak için kullanılır. Örneğin, belirli bir konumdaki her kullanıcının bilgilerinin çıkarılması.

3. Yarı Denetimli Öğrenme

Yarı Denetimli öğrenme, Denetimli ve Denetimsiz makine öğrenimi arasında yer alan bir tür Makine Öğrenimi algoritmasıdır . Denetimli (Etiketlenmiş eğitim verileriyle) ve Denetimsiz öğrenme (etiketlenmiş eğitim verileri olmadan) algoritmaları arasındaki ara zemini temsil eder ve eğitim süresi boyunca etiketli ve etiketsiz veri kümelerinin kombinasyonunu kullanır.

mylivecricket canlı kriket için hazır

A Yarı denetimli öğrenme, denetimli ve denetimsiz öğrenmenin orta noktası olmasına ve birkaç etiketten oluşan veriler üzerinde çalışmasına rağmen çoğunlukla etiketlenmemiş verilerden oluşur. Etiketler maliyetli olduğundan ancak kurumsal amaçlar için az sayıda etiketi olabilir. Etiketlerin varlığına ve yokluğuna dayandığından denetimli ve denetimsiz öğrenmeden tamamen farklıdır.

Denetimli öğrenme ve denetimsiz öğrenme algoritmalarının dezavantajlarının üstesinden gelmek için Yarı denetimli öğrenme kavramı tanıtıldı . Yarı denetimli öğrenmenin temel amacı, denetimli öğrenmede olduğu gibi yalnızca etiketlenmiş veriler yerine mevcut tüm verileri etkili bir şekilde kullanmaktır. Başlangıçta, benzer veriler denetimsiz bir öğrenme algoritmasıyla birlikte kümelenir ve ayrıca etiketlenmemiş verilerin etiketli verilere etiketlenmesine yardımcı olur. Bunun nedeni, etiketlenmiş verilerin etiketlenmemiş verilere göre nispeten daha pahalı bir edinim olmasıdır.

Bu algoritmaları bir örnekle hayal edebiliriz. Denetimli öğrenme, öğrencinin evde ve üniversitede bir eğitmenin gözetimi altında olduğu yerdir. Ayrıca, eğer öğrenci aynı kavramı eğitmenin yardımı olmadan kendi kendine analiz ediyorsa, bu denetimsiz öğrenme kapsamına girer. Yarı denetimli öğrenmede öğrencinin üniversitedeki bir eğitmenin rehberliğinde aynı kavramı analiz ettikten sonra kendini gözden geçirmesi gerekir.

Yarı Denetimli Öğrenmenin Avantajları ve Dezavantajları

Avantajları:

• Algoritmayı anlamak basit ve kolaydır.
• Oldukça verimlidir.
• Denetimli ve Denetimsiz Öğrenme algoritmalarının dezavantajlarını çözmek için kullanılır.

Dezavantajları:

• Yineleme sonuçları kararlı olmayabilir.
• Bu algoritmaları ağ düzeyindeki verilere uygulayamayız.
• Doğruluk düşüktür.

4. Takviyeli Öğrenme

Takviyeli öğrenme, bir yapay zeka aracısının (bir yazılım bileşeni) vurarak ve takip ederek, harekete geçerek, deneyimlerden öğrenerek ve performansını geliştirerek çevresini otomatik olarak keşfettiği geri bildirime dayalı bir süreç üzerinde çalışır. Temsilci her iyi eylem için ödüllendirilir ve her kötü eylem için cezalandırılır; dolayısıyla takviyeli öğrenme aracısının amacı ödülleri en üst düzeye çıkarmaktır.

Takviyeli öğrenmede denetimli öğrenme gibi etiketlenmiş veriler yoktur ve aracılar yalnızca deneyimlerinden öğrenirler.

Takviyeli öğrenme süreci insana benzer; örneğin bir çocuk günlük yaşamında birçok şeyi deneyimleyerek öğrenir. Takviyeli öğrenmeye bir örnek, Oyunun çevre olduğu, her adımdaki bir aracının hareketlerinin durumları tanımladığı ve aracının amacının yüksek puan almak olduğu bir oyun oynamaktır. Temsilci, ceza ve ödüller açısından geri bildirim alır.

Çalışma şekli nedeniyle takviyeli öğrenme gibi farklı alanlarda kullanılmaktadır. Oyun teorisi, Yöneylem Araştırması, Bilgi teorisi, çok etmenli sistemler.

Bir takviyeli öğrenme problemi aşağıdakiler kullanılarak resmileştirilebilir: Markov Karar Süreci(MDP). MDP'de aracı sürekli olarak çevreyle etkileşime girer ve eylemler gerçekleştirir; Her eylemde çevre yanıt verir ve yeni bir durum yaratır.

Takviyeli Öğrenme Kategorileri

Takviyeli öğrenme temel olarak iki tür yönteme/algoritmaya ayrılır:

Olumlu Takviyeli Öğrenme:Olumlu pekiştirmeli öğrenme, gerekli davranışın bir şeyler eklenerek tekrar ortaya çıkma eğiliminin arttırılmasını ifade eder. Temsilcinin davranışının gücünü arttırır ve olumlu yönde etkiler.Negatif Takviyeli Öğrenme:Negatif takviyeli öğrenme, pozitif RL'nin tam tersi şekilde çalışır. Olumsuz durumdan kaçınarak belirli bir davranışın tekrar ortaya çıkma eğilimini arttırır.

Takviyeli Öğrenmenin Gerçek Dünya Kullanım Örnekleri

Video oyunları:
RL algoritmaları oyun uygulamalarında çok popülerdir. İnsanüstü performans elde etmek için kullanılır. RL algoritmalarını kullanan bazı popüler oyunlar şunlardır: AlfaGO Ve AlphaGO Sıfır .Kaynak yönetimi:
'Derin Takviyeli Öğrenme ile Kaynak Yönetimi' makalesi, ortalama iş yavaşlamasını en aza indirmek amacıyla, farklı işleri bekleyecek şekilde kaynakları otomatik olarak öğrenmek ve planlamak için bilgisayarda RL'nin nasıl kullanılacağını gösterdi.Robotik:
RL Robotik uygulamalarında yaygın olarak kullanılmaktadır. Robotlar endüstriyel ve imalat alanında kullanılıyor ve bu robotlar pekiştirmeli öğrenmeyle daha güçlü hale getiriliyor. Yapay zeka ve Makine öğrenimi teknolojisini kullanarak akıllı robotlar oluşturma vizyonuna sahip farklı endüstriler var.Metin Madenciliği
NLP'nin harika uygulamalarından biri olan metin madenciliği, artık Salesforce firmasının Reinforcement Learning yardımıyla hayata geçiriliyor.

Takviyeli Öğrenmenin Avantajları ve Dezavantajları

Avantajları

• Genel tekniklerle çözülmesi zor olan karmaşık gerçek dünya problemlerinin çözümüne yardımcı olur.
• RL'nin öğrenme modeli insanın öğrenmesine benzer; dolayısıyla en doğru sonuçlara ulaşılabilir.
• Uzun vadeli sonuçların elde edilmesine yardımcı olur.

Dezavantaj

• RL algoritmaları basit problemlerde tercih edilmez.
• RL algoritmaları büyük veri ve hesaplamalar gerektirir.
• Çok fazla takviyeli öğrenme, durumların aşırı yüklenmesine yol açarak sonuçları zayıflatabilir.

Boyutsallığın laneti, gerçek fiziksel sistemler için takviyeli öğrenmeyi sınırlar.