makine öğrenmesi

• machine learning'in türkçesi.
• (bkz: şair evlenmesi)
• çalışmayan televizyonun yediği yumruktan sonra düzelmesidir
• 3 farklı türü vardır
  elimizde 5000 tane sınıflandırılmış data olsun.
  
  supervised learning (eğiticili sınıflandırma) = belli bir eğitim datanız vardır ve bu eğitim datanızı kullanarak test datanızı sınıflandırırsınız veya test edersiniz. örnek olarak 3000 eğitim kullanarak 2000 test verisini test ederiz.
  
  semi-supervised learning (yarı- eğiticili öğrenme) = belli bir eğitim datanız vardır. bu eğitim datasını kullanarak test verisini eğitirsiniz, eğitilen test verisini eğitim verinize eklersiniz. böylece eğitim veriniz artmış olur bu eğitim verisi ile kalan test verinizi sınıflandırırsnız. örnek 1500 eğitim datası 1500 eğitilecek data 2000 test datası. 1500 eğitim ile 1500 eğitilecek datayı eğitiriz böylece 3000 eğitim datamız olur daha sonra bu 3000 ile 2000 test verisini sınıflandırırız.
  
  unsupervised learning = eğitim datanız bulunmaz eğitim datanızı sistem kendisi oluşturur ve test verisini sınıflandırır
• geleceğin para kazanma potansiyeli en yüksek işlerinden biri
• makine öğrenmesi bilgisayar, telefon vb. elektronik cihazların, geçmiş verileri analiz edip, sonuçlar çıkarması ve çıkardığı bu sonuçlara göre yeni bir davranış oluşturması veya geliştirmesidir. diğer bir söyleyişle (bkz: machine learning)
  
  örneğin: bir hastane labavatuvarının sistemini düşünün. burada yapılan onbinlerce tahlillerin çeşitli bilgiler ile (cinsiyet, boy, kilo, kan grubu, geçirdiği hastalıklar vb..) düzenli olarak kaydedilsin. kaydedilen bu veriler çeşitli algoritmalar ile analiz edilsin. analiz sonucunda:
  
  * a rh+ kan gurubuna sahip 50-60 yaş arasında ki kadınlar x hastalığını geçirmişse y hastalığını da geçirmiştir.
  * 1.80 1.90 boyları arasındaki k alerjisine sahip erkekler l hastalığını geçirmiştir.
  * ab rh- kan grubuna sahip genç insanlar grip hastalığına daha fazla yakalanıyor.
  
  gibi sonuçlar çıktığını düşünelim.
  
  bu analiz sonuçarını yönetebileceğimiz bir yazılım ile artık sistemimizi eğitebiliriz. eğittiğimiz sistem bir sonraki hastanın test sonuçlarını çok kısa sürede değerlendirip hangi hastalığa yakalanacağını veya hangi hastalığa sahip olduğunu tespit edebilecek.
  
  üniversite’de okuduğum zamanlarda geliştirdiğim bir mobil uygulama (watch me) kullanıcının davranışlarını arka planda çalışarak kaydediyor. belirli zamanlarda da kaydedilen verileri analiz ediyor. analiz sonuçlarına göre kullanıcıya çeşitli önerilerde buluyor. (instagram’a girebileceğini düşünüyorum, genelde şu saatlerde alarm kuruyorsun alarm kurmak ister misin? vb. gibi)
  
  veriseti analizini sağlayan open source program (bkz: weka)
  
  online olarak makine öğrenmesini api aracılığıyla kullanmanızı sağlayan "monkeylearn" adında bir site de mevcut. oldukça kullanışlıdır.
  
  sonuca bağlamak gerekirse, makine öğrenmesi her geçen gün daha fazla alanda kullanılmaya başlıyor. örneğin: makine öğrenmesi kullanılarak geliştirilen sanal hakim, gerçek hakimlere göre suçluları daha yüksek oranda tespit ettiği görülmüştür. sürücüsüz ulaşımı sağlayan araçlar, çeşitli ameliyatlar yapan robotik kollar, kişilik analizi yapan çeşitli testler, otomatik kargo servisi yapan drone’lar…
  
  makine öğrenmesinin gelecekte çeşitli meslekleri ele geçireceği aşikar. bu teknolojiye entegre olmayı başaran ülkeler, sanayi devrimin sağladığı kazanımlarla daha fazlasını elde edecektir. dünyada azalan kaynaklar ile daha da artacak olan bu rekabet, entegre olamayan ülkeleri daha fazla fakirleştirerek tarih sahnesinden silecektir.
• makine öğrenmesi (bkz: machine learning) matematiksel ve istatistiksel yöntemler kullanarak mevcut verilerden çıkarımlar yapan, bu çıkarımlarla bilinmeyene dair tahminlerde bulunan yöntem paradigmasıdır. makine öğrenmesine güncel hayatımızdan bazı örnekler: yüz tanıma, belge sınıflandırma, spam tespiti.
  
  bir benzetme yapacak olursak bir deney faresi bir labirente konur fare labirentten çıkmak için yollar bulmaya çalışır, kendince çıkarımlar yapar ve çıkış için yollar arar. makine öğrenmeside bu mantıkla çalışmaktadır bir soruna karşı çıkarımlar üretir ve zaman geçtikçe çıkarımların doğruluk oranı artar.
• yapay zeka kavramının başlangıcını oluşturan dönüm noktasıdır. aslında yapay zeka makine öğrenmesinin biraz farklılaşmış ve daha çok yapay sinir ağları ve derin öğrenme ile ilişkilendirilmiş kısmıdır.
  
  makine öğrenmesi ise veri madenciliğinin bir alt dalıdır. yani her şey verinin gücünün fark edilmesiyle başlamıştır. bu gün big data'nın popülerleşmesi de internet ve sosyal medyanın gelişmesiyle olmuştur.
  
  ancak yapay zeka denilen şey tam olarak insan zekasının taklit edilmesi olarak düşünüldüğünde, ne makine öğrenmesi yöntemleri ne de yapay sinir ağları istenileni vermeyecektir. daha farklı teknolojilere ihtiyaç vardır ve bunlara ulaşılabilmesi için öncelikle bilgi, bilmek, öğrenmek gibi kavramların tam anlamıyla çözülmesi gerekmektedir. yani işin ucu bilimin anası olan felsefeye dayanmaktadır.
• artık hemen hemen her developerin en azından istatistik için basitçe de olsa kullandığı hede. ancak şimdiki problemimiz makineye öğretebilmemiz ancak makinenin neyi öğrendiğini anlayamaması.
• makine öğrenmesi ile ilgili olarak ilk departman abd pittsburgh' da tom mitchell aracılığı ile açılmıştır. hatta mitchel bu kurulum gerçekleşirken şöyle bir anektod paylaşır:
  "the university said you can only have a department if you have a discipline that is going to be here in one hundred years. otherwise you can not have a department." yani "üniversite (tabi yönetim kast ediyor) dedi ki: önümüzdeki 100 yıl içinde hala var olacak bir disiplininiz varsa departmanınız olabilir, aksi taktirde departmanınız olamaz".
  
  hatta öğrenmek isteyenler şuralardan faydalanabilirler...
  
  http://ciml.info/
  https://work.caltech.edu/lectures.html#lectures