Önceki konu başlığımızda, eğitim verilerinin denetimi altında etiketli veriler kullanılarak modellerin eğitildiği denetimli makine öğrenimini öğrendik. Ancak etiketli verilere sahip olmadığımız ve verilen veri kümesinden gizli kalıpları bulmamız gereken birçok durum olabilir. Dolayısıyla makine öğreniminde bu tür durumları çözmek için denetimsiz öğrenme tekniklerine ihtiyacımız var.

Denetimsiz Öğrenme Nedir?

Adından da anlaşılacağı gibi denetimsiz öğrenme, modellerin eğitim veri kümesi kullanılarak denetlenmediği bir makine öğrenme tekniğidir. Bunun yerine modellerin kendisi, verilen verilerdeki gizli kalıpları ve içgörüleri bulur. Yeni şeyler öğrenirken insan beyninde gerçekleşen öğrenmeye benzetilebilir. Şu şekilde tanımlanabilir:

sdlc yaşam döngüsü

Denetimsiz öğrenme, modellerin etiketlenmemiş veri kümesi kullanılarak eğitildiği ve herhangi bir denetim olmadan bu veriler üzerinde işlem yapmasına izin verilen bir makine öğrenimi türüdür.

Denetimsiz öğrenme, bir regresyon veya sınıflandırma problemine doğrudan uygulanamaz çünkü denetimli öğrenmenin aksine, girdi verimiz var ancak buna karşılık gelen çıktı verimiz yok. Denetimsiz öğrenmenin amacı, Veri kümesinin temel yapısını bulun, bu verileri benzerliklere göre gruplandırın ve bu veri kümesini sıkıştırılmış formatta temsil edin .

Örnek: Denetimsiz öğrenme algoritmasına, farklı kedi ve köpek türlerinin görüntülerini içeren bir giriş veri kümesi verildiğini varsayalım. Algoritma hiçbir zaman verilen veri kümesi üzerinde eğitilmez, bu da veri kümesinin özellikleri hakkında hiçbir fikre sahip olmadığı anlamına gelir. Denetimsiz öğrenme algoritmasının görevi, görüntü özelliklerini kendi başına tanımlamaktır. Denetimsiz öğrenme algoritması bu görevi, görüntü veri kümesini görüntüler arasındaki benzerliklere göre gruplara ayırarak gerçekleştirecektir.

Denetimsiz Öğrenmeyi neden kullanmalısınız?

Denetimsiz Öğrenmenin önemini açıklayan bazı ana nedenler aşağıda verilmiştir:

• Denetimsiz öğrenme, verilerden yararlı bilgiler bulma konusunda faydalıdır.
• Denetimsiz öğrenme, bir insanın kendi deneyimleriyle düşünmeyi öğrenmesine çok benzer, bu da onu gerçek yapay zekaya daha yakın hale getirir.
• Denetimsiz öğrenme, etiketlenmemiş ve kategorize edilmemiş veriler üzerinde çalışır ve bu da denetimsiz öğrenmeyi daha önemli hale getirir.
• Gerçek dünyada, her zaman karşılık gelen çıktıyla birlikte girdi verisine sahip değiliz, dolayısıyla bu tür durumları çözmek için denetimsiz öğrenmeye ihtiyacımız var.

Denetimsiz Öğrenmenin Çalışması

Denetimsiz öğrenmenin çalışması aşağıdaki diyagramdan anlaşılabilir:

java kullanım tarihi

Burada etiketlenmemiş bir girdi verisi almış olduk, yani kategorize edilmemiş ve karşılık gelen çıktılar da verilmemiş demektir. Artık bu etiketlenmemiş giriş verileri, onu eğitmek için makine öğrenimi modeline beslenir. İlk olarak, verilerdeki gizli kalıpları bulmak için ham verileri yorumlayacak ve ardından k-ortalama kümeleme, Karar ağacı vb. gibi uygun algoritmaları uygulayacaktır.

Algoritma uygun algoritmayı uyguladıktan sonra veri nesnelerini nesneler arasındaki benzerlik ve farklılıklara göre gruplara ayırır.

Denetimsiz Öğrenme Algoritmasının Türleri:

Denetimsiz öğrenme algoritması ayrıca iki tür soruna ayrılabilir:

Kümeleme: Kümeleme, nesneleri, en çok benzerliğe sahip nesnelerin bir grupta kalacağı ve başka bir grubun nesneleriyle daha az benzerliğe sahip olacağı veya hiç benzerlik göstermeyeceği şekilde kümeler halinde gruplandırma yöntemidir. Kümeleme analizi, veri nesneleri arasındaki ortak noktaları bulur ve bunları bu ortak noktaların varlığına ve yokluğuna göre kategorilere ayırır.Dernek: Birliktelik kuralı, büyük veri tabanındaki değişkenler arasındaki ilişkileri bulmak için kullanılan denetimsiz bir öğrenme yöntemidir. Veri kümesinde birlikte oluşan öğe kümesini belirler. Birliktelik kuralı pazarlama stratejisini daha etkili hale getirir. Örneğin, X ürünü (bir ekmek varsayalım) satın alan kişiler aynı zamanda Y (Tereyağı/Reçel) ürününü de satın alma eğilimindedir. Birliktelik kuralının tipik bir örneği Pazar Sepeti Analizidir.

Not: Bu algoritmaları daha sonraki bölümlerde öğreneceğiz.

Denetimsiz Öğrenme algoritmaları:

Aşağıda bazı popüler denetimsiz öğrenme algoritmalarının listesi bulunmaktadır:

K-kümeleme anlamına gelir KNN (k-en yakın komşular) Hiyerarşik kümeleme Anomali tespiti Nöral ağlar Temel Bileşen Analizi Bağımsız Bileşen Analizi Önsel algoritma Tekil değer ayrışımı

Denetimsiz Öğrenmenin Avantajları

• Denetimsiz öğrenme, denetimli öğrenmeye kıyasla daha karmaşık görevler için kullanılır çünkü denetimsiz öğrenmede etiketli giriş verimiz yoktur.
• Etiketlenmemiş verileri elde etmek etiketli verilere kıyasla daha kolay olduğundan denetimsiz öğrenme tercih edilir.

Denetimsiz Öğrenmenin Dezavantajları

• Denetimsiz öğrenme, karşılık gelen çıktıya sahip olmadığından doğası gereği denetimli öğrenmeye göre daha zordur.
• Denetimsiz öğrenme algoritmasının sonucu, girdi verileri etiketlenmediğinden ve algoritmalar kesin çıktıyı önceden bilmediğinden daha az doğru olabilir.